AI를 디자인과 함께 논의할 때 가장 먼저 짚어야 할 지점은, 인공지능이 어느 날 갑자기 “외부에서 침입한 기술”이 아니라는 사실이다. 손과 재료에 기반한 수공예적 도구, 인쇄·사진·제도기로 대표되는 기계적 도구, 포토샵·일러스트레이터·CAD·3D 소프트웨어로 이어지는 디지털 도구의 계보 위에, 규칙 기반 인공지능, 데이터 기반 인공지능, 생성형 인공지능이 순차적으로 접속해 온 것이다. AI의 큰 흐름과 디지털 디자인 도구의 진화를 나란히 놓고 보면, 디자이너와 도구의 관계가 어떻게 변화해 왔는지, 그리고 오늘날의 생성형 AI가 어떤 층위에서 디자인 행위에 개입하는지 보다 선명하게 드러난다.
1.1 인공지능은 ‘외부에서 갑자기 들어온 기술’이 아니다
인공지능을 디자인과 함께 논의할 때 자주 등장하는 인식은, AI가 어느 날 갑자기 “디자인 바깥에서 침입한 기술”이라는 관점이다. 그러나 역사적으로 보면, 인공지능은 손과 재료에 기반한 수공예적 도구, 인쇄·사진·제도기로 대표되는 기계적 도구, 포토샵·일러스트레이터·CAD·3D 소프트웨어로 이어지는 디지털 도구의 계보 위에 연속적으로 접속해 온 기술이다.
디자인 실천의 관점에서 도구의 역사를 따라가면, AI는 기존 도구들과 단절된 낯선 존재가 아니라, “도구가 인간의 사고 과정에 얼마나 깊이 개입하는가”라는 축 위에서 기존 도구의 연장선상에 놓인 하나의 단계로 이해된다.
1.2 세 단계의 AI와 대응하는 디자인 도구의 층위
디자이너 관점에서 AI의 큰 흐름은 대략 세 단계로 구분할 수 있다.
규칙 기반 인공지능: 사람이 작성한 규칙을 그대로 실행하는 전문가 시스템
데이터 기반 인공지능: 다수의 사례 데이터를 통해 패턴을 학습하는 머신러닝 시스템
생성형 인공지능: 학습된 패턴을 바탕으로 새로운 텍스트·이미지·코드 등을 생성하는 모델
이 세 단계는 각각 초기 DTP·CAD(규칙 기반), UX/서비스 디자인과 데이터 분석 도구(데이터 기반), 생성형 이미지·텍스트·코드 도구(생성형)에 대응한다. 결국 AI의 흐름을 이해한다는 것은, 디지털 디자인 도구가 어떻게 점점 “판단과 생성”의 영역으로 침투해 왔는지를 이해하는 일과 맞닿아 있다.
2.1 규칙 기반 인공지능의 구조: IF–THEN과 전문가 시스템
규칙 기반 인공지능(rule-based AI)은 IF–THEN 규칙 집합으로 구성된 전문가 시스템(expert system)으로 설명할 수 있다.
예를 들어 다음과 같은 형태이다.
“만약 온도가 30℃ 이상이면, 냉방을 켜라.”
“만약 점수가 60점 미만이면, 등급을 F로 부여하라.”
도메인 전문가가 지식 베이스(knowledge base)를 규칙 형식으로 작성하고, 추론 엔진(inference engine)이 현재 상태에 맞는 규칙을 선택·실행한다. 시스템은 스스로 새로운 패턴을 학습하지 않으며, 사람이 정의한 규범을 빠짐없이 적용하는 데 초점을 맞춘다.
2.2 DTP·CAD의 스타일 규칙: 디지털 조판 엔진으로서의 도구
디자인 도구의 역사에서 이와 유사한 구조를 보이는 사례가 바로 초기 DTP(Desktop Publishing)와 CAD(Computer-Aided Design) 환경이다.
예를 들어 인디자인(InDesign)에서 스타일 시트를 정의하는 장면을 생각해 보자.
