AI 와 기획자에 대한 소고
365 Proejct (076/365)
LLM을 활용한 데이터 시각화와 기획의 변화
데이터 분석은 오랫동안 전문적인 영역으로 여겨졌지만, LLM과 같은 인공지능 도구들이 등장하면서 점점 더 많은 사람이 직접 데이터를 다루고 활용할 수 있는 환경이 조성되고 있다. 특히 기획자와 비개발자가 데이터 기반 의사결정을 수행할 수 있는 가능성이 커졌다.
과거에는 데이터 분석을 위해 전문적인 코딩 지식이 필요했지만, 이제는 자연어 명령만으로도 AI가 필요한 코드를 생성하고 분석을 수행해준다. 최근 몇 년 동안 LLM을 활용한 데이터 분석 실험을 진행하며, 단순한 데이터 시각화를 넘어서 트렌드 분석, 알고리즘 검증, 문제 해결 방식 자체의 변화를 체감하고 있다.
LLM을 활용한 데이터 분석 실험
데이터 분석이 필요했던 상황을 가정해 보자. 예를 들어, 새로운 서비스 아이디어를 검토하기 위해 온라인 뉴스 기사를 분석해 트렌드를 파악하는 것이 필요할 수 있다.
가상의 사례: AI 채용 트렌드 분석
실제 기업 데이터를 공개할 수 없는 만큼, 가상의 사례를 통해 LLM 활용 가능성을 살펴보겠다.
1️⃣ 데이터 수집: 특정 키워드("AI 채용")가 포함된 뉴스 기사 제목을 스크래핑
2️⃣ 데이터 분석: 키워드 빈도 분석을 통해 트렌드 파악
3️⃣ 시각화: 주요 키워드의 출현 빈도를 그래프로 표현
이 과정에서 LLM을 활용해 직접 크롤링 코드를 생성하고, 데이터 정리 및 시각화까지 진행할 수 있다.
LLM 활용의 실질적인 효과
데이터 크롤링 경험이 없더라도, LLM을 통해 코드를 생성하고 수정하면서 데이터 수집이 가능
분석 방향을 자연어로 설명하면, LLM이 적절한 코드와 분석 방식을 제안
분석 결과를 다시 LLM에게 해석하도록 요청하면, 간단한 요약도 가능
✅ LLM 활용 팁
처음부터 방대한 데이터를 다루지 말고, 소규모 샘플로 테스트
코드 실행 중 오류가 나면, 오류 메시지를 LLM에게 직접 전달하여 해결 방안 요청
분석 결과를 요약하거나, 추가 분석 방향을 LLM에게 질문하여 인사이트 확장
단순한 데이터 분석을 넘어서
데이터 시각화뿐만 아니라, LLM을 활용하면 간단한 알고리즘 증명이나 수학적 문제 해결도 가능하다. 예를 들어, 특정 데이터 패턴을 분석할 때 머신러닝 모델이 적절한지 판단하거나, 알고리즘을 검증하는 과정에서도 활용할 수 있다.
✅ LLM 활용 팁
간단한 수학 문제나 알고리즘 검증도 코드와 설명을 동시에 요청하여 실험 가능
복잡한 알고리즘을 분석할 때, 코드의 시간복잡도나 효율성을 LLM에게 평가하도록 요청
특정한 패턴이나 논리를 찾고 싶을 때, LLM에게 규칙을 정리하게 하고 실험을 진행
기획의 방식이 변하고 있다
단순히 데이터를 다루는 방식뿐만 아니라, LLM을 활용하면서 기획 자체의 접근 방식이 바뀌고 있다.
과거에는 기획자가 제품 개발을 위해 **명확한 요구사항(requirements)**을 정의하고, 이를 개발팀에 전달하는 방식이었다. 그러나 이제는 기획자가 LLM과 함께 문제 해결 방식을 탐색하고, 더 나은 해결책을 찾도록 인공지능에 맡기는 방식도 가능해지고 있다.
새로운 기획 접근 방식: 문제 정의 + AI 활용
기존 방식
기획자가 기능 정의 → 개발팀 구현
LLM 기반 방식
사용자 스토리를 기반으로 문제를 정의
LLM에게 문제 해결 방식을 탐색하도록 요청
데이터 분석, 알고리즘 검증, 코드 생성 등을 AI와 함께 수행
해결 방향을 조정하며 점진적으로 개발 진행
예를 들어, "사용자가 제품 검색 시간을 단축할 방법"을 고민한다고 가정해 보자.
✅ 기존 방식
"검색 필터를 추가하고, AI 추천 기능을 넣는다."
✅ 새로운 방식
"LLM에게 검색 경험을 개선할 방안을 다양한 방식으로 탐색하게 하고, 최적의 솔루션을 실험한다."
앞으로의 방향: AI를 활용한 기획의 진화
이제는 데이터 분석뿐만 아니라, 기획의 방식 자체가 AI를 중심으로 재편될 가능성이 크다.
LLM이 단순한 도구가 아니라, 기획자와 협업하는 존재가 될 것
기획자의 역할이 기능 정의에서 문제 해결 전략 수립으로 확장될 것
AI가 직접 해결 방안을 찾고 실험하도록 맡기는 방식이 증가할 것
앞으로 기획자는 단순한 요구사항 정의(requirements)를 넘어, AI가 최적의 해결책을 찾도록 가이드하는 역할을 해야 한다. 문제 해결의 방식 자체를 "이 기능을 만들어야 한다"에서 "이 문제를 해결하기 위해 어떤 접근이 최적일까?"로 전환하는 것이 더 중요해지고 있다.
아직 실험이 더 필요하겠지만, 기획자가 문제를 정의하고 방향성을 제시하는 역할을 강화하면서 AI가 구체적인 해결책을 탐색하고 실험하도록 맡기는 방식으로 가는 것이 바람직한 방향이 아닐까 한다.
✅ 기획자의 새로운 역할
구체적인 요구사항을 넘어서, 문제 해결 방식 자체를 AI에게 맡기는 접근 실험
LLM을 활용한 데이터 분석, 알고리즘 검증, 시뮬레이션 실험 확대
AI를 팀원처럼 활용하는 기획 문화 정착
이제는 코드를 직접 짜는 것이 아니라, 어떤 질문을 던질지, 어떤 실험을 할지 고민하는 능력이 더 중요해지는 시대다. 기획의 역할이 변하고 있는 지금, LLM을 적극적으로 활용하면서 새로운 접근법을 실험해볼 필요가 있다.
