Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
생성형 AI로 프로토타이핑 장벽이 낮아졌지만, 결과물의 질을 결정하는 '안목'은 여전히 인간의 영역임을 강조합니다. 안목은 단순한 기술적 숙련도가 아니라 비평과 반복적인 교정을 통해 형성되는 판단력의 결과물입니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 RSS: GeekNews (한국어)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기지난 1년간
안목(taste) 이 창업자와 경영진 사이에서 주요 화두가 됨
성장 최적화에 10년을 보낸 창업자들이 이제 미적 판단에 관한 글을 쓰고 있음
Paul Graham은 누구나 무엇이든 만들 수 있게 되면 무엇을 만들기로 선택하는지가 차별점이 된다고 봄
Sam Altman은 AI가 나머지 일을 수행할 수 있게 된 뒤에도 안목이 사람의 고용 가능성을 지켜줄 수 있다고 봄
자주 인용되는 기준점은 기술적인 음악 능력이 없어도 자신이 무엇을 좋아하는지 알고 확신 있게 말하는 프로듀서 Rick Rubin임
이 사례는 안목을 가리키는 관용적인 예시가 됐지만, 안목의 실체가 무엇인지는 충분히 보여주지 못함
안목을 새로운 채용 기준으로 이야기하는 사람들은 대부분 창업자나 경영진이며, 자신의 결과물이 아직 충분히 좋지 않다는 평가를 수년간 받아 본 경험은 논의에서 빠져 있음
12세부터 받은 미술 교육에서는 수십 년 더 많은 경험을 가진 사람이 작업이 아직 제대로 되지 않은 이유를 매번 구체적으로 짚어줬음
수백 번의 작은 교정이 반복되면서 결국 지적을 소리 내어 들을 필요가 없어졌음
건축학교에서는 자신의 작업을 다른 사람들의 결과물 옆에 걸고, 혼자서는 발견하지 못했던 문제를 직접 확인해야 했음
프로젝트를 처음 본 비평가가 “
왜”라는 단순한 질문을 반복하면 설계 전체가 흔들리기도 했음
UX 디자인·인간 인지·통계를 함께 공부한 Digital Cultures 석사 과정까지 10년 넘게 다음을 알아차리는 법을 익힘
구성이 하나의 전체로 맞물리는 이유
작은 비율 변화가 작품의 느낌을 바꾸는 이유
“마음에 든다”는 말이 판단의 끝이 아니라 분석의 시작인 이유
안목은 성공을 충분히 거두면 갑자기 생기는 능력이 아니라, 틀렸다는 교정을 거듭하면서
맞는 판단을 내리는 빈도가 높아지는 과정에서 천천히 형성됨
기술 중심 B2B 소프트웨어에서 안목은 시각적인 아름다움보다 다음과 같은 작은 결정을 내리는 능력에 가까움
무엇을 보여주고 무엇을 숨길지
어떤 순서로 일이 진행되게 할지
이런 결정은 제대로 내렸을 때는 아무도 알아차리지 못하지만, 잘못됐을 때는 곧바로 드러남
같은 실수를 충분히 많이 교정받으면 누군가 지적하지 않아도 스스로 감지할 수 있게 됨
다만 이런 경험이 단순한 본능보다 신뢰할 만한 능력을 만들었는지는 통계처럼 입증하기 어려움
오랫동안 유지되는 능력인지, 개인의 일관된 편향에 불과한지는 개인적 경험만으로 완전히 답할 수 없음
AI도 피드백을 통해 학습하지만,
점수를 높이는 방향으로 교정되는 것과 이유를 파악하는 내적 감각을 형성하는 것은 같지 않음
전자는 더 나은 근사치를 만듦
후자는 기존 피드백이 다루지 않은 문제에서도 자신의 직관이 타당한지 판단하게 함
둘의 차이는 결과가 얼마나 그럴듯한지가 아니라, 학습에서 접하지 못한 상황에서도 판단이 통하는지에 있음
생성형 AI가 일상적인 화제가 되기 전 수행한 석사 연구에서는 두 가지 질문을 실험함