본문 스타일 서체: 9pt 산세리프 행간(leading): 13pt 자간(tracking): 0 단락 앞·뒤 여백: 0
제목 스타일 서체: 24pt 세리프 자간: +5 단락 앞 여백: 12pt 단락 뒤 여백: 6pt
이렇게 텍스트 스타일을 정의해 두면, 편집기는 문서 전체에서 동일한 규칙을 자동 적용한다. CAD에서도 비슷한 원리가 작동한다.
LAYER_STRUCT: 구조선 전용, 선 두께 0.25mm, 실선, 회색
LAYER_DIM: 치수선 전용, 특정 라인타입과 텍스트 스타일
LAYER_CENTER: 중심선 전용, 점선, 특정 라인타입 스케일
이때 소프트웨어는 “더 좋은 디자인”을 창안하지 않고, 정의된 규칙을 정확히 적용하는 조판 엔진으로 작동한다. 규칙 기반 AI가 전문가 규칙을 실행하듯, 초기 디지털 도구는 디자이너가 설계한 타이포 시스템과 레이아웃 규범을 빠짐없이 반복 적용하는 장치다.
2.3 자동화 기능의 등장: 작은 AI 조각들
이후 소프트웨어에는 점차 자동화 기능이 추가된다.
자동 줄바꿈과 양쪽 맞춤(justification)
그리드·가이드에 대한 스냅(snap to grid/guides)
목차·색인 자동 생성
마스터 페이지(master page)를 통한 페이지 번호·기본 여백 자동 배치
예를 들어 책 디자인에서 디자이너는 마스터 페이지에 기본 레이아웃과 페이지 번호, 러닝헤드(running head)를 한 번만 설정해 두면, 300쪽짜리 책 전체가 동일한 규칙에 따라 자동 조판된다. 수동 조판 시대에는 페이지마다 다시 조정해야 했던 작업이 알고리즘에 의해 반복 수행되는 셈이다.
이 모든 자동화는 넓은 의미에서 규칙 기반 인공지능의 초기 형태로 볼 수 있다. 규칙은 스타일 시트와 레이아웃 설정에 “코드화”되고, 도구는 이를 반복적으로 실행한다. 이 시점에서 디자이너는 점차 “개별 요소를 직접 조작하는 작업자”에서 “조판 규칙을 설계하는 메타 디자이너” 위치로 이동하기 시작한다.
3.1 데이터 기반 인공지능: 패턴 인식과 예측 모델
데이터 기반 인공지능(data-driven AI)은 통계적 학습(statistical learning)과 머신러닝 알고리즘에 기반한다. 이 단계에서 시스템은 더 이상 사람이 정의한 고정 규칙에만 의존하지 않는다.
지도학습(supervised learning): 입력–정답 쌍을 학습해 새로운 입력의 출력을 예측
비지도학습(unsupervised learning): 데이터의 숨은 구조를 군집(clustering) 등으로 탐색
신경망(neural network)·딥러닝(deep learning): 고차원 데이터에서 복잡한 패턴을 추출
대표적인 응용 예시는 스팸 메일 필터링, 추천 시스템(recommendation system), 얼굴 인식, 이미지 분류, 음성 인식 등이다. 이 시점에서 AI는 “규칙을 실행하는 엔진”에서 “규칙을 데이터로부터 추론해 내는 모델”로 진화한다.
3.2 UX 디자인에서의 데이터 기반 도구 활용 예
전자상거래 앱의 UX 디자이너를 예로 들어 보자. 앱은 다음과 같은 사용자 행태 데이터를 지속적으로 수집한다.
각 화면의 체류 시간(dwell time)
스크롤 깊이(scroll depth)와 주요 콘텐츠 노출 영역
장바구니→결제 플로우에서 단계별 이탈률(funnel drop-off)
버튼 색·텍스트·위치에 따른 클릭률(CTR) 및 전환율(CVR)
데이터 기반 AI는 이 로그 데이터를 입력으로 받아 다음과 같은 인사이트를 산출한다.
