title
sub_title
![[아메리카노] "모두의 창업" AI 솔루션인 "번지"를 "좋아요"시 지급합니다.](https://d1s1r4xme959x6.cloudfront.net/user/1/images/Facebook%20post%20-%201-1779093479395.png)
[아메리카노] "모두의 창업" AI 솔루션인 "번지"를 "좋아요"시 지급합니다.
손의 감성, 디지털 속으로: 핸드드로잉과 레트로 그래픽
디지털 시대의 손맛과 감성2025년 그래픽 디자인 트렌드는 디지털 환경 속에서 인간적인 손맛을 불어넣는 움직임이 두드러지고 있습니다 단순히 깔끔한 벡터 작업만이 아니라 스크랩북 스타일 손글씨 낙서 레트로 감성이 온라인 광고 패키지 디자인 브랜딩 등 다양한 분야에서 광범위하게 활용되고 있습니다디자이너에게 핵심 질문은 “어떻게 디지털 환경에서도 사람의 감정과 손의 흔적을 효과적으로 표현할 수 있을까”입니다 이번 글에서는 핸드드로잉 감성과 복고적 요소를 활용한 디자인 트렌드를 중심으로 실무에서 참고할 수 있는 디자인 포인트를 소개합니다1 스크랩북 스타일과 손글씨스크랩북 스타일은 종이 스티커 콜라주 느낌을 디지털로 재현하는 방식입니다핵심 요소 손글씨 낙서 스티커 텍스처디자이너 포인트 불규칙한 선 자연스러운 색상 다양한 텍스처를 통해 따뜻한 감성 전달이 스타일은 디지털 화면에서도 손으로 만든 듯한 인간적인 감정을 표현할 수 있어 브랜딩이나 SNS 콘텐츠에 활용도가 높습니다2 레트로 감성 부활7090년대의 디자인 요소가 다시 주목받고 있습니다핵심 요소 네온 색상 팝 아트 브루탈리즘 복고적 폰트적용 분야 패키지 디자인 웹 SNS 그래픽UXUI 포인트 향수를 자극하면서 사용자에게 친근함 제공디지털에서 레트로 컬러 팔레트와 그래픽을 활용하면 과거와 현재의 감성을 연결할 수 있습니다3 디지털과 아날로그의 결합태블릿과 그래픽 소프트웨어를 활용하면 손으로 그린 듯한 느낌을 구현할 수 있습니다예시 AI 보조 도구로 스케치 느낌을 강화하거나 브러시 질감 적용디자인 과제 인간적인 감성을 유지하면서 생산성 극대화디지털 도구의 장점과 아날로그의 감성을 결합하면 작업 효율을 높이면서도 개성 있는 디자인을 만들 수 있습니다4 컬러와 질감의 자유로운 실험과거 프린트 기술 특유의 질감 거친 브러시 색 번짐 등을 디지털에서도 재현할 수 있습니다웹 포스터 패키지 디자인에서 감성적 포인트로 활용디자이너 포인트 브랜드 톤과 조화롭게 실험하여 시각적 개성 강화컬러와 질감의 자유로운 실험은 브랜드의 기억력과 정서적 연결에 중요한 역할을 합니다5 디지털 브랜딩 적용핸드드로잉과 레트로 그래픽은 브랜딩에도 강력한 도구가 됩니다핵심 요소 손글씨 로고 레트로 그래픽 감성적 패턴적용 분야 SNS 콘텐츠 광고 UIUX 디자인디자인 전략 정서적 연결과 시각적 기억에 집중즉 사람의 손맛과 감성이 디지털 콘텐츠에서도 브랜드 개성을 강화하는 역할을 합니다디지털 시대의 손맛과 아날로그 미학핸드드로잉 감성과 레트로 그래픽 트렌드는 디지털 환경에서도 인간적인 감성과 개성을 전달할 수 있는 강력한 수단입니다디자이너는 불규칙성 질감 컬러 실험을 통해 브랜드와 콘텐츠에 생동감을 더할 수 있으며 이러한 요소는 단순한 장식이 아니라 사용자와의 정서적 연결을 만들어냅니다앞으로 디지털 디자인에서 손의 감성과 아날로그 미학은 필수적인 트렌드로 자리 잡을 전망이며 디지털 속에서도 인간적인 감성을 느낄 수 있는 디자인이 핵심이 될 것입니다