이름이 표시되지 않은 그림만 보고 AI와 인간의 작품을 구분할 수 있는가
작품에 붙은 출처 표시가 사람들이 보는 것을 바꾸는가
참가자 44명에게 그림 20점을 보여줬으며, 절반은 AI 생성 작품이고 나머지는 덜 알려진 인간 화가의 작품이었음
참가자들은 거의 절반을 틀려 동전 던지기보다 조금 나은 수준에 머물렀음
인터뷰에서는 붓 자국을 찾으려 했고, 세밀하고 사실적인 그림은 AI가 만들었을 것이라고 판단하는 경우가 많았음
이런 추정은 맞는 경우만큼 틀리는 경우도 많았음
p < .05였음
놀라움과 흥미에서는 같은 패턴이 나타나지 않았음
그림 자체는 전혀 달라지지 않았지만, 사람이 만들었다고 믿자 참가자들이 그림에서 읽어낸 특성이 달라졌음
실험에 사용한 그림은 생성기와 판별기가 경쟁하는 구세대 도구에서 나왔음
이후 생성 기술은 Stable Diffusion 같은
확산 모델을 거쳐, 언어 이해와 생성을 직접 결합한 ChatGPT·Gemini 같은 도구로 다시 전환됨
사람들이 당시에도 AI와 인간의 작품을 구분하기 어려워했다면, 이후 더 발전한 도구로 만든 작품을 구분하기가 쉬워졌다고 볼 수 없음
그렇다고 이 결과가 AI가 인간의 안목을 따라잡았다는 증거가 되는 것은 아님
데이터가 보여주는 범위는 두 가지뿐임
생성 결과가 사람을 설득할 만큼 그럴듯해졌음
인간의 판단은 편향되기 쉽고 출처 표시에 민감함
이는 생성이 끝난 뒤 감상자의 눈에서 벌어진 일을 보여줄 뿐, AI가 생성 과정에서 직접 판단했는지는 알려주지 않음
큐레이션 플랫폼을 만든 Sari Azout는 AI가 무엇이든 만들 수 있지만 무엇을 만들 가치가 있는지는 모른다고 봄
Andreessen Horowitz는 이를 패션 하우스 모델로 해석함
Chanel에서 Lagerfeld가 바느질을 한 땀씩 모두 직접 하지 않았듯, 희소한 것은 실행이 아니라 라벨에 걸린 이름이었음
AI는 누구에게나 실행 인력으로 가득한 스튜디오를 제공하지만, 무엇을 만들 가치가 있는지 결정하는 능력은 여전히 희소함
a16z 파트너 Olivia Moore는 안목과 독자적인 시각이 가져오는 보상이 크게 높아졌다고 봄
Nielsen Norman Group은 같은 과제를 대상으로 AI 프로토타이핑 도구의 결과와 인간이 설계한 결과를 비교함
상세한 프롬프트를 사용해도 AI 결과물은 그룹화·정보 계층·간격처럼 눈에 잘 띄지 않는 결정을 계속 놓쳤음
멀리서 보면 좋아 보이지만, 가까이서 보면 좋은 결과와는 거리가 멀었음
이 연구는 빠르게 발전하는 도구의 현재 수준을 반영하기에는 이미 오래된 편임
Claude Design 같은 도구는 이제 팀의 실제 구성요소와 브랜드 표현 방식을 읽은 뒤 결과물을 생성해 획일적인 외형을 개선함
실제 구성요소를 도구에 제공하면 화면을 무엇으로 만들지는 해결할 수 있지만,
화면에 무엇이 들어가야 하는지는 해결하지 못함
무엇을 포함할지 결정하는 일은 애초부터 생산의 문제가 아니었음
제품 관리자가 직접 프로토타입을 만드는 것 자체는 문제가 아님
문제는 “빠르고 작동한다”는 상태가 어느새 “완료됐다”는 판단으로 바뀔 때 시작됨
처음 사용하는 사람은 별도의 훈련 없이도 혼란을 느끼지만, 그 이유를 정확한 말로 설명하지 못할 수 있음
생성 과정은 다음과 같은 문제를 자동으로 묻지 않음
빈 상태가 단순한 백지 화면에 불과한가
복잡한 실제 데이터가 데모에서 깔끔해 보였던 화면을 망가뜨리는가
올바른 구성요소가 의도한 대로 작동해 기술적으로는 정확하지만, 전체 결과는 여전히 잘못된 경우도 있음
무엇이 잘못됐는지 파악하기도 전에 머릿속에서 배치를 다시 구성하게 되는 종류의 문제임