생성형 AI에 대한 투자가 멈출 기미를 보이지 않는다. 시장조사업체 옴디아(Omdia)에 따르면, 생성형 AI 애플리케이션에 대한 투자는 2028년까지 580억 달러에 이를 것으로 예상된다. 하지만 이처럼 막대한 투자에도 불구하고, 실제 생성형 AI 앱 도입 속도는 여전히 더디다. 딜로이트 조사에 따르면, 기업 68%가 생성형 AI 파일럿 프로젝트 중 30% 이하만 프로덕션 환경에 배포한 것으로 나타났다.

생성형 AI가 직면한 가장 큰 과제는 사용자의 기대 수준이 현재 기술이 제공할 수 있는 범위를 훨씬 뛰어넘는다는 점이다. 생성형 AI 애플리케이션이 사용자 요청에 응답할 수는 있지만, 그 결과물이 실제로 얼마나 유용할까? 제공된 정보가 최적의 방식으로 구성돼 활용성을 극대화하고 있을까? 아니면 단순한 정적 데이터 검색 결과처럼 보일 뿐일까?

생성형 AI를 최대한 효과적으로 활용하려면, 생성형 UI(Generative UI)에도 주목해야 한다.

단순한 정보 제공을 넘는 생성형 UI

생성형 UI는 생성형 AI의 개념을 데이터나 시스템과의 상호작용 방식에 적용하는 것이다. 생성형 AI가 데이터를 자연어로 제공하거나 사용자의 요청에 따라 새로운 이미지나 사운드를 생성하는 것처럼, 생성형 UI는 사용자의 요청에 따라 데이터를 표시하는 방식 자체를 인터랙티브하게 조정한다. 단순히 정보 제공을 넘어, 사용자가 데이터를 최대한 효과적으로 활용할 수 있도록 최적의 형태로 구성하는 것이 핵심이다.

예를 들어, 정보를 검색할 때 사용자가 거치는 과정은 알고 있는 정보와 검색어의 정확성에 따라 달라진다. 키워드를 기반으로 하는 전통적인 검색 방식은 정확한 대상을 알고 있을 때 유용하지만, 자연어를 사용해 검색할 때는 적합하지 않을 수 있다. 정확히 무엇을 찾고 있는지 알고 있는가, 아니면 대략적인 예시나 특정 카테고리에 해당하는 정보를 찾고 있는가? 이는 ‘나이키 에어맥스 90’처럼 브랜드와 제품명을 구체적으로 입력하는 것과 ‘빨간 운동화’처럼 일반적인 특징을 검색하는 것의 차이와 같다. 엔터테인먼트 분야에서도 특정 영화 제목을 찾는 것과 장르나 배우를 기준으로 검색하는 것은 완전히 다른 방식이다.

검색어가 구체적이지 않을 경우, 단순히 항목 목록이나 챗봇 응답을 제공하는 것만으로는 충분하지 않을 수 있다. 대신, 이미지나 다른 형태의 시각적 정보를 더하는 것이 효과적일 수 있다. 사용자의 검색 방식을 이해하면 검색 결과에 훨씬 더 적절한 형식을 추가할 수 있다. 영화나 운동화를 검색할 때 단순한 설명보다는 예고편 영상이나 제품 이미지, 리뷰 영상 등을 함께 제공하면 사용자가 보다 나은 결정을 내리는 데 도움이 될 것이다.

생성형 UI를 제공하는 방법

생성형 UI를 구현하려면, 애플리케이션을 생성형 AI 구성 요소와 연결해야 한다. 즉, LLM과 데이터 소스뿐만 아니라 Vercel이나 Next.js 같은 사이트 구축 도구와도 연동해야 한다. 생성형 UI에서는 리액트 서버 컴포넌트(React Server Components)를 활용해 LLM 서비스의 출력을 표시하는 방식을 유연하게 조정할 수 있다. 이를 통해 실시간으로 업데이트되는 정보를 제공하거나, 응답 내용에 가장 적합한 형식으로 데이터를 보여줄 수 있다.

애플리케이션을 개발할 때 제공할 기능과 옵션을 미리 고민해야 한다. 사용자가 질문을 입하면 생성형 AI 시스템은 요청을 이해하고 적절한 기능을 선택한 뒤, 적합한 리액트 서버 컴포넌트를 활용해 응답을 표시해야 한다.

