이방인의 책상

[ICML 2026] AI는 "늘 먹던 걸로"를 이해할까? : Agentic UX와 PERSONA2WEB

shoooos — Thu, 9 Jul 2026 17:45:50 +0900

세계 최고 권위의 머신러닝 학술대회인 국제머신러닝학회(ICML 2026, International Conference on Machine Learning)

들어가며

이번 7월 6일부터 11일까지 서울 코엑스에서 세계 최고 권위의 머신러닝 학술대회인 ICML 2026 (International Conference on Machine Learning)이 진행되고 있습니다. 이번 행사에는 구글 리서치, 오픈AI 등 글로벌 빅테크와 스탠퍼드, MIT 등 세계 유수의 대학뿐만 아니라 국내 대표 AI 기업과 연구진까지, 무려 1만 5천 명(그 중 해외 방문객이 1만 4천 명이라고 합니다.)의 전 세계 AI 리더들이 참석하였는데요.

저는 일정상 아쉽게도 직접 참석하지는 못했는데요. 대신 학회에 다녀온 동료 연구자가 현장의 뜨거운 열기를 전해주며, 평소 제 연구 관심사인 LLM Persona와 관련된 아주 흥미로운 논문 하나를 소개해 주었습니다. 바로 'PERSONA2WEB'이라는 논문인데요, AI가 단순히 명령을 수행하는 것을 넘어 '나'라는 사람을 얼마나 잘 이해하고 맞춰줄 수 있는지에 대한 재미있는 연구라고 느꼈습니다. 점점 더 개인화된 검색으로 나아가고 있는 지금, 더더욱 필요한 연구가 아닐까 생각듭니다.

논문에 관심 있으신 분들은 https://serin-kimm.github.io/Persona2Web 여기서 확인하실 수 있습니다.

Persona2Web: Benchmarking Personalized Web Agents for Contextual Reasoning with User History(2026)

Persona2Web

serin-kimm.github.io

1. 연구 배경 : "사장님, 늘 먹던 걸로 주세요"

실제 일상생활에서 우리는 다른 사람이나 인공지능에게 모든 세부 사항을 일일이 말하지 않습니다. 단골 카페에서 "늘 먹던 걸로 주세요"라고 하는 것처럼, 사람들은 시스템이 자신의 맥락을 알아서 이해해 주길 기대하죠. 진정으로 실용적인 웹 에이전트가 되려면, 이렇게 모호한 질문을 받았을 때 사용자의 이전 상황과 취향을 추론하여 정확하게 행동할 수 있어야 합니다.

2. 기존 AI의 한계

하지만 기존에 존재하던 웹 에이전트 평가 모델들은 진짜 사람의 현실적인 행동을 반영하지 못하는 뚜렷한 한계가 있었습니다. 대다수의 벤치마크가 개인화의 핵심인 '사용자 컨텍스트(선호도나 행동 패턴)' 자체를 제공하지 않았고, 실험 환경에서 에이전트에게 아주 구체적이고 완벽한 명령만 내렸기 때문에, 현실에서 흔히 발생하는 모호함을 다루지 못했습니다. 또한 에이전트가 임무에 실패했을 때 이것이 단순히 웹사이트 내비게이션(조작)을 못해서인지, 아니면 내 취향(개인화)을 파악하지 못해서인지 그 실패 원인을 구별해서 평가할 수 없었죠.

3. 그래서 이 논문에서 제안하는 아이디어는?

이 논문은 실제 오픈 웹 환경에서 '개인화된 웹 에이전트(Personalized Web Agent)'의 성능을 평가할 수 있는 최초의 벤치마크인 'PERSONA2WEB'을 제안했습니다. 구체적인 지시 없이도 사용자의 과거 기록을 바탕으로 모호한 질문의 의도를 파악하는 '명확화 후 개인화(clarify-to-personalize)' 원칙을 도입했죠. 논문의 [Figure 1]을 보면 이 차이가 아주 명확하게 드러납니다. 사용자가 "비스킷 좀 찾아서 장바구니에 담아줘(Find biscuits and add it to the cart)"라고 모호하게 지시한 상황을 가정해 보겠습니다.