“파란색 CTA 버튼과 ‘지금 구매하기’ 카피 조합이 가장 높은 CVR을 보인다.”
“배송비가 노출되는 시점에서 이탈률이 급격히 상승한다.”
“검색어 A를 사용하는 사용자는 카테고리 B 상품에서 높은 구매 전환을 보인다.”
UX 디자이너는 이 분석 결과를 바탕으로 정보 구조(Information Architecture)를 수정하고, 플로우를 재설계하며, 시각 계층 구조(visual hierarchy)를 조정한다. 이 경우 AI는 사용자 행태를 계량화하고 패턴을 인지하는 분석 도구이며, 디자이너는 그 출력을 해석·비판하며 디자인 전략으로 번역하는 역할을 수행한다.
3.3 서비스 디자인에서의 사례: 고객 여정과 경험 설계
서비스 디자인 관점에서 데이터 기반 AI는 더 장기적인 스케일에서 활용된다.
고객 여정 맵(Customer Journey Map)의 각 접점에서 NPS, 불만 유형, 이탈률 측정
고객 세그멘테이션(segmentation)을 통해 “가격 민감형”, “경험 지향형”, “충성 고객층” 등 유형 분류
콜센터 녹취록, 리뷰, SNS 언급을 텍스트 마이닝해 주요 페인포인트(pain point) 도출
예를 들어 항공사 서비스 디자인 프로젝트에서 AI는 “체크인 대기 시간이 15분을 넘기면 NPS가 급격히 하락하는 임계치가 존재한다”, “수하물 지연 경험 이후 6개월간 재구매율이 절반 이하로 떨어진다”는 인사이트를 도출할 수 있다. 디자이너는 이러한 데이터에 근거해 프로세스, 공간 배치, 디지털 터치포인트를 재구성한다.
이 단계에서 디자인 도구는 그래픽 소프트웨어를 넘어, 데이터 분석 대시보드, 로그 분석 시스템, 텍스트 마이닝 툴까지 포함하는 “확장된 도구 세트”로 이해된다.
4.1 생성형 모델의 특성: 확률적 생성과 ‘그럴듯함’
생성형 인공지능(generative AI)은 대규모 데이터셋에서 패턴을 학습하고 이를 기반으로 새로운 샘플을 생성하는 모델이다.
언어 모델(LLM): 다음 단어(next token)를 예측하는 방식으로 문장을 생성
텍스트-투-이미지 모델: 텍스트 조건을 입력받아 픽셀 분포를 역으로 샘플링
코드 생성 모델: 프로그래밍 언어 토큰 시퀀스를 예측해 코드 스니펫 생성
이 모델들은 “정답을 계산”하기보다는 “확률적으로 가장 그럴듯한 다음 단어·다음 픽셀”을 예측하는 방식으로 작동하기 때문에, 결과물은 형식상 자연스럽고 설득력 있어 보이지만 사실 관계나 구조적 타당성은 별도의 검증이 필요하다.
이 특성 때문에 생성형 AI는 디자인에서 아이데이션, 콘셉트 스케치, 초기 비주얼 탐색에 특히 적합하다.
4.2 인테리어 디자인 예시: 텍스트 기반 콘셉트 이미지 생성
인테리어 프로젝트에서 디자이너가 다음과 같은 프롬프트를 입력했다고 가정한다.
“20대 대학생을 위한 셰어하우스 거실. 예산 제약, 좁은 면적, 공동 공부·대화·가벼운 식사가 동시에 가능한 다기능 공간. 중채도 컬러 포인트, 모듈형 소파, 이동 가능한 조명, 벽면 책장.”
텍스트-투-이미지 모델은 이 조건을 바탕으로 다양한 이미지 후보를 생성한다. 생성된 이미지에는 다음과 같은 요소들이 포함될 수 있다.