일반적으로 애플리케이션은 응답을 미리 생성해 정적 렌더링 방식으로 제공한다. 빌드 시점이나 백그라운드에서 데이터를 생성한 후, 이를 CDN에 배포해 필요할 때 빠르게 제공하는 방식이다. 반면, 동적 렌더링 방식은 요청이 들어올 때마다 결과를 생성하는 방식으로, 결과의 개인화 수준이 높거나 사전에 준비할 수 없는 경우에 유용하다. 또한 동적 API와 결합하면 요청 시점에 필요한 데이터를 가져와 응답을 구성할 수 있어 훨씬 더 유연하게 정보를 제공할 수 있다.

생성형 UI 요소를 만들려면 프롬프트에 지침을 추가해 AI 애플리케이션이 특정 요청을 처리하도록 유도해야 한다. 이를 통해 적절한 기능을 사용하고 응답 데이터를 올바른 형식으로 표시할 수 있다. 실시간 데이터가 포함된 요청이라면, 해당 데이터를 활용해 훨씬 더 정확한 응답을 제공할 수도 있다. 응답을 활용할 방식에 따라 결과를 JSON 등의 형식으로 출력하도록 지정하는 것도 가능하다. 이렇게 하면 결과를 보다 일관되게 제어할 수 있고 매번 다른 응답이 생성되는 대신 조금 더 결정론적으로 데이터를 얻을 수 있다.

관련성 높은 데이터를 포함한 응답을 생성하려면 실시간 데이터를 제공할 수 있는 데이터베이스가 필요하다. 사용하고자 하는 모든 데이터는 먼저 벡터 임베딩으로 변환해야 한다. 이런 데이터베이스를 활용한다는 것은 LLM이 신뢰할 수 있는 정보 원천을 기반으로 답변할 수 있다는 의미다. 또한 별도의 데이터베이스를 사용하면 제공하는 정보가 최신 상태인지, 출처가 어디인지 명확하게 파악할 수 있어 훨씬 더 신뢰할 수 있는 결과를 얻을 수 있다.

이런 유형의 애플리케이션에서는 사용자 워크플로우를 설계하고 애플리케이션 또는 서비스와의 상호작용 방식을 이해하는 것이 필수적이다. 랭플로우(Langflow) 같은 서비스를 활용하면 사용자 프롬프트, LLM, 데이터셋부터 통합 및 출력 시스템까지 모든 구성 요소를 손쉽게 연결할 수 있다.

개인화의 다음 단계

생성형 AI는 사용자에게 자연어로 검색 결과를 제공하지만, 단순한 텍스트 응답을 넘어 더 다양한 형식으로 정보를 전달하고 상호작용성을 높일 수도 있다. 사용자가 애플리케이션과 어떻게 상호작용할지, 어떤 형태의 응답을 기대하는지를 고민하면 더 풍부하고 인터랙티브한 경험을 설계할 수 있다.

생성형 AI의 주요 강점 중 하나는 개인화다. 사용자의 정체성, 계정 기록, 선호도에 기반한 맞춤형 응답을 제공할 수 있기 때문이다. 생성형 AI를 활용하면 단순한 패턴 매칭이나 추천을 넘어, 보다 완전한 상호작용형 응답을 구현할 수 있다는 점에서 차별화된다. 그러나 이를 제대로 활용하려면 개인화가 어떤 맥락에서 제공되는지를 신중하게 고려해야 한다. 그렇지 않으면 개인화 기술이 기대에 미치지 못하거나, 사용자가 시스템이 자신을 잘 이해하지 못한다고 느끼는 문제가 발생할 수 있다. 이 과정을 잘 설계하면 기업이 사용자에 대한 깊이 있는 이해를 바탕으로 차별화된 경험을 제공할 기회가 된다.

사용자가 특정 애플리케이션이나 서비스를 이용해 온 방식을 분석함으로써 과거 행동 데이터와 실시간 입력값을 모두 반영한 맞춤형 결과를 제공할 수 있다. 여기에는 데이터뿐 아니라 사용자가 정보를 어떻게 전달받기를 원하는지, 그 정보를 제공하는 UI는 어떤 방식을 선호하는지가 포함된다.

애플리케이션에 생성형 UI를 도입하면 더욱 효과적으로 사용자 경험을 향상할 수 있다. 생성형 AI가 잘하는 것을 반복함으로써 생성형 UI는 사용자가 상호작용하고 서비스 혜택을 누릴 수 있는 새로운 방법을 만드는 데 도움을 줄 것이다.

*Dom Couldwell은 데이터스택스(DataStax)에서 EMEA 지역 필드 엔지니어링 총괄을 맡고 있다.
dl-itworldkorea@foundryco.com