초안 짜는 AI 옆에서 기획자가 해야 할 일
문서 만드는 기획자에서 판 짜는 디렉터로
구글 검색 선호 매체로 추가“우리 서비스에도 AI 기능을 도입할 수 있을까요?”
“요즘은 AI가 알아서 다 해준다는데, 이번 프로젝트 일정은 대폭 단축할 수 있겠네요.”
“이 정도 화면이랑 기능은 우리도 AI 쓰면 금방 만들겠는데…?”
최근 IT 실무 현장에서 자주 들리는 말입니다. AI가 기획, 디자인, 개발의 진입장벽을 낮추면서 몇줄의 프롬프트만으로도 와이어프레임을 만들고, UI를 설계하며, 프로토타입까지 구현하는 일이 더 이상 일부 전문가만의 영역이 아니게 되었습니다.
그렇다고 기획자의 역할이 사라지는 것은 아닙니다. 오히려 AI가 반복적인 작업과 초안 작성을 대신할수록 무엇을 만들 것인지, 왜 이 방향이 맞는지, AI의 결과를 어디까지 신뢰할 수 있는지를 판단하는 기획자의 역할은 더욱 중요해지고 있습니다. AI는 결과를 빠르게 만들어낼 수 있지만, 문제의 맥락을 이해하고 우선순위를 정하며 최종 결과에 책임지는 일까지 대신할 수는 없습니다.
이 글에선 리서치부터 요구사항 정의, 화면 설계, 프로토타입 제작, 데이터 분석까지 AI가 기획 업무를 어떻게 바꾸고 있는지 살펴봅니다. 그리고 AI 시대에 기획자가 갖춰야 할 새로운 역할과 일하는 방식을 함께 이야기해 보겠습니다.
기획자의 일은 줄어드는가, 바뀌는가
오늘날 현장의 AI는 ‘대신 작성하는 비서’를 넘어, 여러 도구를 연결해 함께 일을 수행하는 동료로 진화하고 있습니다. 물론 불과 2~3년 전만 해도 기획자가 AI에 기대했던 역할은 시장 조사 내용을 요약하거나 고객사 메일 초안을 작성하는 정도였죠. 당시의 AI는 업무를 대신하기보다, 궁금한 것들을 대신 찾아주고 답변해주는 ‘비서’에 가까웠습니다.
하지만 지금의 AI는 다릅니다. 생성형 AI는 문장을 만드는 수준을 넘어 파일을 읽고, 여러 도구를 연결하며, 작업을 순차적으로 수행하는 AI 에이전트로 발전하고 있습니다. 시장 리서치를 수행하고, 회의 내용을 정리하며, 요구사항을 도출하고, 화면 설계를 위한 와이어프레임을 제안하는 것은 물론, 데이터 분석 결과를 기반으로 개선 방향까지 제시할 수 있습니다.
이런 변화는 그저 업무 속도가 빨라지는 것에서 끝나지 않습니다. 과거엔 하나의 결과물을 만들기 위해 많은 시간을 들였다면, 이제는 다양한 초안을 빠르게 비교하고 검증하는 데 더 많은 시간을 투자할 수 있게 됐습니다.
결국 AI가 바꾸는 것은 기획자의 존재가 아니라 ‘일하는 방식’입니다. 기획자의 역할은 직접 만드는 사람에서, 방향을 결정하고 결과를 검증하며 실행을 이끄는 사람으로 변화하고 있습니다.
업무 단계별 AI 어떻게 활용할까?
리서치: 검색을 빠르게, 질문은 더 정확하게
레퍼런스 리서치에는 크게 두 가지 질문법이 있습니다. 특정 서비스를 타 경쟁사들과 비교하는 방식과, 해결하고 싶은 문제 자체를 설명하고 사례를 찾는 방식입니다. 문제를 중심으로 질문하면 생각하지 못했던 업종이나 해외 사례까지 발견할 수 있어 더 넓은 인사이트를 얻을 수 있습니다.
최근에는 이러한 리서치와 정보 수집 과정을 대폭 단축해 주는 생성형 AI 도구들이 다양하게 등장했습니다. 제미나이, 챗GPT, 클로드, 퍼플렉시티 같은 AI 모델을 활용하면 경쟁 서비스 분석부터 시장 동향, 해외 리포트 번역과 핵심 요약까지 단 몇 분 만에 정리할 수 있습니다.
