LLM어플리케이션의 UX 설계 전략
생성AI, GPT, LLM, UX 전략, 젠틀파이
GPT-4나 Claude와 같은 대규모 언어 모델(Large Language Model, LLM)이 대중의 관심을 한껏 끌어모으고 있다. LLM의 지능(Intelligence)은 AI 기술전문가와 AI 반도체에게 맡겨두고, 서비스를 만드는 입장에서 이제 사용자 경험 설계로 그 무게 중심을 옮겨야 할 때다. LLM을 활용한 어플리케이션은 마치 SF 영화에서나 볼 법한 기능을 현실로 구현하며 사용자들을 매료시키고 있지만, 이면에는 사용자 경험(User Experience, UX)에 잠재된 문제점이 존재한다. 이러한 문제점을 크게 다음 5가지로 정리할 수 있다.
1. 정보 과부하로 인한 혼란
2. 익숙하지 않은 인터페이스로 인한 사용성 저하
3. 느린 응답 속도로 인한 불만
4. 부정확한 답변으로 인한 신뢰도 하락
5. 개인 정보 유출에 대한 우려
LLM 기술의 화려함에 속아 UX를 간과하기 쉽다. LLM 어플리케이션 서비스 기획자라면 반드시 고려해야할 UX 설계 포인트를 지금부터 서술해 보겠다.
문제점 1. 정보 과부하로 인한 혼란
정보과부하는 절대적인 양의 문제라기보다는 사용자가 혼란을 느낄 정도로 많은 요소를 한꺼번에 제공하는 것을 의미한다. 이는 사용자자 자신의 '의도'에 따라 단계적으로 정보를 확장할 수 있게 설계한다면 충분히 많은 양도 시간을 두고 소비할 수 있게 된다.
솔루션
1.1 정보 설계: 사용자에게 꼭 필요한 정보를 우선적으로 제공하고, 정보의 계층 구조를 명확히 한다. 점진적 공개 기법을 활용하여 사용자가 원할 때 추가 정보를 확인할 수 있게 하고, 개인화된 콘텐츠 추천을 통해 사용자 개개인에게 가장 관련성 높은 정보를 제공한다.
정보설계: 필요한 정보만 우선적으로 제공(사진: 앤트로픽 Claude.ai)1.2 맥락 기반 정보 제공: 사용자의 검색 의도, 사용 맥락 등을 분석하여 가장 관련성 높은 정보를 요약된 형태로 제공한다.
정보설계: 정보의 점진적 공개 (사진: 구글 Gemini)문제점 2. 익숙하지 않은 인터페이스로 인한 사용성 저하
대화형 인터페이스에서 '정보'를 다루는 일은 일반적인 사용자들에게 익숙치 않다. 사용자에게 친숙한 UI 패턴을 활용하고, 일관된 디자인 시스템을 구축하여 학습 곡선을 낮추는 것이 중요하다.
솔루션
2.1 직관적인 UI 디자인: 사용자에게 익숙한 UI 패턴과 디자인 요소를 활용하여 학습 곡선을 낮춘다. 시각적 계층 구조로 정보의 우선순위를 명확히 하고 가독성을 높이며, 일관된 디자인 시스템을 구축하여 사용자가 쉽게 인터페이스를 이해할 수 있게 한다.
2.2 점진적 온보딩: 앱의 첫 사용 시점에 모든 기능을 한번에 소개하는 대신, 사용 단계에 따라 필요한 기능과 정보를 순차적으로 제공한다.
직관적 UI: 시각적 계층구조 (사진: 구글 Gemini)문제점 3. 느린 응답 속도로 인한 불만
LLM 기반 앱은 방대한 데이터를 처리하기 때문에 응답 속도가 느려질 수 있다. 또한 단순히 LLM만 활용하는 것이 아니라 연관된 다양한 정보들을 끌어와서 종합해 답변을 내곤 한다. 덕분에 답변생성 속도가 기존 서비스들에 비해 느릴수 밖에 없고 이는 사용자 경험을 저해하는 주요 요인이 된다. 따라서 성능 최적화를 위한 UX 디자인 기법과 실시간 피드백을 활용하여 사용자의 불만을 최소화해야 한다.
솔루션
3.1 성능 최적화를 위한 UX 디자인: 스켈레톤 스크린, 로딩 인디케이터 등을 활용하여 사용자에게 시스템 상태를 명확히 전달한다. 콘텐츠의 지연 로딩을 활용해 초기 로딩 시간을 단축하고, 오프라인 모드 지원, 캐싱 등의 기술로 불안정한 네트워크 환경에서도 원활한 사용자 경험을 제공한다.
