‘할 수 있는 일’과 ‘해야 할 일’ 구분하기: Netflix 제품팀은 어떻게 수천 명의 창작자가 AI 전환을 신...

• Netflix는
  AI로 할 수 있는 일보다 회원과 창작자에게 필요한 일에서 출발함. 콘텐츠 품질과 창작 통제를 지키면서 제작·배포 규모를 늘리는 것이 목표였음
• 창작자의 업무를 직접 관찰하고 찬반 의견을 들은 뒤,
  AI 도입 전후에 자신의 일이 어떻게 달라지는지 구체적으로 보여줌. 제품·기술·운영·창작팀은 목표와 결과를 함께 책임짐
• 대형 작품보다
  위험이 낮은 콘텐츠부터 적용하고, 비용 절감보다 A/B 테스트로 시청이 실제 늘었는지 확인한 뒤 확대함
• 배우의 입술을 재합성하는 화려한 기술보다
  번역과 더빙 지원이 실용적이었으며, 홍보 이미지도 시청 지표만 높이다 작품을 오해하게 만들면 평가 기준을 수정함
• 콘텐츠 태깅은 기존 절차를 그대로 자동화하지 않고
  불필요한 분류와 업무부터 줄여, 수 주 걸리던 공개 과정을 수 분으로 단축함. 무엇을 최적화할지는 사람이 결정해야 함

AI가 가능한 일보다 사람이 해야 할 일에서 출발

• Netflix에서 제품, 운영, 창작 부문을 이끈
  Mckenzie Lock 은 약 300명 규모의 다기능 조직을 맡아 연간 수만 건의 타이틀 출시와 콘텐츠 배포 기술을 담당함

• 업무 범위에는 폴란드어 작품을 자연스러운 영어 입 모양으로 더빙하는 기술부터, Z세대 팬이 자신을
  Outer Banks 장면에 넣을 수 있는 AI 경험까지 있었음

• Netflix는
  1만 7,000편 이상의 작품을 거의 200개국에서 30개 이상의 언어로 제공하며, 구독자는 3억 명 이상임. 이 규모의 카탈로그를 홍보하고 배포하는 과정에는 AI로 개선할 기회가 많음

• 기술 조직과 창작 조직은 AI를 바라보는 기준이 다름

• 기술 기업에서는 충분히 빠르게 움직이는지가 중심 과제지만, 엔터테인먼트에서는
  자동화해도 되는지, 작품의 창작적 본질을 희석하지 않는지가 중요함

• 공동 CEO 체계에서도 Ted Sarandos는 창작 부문의 스튜디오 업무를, Greg Peters는 이를 확장하는 기술을 이끎

• “프로토타입이 새로운 PRD”라는 생각과 달리,
  다른 사람이 이해할 수 있도록 말로 구체화하는 과정 자체가 의사결정임

• LLM이 고객 조사를 종합할 수 있다고 디자이너가 사용자 인터뷰를 그만둬야 하는 것은 아님

• 모든 업무에 AI를 넣는 것보다 무엇이 가능한지에 대한 감각을 키우는 것이 중요함. 지금 배우는 도구는 2년 뒤 낡을 수 있지만 적응 능력은 남음

• 제품 의사결정은 복잡성을 없애기보다
  제품, 프로세스, 사람 중 어디에 흡수시킬지 선택하는 일이며, AI도 다르지 않음

• 모델이나 하네스 선택, 자체 개발과 구매 여부만으로 전환이 완성되지는 않음. 발상, 설득, 판단이라는 인간의 과정이 여전히 필요함

• Netflix에서는 카탈로그의 규모와 다양성을 크게 늘려야 한다는 요구와, 숙련된 창작과 창작 통제를 존중해야 한다는 조건을 함께 충족해야 했음

이상적인 회원 경험에서 필요한 역량 역산하기

• AI 전환 초기에는 최신 모델의 기능 대신 “
  회원에게 어떤 최종 경험을 제공할 것인가”, “현재 제작 과정이 어디에서 그 경험을 충분히 지원하지 못하는가”를 물음
• 기술적 제약이 없다면 회원에게 무엇을 제공할지 구체적인 시나리오로 작성하고, 거기서 필요한 역량을 역산함
• 예를 들어 3개월 만에 시리즈 시청을 재개한 회원에게
  맞춤형 줄거리 요약을 제공하려면 어떤 기능이 필요한지 검토함
• 해당 기능을 그대로 만들지 않더라도, 시나리오를 세밀하게 쓰면 필요한 모델과 서비스, 여러 콘텐츠 유형과 회원 경험에 재사용할 수 있는 역량이 드러남