예전엔 경쟁사 앱을 하나씩 설치하고 스크린샷을 모으며 하루를 보내기도 했지만, 이제는 AI 덕분에 단 몇 시간이면 충분한 리서치를 진행할 수 있습니다. 다만 AI가 정리한 내용은 탐색을 위한 시작점일 뿐입니다. 원문 링크와 발행일을 함께 확인하고, 중요한 수치는 한 번 더 직접 검증하는 과정이 반드시 필요합니다.
가상 페르소나와 대화하는 방식도 리서치 단계에서 유용하게 활용할 수 있습니다. 인터뷰X(InterviewX)와 같은 AI 인터뷰 서비스나 AI 모델에 특정 페르소나를 부여하면 다양한 관점에서 질문을 만들고 가설을 빠르게 확장할 수 있습니다. 다만 AI가 만들어낸 답변은 실제 사용자의 의견이 아닙니다. 인터뷰를 준비하거나 아이디어를 넓히는 데 활용하되, 중요한 의사결정은 실제 사용자 조사와 데이터로 검증해야 합니다.
요구사항 정의: 문장을 구조로 바꾸고, 모호함을 줄이기
레퍼런스 리서치가 끝나면 요구사항을 정리하는 단계가 이어집니다. 회의 내용이나 초기 아이디어를 AI에 요청해 요구사항 목록으로 정리하거나 기능명세 초안을 요청하면 문서의 첫 골격을 빠르게 만들 수 있습니다. 특히 “빠르게” “적절히” “필요한 경우”처럼 모호한 표현을 찾아 구체적인 조건으로 바꿔달라고 요청하면, 고객과 소통하는 과정에서 발생할 수 있는 오해를 줄이는 데 도움이 됩니다.
요구사항이 정리되면 기능명세를 구체화하는 작업이 이어집니다. 목차부터 고민하며 몇 시간을 쓰던 작업도 핵심 키워드만 입력하면 구조화된 초안을 빠르게 받아볼 수 있습니다. 여기에 “예외 상황은 어떻게 처리해야 할까?” “누락된 상태값은 없을까?” “정책이 충돌하는 부분은 없을까?”와 같은 질문을 반복하면 비로그인, 권한 없음, 데이터 없음, 중복 체크 등 놓치기 쉬운 예외 케이스까지 함께 점검할 수 있습니다.
어드민이 포함된 서비스라면 사내 문서를 AI와 연동해 기능명세를 기준으로 어드민 데이터 범위까지 함께 검토할 수도 있습니다.
와이어프레임: 한 개를 그리는 시간에서, 여러 방향을 비교하는 시간으로
와이어프레임 단계에서는 기획자도 초기 아이디어를 빠르게 화면으로 옮겨볼 수 있습니다. 디자인 툴을 깊이 몰라도 서비스에 대한 간단한 설명만 입력하면 페이지 구조와 흐름을 자동으로 잡아주는 툴들이 등장했습니다.
피그마 메이크(Make)나 구글의 스티치(Stitch)는 화면의 분위기와 목적을 문장으로 설명하면 UI 시안을 바로 제안해주고 피그마로 작업을 이어갈 수도 있습니다. 릴룸(Relume) AI는 사이트맵과 와이어프레임, 스타일 가이드를 빠르게 구성하는 데 장점이 있습니다.
다만 이러한 AI 도구들은 완성본을 한 번에 뽑아내는 용도라기보다, 초기 아이디어를 빠르게 그려보고 고객과 방향성을 논의하는 용도로 활용할 때 가장 효과적입니다. 과거에는 레이아웃을 하나씩 직접 그리느라 많은 시간을 썼다면, 이제는 AI가 제안하는 여러 방향을 놓고 비교와 검토하는 데 더 집중할 수 있게 된 셈입니다.