WebGPU 가속화-브라우저가 AI를 품다
이제 AI는 더 이상 서버 전용 기술이 아니다WebGPU 가속화를 통해 브라우저 내에서 AI 모델을 직접 실행할 수 있는 시대가 열렸다이는 클라우드 인프라에 의존하지 않고도 사용자의 로컬 디바이스에서 이미지 생성 LLM 추론 음성 인식 3D 렌더링까지 수행할 수 있음을 의미한다Google Chrome Edge Firefox Safari 등 주요 브라우저가 WebGPU를 공식 지원하기 시작하면서웹 환경이 단순한 콘텐츠 뷰어를 넘어 AI 런타임 플랫폼으로 진화하고 있다WebGPU란1정의WebGPU는 WebGL의 후속으로 브라우저에서 GPU 연산을 직접 수행할 수 있게 하는 차세대 그래픽 및 연산 API다그래픽뿐 아니라 일반적인 병렬 연산General Purpose GPU을 지원하여 AI 추론 과학 계산 신호 처리 등에도 활용된다2 특징 요약기능설명GPU 직접 접근브라우저가 GPU를 직접 제어해 고성능 연산 가능병렬 처리 지원이미지 생성 LLM 추론 3D 렌더링 등 대규모 연산을 빠르게 처리WebAssembly와 호환WASM과 결합해 경량 모델 실행 가능크로스 플랫폼Windows macOS Linux Android iOS 브라우저 지원3 브라우저 내 AI 실행의 의미항목효과실시간 처리클라우드 요청 없이 즉시 결과 생성오프라인 가능성로컬 디바이스만으로 AI 실행개인정보 보호데이터가 외부 서버로 전송되지 않음설치 불필요별도 앱 설치 없이 URL만으로 AI 서비스 이용 가능즉 WebGPU는 브라우저가 곧 AI 런타임이 되는 기반 기술이다기술적 기반1 WebGPU WebAssembly WASMAI 모델을 웹에서 실행하려면 JS만으로는 느리기 때문에 WebAssembly를 통해 네이티브급 속도의 연산을 수행한다WebGPU WASM 조합은 아래와 같은 구조로 작동한다사용자 입력 → WASM 모듈 → WebGPU 커널 실행 → 결과 렌더링2 경량 AI 모델예 ONNX Runtime Web TensorFlowjs with WebGPU backend Transformersjs HuggingFace이들 프레임워크는 WebGPU를 활용해 브라우저 내에서텍스트 요약 음성 인식 이미지 분류 LLM 응답 등을 수행한다3 WebGPU 코드 예시 WebGPU 디바이스 초기화 예시 async function initWebGPU if navigatorgpu throw new ErrorWebGPU not supported on this browser const adapter await navigatorgpurequestAdapter const device await adapterrequestDevice consolelogWebGPU initialized device return device 이 디바이스 객체를 통해 텍스처 생성 연산 셰이더 실행 모델 추론이 가능하다브라우저 GPU써봤자 성능 안나오지 않나 왜 이게 의미가 있나“일반 PC의 GPU로도 AI를 ‘돌릴 수는 있지만’ 대형 모델을 ‘빠르게’ 돌리긴 어렵다”즉 클라우드 대체는 아니고 경량화된 AI 추론용으로 진화하고 있는 기술입니다1 성능 측면 로컬 GPU vs 클라우드 GPU항목로컬 WebGPU 예 RTX 4060 M2 GPU 등클라우드 GPU