공간 효율을 위한 코너형 모듈 소파
낮은 테이블과 스툴을 활용한 유연한 좌석 구성
한쪽 벽면 전체를 사용하는 오픈형 책장과 핀보드
포인트 컬러 쿠션과 러그를 활용한 시각적 앵커
디자이너는 이 이미지들을 mood board와 콘셉트 스케치의 참고 자료로 사용하면서 실제 평면도, 입면도, 3D 모델링으로 발전시킨다. 이 과정에서 AI는 “구체적인 스케치 이전 단계에서 발상을 자극하는 시각 레퍼런스 생성기”로 기능한다. 구조·법규·시공성은 여전히 디자이너가 검토·조정해야 할 영역이다.
4.3 브랜딩·에디토리얼 예시: 내러티브와 카피 초안 생성
브랜딩 혹은 에디토리얼 디자인에서도 언어 모델은 초기 내러티브 생성에 활용될 수 있다.
예를 들어 지방 소도시에 위치한 독립 서점 겸 카페 브랜드를 기획하면서 다음과 같이 요청한다고 하자.
“지역 주민과 여행자를 모두 대상으로 하는 독립 서점 겸 카페의 브랜드 스토리를 700자 내로 작성해줘. 키워드는 ‘머무는 시간’, ‘조용한 집중’, ‘지역 커뮤니티’야. 감성적인 표현은 적당히 사용하되, 과도한 과장은 피하고 현실적인 분위기를 유지해줘.”
언어 모델은 브랜드의 시작 배경, 공간 사용 시나리오, 지역 커뮤니티와의 관계를 서사적으로 구성해 낸다. 디자이너는 이 결과를 그대로 사용하지 않고, 클라이언트의 실제 스토리와 시장 맥락을 반영해 수정·재구성한다. 슬로건이나 태그라인 후보 역시 유사 방식으로 생성·선별·편집이 가능하다.
이때 AI는 “브리프에 반응하는 서사 생성 엔진”이며, 디자이너는 여러 초안 가운데 브랜드 전략에 맞는 문장을 선택하고 어조와 리듬을 조정하는 에디터 역할을 수행한다.
4.4 디자이너의 역할 전환: 창작자에서 에디터·오케스트레이터로
생성형 AI가 실제 표현 생성에 깊이 개입하면서 디자이너의 역할은 다음과 같이 재배치된다.
제로에서 무언가를 만드는 창작자라기보다,
→ AI가 생성한 다수의 후보를 평가·선별·편집·리믹스하는 에디터(editor)
개별 도구를 조작하는 오퍼레이터라기보다,
→ 브리프, 프롬프트, 규칙, 도구 조합과 순서를 설계하는 오케스트레이터(orchestrator)
즉 창의성의 무게 중심이 “손의 기술”에서 “판단과 조합, 시스템 설계 능력”으로 이동한다.
5.1 포토샵·일러스트레이터: ‘스마트 기능’ 속의 숨어 있는 AI
포토샵과 일러스트레이터는 시간이 흐르며 다양한 “스마트 기능”을 흡수해 왔다.
자동 색 보정(Auto Color, Auto Levels)
얼굴 인식 기반 리터칭(Face-Aware Liquify)
콘텐츠 인식 채우기(Content-Aware Fill)
자동 피사체 선택(Object Selection), 자동 배경 제거(Remove Background)
예를 들어 합성 작업에서 과거에는 펜 툴로 경계를 정교하게 따야 했지만, 이제는 “Select Subject” 버튼 한 번으로 상당히 정확한 마스크가 생성된다. 이 기능은 CNN 기반 객체 인식·세그멘테이션 모델이 내부에서 이미지를 분석한 결과를 UI로 노출한 것이다.
사용자는 이 “숨겨진 AI” 덕분에 저부가가치 작업(누끼 따기, 기본 보정)의 시간을 줄이고, 콘셉트·레이아웃·디테일 조정 등 상위 레벨의 디자인 판단에 더 많은 시간을 쓸 수 있다.