현장의 불편과 상충하는 이해관계를 드러내기

• Netflix 앱에 보이는 결과물을 만드는 작가, 편집자, 애니메이터, 번역가, 색채 과학자, 더빙 아티스트의
  실제 업무를 관찰한 뒤 설문과 구조화된 토론을 진행함

• 설문은 직급과 관계없이 누구나 참여할 수 있도록 열어둠

• 현재 업무가 요구하는 비용과 서비스의 품질 또는 속도가 무너지는 지점을 솔직하게 파악하는 것이 목적이었음

• 설문은
  정보 부족, 자동화 우선순위, 최선과 최악의 결과를 구체적으로 물음

• 필요한 정보를 얻기 어려운 순간과, 그 정보가 있다면 본인이나 동료의 결과물이 어떻게 달라지는지 물음

• 미디어 제작 자체와 주변 운영 업무 중 무엇을 먼저 자동화할지, 그 이유를 확인함

• AI를 업무에 적용했을 때 가능한 최선과 최악의 결과를 구체적인 사례와 함께 요청함

• 응답을 미리 검토해 상반된 의견을 가진 두 사람이 각각 낙관론과 비관론을 발표하게 함. 이는
  반대 의견을 적극적으로 찾는 Netflix 문화와도 맞았음

• 한 창작 리더는 AI로 수십 개의 초기 시각적 방향을 생성해 디자이너의 실험 폭을 넓히길 원함

• 다른 리더는 아이디어 발상용 맞춤 제품이 창작 결과를 크게 개선하지 못하거나 결과를 평균적인 수준으로 수렴시킬 수 있다고 봄

• 운영 리더는 AI가 창작 결정을 내리게 하기보다, 승인된 디자인을 여러 형식과 시장에 자동 적용하는 반복 작업 제거를 우선시함

• 대기업의 변화에는 업무뿐 아니라
  서로 충돌하는 유인이 얽혀 있음. 이를 일찍 드러내야 기술 문제와 함께 변화의 인간적 측면도 다룰 수 있음

기술 로드맵 대신 미래의 역할을 구체화하기

• 설문에서 드러난 각 업무에
  ‘현재와 미래’ 비교표를 작성해 단순하고 시간이 많이 드는 일을 줄이고, 더 많은 작품과 판단이 중요한 업무를 맡는 모습을 구체화함

• 현재 열에는 예산 제약, 품질 편차, 순차적 의존 관계, 시간 비용을 그대로 담음

• 미래 열에는 기술 로드맵이 아니라 AI 전환 뒤 업무가 어떻게 바뀌고 어떤 느낌일지를 담음

• 창작팀이 미래의 자기 모습을 그릴 수 있도록
  가상의 보도 기사와 소셜미디어 게시물, 미래 직무의 하루를 보여주는 삽화를 활용함

• “AI가 20가지 형식으로 자동 편집한다”보다, 편집자가 입 모양과 운율, 감정 범위를 실시간 조정하고 제작 일정 걱정 대신 예외 처리와 품질 판단에 집중하는 모습을 보여줌

• 현재의 고통이 명확하면 미래를 과장해 설득할 필요가 없으며, 미래 업무에 자부심을 느끼게 하는 것이 목표였음

공동 목표와 ‘퍼스트 팀’으로 실행 책임 나누기

• 제품과 기술팀은
  ML 및 제품 로드맵, 운영팀은 타이틀 출시와 인력 배치, 거버넌스를 맡되 연간 목표는 함께 작성하고 결과도 공동으로 책임짐

• Patrick Lencioni의
  The Five Dysfunctions of a Team에 나오는 ‘퍼스트 팀(first team)’ 모델을 제품, 기술, 운영, 창작 전반으로 확장함

• 리더는 자신이 관리하는 부문보다 함께 속한 동료 리더 집단의 공동 성공을 우선해야 한다는 원칙임

• 각 부문의 대표가 참여하는 부문 간 협업팀이 핵심 시스템 결정과 영역별 계획을 맡고, 공동 목표 대비 진척을 정기적으로 평가함

• 모든 팀의 상시 안건에 현재 또는 미래의 불일치를 추가함. 특히 ‘미래의 불일치’라는 표현으로 긴장을 낮춰, 업무가 느려지기 전에 문제를 꺼내도록 함

