//
저자는 AI 프로덕트 개발을 두 가지 유형으로 구분한다.
| 구분 | 0-to-1 | 1-to-N |
|---|---|---|
| 정의 | 완전히 새로운 프로덕트 생성 | 기존 프로덕트에 AI 기능 추가 |
| 리스크 | 높음 (시장 검증 미완) | 상대적으로 낮음 (기존 사용자 기반) |
| 데이터 | 초기 데이터 확보가 핵심 과제 | 기존 사용자 데이터 활용 가능 |
| 접근법 | 가설 중심, 빠른 실험 | 점진적 통합, A/B 테스트 |
| 예시 | 새로운 AI 어시스턴트 앱 | 기존 이커머스에 추천 시스템 추가 |
0-to-1은 시장의 니즈를 검증하는 것이 최우선이고, 1-to-N은 기존 프로덕트의 가치를 AI로 확장하는 데 초점을 맞춘다. 두 유형은 라이프사이클의 각 단계에서 강조점이 달라진다.
저자가 제시하는 AI 프로덕트 개발 라이프사이클(AIPDL)은 전통적인 프로덕트 개발 프로세스를 AI의 특성에 맞게 변형한 것이다.
문제 정의에서 시작한다. "AI를 써보자"가 아니라 "이 문제를 해결하는 데 AI가 적합한가?"를 먼저 물어야 한다. 브레인스토밍, 시장 조사, 경쟁사 분석, 사용자 인터뷰를 통해 아이디어를 구체화한다.
아이디어의 실현 가능성과 비즈니스 가치를 평가한다. 이 단계에서 RICE 프레임워크와 ROI 분석이 사용된다. 데이터 가용성, 기술적 실현 가능성, 시장 규모를 종합적으로 판단한다.
핵심 가설을 검증할 수 있는 최소한의 프로토타입을 만든다. AI 프로덕트에서 프로토타입은 모델의 정확도가 아니라 사용자 경험의 가치를 검증하는 데 초점을 맞춰야 한다.
프로토타입을 실제 사용자에게 노출하고 데이터를 수집한다. A/B 테스트, 사용자 인터뷰, 정량적 지표 분석을 병행한다. AI 프로덕트에서는 모델 성능 지표와 사용자 만족도 지표를 함께 추적해야 한다.
출시 후에도 모델 드리프트 모니터링, 사용자 피드백 수집, 재학습 파이프라인 운영이 필요하다. 전통적인 소프트웨어와 달리 AI 프로덕트의 출시는 끝이 아니라 새로운 시작이다.
프로덕트 백로그의 우선순위를 정량적으로 결정하기 위한 프레임워크다.
| 요소 | 설명 | 평가 방법 |
|---|---|---|
| Reach | 영향받는 사용자 수 | 분기당 사용자 수로 추정 |
| Impact | 개별 사용자에 대한 영향도 | 0.25 / 0.5 / 1 / 2 / 3 스케일 |
| Confidence | 추정치에 대한 확신도 | 퍼센트 (100%, 80%, 50% 등) |
| Effort | 필요한 리소스 | 인월(person-month) 단위 |
저자는 RICE만으로 의사결정을 내리지 말 것을 강조한다. 전략적 중요성, 기술 부채, 팀의 학습 가치 등 정성적 요소도 함께 고려해야 한다.
AI 프로젝트의 ROI를 계산할 때는 전통적인 소프트웨어와 다른 비용 항목을 고려해야 한다.
비용 항목:
수익/효과 항목:
저자는 AI 프로젝트의 ROI가 비선형적으로 나타나는 경우가 많다고 지적한다. 초기에는 비용만 발생하다가 모델이 일정 수준에 도달한 후 급격히 효과가 나타나는 패턴이 일반적이다.
AI 프로덕트의 MVP를 만들 때 저자가 강조하는 핵심 전략은 "처음부터 완벽한 모델을 만들려 하지 말라"는 것이다.
모든 것을 ML로 해결하려 하기 전에, 규칙 기반 로직이나 하드코딩으로 사용자 경험을 먼저 검증하라는 접근이다.
저자는 구글에서의 경험을 바탕으로, 초기 MVP 단계에서 ML 모델 없이 규칙 기반으로 사용자 가치를 먼저 검증한 프로젝트가 성공 확률이 훨씬 높았다고 밝힌다. "AI가 필요한지"를 증명하기 전에 "이 문제가 풀 가치가 있는지"를 먼저 증명하라.
2장은 AI 프로덕트 개발의 전체 여정을 체계적으로 조망한다. AIPDL 5단계는 각 단계에서 무엇을 해야 하는지를 명확히 하며, RICE와 ROI는 의사결정의 근거를 만들어준다. 특히 하드코딩 우선 전략은 AI 프로덕트에서 가장 흔한 실수인 "기술 먼저, 사용자 나중에" 접근을 경계하는 중요한 원칙이다.