AI가 일상이 된 지금, 디자인씽킹도 ‘그대로’일 수는 없다고 느꼈습니다. 이번 아티클은 제가 마주한 질문들을 바탕으로 ’① AI 시대에 디자인씽킹이 어떻게 변화해야 하는지, ② AI 시대에 디자인씽킹은 어떤 역할을 맡아야 하는지’에 대한 생각을 정리한 글입니다. 빠르게 답을 내는 기술이 늘어날수록, 우리가 놓치기 쉬운 부분은 무엇일까요? 정답을 제시하기보다, 제가 고민한 관점을 공유하며 생각을 함께 확장하고자 합니다.
많은 기업이 AX를 추진해 왔지만, 성패는 기술의 유무가 아닌 '문제정의 부재'에서 갈렸습니다. 기업들은 ‘AI를 도입해야 한다’는 압박 속에서 프로젝트를 시작하지만, 어떤 문제를 해결할 것인지에 대한 고민은 부족한 경우가 많습니다. 우리가 해야 할 질문은 "누구의 문제를 해결할 것인가?, 문제는 무엇일까?"(문제정의)여야 합니다.
이 콘텐츠는 AI로 만들었습니다.
2026년에는 “AI로 무엇을 할 수 있을까?”에 집중하는 것이 아니라 1) “누구의 문제를 해결할 것인지?”
2) “해결하고 싶은 문제가 무엇인지?”를 생각하는 ‘문제정의’에 집중해야 합니다.
[AI 시대 디자인씽킹의 방향성 및 핵심역할]
문제정의를 바탕으로 실질적으로 업무/비즈니스에 가치를 줄 수 있는 방법론, ‘디자인씽킹’으로 변화해야 합니다. 즉, 문제를 명확히 정의하고, AI 도구가 현장의 워크플로우에 자연스럽게 적용될 수 있도록 사용자/고객 경험을 설계해야합니다.
1. 솔루션 이전에 문제에 집중하기
우리에게 필요한 역량은 "누구의 문제인가?”, “문제가 무엇인가?"를 정의하는 역량입니다. 그래서 "AI를 활용하자" 같은 솔루션 중심의 접근보다, AI로 어떤 문제를 해결할 것인지를 생각하는 ‘문제정의’ 역량을 강화해야 합니다. 즉, 현장의 모호하고 복잡한 맥락을 이해하고, 이를 명확한 문제로 정의할 수 있어야 합니다.
•
문제가 없거나, 잘못된 문제에 대해 완벽한 AI 솔루션 → 가치 '0'
•
문제를 명확히 정의하고, AI와 현장 데이터를 연결→ 실질적 가치 창출
2. 데이터를 공감하기
사람뿐만이 아니라, 이제는 ‘데이터’에도 공감할 수 있어야 합니다. ‘데이터에 공감한다’는 것은 1) 어떤 데이터가 필요한지, 2) 개개인의 데이터 혹은 현장의 암묵지가 데이터로 표현(데이터화)되어 있는지, 더 나아가 3) 암묵지가 학습 가능한 데이터나 규칙으로 구조화될 수 있도록 설계하는 것을 의미합니다.
“이 문제를 해결하기 위해 어떤 데이터가, 왜 필요한가?”를 사전에 정의해 데이터 간의 연결성을 확보하고, 이를 바탕으로 해석 가능하게 만드는 과정이 필요합니다. 이것이 ‘데이터에 공감한다’는 말의 의미입니다. 그렇게 프로젝트에 필요한 데이터를 정의하고 학습하며, 문제를 해결하는 데 집중해야 합니다.
3. 피드백을 통해 정확도와 신뢰성 확보하기
이제 AI 시대의 프로토타이핑과 피드백은 "현업과 함께 AI에게 업무를 시켜보고, 틀린 부분을 찾아 프롬프트나 데이터를 수정하는 사이클”을 반복적으로 경험하는 과정이 되어야 합니다. 이 사이클을 꾸준히 시도하면서, 현장에서 축적되는 피드백을 바탕으로 ‘정확도와 신뢰성’을 높일 수 있어야 합니다.
4. 성공을 위한 협업방식 : 도메인 전문가 + 프로세스 전문가 + AI 전문가
AI 프로젝트의 성공은 기술이 아닌 팀워크입니다. 디자인씽킹이 실질적으로 비즈니스 가치를 창출하고, AI 디자인씽킹 프로젝트가 성공하기 위해서는 세 전문가가 하나의 팀으로 움직여야 합니다.
1.
도메인 전문가 (현장을 가장 잘 아는 사람)
•
역할 : "이게 진짜 문제야.", "이 결과물은 현장에서 쓸 수 없어.", “업무 플로우에서 겪고 있는 병목은 00이야”를 말해줄 수 있는 사람
*현장과 문제의 사실 및 맥락을 가장 잘 알고, 검증 기준 (현실성, 필요성 등)을 제시하는 역할
2.
프로세스 전문가 (디자인씽킹 퍼실리테이터)
•
역할: 촉진자 & 설계자 - 프로젝트가 성공적으로 진행될 수 있도록 판을 설계하는 사람
*문제정의를 명확히 하도록 돕고, 도메인 전문가와 AI 전문가 사이에서 관점을 조율해 '정의된 문제'가 흔들리지 않도록 하며, 올바른 솔루션으로 도출될 수 있도록 하는 역할
3.
AI 전문가 (기술전문가, 개발자)
•
역할: "그 문제는 이런 모델로 풀 수 있어.", "~ 데이터가 더 필요해.", “이 기술로 구현할 수 있어” 등을 말할 수 있는 사람
*최신 기술을 기반으로, 현업에서 실제로 작동하는 솔루션으로 구현 가능하게 만드는 역할
[기술이 아닌 ‘문제’에서 시작하기]
우리는 ‘누구의 + 어떤 문제를 해결할 것인가?’를 질문해야 합니다.
1.
문제에서 시작하기 : “AI로 뭐 하지?"가 아니라 "문제가 무엇인지?” 로 시작하기
2.
명확한 문제정의 : 모호하고 추상적인 문제를 명확한 과제로 정의하기
3.
피드백으로 정확성을 높이기 : 완벽함이 아닌, 빠르게 시도하면서 현장의 피드백으로 AI를 학습시키며 정확성을 높이기
[에필로그 : 결국, ‘사람’]
[AI] ”AI가 할 수 있는 것은 무엇인가?” / ”AI가 할 수 없는 것은 무엇인가?”
[사람] “사람이 할 수 있는 것은 무엇인가?” / “사람이 할 수 없는 것은 무엇인가?”
AI의 본질이 ‘속도와 양’이라면, 사람의 본질은 ‘생각, 행동’입니다.
기술이 빨라질수록, 사람의 생각이 더 필요합니다.
1.
‘why’를 생각하고 : “누구의 문제인가?”, “문제가 무엇인가?”, “왜 이 문제를 풀어야 하는가?”를 생각하기
2.
한 번 더 생각하고 : AI의 첫 번째 답에 안주하지 않고, “이게 최선인가?”를 생각하기
3.
함께 생각하고 : 혼자 고민하지 않고, ‘동료들과 협업’하며 함께 생각하기
4.
끝까지 생각하기 : 놓칠 수 있는 부분을 점검하고, ‘피드백으로 완성도를 높이기’
AI는 툴일 뿐입니다. 사람의 생각이 먼저이고, 우리는 계속 생각해야 합니다.
솔루션 이전에 ”누구의 문제이지?, 문제는 무엇인지?, 왜 이 문제를 풀어야 하는지?”를 질문해보면 어떨까요?