• 현재와 미래의 업무 흐름, 전환 단계, 필요한 기반 서비스를 연결한
  청사진을 작성함

• 단계별로 필요한 현재와 미래의 입력 데이터와 출처, 출력과 이를 사용하는 후속 화면 또는 단계를 확인함

• 사람의 재량과 숙련이 필요한 결정과, 제품이 제거해야 할 개입을 구분함

• 오류율 등 성공 지표와 측정 방식, 가장 가치 있는 피드백 순환과 그 순환에 필요한 속도를 정함

• 이를 바탕으로 지금 만들 것과 나중에 만들 것을 구분함

전략을 실제로 매력적인 두 선택지의 절충으로 만들기

• Netflix는 회사 차원의
  전략적 베팅 목록으로 조직의 방향을 맞추며, 각 항목을 명확한 근거가 있는 ‘이것 대 저것’ 형식으로 작성함

• 양쪽 모두 실제로 매력적이어야 함. 한쪽이 명백히 나쁘다면 전략적 베팅이 아니라 회피 중인 결정에 가까움

• ‘그리고’만 있는 전략은 동의하기 쉽지만 실제 선택과 위험, 투자 순서를 드러내지 못함

• 샌프란시스코에서 워싱턴 D.C.로 갈 때 북쪽과 남쪽 경로 중 무엇을 택할지는 속도, 경치, 숙박비, 운전 조건 중 무엇을 언제 우선하는지에 달려 있음

• 첫 번째 선택은
  도달 범위가 큰 콘텐츠보다 위험이 낮고 빠르게 움직일 수 있는 곳부터 적용하는 것이었음
  Stranger Things 같은 대형 작품은 시청자 규모와 품질 기대가 높아 초기 적용 대상으로 삼지 않음

• 초기에는 적용 작품 수를 제한하는 대신 가치 대비 위험 비율이 높은 곳에서 실제 제작 경험을 쌓고, 기술과 확신이 성숙하면 대상과 용도를 확대함

• 두 번째 선택은
  효과 검증 없는 빠른 확장보다 가능한 곳에서 순증 효과 측정에 투자하는 것이었음

• 시청 증가를 기준으로 삼기 위해 측정 역량과 A/B 테스트에 선행 투자함

• 영화 제작에서 흔한 주관적 품질 판단만으로 규모를 확대하지 않음

• 대부분의 AI 투자를 비용 절감에 맞추지 않음. 영상과 마케팅 자산은 비용을 줄이기 위해서가 아니라 경험을 개인화하고 회원의 콘텐츠 발견을 돕기 위해 만들기 때문임

• AI 전략은
  CEO가 추적하는 회사 핵심 지표와 설득력 있게 연결돼야 함. AI 전용 지표만으로는 사업 부문이 전략을 이해하기 어렵고 자원 확보도 계속 어려워짐

18개월 목표에서 월별 실행 계획 역산하기

측정 가능한 18개월 자동화 목표를 정하고, 처리 기간 단축과 오류율 감소 같은 단기 이정표를 역산해 긴박감을 만듦

• 주제를 정하고 프로젝트를 나열해 ROI 순으로 정렬하는 방식과 달리, 달성하려는 결과에서 출발함

• 매달 출시할 것, 기대 결과, 다음 도달 지점, 계획이 실패했을 때의 대안 사이에 명확한 인과관계를 구성함

• 이 방식은
  경영진이 자동화를 실질적인 약속으로 받아들일 때만 작동함

• 필요한 조직 개편과 인력 배치, 우선순위 결정을 실행할 의지가 있어야 함

• 전략적 확신이 부족하거나 제품이 너무 초기여서 경로를 예측하기 어렵다면, 단기 가설을 세우고 증거에 따라 다음 이정표를 정해야 함

• 전략의 구체성을 검증하기 위해
  다른 사람이 전략을 말로 요약하고 질문에 답하게 함

• 리더들이 자신이 쓰지 않은 전략을 번갈아 설명하면서 모호함을 발견하고 시스템 전체를 생각하도록 유도함

더빙: 화려한 입술 재합성보다 실용적인 품질 개선

• Netflix 시청의 대부분은 작품의 원래 언어가 아닌 다른 언어로 이뤄짐.
  더빙은 핵심 업무지만 비용과 시간이 많이 들고, 자원은 대형 작품에 집중되는 경향이 있음