A100 H100 등GPU 메모리824GB 수준4080GB 이상연산 성능약 1040 TFLOPS약 1501000 TFLOPS모델 크기 한계최대 7B 모델 이하 경량화 필요70B300B 모델 가능응답 속도빠름 로컬 IO네트워크 지연 존재배포 용이성설치 불필요 웹에서 즉시 실행서버 설정 필요2 실제로 가능한 모델 수준현재 WebGPU로 실행 가능한 AI 모델들은 아래와 같아요모델명용도특징Phi3 mini 38B텍스트 생성로컬 LLM 중 속도품질 균형 우수Stable Diffusion Turbo SDXL Lite이미지 생성12초 내 로컬 생성 가능Whisper tiny small음성 인식브라우저 내 STT 가능CLIP ViTB32이미지텍스트 임베딩WebGPU 기반 검색분류에 활용예를 들어 Chrome Canary나 Edge Dev에서Transformersjs WebGPU backend로 Phi3mini를 돌리면 맥북 M2에서도 초당 35토큰 정도 생성됩니다 대형 모델은 불가능하지만 실시간 챗봇에는 충분한 속도3 아키텍처의 변화 를 주도한다기존WebGPU 기반모델은 서버에서 돌림모델이 로컬에서 돌 수 있음데이터는 서버로 전송됨데이터가 사용자 디바이스에 머무름서버비용 발생클라우드 인프라 불필요네트워크 지연 존재즉시 실행 가능즉보안 강화 개인 데이터 외부 전송 없음비용 절감 서버 운영 불필요반응속도 개선 지연 거의 없음이라는 세 가지 큰 장점이 생깁니다 이건 “속도의 절대값”보다는 “경험의 질”을 바꿔주는 변화예요실제 적용 사례41 브라우저 기반 AI 툴Figma AI Canva AI 디자인 자동 생성 및 수정 시 WebGPU를 활용Runway Stability AI 이미지·영상 생성용 경량 모델 브라우저 실행42 실시간 3D XR 콘텐츠WebGPU로 렌더링된 3D 오브젝트 위에 AI 기반 인터랙션을 추가ARVR 시뮬레이션을 실시간으로 처리할 수 있다예사용자가 브라우저에서 직접 3D 아바타 생성 음성 대화형 AI 인터랙션을 실행43 브라우저 내 LLMTransformersjs 기반의 bert gpt 모델 브라우저 실행Chrome Canary에서 Llama 3 8B를 로컬 WebGPU로 실행한 데모도 등장최신 트렌드트렌드설명WebGPU AI 도구 확산Stability AI HuggingFace 등에서 WebGPU 백엔드 지원실시간 이미지영상 처리Stable Diffusion ControlNet 브라우저 실행경량 LLM 실행Phi3 TinyLlama Mistral 모델 WebGPU 추론멀티모달 지원텍스트 이미지 오디오 통합 AI하이브리드 처리로컬WebGPU 클라우드고성능 연산 혼합 구조 주의사항GPU 성능에 따라 추론 속도 격차 존재Safari 등 일부 브라우저는 WebGPU 제한적 지원대규모 LLM70B↑은 여전히 클라우드 필요브라우저 보안 모델에 따른 GPU 샌드박싱 이슈 고려 필요WebGPU는 웹을 AI 플랫폼으로 전환시키는 핵심 기술이다앞으로는 Stable Diffusion LLaMA SpeechtoText 3D Simulation까지 브라우저 내에서 실시간으로 구동될 수 있을 것이다💡 “웹페이지 하나가 곧 AI 애플리케이션이 된다”WebGPU는 단순한 그래픽 API를 넘어 차세대 온디바이스 AI 시대의 핵심 인프라로 자리 잡고 있다
AI는 이젠 모델이 아니라 시스템으로 무게중심이 옮겨지고 있다.