이때 유의할 점은 AI가 제안한 첫 번째 화면을 곧바로 ‘정답’으로 받아들이지 않는 것입니다. 익숙한 패턴에 갇히지 않으려면 처음부터 “탐색 중심” “화면 전환 중심” “정보 밀도 중심”처럼 서로 다른 설계 원칙을 적용한 여러 시안을 요청해서 다양한 시안을 두고 고객과 초안을 논의하는 것이 효과적입니다. 그리고 프로젝트의 최종 목표를 기준 삼아 이를 다듬어 나가는 것이 AI 도구를 가장 생산적으로 활용하는 방법입니다.
프로토타입 생성: 설명하는 기획에서, 직접 보여주는 기획으로
과거에는 인터랙션이 포함된 프로토타입을 만들려면 디자인과 개발 리소스를 별도로 확보해야 했습니다. 하지만 지금은 피그마 메이크, 커서(Cursor), 클로드 코드 같은 도구를 활용해 와이어프레임과 요구사항을 전달하면 프로토타입 화면을 빠르게 만들 수 있습니다. 덕분에 기획자는 고객과 정리된 문서를 읽고 정적인 화면을 놓고 설명하는 것을 넘어서 실제 프로세스를 따라 프로토타입을 실행해가면서 폭넓은 요구사항을 논의할 수 있게 됐습니다.
여기에 MCP(Model Context Protocol)를 연결하면 AI가 파일, 데이터베이스, 업무 도구 같은 외부 시스템과 표준화된 방식으로 연결할 수 있습니다. 예를 들어 테스트 데이터와 프로토타입을 연동해 실제와 비슷한 환경으로 보여 줄 수 있습니다. 다만 MCP는 연결 범위, 읽기·쓰기 권한, 개인정보 노출, 실행 로그를 명확히 관리해야 합니다.
고객은 실제 상용 서비스와 다름없는 화면을 미리 경험하며, 향후 발생할 수 있는 엣지 케이스와 수정 사항을 기획 단계에서부터 명확하게 짚어낼 수 있습니다. 결과적으로 기획자는 고객과의 요구사항 및 상세 정책을 빠른 속도로 조율할 수 있게 되며, 고객의 니즈를 충족하는 결과물을 도출해 낼 수 있습니다.
다만 AI의 도움으로 만든 프로토타입은 검증과 논의를 위한 초기 단계의 시제품 성격일 뿐, 바로 운영에 투입되는 완성 제품이 아니니 고객과의 논의 시 유의해야 합니다.
데이터 분석: 차트를 만드는 것에서, 질문과 실행의 설계로
구글의 분석 도구인 구글 애널리틱스가 보편화된 뒤에도 기획자는 원하는 조건을 직접 설정하고 대시보드를 해석하는 데 많은 시간을 써 왔습니다. 하지만 최근에는 자연어 기반 질문으로 데이트 차트를 만들고, 변동 원인을 탐색하며, 다음 행동을 제안하는 AI 분석 도구가 실무 안으로 들어오고 있습니다.
앰플리튜드(Amplitude) AI는 사용자의 질문에 데이터를 바탕으로 분석을 수행하고, 원인을 조사하며, 대시보드를 만들고, 문제와 대응 방안을 제시합니다. 또 다른 AI 분석 도구인 태블로 펄스(Tableau Pulse)는 사용자가 팔로우한 지표의 변화와 인사이트를 이메일이나 슬랙(Slack) 등 사용자에게 전달합니다. 즉, “대시보드에 들어가 무엇을 볼지 찾는 방식”에서 “중요한 변화를 먼저 알려주는 방식”으로 바뀌고 있습니다.
누구나 쉽게 활용할 수 있는 AI 분석이지만, 그 품질은 질문의 디테일에 달려 있습니다. 무엇을, 어떤 사용자에게서, 어느 기간 동안, 무엇과 비교해, 어떤 형태로 볼 것인지 명확해야 합니다. 예를 들어 “지난 7일간 신규 iOS 사용자의 결제 이탈을 이전 7일과 비교하고, 유입 채널별 차이와 표본 수를 함께 보여줘”처럼 질문을 구체화할수록 AI가 도출해 내는 대시보드와 분석 결과, 그리고 이에 따른 대응 방안은 완전히 달라집니다.