• 더 많은 작품에 좋은 더빙을 제공하기 위해 더빙과 자막 제작 흐름을 분석하고
  현지화 텍스트 제작 파이프라인을 재구축함

• 대부분의 현지화 텍스트 결과물은 처음부터 사람이 쓰는 대신 AI 초안에서 출발해 필요할 때 사람이 다듬도록 바꿈

• 매우 빠르게 출시해야 하는 일부 콘텐츠에서는 편집 단계를 아예 제거함

• AI 도입 전부터 더빙 작품의 시청자는 비더빙 작품보다 일찍 이탈했음. 회원, 시청 데이터, 언어학자, 더빙 전문가를 조사한 결과
  입 모양과 음성의 불일치가 몰입을 깨는 원인 중 하나였음

• 먼저 후반 작업에서 배우의 입술을 다시 합성해 음성과 맞추는 방식을 시험함

• 실험에 적극적인 영화 제작자와
  동의한 배우가 참여한 작품에서 A/B 테스트를 진행하고 시청 지속성과 시청량을 측정함

• 지속성은 개선됐지만 AI의 시각적 오류를 사람이 수정해야 품질 기준을 충족했음

• 효과는 대사 중심의 극적 장면이나 로맨스 장면에서 컸고, 개선의 상당 부분은 영화의 특정 구간에 있는 몇몇 순간에서 나옴

• 광범위하게 확대할 만큼 ROI가 높지 않아 다른 품질 개선 기회에 집중함. 다만 모델이 발전하면 이 판단은 달라질 수 있음

• 대안으로 입의 시각적 리듬을 읽는
  립싱크 평가 모델 을 개발함

• 더빙 음성이 원래 화면 속 연기와 얼마나 자연스럽게 맞는지 평가하고, 더빙 담당자에게 중요한 순간을 표시함

• 더빙 대본의 기계 번역도 조정해 최종 더빙이 원본에 매우 가깝게 들리도록 함

• 입 모양은 “hello”에 가깝지만 직역은 “good day”라면, 입 모양에 맞는 “hello”를 선택함

• 큰 화면에서 재생하는 고품질 장편 콘텐츠에서는
  덜 화려한 해결책이 더 큰 효과를 낼 수 있었음

홍보 이미지: 시청 지표와 전체 제품 경험 함께 지키기

• Netflix는 추천 시스템으로 홍보 이미지, 문구, 예고편을 개인화함. 같은
  KPop Demon Hunters라도 사용자마다 다른 이미지를 볼 수 있어 다양한 홍보 자산이 중요함

• 제작비와 맞춤 제작이 늘면 시청도 증가한다는 가정을 검증한 결과, 많은 작품에서
  스틸 이미지와 클립이 별도 제작한 콘셉트 아트워크만큼 효과적이었음

