3장: 핵심 PM 역량

사용자 세분화와 유저 스토리

AI 프로덕트에서도 사용자 중심 설계의 기본은 동일하다. 하지만 AI 특성상 추가로 고려해야 할 요소가 있다.

사용자 세분화

전통적인 인구통계학적 세분화를 넘어, AI 프로덕트에서는 사용자의 기술 수용도와 AI 리터러시 수준을 기준으로 세분화하는 것이 효과적이다.

유저 스토리 작성

AI 기능의 유저 스토리는 전통적인 형식에 AI의 불확실성을 반영해야 한다. 저자는 다음과 같은 확장된 형식을 제안한다.

[사용자 유형]으로서
[AI 기능]을 통해
[목표]를 달성하고 싶다.
단, [AI의 한계/실패 시나리오]에 대한 대안이 있어야 한다.

AI 프로덕트에서는 "해피 패스"만 설계하면 안 된다. 모델이 잘못된 결과를 내놓았을 때, 확신도가 낮을 때, 응답 시간이 길어질 때의 사용자 경험도 반드시 설계해야 한다.

트레이드오프 평가

AI PM이 가장 자주 마주하는 트레이드오프를 저자는 다섯 가지로 정리한다.

정확성 vs 속도

모델의 정확도를 높이면 추론 시간이 길어지는 경우가 많다. 실시간 추천 시스템에서는 100ms 안에 응답해야 하므로 경량 모델을 선택하고, 의료 진단에서는 정확성이 절대적이므로 지연을 감수한다.

프라이버시 vs 개인화

더 많은 사용자 데이터를 활용할수록 개인화 품질이 올라가지만, 프라이버시 리스크도 함께 증가한다. GDPR, 개인정보보호법 등 규제 환경을 고려해 데이터 활용 범위를 결정해야 한다.

자동화 vs 사용자 통제

AI가 모든 결정을 자동으로 내리면 효율적이지만, 사용자가 통제감을 잃으면 신뢰가 무너진다. 저자는 "인간이 루프 안에(Human-in-the-Loop)" 있는 설계를 기본으로 하되, 사용자의 신뢰가 쌓이면 점진적으로 자동화 범위를 넓히라고 조언한다.

범용성 vs 전문성

하나의 모델로 다양한 작업을 처리할 것인지, 작업별로 특화된 모델을 사용할 것인지의 선택이다. 범용 모델은 유지보수가 간편하지만 각 작업에서의 성능이 떨어질 수 있다.

혁신 속도 vs 안정성

최신 모델을 빠르게 도입하면 경쟁 우위를 가질 수 있지만, 안정성 검증이 부족해 장애 리스크가 커진다.

Build vs Buy 의사결정

AI 기능을 직접 구축할 것인지, 외부 솔루션을 도입할 것인지를 판단하는 프레임워크다.

저자는 이 결정이 이분법적이지 않다고 강조한다. 외부 API를 기반으로 빠르게 MVP를 만들고, 검증 후 핵심 부분만 내재화하는 하이브리드 접근이 현실적으로 가장 많이 사용된다.

PM을 위한 엔지니어링 기초

저자는 AI PM이 코드를 짜야 한다고 말하지 않는다. 대신 ML 팀과 효과적으로 소통하기 위해 알아야 할 최소한의 기술 개념을 정리한다.

ML 파이프라인의 구조

PM이 알아야 할 핵심 개념

• 학습 데이터 vs 테스트 데이터 — 왜 분리하는지, 과적합이 왜 위험한지
• 하이퍼파라미터 — 모델 학습 전에 결정하는 설정값, 학습률과 배치 크기 등
• 지도 학습 vs 비지도 학습 vs 강화 학습 — 각 방식의 적합한 문제 유형
• 토큰과 임베딩 — LLM이 텍스트를 처리하는 기본 단위
• 파인튜닝 vs 프롬프트 엔지니어링 — 모델을 커스터마이징하는 두 가지 접근

책임 있는 AI: FATE 프레임워크

저자는 AI 프로덕트의 윤리적 측면을 FATE라는 프레임워크로 정리한다.

정리

3장은 AI PM의 기본기를 다진다. 사용자 세분화, 트레이드오프 평가, Build vs Buy 판단, 엔지니어링 기초, 그리고 책임 있는 AI까지 다루는 범위가 넓지만, 각 주제가 AI 프로덕트의 맥락에서 왜 중요한지를 일관되게 설명한다. 특히 FATE 프레임워크는 AI PM이 프로덕트의 기술적 성공뿐 아니라 사회적 책임까지 고려해야 한다는 점을 상기시켜 준다.