해당 논문의 Figure 1

일반 웹 에이전트: 사용자의 맥락을 모르니 타겟(Target) 웹사이트에 들어가서 무작정 '도리토스 나초 치즈' 같은 고칼로리 스낵을 담아버립니다. 건강을 챙기는 사용자라면 "전혀 나를 고려하지 않네"라고 느낄겁니다.
개인화된 웹 에이전트: 사용자의 과거 아마존 구매 내역(덤벨, 저당 요거트 등)과 식당 예약 리뷰("건강한 식사를 위한 완벽한 선택")를 스캔합니다. 그리고 사용자가 '건강과 피트니스'를 중시한다는 것을 추론해 내어, 유기농 그래놀라 바(MadeGood Organic Granola Bar)를 정확히 골라냅니다.

연구진은 이런 에이전트를 평가하기 위해 [Figure 2]와 같은 체계적인 파이프라인을 구축했습니다.

Figure 2. PERSONA2WEB 파이프라인 및 reasoning-aware 평가 프로세스

사용자 기록 (User History): 개인의 취향을 대놓고 직접적으로 알려주는 대신, 오랜 기간 쌓인 웹 브라우징 기록(검색, 방문, 구매, 예약 등)을 통해 간접적으로 취향을 유추하도록 설계했습니다.
모호한 질문 (Ambiguous Query): 선호하는 웹사이트나 조건 등을 의도적으로 숨긴 다양한 난이도의 질문을 만들어, 에이전트가 스스로 과거 기록을 뒤져 단서를 찾도록 만들었습니다.
추론 기반 평가 (Reasoning-aware Evaluation): LLM 심판(GPT-5-mini)을 도입하여 에이전트가 단순히 최종 목적지에 도달했는지가 아니라, "사용자가 평소 쓰는 예약 사이트를 제대로 검색했는가?", "출장 기록을 보고 위치(Location)를 맞게 설정했는가?" 등 추론 과정 전체를 채점표(루브릭)를 통해 세밀하게 평가했습니다.

4. 실험 결과: 뛰어난 AI 모델들의 뜻밖의 성적표

실험 결과는 꽤나 흥미로우면서도 충격적이었습니다. 현재 최고 수준의 AI 모델들도 진짜 '개인화' 앞에서는 아직 갈 길이 멀다는 것을 과학적으로 증명했거든요.

Figure 3. 각 에이전트 아키텍처 및 이력 접근 방식에 따른 쿼리 모호성 수준별 성능

논문의 [Figure 3] 그래프를 보면 현재 AI의 한계가 시각적으로 뚜렷하게 나타납니다. 이 그래프는 질문의 모호성 수준을 Level 0(명확함)부터 Level 2(매우 모호함)까지 나누어 에이전트의 성공률(Success Rate)을 비교했습니다.

사용자 기록이 주어지지 않았을 때 : 모든 에이전트가 모호한 질문을 단 하나도 해결하지 못해 성공률 0%를 기록했습니다.
과거 기록을 쥐여주었을 때 : 질문이 아주 명확한(Level 0) 상황에서는 평균 23.8%의 성공률을 보였지만, 단서가 숨겨진 모호한 질문(Level 2)으로 갈수록 성공률이 7.8%까지 떨어졌습니다. 최고 성능을 낸 세팅에서도 성공률이 겨우 13%에 그쳤습니다. 이는 에이전트에게 힌트(과거 기록)를 줘도, 질문이 모호해지면 그 힌트 속에서 어떤 정보가 중요한지 스스로 '추론'하고 '활용'하는 능력이 턱없이 부족하다는 것을 의미합니다.

또한, 작업의 최종 성공 여부만으로는 개인화 능력을 측정할 수 없음을 밝혀냈습니다. 재미있게도, 성공률이 2%로 똑같이 저조한 모델들이라도 분석해 보면, 어떤 모델(Llama)은 내 취향은 찰떡같이 파악하지만 웹 조작을 못 해서 실패하고, 어떤 모델(Gemini)은 웹사이트 탐색은 잘하지만 정작 내 취향을 엉뚱하게 파악해서 실패한다는 점을 날카롭게 구분해 냈습니다.