요즘 AI를 보면서 이상한 느낌이 있다분명히 모델은 계속 좋아지고 있다 새로운 모델이 나올 때마다 성능은 올라가고 할 수 있는 일도 늘어난다그런데도 어딘가에서 묘한 느낌이 든다 예전처럼 “와 완전히 달라졌다”는 충격은 점점 줄어들고 있다는 점이다전단계대비 조금더 업그레이드되는 느낌이지 완전히 다르다라는 느낌이 적어진다처음에는 이걸 단순하게 받아들였다이제 어느 정도 한계에 가까워진 게 아닐까 모델이 충분히 커질 만큼 커졌고 더 이상 큰 도약은 어려운 단계에 들어온 게 아닐까 하는 생각이었다그런데 이 생각이 완전히 맞는 것 같지는 않았다왜냐하면 모델 자체는 여전히 개선되고 있기 때문이다코드 생성은 더 정확해졌고 문맥 이해도는 더 길어졌으며 다양한 작업을 동시에 처리하는 능력도 계속 좋아지고 있다성능이 멈춘 것이 아니라 우리가 체감하는 방식이 바뀌고 있는 것에 가깝다이 지점에서 하나의 논문을 보게 됐다 AI가 지속적으로 발전되려면 어떻게 바뀌어야 하는가AIHW 2035 Shaping the Next Decadehttpsarxivorgpdf260305225pdf1 전체 흐름은 다음과 같다구분기존 AI 패러다임현재 문제논문의 변화 제안결과중심모델시스템 병목시스템 중심AI 시스템목표성능 accuracy비용 폭발효율 efficiency지속 가능방식scaling 크기 증가전력메모리 한계구조 재설계새로운 scaling단위단일 모델복잡한 워크로드통합 시스템분산 구조2 Scaling 개념이 단순히 컴퓨팅에서 효율화로 변화한다항목기존변화핵심 지표파라미터 수Intelligence per Joule방법모델 크기 증가효율 최적화접근Compute 중심System Energy 중심결과성능 증가성능 비용 균형3 병목은 GPU가 아니라 메모리다영역기존 인식실제 병목 논문연산GPU 성능 부족상대적으로 덜 중요메모리보조 요소핵심 병목데이터 이동무시됨비용의 대부분전력부차적 문제가장 중요한 제약4 단순히 각각 발전시키는 것이 아니라 통합적인 발전이 필요하다전략설명Crosslayer optimization알고리즘하드웨어까지 통합 최적화Codesign모델 칩 시스템 함께 설계Systemlevel AIcloud edge device 통합Energyaware computing전력 기반 최적화5 기존의 방식은 왜 한계인가문제설명전력 한계데이터센터 전력 소비 급증메모리 병목데이터 이동 비용 gt 연산 비용비용 증가scaling 대비 효율 급감구조 분리모델하드웨어 따로 최적화지금까지 우리가 당연하게 생각해왔던 AI 발전의 방식 자체를 다시 묻는다이 논문이 던지는 메시지는 꽤 직설적이다앞으로 AI의 핵심은 더 높은 성능이 아니라 더 높은 효율이라는 것이다이 말은 처음 들으면 약간 어색하다AI의 목표는 당연히 더 똑똑해지는 것 아닌가 성능을 올리는 것이 아니라 효율을 이야기한다는 게 직관적으로 와닿지 않는다그런데 논문을 조금만 더 따라가 보면 이 말이 왜 나왔는지 이해가 된다지금의 AI 시스템을 실제로 구성하는 요소를 보면 우리가 생각하는 것과는 조금 다른 현실이 드러난다우리는 보통 GPU 연산량이나 모델 파라미터 수 같은 것을 중심으로 생각하지만 실제 비용 구조는 거기에 있지 않다데이터를 메모리에서 가져오고 다시 저장하고 네트워크로 이동시키는 과정이 훨씬 더 큰 비용을 만들어낸다즉 문제는 “얼마나 많이 계산하느냐”가 아니라 “데이터를 어떻게 움직이느냐”에 더 가깝다이 지점에서 자연스럽게 하나의 결론이 나온다AI는 더 이상 단순한 알고리즘 문제가 아니라 시스템 문제라는 것이다논문에서도 이걸 굉장히 강하게 표현한다 AI와 하드웨어는 더 이상 분리될 수 없다는 이야기다모델만 따로 발전시키고 칩은 따로 발전시키고 시스템은 나중에 붙이는 방식으로는 더 이상 효율을 끌어올릴 수 없다는 것이다전체를 하나의 구조로 보고 같이 설계해야 한다여기까지 보면 약간 비관적으로 