들어가며얼마 전 "AI 전사 시대, 스마트워커로 살아남는 법"라는 강의를 듣고 왔습니다. 하루 만에 Claude Code의 핵심과 실무 활용법을 쭉 훑어보는 알찬 시간이었어요.강의를 듣는 내내 머릿속에 계속 맴돌던 핵심 문장이 하나 있었습니다."이제는 내가 직접 일하기보다, AI 인부 5~10명을 관리하는 현장 감독이 되어야 한다."코드를 직접 짜는 개발자뿐만 아니라, 저 같은 비개발자나 일반 실무자도 '관리자 마인드'로 AI를 대할 때 비로소 일의 생산성이 폭발한다는 이야기였죠. 오늘은 강의에서 인상 깊었던 핵심 인사이트와 실습에서 배운 유용한 실무 팁을 함께 정리해 보았습니다.1. 시대의 변화: 프롬프트 입력에서 '현장 감독'으로예전의 AI 활용이 "프롬프트 하나 잘 던지는 기술"이었다면, 이제는 여..

합성 사용자(Synthetic User)를 보는 세 가지 기준1. Overview [바로가기] 2. Anchor [바로가기]3. Align [바로가기]4. Act Act 합성 사용자는 대부분 질문에 잘 대답하는 사용자에서 출발했습니다. 그런데 합성 사용자에게 UX에 대한 의견을 구하게 되면서 의견을 생성하는 것을 넘어 실제 행동으로 경험을 할 수 있게 해야 합니다. 그래서 점점 궁금해지죠. 이 합성 사용자는 실제 사람의 경험 중에서 어디까지 행동할 수 있는가? (What can this synthetic user actually do?)Act의 자율성 합성 사용자의 행동 수준은 어떤 스펙트럼을 구성할까요? 답변 Answer 합성 사용자는 백그라운드, 니즈, 목표, 속성, 페인포인트, 선호도 등의 정보를..

합성 사용자(Synthetic User)를 보는 세 가지 기준1. Overview [바로가기] 2. Anchor [바로가기]3. Align 4. Act [바로가기]Align 합성 사용자가 실제 사용자 데이터에 잘 닿아 있다고 해서, 실제 사용자처럼 반응하는 것은 아닙니다. 실제 인터뷰, 설문, 고객 데이터, 행동 로그를 기반으로 만들어졌더라도 새로운 질문이나 새로운 제품 상황에서 전혀 다른 반응이 나오기 때문입니다. 그래서 두 번째로 이런 질문이 떠오릅니다. 이 합성 사용자는 얼마나 실제 사람같이 반응하는가?(How well does this synthetic user align with reality?) 예를 들어 여러 EV 배터리를 비교해 본 사용자는 "배터리에서 무엇이 가장 중요한가"에는 그 경험..

합성 사용자(Synthetic User)를 보는 세 가지 기준1. Overview [바로가기] 2. Anchor 3. Align [바로가기]4. Act [바로가기]Anchor AI가 생성한 사용자의 많은 특성은 실제 고객에게서 관찰된 것이 아니라 모델이 이미 학습한 사람에 대한 일반적인 패턴에서 채워집니다. ‘30대 직장 여성’이라는 조건만 있어도 AI는 수많은 다양한 합성 사용자를 생성할 수 있습니다. 우리가 입력하지 않은 정보가 자연스럽게 채워지면 어느 순간 이 모든 것들이 근거 있는 실제 데이터처럼 느껴집니다. 그래서 합성 사용자를 볼 때 다음 질문을 합니다. 이 사용자는 실제 무엇에 근거하고 있는가? (What is this synthetic user anchored in?) Anchor가 닿..