5. 남은 과제와 한계점

물론 이 훌륭한 연구에도 앞으로 해결해야 할 숙제들이 남아있습니다. 가장 먼저, 이 연구는 실제 사람의 리얼 데이터가 아닌 합성된 사용자 프로필과 브라우징 기록을 사용했다는 근본적인 한계가 존재합니다. 향후 실제 개인화된 에이전트가 우리의 현실에 도입되려면 필연적으로 사용자의 실제 행동 패턴 데이터에 직접 접근해야 하므로, 데이터 보호와 동의 획득 등 예민한 프라이버시 문제가 발생할 수 있습니다. 이와 더불어 에이전트가 통제된 안전한 실험 환경이 아닌 실제 오픈 웹 환경에서 작동하기 때문에, 실행 과정 중에 유해한 콘텐츠에 무방비로 노출될 수 있는 잠재적 위험성 또한 여전히 안고 있습니다.

[인사이트] 진정한 Agentic UX 시대를 열기 위한 기술적 과제

동료 연구자의 추천으로 읽게 된 논문이지만, 평소 AI 페르소나와 Agentic UX를 연구하는 입장에서 정말 많은 인사이트를 얻을 수 있었습니다. 다들 느끼셨겠지만, 이 논문은 UX나 디자인 방법론을 다루는 연구는 아니고, 'LLM 기반 웹 에이전트의 기술적 성능(개인화 및 추론 능력)을 어떻게 제대로 평가할 것인가'에 초점을 맞춘 기술 벤치마크 논문입니다. 하지만 저는 이 논문의 결론이 현재 AI 업계가 지향하는 'Agentic UX'의 필요성 및 현재의 기술적 한계와 완벽하게 맞닿아 있다고 생각합니다.

우리가 이상적으로 그리는 Agentic UX는 사용자가 일일이 지시하지 않아도 시스템이 알아서 내 의도를 파악하고 목적을 달성해 주는 경험을 의미합니다. 이러한 Agentic UX가 현실에서 작동하려면, AI가 사용자의 단편적인 과거 기록을 바탕으로 빈칸을 채우는 능동적인 추론을 해내야만 합니다. 하지만 이 논문의 실험 결과가 시사하듯, 현재 최고의 AI 모델들조차 모호한 질문 속에서 개인화된 추론을 완벽히 수행해 내지 못하고 있습니다. 즉, 우리가 꿈꾸는 완벽한 Agentic UX를 실현하기 위해서는 이 논문이 지적한 에이전트의 '명확화 후 개인화(clarify-to-personalize)' 능력이 기술적으로 구현되어야 합니다. 서울 한복판에서 이런 전 세계적인 기술의 흐름이 논의되었다는 것이 무척 뿌듯합니다. "내 마음을 알아주는 완벽한 AI 비서"가 탄생하기 위한 중요한 첫걸음을 뗀 연구라고 생각하며, 개인적으로 UX측면에서도 인사이트를 얻을 수 있었던 연구였습니다.

[UX 리서치] 별점 이면의 진짜 목소리를 발견하기(1) - 신한슈퍼SOL VOC

shoooos — Thu, 2 Jul 2026 12:48:03 +0900

안녕하세요.
지난 글에서는 수많은 인터뷰 데이터를 며칠 만에 어피니티 다이어그램으로 구조화하는 과정을 공유했었는데요. 오늘은 조금 더 날것의 데이터를 다뤄보려 합니다! 저는 학교 학생증이 신한은행 카드라, 자주 이용하고 있어요. 이번에 신한슈퍼SOL로 통합된걸 보고 과연 사람들은 어떻게 생각할까?도 궁금해져서 한번 VOC 분석을 해보았습니다.