또한, AI가 제시한 원인은 확정된 결론이 아니라 검증해야 할 가설입니다. 지표 정의가 정확한지, 추적 이벤트가 누락되지 않았는지, 외부 환경의 영향은 없는지 등을 다각도로 검증해야 합니다. 기획자의 역할은 단순히 AI에게 질문을 던지고 결과 데이터를 읽는 데서 끝나지 않고, 도출된 인사이트를 검증하여 실제 서비스의 성과와 실행으로 연결하는 데 있습니다.
AI를 쓰는 기획자의 표준 업무 루프
좋은 결과는 좋은 프롬프트 한 줄 보다, 문제 정의부터 검증까지 이어지는 반복 과정에서 나옵니다.
1. 문제를 먼저 정의한다.
“화면을 만들어 줘” 보다 “신규 사용자가 첫 결제까지 이탈하지 않도록 가입 이후의 핵심 흐름을 단순화하고 싶다”가 더 좋은 출발점입니다. 목표, 사용자, 성공 지표를 먼저 적으면 AI가 생성하는 산출물을 목적과 연결할 수 있습니다.
2. 맥락과 제약을 함께 제공한다.
서비스 정책, 디자인 스타일 가이드, 데이터 정의, 프로젝트 일정, 기술 제약 등 반드시 지켜야 할 조건을 함께 제공해야 합니다. 중요한 맥락이 빠지면 AI는 그럴듯한 일반론으로 답변을 해주거나 빠진 맥락은 누락하여 답변해줍니다.
3. 하나의 정답이 아니라 대안을 요청한다.
AI의 첫 답변은 평균적인 패턴에 가까운 경우가 많습니다. 서로 다른 타깃으로 적용한 여러 가지의 안들로 장단점, 선택 기준을 함께 요청하면 비교 가능한 선택지들이 생깁니다. 기획자는 속도보다 AI를 통해 고객에게 대안의 가능성을 활용해야 합니다.
4. 결과를 검증 가능한 형태로 바꾼다.
근거 출처, 가정, 불확실한 항목, 반례, 예외 케이스를 분리해 달라고 요청해야 합니다. 숫자는 원문과 대조하고, 기능은 실제 정책과 시스템 제약을 확인하며, 프로토타입은 프로젝트 핵심 목표에 부합하는지 검증을 통해 고객에게 전달해야 합니다.
5. 실행 계획과 학습으로 연결한다.
최종 산출물에는 담당자, 우선순위, 일정, 성공 지표, 확인이 필요한 의사결정을 포함해야 합니다. 실행 뒤에는 결과 데이터를 다시 AI와 함께 분석해 다음 개선으로 이어 가면 AI를 통한 한 번의 생성이 아닌 지속적인 학습 루프로 활용할 수 있습니다.
이모션글로벌의 AI 기반 워크플로우 사례
이모션글로벌은 급변하는 AI 시대 변화에 맞춰, 프로젝트에서 축적한 데이터를 일회성에 그치지 않고 재사용하여 다음 프로젝트의 생산성과 효율로 활용하는 순환 구조의 워크플로우(E-Universe AX Loop)를 구축하고 있습니다.
1. 프로젝트 수행
고객의 요구사항을 수집하고 프로젝트 목표에 맞춘 문서 산출물을 AI를 활용하여 빠르게 기획 및 정리합니다. AI를 활용하여 문서 작성에 소요되는 업무 시간과 운영 비용을 절감하기 위해 초기에 문서 산출물 시스템을 구축합니다.
2. 성과 데이터 축적
프로젝트 진행 과정 중에 논의 및 협의된 데이터를 축적하고, AI 모델을 지속적으로 학습시켜 프로젝트 방향성과 고객 니즈에 부합하는 결과물을 도출하는 데 활용합니다.
3. 인사이트 도출
축적된 데이터와 프로젝트 성과 패턴들을 AI를 통해 분석합니다. 분석한 결과를 토대로 초기 단계에서 다양한 방안을 고객에게 제시합니다. 또한 개선할 사항은 없는지 인사이트를 지속적으로 도출합니다.
4. 재사용 자산화
진행한 프로젝트들에 검증된 프롬프트와 AI 활용 워크플로우, 기획 템플릿을 표준화하여 사내 자산으로 데이터화 합니다. 개인에 의존하지 않고 이모션글로벌 전사에서 재활용할 수 있는 AI 표준 가이드라인을 구축해갑니다.