지난해, 한 콘퍼런스에서 합성 퍼소나에 대한 발표를 듣고 적잖이 충격을 받았던 기억이 납니다. 바로 피엑스디 내부 팀에서는 ReOpsAI에서 금융 관련 AI 퍼소나를 만들었고 관련 프로젝트도 진행했으니 빠르게 이 새로운 변화를 경험하고 있는 것 같습니다. 합성 사용자, 무엇이 다른가? 지난 몇 년 사이 AI 퍼소나, 합성 퍼소나, 합성 사용자, 합성 패널, 디지털 트윈 같은 말들이 빠르게 늘었습니다. 이름만 보면 다 비슷해 보입니다. 사용자의 특성을 AI에 부여하고, 질문을 던지고, 그 사람이 어떻게 생각하거나 행동할지를 알아보는 방식이니까요.하지만 조금만 들여다보면 서로 다른 문제에 답하고 있다는 걸 알 수 있습니다. OpenAI의 리서처 Saeideh Bakhshi는 합성 사용자를 입력되는 데이터..

UX 디자이너로서 화면 설계서를 작업해 본 분이라면 아실 겁니다. 화면을 그리는 일은 그래도 할 만합니다. 손이 가긴 해도 눈에 보이는 결과가 쌓이니까요. 문제는 그 옆에 붙는 디스크립션입니다.버튼 하나에 번호를 매기고, 번호마다 “이건 무슨 버튼이고, 누르면 어떻게 되고, 어떤 조건에서 비활성화되는가”를 한 줄씩 적어 내려갑니다. 화면 하나에 요소가 스무 개면 스무 번. 화면이 쉰 장이면… 세는 것도 일입니다. 게다가 초벌을 넘겼다고 끝이 아닙니다. 개발을 하면서, 정책과 화면이 바뀔 때마다 몇 주에서 몇 달을 고칩니다. 이 팔로업이 사실 규격서 작업에서 가장 오래 걸리는 일입니다.그러다 문득 궁금해졌습니다. 이 반복 작업의 절반 이상을 AI가 대신해 줄 수 있지 않을까요?그래서 만들기 시작했습니다. ..

프론트엔드 개발자가 알아야 할 SEO/GEO 네 번째 이야기, 구조화 데이터 실전 가이드: JSON-LD로 검색엔진과 AI에게 맥락 전달하기 들어가며이번 편을 준비하면서 꽤 의미 있는 문서가 하나 나왔어요. 2026년 5월 15일, Google Search Central에서 "Optimizing your website for generative AI features on Google Search"라는 공식 가이드를 발행했어요.이 문서에서 Google이 명확히 한 핵심 메시지가 있어요."AEO"나 "GEO"라는 용어가 온라인에서 사용되고 있지만, Google Search의 관점에서 AI 검색 최적화는 검색 경험 최적화이며, 따라서 여전히 SEO다.이건 이 시리즈에서 계속 얘기해온 방향과 맞닿아 있어요. S..

들어가며어피니티버블은 정성 데이터를 에이전트 방식으로 분석하는 도구로 진화하고 있습니다. 이 글에서 그 변화가 실제로 어떤 모습인지 공유하고자 합니다.지난 8월 5일, 어피니티버블 팀은 SMIT AI스타트업학과 유훈식 교수님이 매주 진행하시는 온라인 AX 디자인 세미나(71회)에 참여해 '어피니티버블을 활용한 UX 정성 리서치 데이터 분석하기'를 주제로 강연을 진행했는데요. 이 글은 그중에서도 최근 새롭게 업데이트된 부분, AI 에이전트 시대에 정성 데이터를 분석하는 방법을 정리해 보았습니다. (강연에서 함께 다룬 정성 데이터 시각화 방법은 이전 포스트에서 소개했으니, 궁금하시면 아래 링크를 참고해 주세요.)pxd & UXR 밋업 현장 스케치 (정성 조사의 새로운 패러다임)[HCI KOREA 2026] ..

