//
저자는 AI의 발전을 네 단계로 구분하며, 각 단계가 프로덕트 매니지먼트에 미치는 영향이 다르다고 설명한다.
| 단계 | 설명 | 프로덕트 영향 |
|---|---|---|
| 전통 AI | 규칙 기반, 머신러닝 모델 | 예측 가능한 입출력, 명확한 성능 지표 |
| 생성형 AI | LLM, 이미지/텍스트 생성 | 비결정적 출력, 새로운 평가 체계 필요 |
| AGI | 범용 인공지능 | 인간 수준의 추론, 아직 미달성 |
| ASI | 초인공지능 | 인간을 초월하는 지능, 이론적 단계 |
현재 대부분의 AI PM은 전통 AI와 생성형 AI의 교차점에서 일하고 있다. 저자는 AGI와 ASI에 대한 과도한 기대보다는, 현재 기술의 한계를 정확히 이해하고 그 범위 안에서 최선의 프로덕트를 만드는 것이 PM의 역할이라고 강조한다.
AI 프로덕트가 전통적인 소프트웨어와 근본적으로 다른 이유는 AI만의 고유한 특성 때문이다.
전통적인 소프트웨어는 같은 입력에 항상 같은 출력을 반환하는 결정론적 시스템이다. 반면 AI 모델은 확률적으로 동작한다. 같은 프롬프트에 다른 응답이 나올 수 있고, 이는 테스트와 품질 보증 방식을 근본적으로 바꿔야 함을 의미한다.
AI 모델의 성능은 학습 데이터의 품질과 양에 직접적으로 의존한다. "쓰레기가 들어가면 쓰레기가 나온다(Garbage In, Garbage Out)"는 원칙이 AI에서 특히 강하게 적용된다. PM은 데이터 수집, 정제, 라벨링 전 과정에 관여해야 한다.
시간이 지나면서 모델의 성능이 저하되는 현상이다. 사용자 행동이 변하거나 외부 환경이 달라지면 학습 당시의 패턴이 더 이상 유효하지 않게 된다. PM은 모델 성능을 지속적으로 모니터링하고 재학습 주기를 관리해야 한다.
AI 모델, 특히 딥러닝 모델은 왜 그런 결정을 내렸는지 설명하기 어려운 경우가 많다. 의료, 금융 등 규제 산업에서는 모델의 결정 과정을 설명할 수 있어야 하므로, PM은 해석 가능성과 성능 사이의 트레이드오프를 이해해야 한다.
저자는 AI PM이 일반 PM의 역량에 더해 추가로 갖춰야 할 영역을 명확히 구분한다.
| 영역 | 일반 PM | AI PM |
|---|---|---|
| 기술 이해 | API, 아키텍처 | + ML 파이프라인, 모델 학습 과정 |
| 데이터 | 분석 지표 중심 | + 학습 데이터 관리, 데이터 품질 |
| 테스트 | QA, A/B 테스트 | + 모델 평가, 편향 검증 |
| 출시 후 | 버그 수정, 기능 개선 | + 모델 드리프트 모니터링, 재학습 |
| 이해관계자 | 비즈니스, 엔지니어링 | + 데이터 사이언스, ML 엔지니어링, 윤리 |
저자는 AI PM이 갖춰야 할 핵심 역량을 크게 세 가지로 정리한다.
조직 구조 측면에서는 AI PM이 독립적인 AI 팀에 속하는 구조와 기존 프로덕트 팀에 내재된 구조(Embedded) 두 가지를 비교한다. 독립 팀은 AI 전문성을 깊이 쌓을 수 있지만 프로덕트와의 괴리가 생길 수 있고, 내재된 구조는 프로덕트와의 정합성이 높지만 AI 전문성이 분산될 위험이 있다.
저자는 초기에는 독립 AI 팀으로 시작해 역량을 축적한 뒤, 프로덕트가 성숙해지면 각 팀에 AI 역량을 내재화하는 하이브리드 접근을 권장한다. 구글과 메타 모두 이 경로를 거쳤다고 언급한다.
1장은 AI PM이라는 역할의 존재 이유를 설명한다. AI의 확률적 특성, 데이터 의존성, 모델 드리프트, 해석 가능성이라는 고유한 도전 과제가 있기 때문에 전통적인 PM 방법론만으로는 AI 프로덕트를 성공적으로 이끌 수 없다. AI PM은 이 불확실성을 관리하면서도 사용자에게 가치를 전달하는 사람이어야 한다.