들릴 수도 있다“그럼 지금 방식은 끝난 건가”라는 생각이 자연스럽게 따라온다 나도 처음에는 그렇게 느꼈다그런데 이건 “끝났다”의 문제가 아니라 “이대로는 안 된다”에 더 가깝다AI는 계속 발전한다 다만 지금처럼 모델을 계속 키우는 방식만으로는 그 발전을 유지할 수 없다는 것이다논문에서 말하는 것처럼 앞으로는 같은 성능을 훨씬 적은 에너지로 내는 방향 즉 효율 중심으로 구조를 바꿔야 한다이걸 조금 더 현실적으로 풀어보면 지금 우리는 이런 상황에 있다모델은 계속 좋아지고 있지만 그 대가로 들어가는 비용도 같이 폭발하고 있다전력 사용량은 증가하고 메모리 병목은 더 심해지고 시스템은 점점 복잡해진다단순히 “더 좋은 모델을 만들자”는 접근으로는 이 문제를 해결할 수 없다여기서 나는 한 가지를 더 떠올렸다 데이터다요즘 AI 환경을 보면 데이터의 성격 자체도 바뀌고 있다과거에는 사람이 만든 데이터가 대부분이었지만 이제는 AI가 생성한 데이터가 점점 더 큰 비중을 차지한다 문제는 이 데이터가 다시 학습에 들어간다는 점이다이 구조가 반복되면 어떤 일이 생길까 정보의 다양성은 줄어들고 특정 패턴이 과도하게 강화되며 결국 모델이 점점 왜곡될 수 있다이걸 설명하는 개념이 바로 model collapse다 아직 완전히 해결된 문제는 아니지만 분명히 방향성 자체는 위험 신호를 보여주고 있다이쯤 되면 그림이 하나 그려진다모델은 계속 좋아지지만 비용은 커지고 데이터는 불안정해지고 시스템은 복잡해진다 그리고 이 모든 문제는 결국 하나의 질문으로 이어진다“이 상태에서 우리는 무엇을 해야 할까”나는 여기서 방향이 바뀐다고 생각한다더 큰 모델을 만드는 것이 아니라 이미 충분히 좋은 모델을 어떻게 사용할 것인가로 초점이 이동한다이 지점에서 등장하는 개념이 바로 Agentic AI와 하네스이다Agentic AI와 하네스는 새로운 모델이 아니다이건 구조다 하나의 모델이 모든 것을 해결하는 대신 여러 모델과 도구를 연결하고 상태를 유지하고 작업을 나눠서 처리하는 방식이다쉽게 말하면 AI를 하나의 “지능”이 아니라 “작업 시스템”으로 사용하는 접근이다이걸 기존 방식과 비교해보면 차이가 더 명확해진다기존에는 사용자가 질문을 던지면 모델이 답을 생성하는 구조였다하지만 Agentic 구조에서는 그 사이에 하나의 오케스트레이션 레이어가 들어간다작업을 나누고 필요한 도구를 선택하고 중간 결과를 저장하고 다시 다음 단계로 이어가는 흐름이 만들어진다이건 단순한 아키텍처 변화가 아니다AI의 역할 자체가 바뀌는 것이다 더 이상 “답을 생성하는 도구”가 아니라 실제로 일을 수행하는 시스템이 된다여기서 다시 논문으로 돌아가 보면 흥미로운 지점이 있다논문은 Agentic AI를 직접적으로 언급하지는 않지만 요구하는 방향은 완전히 동일하다전체 스택을 재설계하고 효율 중심으로 최적화하며 시스템 단위로 AI를 바라보라는 것이건 결국 모델을 하나의 컴포넌트로 보고 전체 시스템 안에서 조합하는 방식으로 가야 한다는 의미다그래서 나는 이렇게 해석하게 됐다Agentic AI는 새로운 트렌드가 아니라 이 변화의 자연스러운 결과라는 것이다중요한 건 이거다Agentic AI는 성능이 부족해서 나온 것이 아니다오히려 반대다 성능이 충분히 확보되었기 때문에 이제 그 성능을 “어떻게 활용할 것인가”라는 단계로 넘어온 것이다결국 우리가 보고 있는 변화는 이런 흐름이다모델을 키우는 경쟁에서 시스템을 설계하는 경쟁으로 성능을 높이는 경쟁에서 효율과 실행력을 높이는 경쟁으로그래서 처음 질문으로 돌아가 보면 답은 조금 달라진다AI는 한계에 도달한 것이 아니다 다만 우리가 익숙하게 사용하던 발전 방식이 더 이상 유효하지 않게 된 것이다이제 중요한 것은 “얼마나 똑똑한가”가 아니라 “얼마나 일을 잘 수행하는가”다그리고 그 전환의 첫 번째 형태가 바로 지금 우리가 보고 있는 Agentic AI다결국 우리가 원하는 건 하나일지도 모른다더 똑똑한 AI가 아니라 실제로 일을 대신해주는 AI그리고 지금의 변화는 정확히 그 방향으로 가고 있다