들어가며이 시리즈를 쓰면서 "프론트엔드 개발자가 SEO를 왜 챙겨야 하는가"를 다양한 각도에서 다뤄왔어요. robots.txt 설정부터 헤딩 구조, 구조화 데이터까지. 근데 솔직히 말하면, 이번 편이 프론트엔드 개발자에게는 가장 자연스러운 주제일 거예요.웹 성능 최적화.이미지 최적화하고, 번들 사이즈 줄이고, 레이아웃 시프트 잡고 — 이미 하고 있는 일이잖아요. 근데 이 작업이 Lighthouse 점수를 올리는 것 이상으로, 검색 노출과 사용자 경험에 실질적인 영향을 미치고 있다는 걸 아는 것과 모르는 것은 다르거든요.이번 편에서는 Core Web Vitals가 검색 노출에 실제로 어떤 영향을 미치는지, 그리고 4편에서 다뤘던 Google의 AI 가이드와 어떻게 연결되는지를 정리해볼게요. Core We..

온라인에서 상품을 고를 때는 직접 만져 볼 수 없으니, 결정하기 어려운 점이 많습니다. 신발의 발볼이나 화장품의 사용감, 향처럼 상품 설명만으로는 가늠하기 어려운 것들요. 그래서 먼저 써본 사람이 남긴 리뷰가 중요한 정보가 됩니다.리뷰에서 필요한 것은 판매자가 말하는 장점의 반복만은 아닙니다. 내가 미처 생각하지 못한 조건과 경험을 먼저 아는 일도 구매 판단에 도움이 됩니다. 어떤 문제는 나에게도 치명적이라 구매를 멈추게 하고, 어떤 문제는 내 조건과 무관하거나 감수할 만해서 오히려 선택을 확신하게 합니다. 판매자에게도 같은 정보가 유용합니다. 누구에게나 맞는다고 말하는 대신, 어떤 사람에게 특히 잘 맞는지를 보여줄 수 있으니까요.예전의 리뷰 화면은 평균 별점이나 별점 분포처럼, 리뷰를 정량적인 지표로 ..

들어가며 AI에게 바이브 코딩으로 AI툴 개발을 시킵니다. 또 하나의 창에서는 사용자 리서치 정리도 시켰습니다. 또 다른 에이전트에게는 경쟁사 분석도 시킵니다. 작업물 3개를 세 개를 동시에 돌렸으니 생산성은 마땅히 3배가 되어야 합니다. 하지만, 막상 결과물을 받으면 어디부터 봐야 할지 멍하니 고민이 됩니다. 결과물을 훑으며 "괜찮은데?" 했지만, 곧 불안해졌습니다. 이게 진짜 괜찮은 건지, 그냥 그럴듯해 보여서 괜찮다고 느끼는 건지, 구분이 안되기 시작했습니다.왜 AI에게 일을 시키면 오히려 더 피곤하게 느껴질까요? AI와 함께 일하는 상황이 늘어나는 지금, AI와 협업하면서 발생하는 어려움을 해결해 나가는 최선의 워크플로우는 무엇일지 고민해 보았습니다. 왜 우리는 AI 결과물 앞에서 판단이 흐려..

GEO 우수 사례로 소개된 5개 사이트를 대상으로 90회 AI 인용을 실측했습니다. 페이지 진단/분석으로 '인용될 준비' 상태를 살펴봤습니다.그렇다면 실제 AI 답변에서는 이들 사이트가 얼마나 출처로 선택됐을까요? 들어가며1편에서는 GEO 우수 사례로 소개된 5개 사이트에서 총 30페이지를 선정해 진단했습니다.사이트마다 강점이 나타나는 영역은 달랐습니다.KB Think와 카카오뱅크는 기술적 준비 상태가 상대적으로 안정적이었고, SK브로드밴드와 이랜드는 콘텐츠 품질에서 높은 점수를 보였습니다.그런데 GEO를 이야기할 때 페이지 진단만큼 중요한 질문이 하나 더 있습니다.실제로 AI가 답변을 만들 때 이 사이트를 출처로 선택했는가입니다.이번에는 각 사이트가 실제로 다루는 콘텐츠 주제를 바탕으로 질문을 구성했습..