5.2 파라메트릭 디자인: 명시적 규칙으로 형상을 생성하는 시스템
라이노(Rhino)와 그래스호퍼(Grasshopper), 다양한 노드 기반 파라메트릭 디자인 툴은 명시적인 규칙을 통해 형상을 생성하는 환경이다. 디자이너는 점·선·면을 직접 그리는 대신, 파라미터와 연산 노드로 구성된 알고리즘을 작성한다.
예를 들어 패널라이즈된 파사드를 설계한다고 가정하자.
입력 파라미터 층수, 층고, 모듈 폭, 남향/북향 여부, 태양 고도 데이터
규칙 기본 모듈 폭 600mm, 층별로 ±1 모듈 내에서 랜덤 오프셋 허용 남향 면에서는 상부 창 비율 감소, 차양 깊이 증가 모서리 모듈은 회전·스케일 변환 허용, 단 구조 해석에서 안정성 기준을 만족해야 함
이와 같이 정의하면 그래스호퍼 스크립트는 파사드 형상을 자동 생성한다. 디자이너는 더 이상 개별 패널을 손으로 옮기지 않고, 파라미터를 조정하며 전체 패턴을 탐색한다.
이 환경은 이미 “생성적 사고(generative thinking)”와 “규칙 설계”를 디자인 과정의 중심으로 끌어들였다는 점에서 생성형 AI와 개념적으로 맞닿아 있다. 차이는 파라메트릭 디자인이 명시적 규칙에 기반한다는 점, 생성형 AI는 학습 데이터에서 추론된 암묵적 규칙을 사용한다는 점이다.
5.3 네트워크형 협업 툴과 AI: 인지 보조 계층으로서의 도구
Figma와 같은 클라우드 기반 UX/UI 도구는 실시간 협업, 컴포넌트 시스템, 버전 관리 등 네트워크형 워크플로를 기본 전제로 한다. 여기에 AI 기능이 통합되면 도구는 개별 그래픽 편집기를 넘어 **협업 환경 전체를 관통하는 인지 보조 계층(cognitive layer)**이 된다.
가능한 시나리오는 다음과 같다.
와이어프레임 화면을 분석해 자동으로 하이파이 시각 스타일 제안
디자인 시스템 내 컴포넌트 사용 패턴 분석 후, 인터페이스 구성 시 적합한 컴포넌트 추천
코멘트 스레드와 변경 이력을 요약해 회의 전 주요 이슈·결정 사항 브리핑 자동 생성
이러한 상황에서 디자이너는 더 이상 로컬 환경의 단일 툴 사용자에 머물지 않는다. 디자인 시스템, 협업 플로우, AI 기능의 개입 지점을 동시에 설계·조율하는 시스템 디자이너에 가까운 역할을 수행하게 된다.
6.1 명시적 규칙과 암묵적 규칙의 이중 구조
지금까지의 흐름을 정리하면, 디자이너가 다루어야 할 규칙은 두 층위로 나뉜다.
명시적 규칙(explicit rules) 그리드 시스템, 타이포그래피 스케일, 컬러 팔레트, 브랜드 가이드라인 파라메트릭 스크립트, 컴포넌트 라이브러리, 인터랙션 패턴 정의
암묵적 규칙(implicit patterns) 데이터 기반 모델이 학습한 사용자 행태 패턴 생성형 이미지 모델이 선호하는 스타일·구성 경향 언어 모델이 재현하는 사회문화적 편향
AI 시대의 디자이너는 이 두 층위가 충돌하거나 한쪽이 과도하게 지배적이 되지 않도록 조율해야 한다. 예를 들어 추천 알고리즘이 “전환율이 높은” 패턴만 반복적으로 강화하면 UX는 상업적 효율만 극대화된 단조로운 인터페이스로 수렴할 수 있다. 이때 디자이너는 브랜드 전략, 윤리적 기준, 사용자 다양성이라는 명시적 규범을 통해 알고리즘의 암묵적 규칙을 견제해야 한다.