LLM의 한계와 대안 모델: AI 진화의 다음 단계
2023년 이후 생성형 AI와 대형 언어 모델LLM은 혁신의 아이콘으로 자리 잡았다 GPT LLaMA Mistral 등 대형 모델은 자연어 이해와 생성 능력을 극적으로 향상시켰고 다양한 산업에 빠르게 적용되었다하지만 2025년 현재 LLM 구조 자체의 한계가 점점 명확해지고 있다Transformer 기반의 자기회귀적 구조는 장기 추론 복잡한 계획 멀티모달 이해에 제한적이다모든 지식을 학습 데이터에 내장해야 하는 구조적 부담 → 환각Hallucination과 최신 정보 반영 어려움 발생초대형 모델은 연산량과 환경 비용 부담이 막대해 지속적인 확장에 한계가 있다즉 LLM은 강력하지만 단독으로 모든 AI 문제를 해결할 수 없는 구조적 한계를 가진 셈이다LLM의 구조적 한계 분석1 장기 추론과 계획 능력 부족Transformer 구조는 토큰 단위로 문맥을 처리긴 시퀀스에서 정보 손실 추론 오류 발생복잡한 업무 플로우 수학·과학 계산 등 장기적 논리에는 취약2 환각과 사실 검증 한계학습 데이터 기반 통계적 예측 → 없는 정보를 생성 가능사실 검증 기능 없음 → 기업 환경에서는 위험 요소외부 지식 연동 없이는 최신 정보 반영 어려움3 멀티모달 처리 제한기존 LLM은 대부분 텍스트 중심이미지 음성 영상 등과 결합 시 모델 설계 복잡성 증가AI 에이전트 서비스 구현에는 한계 존재4 비용과 연산 문제수십억수천억 파라미터 모델 → GPUTPU 전력 냉각 비용 급증스타트업과 중소기업이 자체 구축하기 어려움환경적 부담 → 지속가능성 문제대안 모델 접근 LLM 구조 한계를 극복하기 위해 여러 대안 모델이 연구·개발되고 있다1 하이브리드 AILLM 심볼릭 AI규칙 기반 지식 그래프 결합장점 논리적 추론 강화 환각 감소 장기 계획 가능예시 IBM Project Debater NeuroSymbolic AI 프로젝트2 모듈형에이전트 AILLM을 중심 제어기로 하고 각 업무별 모듈 결합장점 멀티태스크 수행 업무 특화 확장 용이예시 AutoGPT BabyAGI Microsoft Copilot3 효율적 파라미터 모델LLaMA Mistral 등 소형화 LLM → 비용·연산 효율 높임장점 스타트업·중소기업 활용 용이 지속적 확장 가능4 RetrievalAugmented Generation RAGLLM이 모든 지식을 내장하지 않고 외부 DB검색 활용장점 실시간 정보 반영 환각 감소 모델 크기 축소 가능예시 LangChain LLM OpenAI Retrieval Plugin5 멀티모달 모델텍스트 이미지 음성 영상 통합 처리 가능예시 GPT4V DeepMind Gemini Mistral MixtralLLM이 아닌 완전한 대안 모델 LLM 구조가 아닌 AI 접근도 존재한다1 심볼릭 AI 규칙 기반 시스템논리 규칙과 지식 그래프 중심장점 확실한 추론 예측 가능 신뢰성 높음단점 유연성 부족 자연어 생성 한계2 강화학습 기반 에이전트환경과 상호작용하며 행동 정책 학습장점 장기 계획 최적화 문제 게임·로봇 제어에 강점단점 대규모 자연어 처리에는 한계3 뉴럴심볼릭 통합 모델LLM과 심볼릭 AI 결합을 넘어 행동·지식·추론 통합예 실세계 로봇 제어 복합 의사결정 멀티모달 에이전트즉 LLM만으로는 부족하며 규칙 기반 강화학습 멀티모달 통합 모델 등으로 확장해야 실제 AI 에이전트·실무 적용 가능성이 높다
2025년, 제품기획(PM)과 BD가 AI 시대에 살아남는 법
