"AI는 제품 관리자를 쓸모없게 만들 것이다."
"모든 PM은 AI 전문가가 되어야 한다."
"AI를 사용하지 않으면 뒤처진다."
위와 같은 주장은 LinkedIn 피드 및 업계 뉴스레터에 넘쳐나는 헤드라인 중 일부에 불과합니다. 제품 관리자라면 비슷한 주장을 접해 봤을 것이며, 주장 하나마다 이미 힘든 역할에 또 다른 압박감을 더합니다. 하지만 제품 팀과 이야기해 보면 다른 이야기를 자주 듣습니다. 혼란, 회의론, 때로는 일상 업무에 AI를 충분하게 활용하지 못한다는 죄책감까지 존재합니다.
과장된 기대 뒤에 숨겨진 현실
AI 도구를 사용하는 1,000명 이상의 과학자를 대상으로 MIT에서 실시한 조사에서 예상치 못한 사실이 밝혀졌습니다. 과학자 중 82%가 직무 만족도가 낮아졌다고 응답하면서 AI로 생산성은 크게 증가했지만 직무 만족도는 오히려 낮아졌다는 것입니다.
생산성 향상과 만족도 감소라는 역설은 AI 채택의 인간적 측면에 대한 중요한 사실을 말해 줍니다.
한 과학자는 "이제 제 교육 중 많은 부분이 쓸모없다는 느낌을 지울 수가 없습니다"라고 말했습니다.
AI 발전을 흥미로우면서도 불안한 시선으로 바라보는 많은 제품 관리자에게 공감을 일으킬 만한 이야기입니다.
여러 도전 과제에도 불구하고 AI가 우리의 업무 방식에 미치는 잠재적 영향은 무시할 수 없을 만큼 큽니다.
최근 Atlassian의 팀워크 연구소에서 실시한 조사에 따르면, AI를 최대한 활용하기 위해서는 채택보다 사고방식이 훨씬 더 중요하며, 이러한 사고방식을 갖추는 것이 성숙도를 달성하기 위한 핵심입니다.
결과는 명확합니다. 업무의 미래는 사용자-AI 협업입니다. Atlassian의 데이터에 따르면 가장 전략적인 AI 공동 작업자는 다음과 같은 특성을 지닙니다.
- AI를 활용하여 노력 대비 2배의 ROI 달성
- 하루 105분 절약(매주 하루를 추가로 근무하는 것과 동일)
- 절약한 시간을 새로운 스킬을 배우는 데 재투자할 가능성이 1.5배 높음
- 혁신적인 팀 동료로 여겨질 확률이 1.8배 높음
AI 도구가 제품 관리 업무를 향상하기도 하고 잠재적으로 방해할 수도 있다는 패턴을 확인할 수 있었습니다. 이 문서에서는 AI의 분석 기능을 활용하면서도 사람다운 판단력과 창의성을 유지하는 데 초점을 맞춘 모델을 살펴봅니다. 조사 결과에 따르면 성공적인 AI 채택을 위해서는 균형이 필수적입니다.
새로운 AI 기반 업무 환경에서 성공할 기회를 잡으려면 다음 단계를 따르는 것이 좋습니다.
- AI의 작동 방식 및 한계를 이해
- AI 팀 동료와 공동 작업하고 이러한 상호 작용 유형에 필요한 역량을 점차 강화
- 결국 AI가 업무에 가장 큰 가치를 더할 수 있는 지점을 예상.
AI 팀 동료에 대한 이해
AI를 사용하는 습관을 형성하기 전에 먼저 AI가 어떻게 작동하는지 이해해야 합니다.
모두가 동시에 여러 대화를 나누는 파티에 있다고 상상해 보세요. 특정 대화를 따라가려면 말하는 단어, 어조, 이전 발언 및 전체 맥락 등 다양한 요소에 주의를 기울여야 합니다. 이것은 현대 AI의 중추인 트랜스포머 모델이 정보를 처리하는 방식과 비슷합니다.
2017년에 등장한 트랜스포머 모델은 마치 인간이 대화를 나누는 동안 여러 요소를 동시에 처리하는 것처럼, 여러 입력 요소에 동시에 주의를 기울일 수 있어 AI에 혁명을 일으켰습니다. 서로 다른 정보 간의 컨텍스트 및 관계를 처리하는 능력 덕분에 현대 AI 도구는 더욱 강력해졌습니다.
대규모 언어 모델(LLM)은 이 토대를 기반으로 합니다. LLM은 책, 기사, 코드, 대화 등 인터넷에 있는 거의 모든 것을 읽은 존재라고 생각하면 됩니다. 이 방대한 데이터에서 패턴을 학습해서 컨텍스트 및 뉘앙스를 이해하고 사람 같은 텍스트를 생성하며 패턴과 관계를 인식하고 대화에 따라 응답을 조정할 수 있습니다.
