4장: AI PM의 업무

데이터 중심 의사결정

AI PM의 일상은 데이터를 중심으로 돌아간다. 저자는 AI PM이 다루는 데이터를 세 가지 층위로 구분한다.

프로덕트 데이터

사용자 행동 데이터, 참여도 지표, 전환율 등 전통적인 프로덕트 지표다. AI PM도 일반 PM과 마찬가지로 이 데이터를 기반으로 프로덕트 방향을 결정한다.

모델 성능 데이터

정확도, 정밀도, 재현율, 지연 시간 등 AI 모델의 기술적 성능을 측정하는 데이터다. PM이 직접 분석하기보다는 ML 팀과 함께 리뷰하면서 프로덕트 관점의 의미를 해석하는 역할을 한다.

학습 데이터

모델이 학습하는 데이터 자체의 품질, 다양성, 편향을 관리하는 영역이다. 저자는 "학습 데이터의 품질이 곧 프로덕트의 품질"이라며, PM이 데이터 파이프라인에 적극적으로 관여해야 한다고 강조한다.

데이터 리뷰 루틴

저자가 구글에서 실제로 수행했던 데이터 리뷰 루틴을 공유한다.

• 일간 — 모델 성능 대시보드 확인, 이상 징후 탐지
• 주간 — 프로덕트 지표와 모델 지표의 상관관계 분석
• 월간 — 학습 데이터 품질 리뷰, 편향 감사
• 분기 — 전체 지표 트렌드 분석, 모델 재학습 필요성 평가

부서 간 협업

AI 프로덕트의 성공은 여러 팀의 협업에 달려 있다. 저자는 AI PM이 상호작용하는 주요 팀과 협업 방식을 상세히 설명한다.

ML 팀과의 협업에서 흔한 갈등

저자는 AI PM과 ML 엔지니어 사이에서 자주 발생하는 갈등 패턴을 솔직하게 다룬다.

PM의 관점: "사용자가 원하는 건 이 기능인데, 왜 3개월이나 걸리나요?"

ML 엔지니어의 관점: "모델 정확도가 충분하지 않은데 출시하면 사용자 경험이 나빠집니다."

이 갈등의 해법은 성능 임계값에 대한 사전 합의다. "정확도 85% 이상이면 출시하고, 이후 반복적으로 개선한다"와 같은 명확한 기준을 프로젝트 초기에 설정해야 한다. 저자는 이를 "출시 기준(Launch Criteria)"이라 부르며, PM이 반드시 주도해야 할 영역이라고 강조한다.

UX 팀과의 협업

AI 프로덕트의 UX 설계는 전통적인 소프트웨어와 다른 점이 많다.

• 불확실성 표현 — "약 80% 확률로 비가 올 것 같습니다" 같은 표현을 어떻게 사용자에게 전달할 것인가
• 실패 경험 설계 — 모델이 틀렸을 때 사용자가 쉽게 수정하거나 피드백을 줄 수 있는 경로
• 점진적 공개 — AI의 추천이나 판단을 한 번에 보여주지 않고 단계적으로 노출
• 신뢰 구축 — AI의 판단 근거를 투명하게 보여주는 UI 요소

AI PM 커리어 경로

저자는 AI PM으로 성장하는 경로를 크게 세 가지로 제시한다.

경로 1: 일반 PM에서 전환

기존 PM 경험을 바탕으로 AI 도메인 지식을 쌓는 경로다. 사용자 중심 사고와 프로덕트 감각이라는 강점을 유지하면서, ML 기초와 데이터 리터러시를 보강한다.

경로 2: 엔지니어에서 전환

ML 엔지니어나 데이터 사이언티스트가 PM 역할로 전환하는 경로다. 기술적 깊이가 강점이지만, 비즈니스 관점과 이해관계자 관리 역량을 키워야 한다.

경로 3: 도메인 전문가에서 전환

의료, 금융, 법률 등 특정 도메인의 전문가가 AI PM이 되는 경로다. 해당 분야의 규제와 사용자 니즈를 깊이 이해하는 것이 차별화 요소다.

정리

4장은 AI PM의 하루가 실제로 어떻게 돌아가는지를 현실적으로 보여준다. 데이터를 기반으로 의사결정을 내리고, 다양한 팀과 협업하며, 기술과 비즈니스 사이에서 균형을 잡는 역할이다. 특히 ML 팀과의 "출시 기준" 사전 합의, UX 팀과의 "실패 경험 설계" 협업은 AI PM만의 고유한 업무 영역으로 기억할 만하다.