Airtable Product Management Trends 2025 분석출처 Airtable Product Management Trends 2025 10 Predictions for the Future 2025httpswwwairtablecomarticlesproductproductmanagementtrendsPM 역할이 달라지고 있다여러분 요즘 제품기획PM팀 얘기 들어보면 “일이 너무 빠르게 변한다”는 말을 하곤 하죠그냥 기능 하나 설계하고 출시하는 시대는 끝났어요 Airtable이 발표한 최신 보고서에 따르면 이제 제품기획자는 단순히 기능을 설계하는 사람을 넘어 수익과 시장을 책임지는 전략가가 되어야 한다고 합니다즉 PM과 BD 팀 모두 제품 → 수익 → 시장 → 파트너십까지 한 사이클을 보는 관점이 필요하다는 거죠2025년 PM 트렌드 핵심 10가지Airtable에서 꼽은 10대 트렌드 중 핵심을 몇 개만 풀어볼게요1 “From features to revenue”과거에는 기능 중심으로 제품을 기획했지만 이제는 수익 모델 중심으로 생각해야 해요예를 들어 구독 모델 데이터 플랫폼 생태계 확장 같은 수익 흐름을 먼저 구상한 뒤 기능을 설계하는 거죠BD팀 입장에서도 “이 기능이 어떻게 수익을 만들 수 있을까”를 고민해야 합니다2 “Depth over breadth wins”많은 기능을 얕게 제공하는 것보다 하나의 핵심 영역에서 깊이 있는 차별화가 중요해요예를 들어 한 가지 핵심 문제를 해결하는 데 집중해서 고객 경험을 극대화하고 다른 기능은 최소화하는 전략이죠3 AI와 데이터 기반 전략AI가 제품 설계 개발 배포 운영까지 전 영역에 결합되고 있어요AI 기반 피드백 루프로 고객 반응을 빠르게 분석하고 제품에 반영하는 것이 표준이 되고 있습니다기획BD팀은 “이 AI 피드백을 어떻게 시장 기회와 수익 모델 설계에 연결할까”를 고민해야 합니다4 Fullstack PM제품 기획자 혼자 기능만 보는 게 아니라 기술 UX 데이터 비즈니스 모델까지 이해해야 한다는 뜻입니다BD팀과 협업이 필수인 이유도 여기서 나옵니다 제품 전략과 수익 모델 파트너십 전략이 연결돼야 하기 때문이죠기획BD 입장에서 주목할 포인트1 제품 → 시장 → 수익 → 전략 기능feature 나열 → 수익 모델 중심 설계 시장 분석 → 카테고리 재편 예측 파트너십 및 생태계 설계 → 기술과 시장 연결2 카테고리 재편 주시보고서에서는 AI가 카테고리 자체를 바꾸고 제품 경쟁 주기가 더 빨라지고 있다고 말합니다BD팀은 “우리가 지금 속한 카테고리는 앞으로 어떻게 바뀔까”를 항상 고민해야 해요3 제품 POVProduct Point of View 확보단순 기능이 아니라 고객과 시장에 대한 명확한 관점을 가져야 한다는 얘기입니다기획BD팀 모두 “우리 제품이 시장에서 어떤 입장을 갖고 고객에게 어떤 가치를 전달할까”를 정의해야 합니다실행 체크리스트 PM·BD 팀용항목질문비고수익 모델기능 이전에 수익 흐름을 설계했는가구독 플랫폼 데이터 수익 등카테고리시장과 경쟁 환경을 재편 가능할까AI기술 영향 고려고객 POV제품의 명확한 가치와 입장은 무엇인가팀 공유 및 문서화AI 활용데이터 기반 피드백 루프를 제품 설계에 연결했는가빠른 학습·반복파트너십기술·데이터·플랫폼 협업 구조 설계했는가BD팀과 공동 설계실제 적용 사례1 AI 기반 구독 서비스기존 기능 중심에서 구독 기반 수익 모델로 전환AI 추천 자동화 콘텐츠 고객 맞춤형 패키지로 차별화된 경험 제공2 데이터 기반 시장 전략고객 피드백과 사용 데이터를 AI로 분석 → 제품 개선BD팀은 이를 활용해 신시장 진입 전략과 파트너십 모델 설계결론 이제 PM과 BD는 한 몸Airtable 보고서의 핵심 메시지 한 줄로 요약하면 이거예요“제품 기획자는 기능 설계자가 아니라 시장·수익·파트너십까지 설계하는 전략가다”즉 PM과 BD팀은 제품 → 수익 → 시장 → 생태계까지 전체 사이클을 한눈에 보고 설계해야 합니다기능 중심 사고에 머물러 있으면 AI 시대에 뒤처질 수 있어요
RAG, AI Memory Architecture 나온다면?!