• 카탈로그 전반의 클립과 이미지 제작을 더 적극적으로 자동화함

• 별도 제작 이미지와 예고편은 실제로 필요한 인기 작품에 집중함

• 이미지 제작을 세 요소로 나누고 AI 투자 지점을 정함

• 콘텐츠에서 스틸 이미지를 선택하고 다듬음

• 타이틀 디자인을 만들고 적용함

• Netflix UI 안에서 이미지가 적절하게 보이는지 확인함

• 개인화에 중요한
  스틸 선택부터 시작해, 특정 창작 선택이 실제 시청을 유도하는지 A/B 테스트함

• 예를 들어 코미디에서는 얼굴 클로즈업이 여러 인물이 함께 나온 장면보다 효과적인지 검증함

• 검색기는 작품의 모든 스틸을 훑어 후보를 고르고, 품질 판정기는 Netflix 기준과 작품의 분위기에 맞는지 평가함

• 알고리듬은 좋은 스틸을 찾았지만
  매력적인 배우의 인물 사진에 치우치면서 제품 경험의 일관성을 해침

• 그대로 두면 일부 회원의 홈 화면이 Julia Roberts 사진으로 가득 찰 수 있었음

• 미국 영화에 작은 역할로 출연한 유명 인도 배우를 대표 이미지로 선택해, 인도 회원에게 작품에 대한 잘못된 기대를 줄 수 있는 사례도 있었음

• 창작 전문가와 새 지침을 만들고 더 세밀한 지표와
  자동 평가로 모델을 재학습함

• 통계적으로 유의한 큰 시청 증가를 얻으면서도, 어두운 북유럽 심리 스릴러와 장대한 자연 다큐멘터리를 빠르게 구별할 수 있는 홈 화면을 유지함

• 핵심 지표는 증거 기반 의사결정의 토대지만, 원하는 제품 경험과 균형을 맞춰야 함

콘텐츠 태깅: 자동화 전에 문제의 크기부터 줄이기

• Netflix의 거의 모든 시스템은 콘텐츠를 설명하는
  태그 또는 의미 라벨에 의존함. Bridgerton의 “steamy” 같은 라벨은 예산 결정부터 홈 화면의 작품 모음까지 지원함

• 기존에는 콘텐츠 분석가가 작품을 끝까지 보고 긴 맥락 문서를 작성한 뒤 수작업으로 태그를 붙임

• 작품 하나의 태깅에
  상영 시간의 두 배 이상이 들 수 있었음

• 신입 분석가가 독립적으로 태깅하기까지 교육에 2개월이 걸렸음

• 태그와 임베딩을 AI로 생성하려 했지만, 수년간 쌓인 분류 체계에는 동일한 엄격함으로 관리하는 수천 개 개념과 값이 있었음

• 여러 팀이 개별 태그 위에 업무를 구축했지만 모든 태그의 중요도가 같지는 않았음

• 대부분이 사실 라벨이 아니라
  편집적 판단에 따른 라벨이어서 사람 두 명도 합의하기 어려웠음

• 먼저
  관리 대상 분류 체계를 축소하고, 목록에서 빠진 개념을 다룰 셀프서비스 프로토타입을 계획함

• 관리 대상 태그에는 컴퓨터 비전, LLM, 전통적 분류기를 결합한 여러 모델과 인터페이스를 사용해 대본과 제3자 데이터를 자동 수집하고 태그를 적용함

• LLM 기반 자동 평가 계층이 태그가 붙은 영상을 검토하고 신뢰도를 매겨, 기준 미만인 경우 사람에게 검토를 넘김

• 콘텐츠 편성 담당자는 “청소년 코미디에서 민망하고 어색한 첫 데이트 에피소드” 같은 개념을 도구에 직접 입력할 수 있게 됨

• 이전처럼 콘텐츠 이해 팀에 요청해 기존 태그와 연결하거나 새 태그를 만들기까지 수 주를 기다릴 필요가 없어짐

• 작품별 긴 맥락 문서를 폐지하고 분석가의 역할을
  품질 거버넌스, 모델 프롬프팅과 훈련, 평가 중심으로 재구성함

• 없앤 업무 중에는 분석가가 잘하고 좋아하던 정밀 시청과 글쓰기도 있었음

• 즐겁고 추가적인 가치를 주는 업무라도 더는 사업에 필요하지 않을 수 있다는 점을 솔직하게 전달함

• 애착을 가져야 할 대상은 수행 방식이 아니라
  달성해야 할 일이었음

• 새 기술과 업무 흐름에서는 사람이 직접 시청하지 않아도 콘텐츠 수집 후
  수 분 안에 태그가 붙은 작품을 공개할 수 있게 됨

• 기존의 수 주에서 크게 단축돼 시의성이 중요한 작품과 짧은 형식의 콘텐츠를 포함해 훨씬 많은 작품을 서비스에 추가할 수 있었음

• 핵심 작업은 기존 절차를 에이전트에 학습시키는 것보다, 물려받은 절차 중 상당수가 애초에 필요하지 않음을 인정하는 일이었음

AI는 방향이 아니라 증폭기

AI 자체가 본질적으로 좋거나 나쁜 것은 아니며, 판단의 대상은 사람이 내리는 결정임

• 기술은 목표를 달성하는 능력이 계속 좋아지지만, 더 어려운 문제는
  올바른 목표를 선택했는지에 있음
• 모델은 거의 무엇이든 최적화하도록 훈련할 수 있음. 무엇을 최적화할 가치가 있는지 결정하는 것은 사람임

댓글과 토론