이 문서에서는 LLM과 상호 작용하는 가장 일반적인 인터페이스 중 하나인 AI 에이전트를 중점적으로 살펴봅니다. 이 에이전트는 우리가 대화에 기반한 자연스러운 방식으로 LLM과 상호 작용할 수 있도록 지원하는 대화형 인터페이스 역할을 합니다. LLM은 다양한 방법(코드 완성, 콘텐츠 생성, 자동 분석 등)으로 제품 및 워크플로에 통합될 수 있지만, 에이전트는 AI가 보다 협업 중심의 어시스턴트 역할을 하는 특정 패러다임을 대표합니다. 즉, ChatGPT, Claude 같은 범용 도구를 통해서든 Rovo와 같은 전문 작업 공간 에이전트를 통해서든 대부분의 제품 관리자가 일상 업무에서 직접 상호 작용하는 인터페이스를 의미합니다.
기능 및 한계
AI 에이전트는 패턴 인식에 탁월하여 대량의 데이터에서 인간이 놓칠 수도 있는 추세 및 연관성을 찾아냅니다. AI 에이전트는 언어를 처리하고 이해하며 다양한 스타일 및 형식으로 사람 같은 텍스트를 생성하는 데 매우 능숙합니다. 긴 대화에서도 컨텍스트를 유지하고 문제의 여러 측면을 동시에 고려할 수 있어 제품 관리 같은 복잡한 작업에 특히 유용합니다.
하지만 그 한계를 이해하는 것이 중요합니다. AI 에이전트는 자신감 넘치는 어조와 달리 잘못된 정보를 주저 없이 제시할 수 있습니다. 인과관계를 제대로 이해하지 못하기 때문에 진정한 이해보다는 패턴 매칭에 의존합니다. 또한 지식이 학습 데이터에만 국한된 경우가 많습니다. 즉, 특히 인터넷 및 검색 기능에 액세스할 수 없을 때는 실시간 시장 변화 또는 떠오르는 추세와 관련하여 도움을 줄 수 없습니다.
이러한 강점 및 한계를 이해하면 인간의 핵심 기술을 대체하는 것이 아닌 업무를 보완하는 강력한 수단으로 AI에 접근할 수 있습니다. 이 기반을 바탕으로 AI 도구를 통해 효과적인 업무 관계를 구축하는 방법을 알아보겠습니다.
미묘한 영향에 대한 이해
생각해 보세요. 15년 동안 Google은 온라인 검색의 최우선 선택지였습니다. 근육이 기억하는 습관이었습니다. 정보가 필요하다면 새 탭을 열고 "google.com"을 입력합니다. 깊이 뿌리내린 이 습관은 흔들리지 않을 것 같았습니다. 하지만 불과 지난 1년 사이에 수십 년 동안 이어져 온 행동이 완전히 바뀌었습니다. 처음에는 Arc Search의 “Browse for me”가 등장했고, 이어서 ChatGPT, Claude, Perplexity, 그리고 이제는 업무 관련 검색용 DeepSeek R1까지 빠르게 발전해 왔습니다.
이러한 변화는 AI 채택의 중요한 점을 보여줍니다. AI 도구가 속도, 효율성 및 인사이트 측면에서 더 나은 경험을 제공하면 가장 뿌리 깊은 행동까지도 아주 짧은 시간 내에 바꿀 수 있습니다. 단순히 지시를 받거나 유행을 따르려고 도구를 바꾸는 것이 아니라 새로운 AI 기반 솔루션이 근본적으로 우리의 요구 사항을 더 잘 충족하기 때문에 바꾸는 것입니다.
AI를 위협 또는 만병통치약으로 보는 대신 새로운 유형의 팀 동료로 바라봐야 합니다. 다른 좋은 동료와 마찬가지로 AI에도 특정한 강점 및 한계가 있습니다. 핵심은 효과적으로 공동 작업하는 방법을 배우는 것입니다.
AI 팀 동료와의 공동 작업
현재의 AI 사용 현황은 중요한 패턴을 보여 줍니다. 대부분의 사용자가 범용 데이터로 학습된 범용 AI 에이전트를 사용하여 자신의 업무와 관련한 구체적인 질문을 던집니다. 이러한 부조화는 종종 실망과 좌절의 원인이 됩니다.