LLM의 근본적인 한계대형 언어 모델은 놀라운 능력을 보여주지만 하나의 중요한 구조적 한계를 가지고 있다 LLM은 기억이 없었다모델은 매번 새로운 입력을 받고 그 순간의 컨텍스트만 기반으로 답을 생성한다이 구조를 흔히 stateless system이라고 부른다즉 모델은 다음을 기억하지 못한다 과거 대화 사용자 취향 이전 행동이 문제는 AI 제품을 만들 때 큰 제약이 된다 사용자가 같은 질문을 반복해야 하고 AI는 장기적인 관계를 형성할 수 없다왜 RAG가 등장했는가이 문제를 해결하기 위해 등장한 기술이 RAG Retrieval Augmented Generation이다RAG의 기본 구조는 다음과 같다 사용자의 질문을 받는다 관련 문서를 검색한다 검색된 내용을 LLM에 제공한다LLM이 답변을 생성한다이 구조를 통해 AI는 외부 지식을 활용할 수 있다예를 들어 회사 내부 문서 제품 매뉴얼 고객 데이터이 정보를 기반으로 답변할 수 있다 RAG는 많은 AI 제품에서 핵심 아키텍처로 자리잡았다하지만 RAG는 기억 시스템이 아닌데 쓰고 있던것…RAG는 매우 유용하지만 근본적으로 검색 시스템이다즉 다음과 같은 문제는 여전히 해결하지 못한다 사용자 취향 기억 장기적 관계 행동 기반 학습예를 들어 AI 비서가 다음을 기억해야 한다고 생각해보자사용자가 좋아하는 음식 자주 가는 장소 일정 패턴이것은 단순한 문서 검색 문제가 아니다 이것은 기억 시스템 문제다AI Memory Architecture최근 AI 시스템은 메모리 구조를 도입하기 시작했다 이 구조는 보통 세 가지 레이어로 구성된다1 Shortterm memory현재 대화 컨텍스트다예를 들어 최근 메시지 현재 작업 상태이는 대화 흐름을 유지하는 역할을 한다2 Episodic memory사용자의 행동 기록이다예를 들어 과거 대화 작업 기록 사용자 패턴이 메모리는 개인화에 매우 중요하다3 Semantic memory지식 기반이다예를 들어 문서 데이터베이스 회사 정보이 부분은 기존 RAG 구조와 연결된다기억을 가진 AI의 특징AI가 메모리를 가지면 다음과 같은 변화가 생긴다 개인화AI는 사용자 취향을 기억한다 장기 관계AI는 지속적인 대화를 이어갈 수 있다 학습사용자의 행동을 기반으로 점점 더 똑똑해진다즉 AI는 단순한 질문 답변 시스템이 아니라 지속적인 관계를 가진 시스템이 된다앞으로의 AI 제품 구조미래의 AI 제품은 다음과 같은 구조를 가진다User↓Agent↓Memory Layer↓Knowledge Base↓ToolsAI의 핵심은 더 이상 모델이 아니다 메모리와 시스템 구조다결론RAG는 중요한 기술이지만 AI 발전의 중간 단계에 가깝다앞으로 AI 시스템의 핵심은 Memory Agent Tool이 세 가지의 결합이 될 것이다AI는 더 이상 단순한 모델이 아니라 기억을 가진 소프트웨어 시스템으로 진화하고 있다
