오늘은 요즘 IT 업계에서 가장 뜨거운 화두인 **AI 기반 제품 디스커버리(AI Product Discovery)**에 대해 이야기해볼게. 예전에는 고객 인터뷰 정리하고, 포스트잇 붙여가며 기회 기획 맵을 그리느라 며칠 밤을 새우곤 했거든. 하지만 10년 차 PM인 내가 요즘 실무를 보니, 이제는 AI 덕분에 이 지루하고 비용이 많이 들던 과정이 완전히 달라지고 있더라.
1. 일주일 걸리던 인터뷰 분석을 단 몇 분 만에
예전에는 매주 고객 인터뷰를 하고 거기서 인사이트를 추출하는 Continuous Discovery를 실행하기가 현실적으로 너무 어려웠어. 리소스가 너무 많이 들었으니까. 하지만 이제는 AI를 활용해 수십 개의 사용자 인터뷰와 피드백 데이터를 순식간에 분석할 수 있어.
AI가 피드백 속에서 고객이 진짜 해결하고자 하는 **JTBD(Jobs-To-Be-Done)**를 스스로 클러스터링(그룹화)해주거든. PM은 AI가 분류해 놓은 후보군을 보고, "이게 진짜 우리 고객의 고통이 맞나?" 하고 빠르게 검증만 하면 되는 시대가 온 거지.
2. 기획 문서와 제품 맵 생성의 자동화
실무에서 PM의 시간을 가장 많이 뺏는 게 문서 작업이잖아. 이제는 AI Problem Map, User Story Map, 그리고 리서치 요약본 같은 디스커버리 산출물들을 AI 에이전트를 통해 자동 생성할 수 있어.
실제로 최근에는 PM의 업무를 돕는 100여 개 이상의 에이전트 스킬이나 플러그인 저장소들이 GitHub 같은 곳에 활발히 공유되고 있거든. 이런 도구들을 활용해서 단순 반복적인 문서 작성 시간을 줄이고, 우리는 "어떤 문제를 먼저 해결할 것인가" 같은 전략적 의사결정에 더 집중해야 해.
3. 시스템 씽킹과 리스크 관리의 중요성
코딩과 프로토타이핑이 쉬워진 만큼, 이제 PM에게 필요한 건 단순한 기능 정의가 아니야. 전체 제품의 흐름을 조망하는 **시스템 씽킹(Systems Thinking)**이 훨씬 중요해졌지.
특히 AI 제품을 만들 때는 Model Risk(모델이 엉뚱한 답을 낼 위험)와 Data Risk를 PM이 직접 관리해야 해. 디자이너가 AI UX와 신뢰 흐름을 설계하고, 엔지니어가 ML 파이프라인을 구축할 때, PM은 이 모든 것이 비즈니스 가치로 연결되는지 조율하는 관제탑 역할을 해야 하거든.
💡 핵심 정리
- 인사이트 추출: 수많은 고객 피드백을 AI로 클러스터링하여
JTBD를 빠르게 도출해봐.- 산출물 자동화: 스토리 맵이나 리서치 요약은 AI 도구를 활용해 자동화하고 시간을 아끼자.
- 역량의 변화: 단순 기획을 넘어 모델 리스크를 관리하고 전체 시스템을 설계하는 눈을 길러야 해. 결국 AI 디스커버리의 핵심은 기획을 대신해 주는 게 아니라, 우리에게 실제 고객을 만나 검증할 시간을 벌어다 주는 데 있어. 툴 쓰는 법에만 매몰되지 말고, AI가 제안한 기회를 날카롭게 검증하는 진짜 기획 체력을 길러보자. 다음 주에도 실무에 바로 써먹을 수 있는 꿀팁 가져올 테니 기대해 줘!