3.2 실시간 피드백 제공: 사용자의 액션에 대해 즉각적이고 시각적인 피드백을 제공하여, 앱의 반응성과 사용자 통제감을 높인다.
성능최적화 UX : 로딩 인디케이터 (출처: 네이버 Q)문제점 4. 부정확한 답변으로 인한 신뢰도 하락
LLM 모델의 한계로 인해 부정확하거나 불완전한 답변이 생성될 수 있으며, 이는 사용자의 신뢰도를 하락시킨다. 이를 해결하기 위해서는 LLM 어플리케이션의 기능과 한계를 명확히 알리고, 답변의 메타데이터를 제공하여 사용자가 정보의 신뢰도를 판단할 수 있도록 해야 한다.
솔루션
4.1 신뢰도 향상을 위한 UX 디자인: 사용자에게 LLM 어플리케이션의 기능과 한계를 명확히 알려 기대치를 관리한다. 답변의 출처, 생성 시점 등의 메타데이터를 제공하여 사용자가 정보의 신뢰도를 판단할 수 있게 하고, 사용자 피드백을 수집 및 반영하는 프로세스를 설계하여 지속적인 품질 개선을 추구한다.
4.2 투명한 정보 제공과 통제권 부여: LLM 모델의 예측 신뢰도, 데이터 수집 범위 등을 투명하게 공개하고, 사용자가 자신의 데이터를 통제할 수 있는 옵션을 제공한다.
신뢰도 향상을 위한 UX 디자인: 출처 등 메타데이터 표기 (사진: 업스테이지, 빅카인즈 AI)문제점 5. 개인 정보 유출에 대한 우려
LLM 기반 서비스는 사용자의 대화 데이터를 수집하고 처리하기 때문에 개인 정보 유출에 대한 우려가 있다. 따라서 데이터 수집 및 활용 방침을 투명하게 공개하고, 사용자가 자신의 데이터를 통제할 수 있는 옵션을 제공하는 등 개인정보 보호를 위한 UX 디자인이 필수적이다.
솔루션
5.1 개인정보 보호를 위한 UX 디자인: 사용자 데이터 수집 및 활용 방침을 투명하게 공개하고 시각화하여 사용자가 쉽게 이해할 수 있도록 한다. 데이터 수집, 활용에 대한 사용자 동의 획득 프로세스를 간소화하고, 사용자가 자신의 데이터를 통제할 수 있는 옵션을 제공한다. 프라이버시 보호 기능(예: 익명 모드, 데이터 삭제 요청 등)에 쉽게 접근할 수 있도록 디자인한다.
개인정보보호를 위한 UX: 프라이버시 세팅 (사진: OPEN AI)5.2 투명한 정보 제공과 통제권 부여: LLM 모델의 예측 신뢰도, 데이터 수집 범위 등을 투명하게 공개하고, 사용자가 자신의 데이터를 통제할 수 있는 옵션을 제공한다.
LLM 어플리케이션은 강력한 기능을 제공하지만, 사용자 경험 측면에서 다양한 문제점을 안고 있다. LLM 어플리케이션의 UX 설계는 기술적 한계를 고려하는 동시에 사용자의 니즈와 행동 패턴에 대한 심층적 이해가 필요한 복합적인 과제다. 사용자 중심 설계(User-Centered Design) 원칙을 바탕으로, 끊임없는 사용자 리서치와 검증을 통해 최적의 솔루션을 찾아가는 노력이 요구된다. 화려한 기술에 가려진 UX의 함정을 피하고, 사용자의 마음을 사로잡는 LLM 어플리케이션을 설계하는 것이 우리에게 주어진 과제다.
안녕하세요. 저는 젠틀파이 대표 제이미입니다.
읽고 도움이 되셨다면 좋아요와 공유를 꼭 눌러주세요.
LLM 와 AI 챗봇 소식을 계속 보고 싶으시다면, X (twitter 제이미), 페이스북 챗봇 그룹이나 브런치를 구독해주세요.
AI 애플리케이션 플래닝그룹, 젠틀파이는 텍스트봇, 음성봇, 스마트 디스플레이 등 다양한 챗봇을 구축, 운영, 컨설팅하는 전문 그룹입니다.
LLM 통계 서비스 코코너티브를 적용하고 싶으시거나 LLM 봇을 구축하고 싶으신 분들, 프롬프트 엔지니어링과 파인튜닝이 필요하신 분들은 젠틀파이 hello@gentlepie.com에 연락 주세요.
챗봇 기획과 LLM UX, 서비스 기획을 하고 싶은 서비스 기획자!
기획자를 엄청 강려크하게 모시고 있습니다.
기왕 LLM 서비스 기획 하시려면 젠틀파이와 전문적으로 함께 해봐요!