5. 차기 프로젝트 적용
표준화되어 축적된 AI 자산과 템플릿을 신규 프로젝트 초기 단계에 즉시 도입 및 이식합니다. 초기 세팅 공수와 불필요한 반복 재작업을 획기적으로 줄임으로써, 프로젝트 전체의 생산성과 수익성을 지속적으로 높이는 선순환을 완성합니다.
이모션글로벌은 AI를 프로젝트마다 축적되는 자산으로 활용하며 업무 방식을 지속적으로 고도화하고 있습니다. 그렇다면 AI가 반복 업무를 수행하는 이 시대에, 기획자는 어떤 역량을 갖춰야 할까요?
앞으로 기획자가 해야 할 일은 무엇일까?
결국 AI를 얼마나 많이 사용하는지가 중요한 시대는 지났습니다. 이제는 AI가 만들어낸 속도를 더 나은 판단과 실행으로 연결하는 능력이 기획자의 새로운 역할이 되고 있습니다.
문서를 만드는 기획자에서, 결과를 검증하는 디렉터로
AI가 문서의 초안을 빠르게 만드는 시대입니다. 이제 기획자는 문서를 작성하는 사람보다 결과를 검증하고 최종 의사결정을 내리는 디렉터의 역할에 더 가까워지고 있습니다. 논리적 오류는 없는지, 서비스 정책과 사용자 관점이 충분히 반영됐는지 판단하고, 무엇을 AI에 맡기고 어디에서 사람이 개입해야 할지 결정하는 역량이 중요해졌습니다.
경계를 넘는 하이브리드 인재로
AI가 디자인과 개발의 장벽을 낮추면서 기획자는 화면, 코드, 데이터 구조까지 더 가까이에서 다룰 수 있게 되었습니다. 모든 분야의 전문가가 될 필요는 없지만, 결과물을 이해하고 올바른 질문을 던지며 품질을 판단하는 역량은 더욱 중요해지고 있습니다. 다양한 직무의 언어를 이해하고 협업을 이끄는 하이브리드 기획자가 앞으로 더욱 필요한 이유입니다.
분석하는 기획자에서, 실행을 이끄는 리더로
AI는 데이터 변화와 개선 방향을 제안할 수 있지만, 어떤 문제를 먼저 해결하고 어떻게 실행할지는 여전히 기획자의 몫입니다. AI가 제안한 인사이트를 통해서 실제 서비스의 변화로 연결하는 실행력이 앞으로 더욱 중요한 역량이 될 것입니다.
정리하면 AI 시대에 필요한 역량은 더 빨리 만드는 능력이 아니라, 더 좋은 문제를 선택하고 더 나은 결정을 내리며 끝까지 실행하는 능력입니다. AI는 많은 업무를 대신하겠지만, 방향을 결정하고 결과를 검증하며 고객을 설득하고 실행의 결과에 책임지는 일은 여전히 사람의 역할입니다.
AI 시대에 필요한 기획자는 AI를 많이 사용하는 사람이 아니라, AI가 만든 수많은 인사이트들 가운데 고객과 비즈니스에 가장 의미 있는 선택을 하는 사람입니다. 문서를 만드는 기획자에서 판단과 실행을 이끄는 디렉터로. 그것이 앞으로 기획자가 준비해야 할 변화입니다.
👉원문 링크: AI 시대, 어떤 기획자가 되어야 하는가
뉴스콘텐츠는 저작권법 제7조 규정된 단서조항을 제외한 저작물로서 저작권법의 보호대상입니다. 본 기사를 개인블로그 및 홈페이지, 카페 등에 게재(링크)를 원하시는 분은 반드시 기사의 출처(로고)를 붙여주시기 바랍니다. 영리를 목적으로 하지 않더라도 출처 없이 본 기사를 재편집해 올린 해당 미디어에 대해서는 합법적인 절차(지적재산권법)에 따라 그 책임을 묻게 되며, 이에 따른 불이익은 책임지지 않습니다.
- 에디터김동욱 (jkkims@ditoday.com)