6.2 워크플로 설계 능력의 중요성
도구가 고도화될수록 개별 기능 숙련보다 중요한 것은 워크플로 설계 능력이다. 디자이너는 다음과 같은 차원에서 결정을 내려야 한다.
프로젝트 전체 흐름(리서치→아이데이션→프로토타입→구현→평가)을 어떻게 구조화할 것인가
각 단계에서 규칙 기반 자동화, 데이터 기반 분석, 생성형 AI를 어떤 비율로 개입시킬 것인가
어느 지점에서 인간 디자이너의 직접 판단을 반드시 요구할 것인가
예를 들어 브랜딩 프로젝트 워크플로를 다음과 같이 설계할 수 있다.
리서치 단계
AI: 키워드 브레인스토밍, 경쟁사 리스트, 1차 트렌드 개요
디자이너: 실제 사례 검증, 현장 조사, 클라이언트 인터뷰
콘셉트 개발 단계
AI: 네이밍 후보, 슬로건, 브랜드 스토리 초안
디자이너: 핵심 콘셉트 결정, 톤 앤 매너, 내러티브 구조 정제
시각 언어 탐색 단계
AI: 스타일 레퍼런스 이미지, 무드보드 초안 생성
디자이너: 실제 로고·심벌 설계, 타이포 시스템 구축, 컬러 시스템 확정
커뮤니케이션 단계
AI: 제안서 초안, 발표 스크립트 초고, 요약문 생성
디자이너: 문장 재작성, 프레젠테이션 구조 조정, 스토리텔링 완성
이처럼 워크플로 단위에서 AI의 위치를 명시하면, AI는 프로젝트를 혼란스럽게 만드는 변수가 아니라 의도적으로 설계된 도구 계층으로 작동하게 된다.
7.1 또 하나의 계단으로서 AI
규칙 기반 AI, 데이터 기반 AI, 생성형 AI로 이어지는 인공지능의 흐름과, DTP·CAD에서 파라메트릭·클라우드 협업 툴로 이어지는 디지털 디자인 도구의 진화는 서로 분리된 서사가 아니다. 둘은 “도구가 디자인 행위에 얼마나 깊이 개입하는가”라는 하나의 축 위에 놓여 있다.
규칙 기반: 이미 결정된 형식 규범을 빠르고 정확하게 실행하는 도구
데이터 기반: 사용자 행동 데이터를 분석해 디자인 의사결정을 지원하는 도구
생성형: 아이데이션, 비주얼라이제이션, 내러티브 생성에 직접 참여하는 도구
AI는 이 축 위에서 가장 최근에 등장한, “생각의 일부를 대행할 수 있을 정도로 강력한 도구”이다. 그러나 여전히 도구이며, 디자인의 주체가 되는 것은 아니다.
7.2 디자이너에게 남는 핵심 질문
도구가 아무리 발전해도 디자이너에게 남는 핵심 질문은 크게 달라지지 않는다.
이 도구는 무엇을 잘하고, 무엇을 못하는가?
내 디자인 프로세스에서 이 도구를 어디에, 어느 정도까지 개입시킬 것인가?
도구의 한계와 노이즈를 어떻게 표현 자원으로 전환하고, 어떤 지점에서 인간의 판단으로 교정할 것인가?
AI의 큰 흐름과 디지털 디자인 도구의 진화를 이해하는 목적은, 기술을 과장하거나 공포의 대상으로 삼기 위해서가 아니다. 오히려 도구의 역사적 맥락 위에서 AI를 제자리로 위치시키고, 그 위에서 디자이너가 어떤 기준과 태도로 도구를 선택·조합·통제할지 스스로 결정하기 위한 전제 조건이다.
결국 AI는 강력한 협업자이자 재료이지만, 무엇을, 왜, 누구를 위해 설계할지 결정하는 책임 있는 주체는 여전히 디자이너다. 이 장에서 정리한 계보와 구조는, 이후 장에서 다루게 될 구체적인 활용 전략과 교육·실무 적용 방안을 설계하는 이론적 프레임으로 기능한다.