효과적인 AI 공동 작업의 미래는 전문 데이터로 학습된 전문 에이전트에 달려 있습니다. Atlassian의 Rovo를 예로 들어 보겠습니다. 이 AI 어시스턴트는 전략 문서 및 PRD를 포함한 Confluence 참조 자료, 현재 팀 업무 및 진행률을 보여주는 Jira 프로젝트, 회사 목표 및 분기별 계획 아티팩트 등 전체 업무 컨텍스트에 액세스할 수 있습니다. 따라서 업무 관련 질문을 하면 특정한 조직 컨텍스트에 근거한 응답을 제공합니다.
이는 AI가 업무를 지원하는 방식의 근본적인 변화를 의미합니다. 이 전문 AI 팀 동료는 인터넷 전반의 학습 데이터를 기반으로 한 일반적인 응답 대신 조직의 특정 도전 과제, 우선 순위 및 업무 방식과 직접적으로 관련된 인사이트를 제공할 수 있습니다. 이 차이를 이해하고 그에 따라 행동하는 회사, 즉 회사의 참조 자료 및 워크플로와 긴밀하게 통합된 AI 시스템에 투자하는 회사는 팀 운영 및 의사 결정 방식에서 상당한 경쟁 우위를 확보할 수 있습니다.
전문 AI 도구가 점점 더 널리 사용되고 있지만, 사실 대부분의 제품 팀은 일상 업무에서 AI를 사용하고 있지 않습니다.
이 공백을 좁히는 비결은 각 작업 또는 과제에 접근할 때 먼저 AI가 이를 어떻게 더 효과적으로 해결할 수 있을지 고려하는 "AI 우선 사고방식"을 기르는 것입니다.
AI를 모든 것에 사용하기보다는 AI가 언제 어떻게 업무를 진정으로 개선할 수 있을지 판단하는 능력을 길러야 합니다.
지속 가능한 AI 습관 만들기
직원들이 기본적인 AI 사용을 넘어 전략적인 공동 작업을 하게 하면 기업은 AI의 잠재력을 최대한 활용하고 상당한 ROI를 창출할 수 있습니다. 하지만 AI에 대한 사고방식을 바꾸는 것은 단순한 시간 절약을 넘어 그보다 훨씬 더 큰 의미가 있습니다. AI 공동 작업은 지속적 개선을 촉진하고 업무 품질을 높이며 의미 있는 혁신을 유도하여 기업에 경쟁 우위를 추가로 제공할 수 있습니다.
의미 있는 AI 채택의 핵심은 지속 가능한 습관을 만드는 것입니다.
하루 종일 AI를 사운드보드로 사용하여 사용자 문제에 대한 다양한 접근 방식을 탐색하거나 이해 관계자와의 커뮤니케이션을 개선할 수 있습니다.
다음은 이러한 습관을 만드는 몇 가지 실용적인 방법 및 예시입니다.
제품 탐색 중
AI를 사용하여 인터뷰 기록에서 놓쳤을 수도 있는 패턴을 분석하고 테스트할 새로운 가설을 세우며 사용자 피드백을 기반으로 떠오르는 테마를 식별하세요.
예를 들어, Sauce AI와 같은 도구는 다양한 출처를 통해 피드백을 수집하고 분석하여 의사 결정에 필요한 정보를 제공하고 커뮤니티 그룹 전반에서 제기된 테마 및 공통된 과제를 식별할 수 있습니다.
제품 전략에서
AI를 활용하여 다양한 시장 시나리오를 탐색하고 새로운 각도에서 경쟁 환경을 분석하며 전략 내러티브 대안을 생성하세요.
Perplexity Pro와 같은 도구를 사용하면 다양한 출처를 통해 상당히 빠르게 조사를 수행할 수 있습니다. 사용자를 대신하여 조사를 수행하지는 않지만, 어떤 방향으로 진행해야 할지 판단할 수 있는 진입점을 제공합니다.
AI 팀 동료는 워크플로의 초반 또는 마지막에 가장 큰 도움이 되는 경우가 많습니다. 즉, 아이데이션 프로세스를 시작할 때 필요한 자극을 주거나 글쓰기를 마무리할 때 콘텐츠를 깔끔하게 정리해 줍니다. AI 에이전트에 맡기는 모든 조사의 출처를 반드시 확인하세요.
제품 개발 중
- 릴리스 정보 초안 작성
AI는 이슈 전반에서 공통된 테마를 식별하고 릴리스된 이슈의 요약 및 목록을 문제 해결 형식으로 제시하여 Jira 이슈에서 릴리스 정보를 생성할 수 있습니다.
핵심은 이러한 프로세스에서 AI를 대체 도구가 아닌 파트너로 활용하는 것입니다. 그러면 AI가 창의성을 저하하기보다 오히려 높여주므로 MIT 조사에서 나타난 직무 만족도 문제를 해결할 수 있습니다.
AI 팀 동료의 미래 모습 예측
MIT 조사 결과는 AI 파트너십의 향후 행보에 대한 귀중한 단서를 제공합니다. 특히 제품 관리자는 다음의 사항에 주의해야 합니다.
전문화된 AI의 등장
클라이언트 측에서 더 많은 처리가 이루어지면서 기본 모델의 상품화가 늘어날 가능성이 높습니다. 경쟁력을 유지하기 위해 AI 기능은 더욱 전문화되어 "상위 스택"으로 이동할 것이며 파인튜닝 및 개인화된 기능을 개발자 및 최종 사용자 모두에게 제공할 것입니다. 우리는 이미 Cursor와 같은 도구를 통해 이런 상황을 보았습니다. Cursor는 컨텍스트 인식 인텔리전스를 개발자의 워크플로에 직접 포함하고 일반 AI 기능을 코드 및 의도를 파악하는 특수 제작 어시스턴트로 전환하여 전문화된 AI의 혁신적인 잠재력을 보여주었습니다.
가장 강력한 모델을 가진 기업이 꼭 승자가 되는 것은 아니지만 AI를 기존 워크플로 및 사용자 경험에 가장 잘 통합한 기업은 확실한 승자가 됩니다.
MoE(Mixture of Experts) 모델
MoE 모델은 전문 부서가 있는 회사와 같습니다.
기존 LLM처럼 전체 시스템을 통해 모든 질문을 보내지 않고 모델의 어떤 "전문가" 부분이 작업을 처리할지 빠르게 결정하는 "라우터"를 활용합니다. 즉, 작업별로 관련 부분만 활성화됩니다. 예를 들어, 과학 질문에는 물리학 전문가를 활용하고 글쓰기 작업에는 언어 전문가를 활용합니다.
이런 방식의 장점은 무엇일까요? 더 낮은 비용으로 훨씬 높은 효율성을 얻을 수 있으므로 무리한 비용을 투자하지 않아도 다양한 작업을 처리할 수 있는 더 전문적이고 효율적인 제품을 만들 수 있습니다.
제품 관리의 인간적 요소
가장 중요한 점은 AI가 보편화되면서 사람들이 진정성, 품질 및 의미를 점점 더 갈망하게 될 것이라는 점이 아닐까 싶습니다. 앞으로 다음을 보게 될 것입니다.
- 고객과의 접점이 많은 서비스와 기술의 르네상스
- 세계적 수준의 스토리텔링 및 감정적 참여에 더 큰 가치 부여
- 독특하고 개인화된 경험을 제공하는 소규모 비즈니스의 부활
- 인간의 고유한 능력을 활용할 수 있는 새로운 기회
이 새로운 시대에서는 '비즈니스의 과학은 규모에 관한 것이지만 비즈니스의 기술은 대개 확장할 수 없는 것, 즉 AI가 복제할 수 없는 인간의 손길에 달려 있다'라는 사실을 이해하는 기업이 최후의 승자가 될 것입니다.
제품 관리자에게 이것이 의미하는 바
PM이 AI를 활용하여 작업을 더 쉽게 할 수 있는 방법에 대해 설명했지만 PM이 AI를 제품 제공에 더 효과적으로 포함하는 방법에 대한 의문점도 있습니다. 성공을 위해서는 다음이 필요합니다.
- 단일 모델에 의존하는 대신 여러 AI 기능을 오케스트레이션하는 방법 이해
- 주요 차별화 요소로 인터페이스 디자인 및 사용자 경험에 집중
- 핵심 제품 경험에 개인화 더하기
- 제품에 의미와 감정적 공감을 부여하는 인간적 요소 유지
- 인간의 능력을 대체하기보다 향상시키는 워크플로 만들기
우리 모두는 아직 알아가는 단계입니다. 물론 이를 뒷받침하는 기술은 계속 발전하고 있으므로, 목표는 변화할 것입니다. 현재까지 상당한 진전이 있었음에도 이 여정은 아직도 시작 단계에 불과합니다.
가장 중요한 것은 이제 올바른 질문을 하고 답변을 판단하는 감각이 더 좋아졌다는 점입니다.
앞으로의 여정은 쓸모없게 되는 것도, AI 전문가가 되는 것도 아닙니다. AI가 도구 키트 속 또 하나의 도구가 된 세상에서 더 훌륭한 제품 관리자가 되는 법을 배우는 것입니다. 가끔은 그 여정이 불편할 수도 있지만 한 번 해볼 만한 가치가 있습니다.