들어가며

자사 서비스에 대해 분석할 때 사용자가 직접 남긴 VOC는 그들의 가장 솔직한 감정과 페인 포인트가 응축된 밀도 높은 데이터라 생각합니다. 이번에 분석할 타겟은 최근 금융권의 화두인 통합 슈퍼앱, 신한슈퍼SOL입니다. 금융 앱은 내 자산을 잃지 않게 해줄 것이라는 강력한 신뢰가 베이스로 깔려 있어야 합니다. 하지만 그 신뢰를 지키기 위한 까다로운 보안 절차 탓에 사용자의 피로감이 높아질 수 있는 공간이라, 사용성과 보안 절차 간에 줄다리기를 잘 해야 하지 않나 생각이 듭니다.

최근 금융권에서는 은행, 카드, 증권 등 흩어져 있던 기능들을 하나의 앱에 담아내려는 시도가 계속되고 있습니다. 비즈니스 관점에서는 훌륭한 전략이지만, 과연 이 통합이라는 거대한 목표가 사용자들에게도 매끄러운 경험으로 닿고 있을까요? 그래서 저는 어피니티 버블(Affinity Bubble)을 통해 단순한 기능적 불만을 넘어 사용자의 진짜 속마음과 UX의 본질을 발견해나가는 여정을 공유하려고 합니다. 혹시 마케팅 직군이시거나, 또 VOC 분석을 자주 해야하는 분들이라면 이 글이 도움 되실 것 같습니다.

어피니티 버블로 앱 VOC 분석하기

어피니티 버블에는 앱스토어 또는 구글플레이스토어에서 앱 리뷰를 가져와서, 최신 500개의 리뷰를 바탕으로 분석을 진행할 수 있는데요. 특히나 업데이트 이후 우리 앱에 대해서 유저들이 어떻게 생각하는지 분석하기에 좋은 기능입니다.

먼저, 어피니티 버블에서 앱 리뷰 분석하기에 들어가서 분석하고자 하는 앱 이름을 검색합니다.

어피니티버블의 앱 리뷰 분석 기능 - 앱 스토어 주소 확인

후보로 나온 앱들 중에서, 원하는 앱을 선택하고(저는 첫번째 [신한 슈퍼SOL]을 선택했습니다.) 리뷰 가져오기를 클릭하면 아래에 최신순으로 최대 500개까지의 VOC가 수집된 것을 확인할 수 있습니다. 별점부터 날짜, 작성자까지 수집 가능해서 최신 VOC 분석하기에 정말 편하다고 느꼈습니다.

어피니티 버블의 앱 리뷰 분석 기능 - 수집한 리뷰 확인(최신 500개 리뷰)

특정 시점에 쏟아진 74%의 1점 리뷰들

그리고 하단에 스크롤을 내리면, 아래 처럼 리뷰에 대한 타임라인, 별점 분포를 한 눈에 확인할 수 있습니다. 우리는 텍스트 리뷰가 품고 있는 심층적인 맥락을 들여다보기에 앞서, 데이터가 보여주는 객관적인 수치에 대해 먼저 짚고 넘어갈 필요가 있는데요. 특정 현상이 왜 일어났는지 알기 위해서는, 그것이 언제, 얼마나 강하게 발생했는지를 먼저 파악하는게 필요합니다.

분석 결과, 전체 500개의 리뷰 중 무려 74%(368개)가 별점 1점에 집중되어 있었습니다. 5점(8%)을 제외한 나머지 중간 점수는 사실상 의미가 없을 정도로 양극화된 형태를 보입니다. 또한 리뷰 타임라인을 보면, 6월 말부터 7월 초 사이의 극히 짧은 기간 동안 1점(붉은색 점) 리뷰가 폭우처럼 쏟아지는 듯한 모습이 나타납니다.

이것은 단순히 변화에 대한 저항인가?

하지만 리서처로서 우리는 이 74%라는 거대한 1점 리뷰들을 무비판적으로 맹신해서는 안 됩니다. 대규모 업데이트 직후 쏟아지는 혹평 중 상당수는 새로운 시스템이 객관적으로 나빠서가 아니라, 사용자가 기존에 학습했던 익숙함이 깨진 데서 오는 현상 유지 편향, 즉 관성 파괴에 대한 반발일 경우가 높기 때문입니다. 사용자에게 기존에 잘 사용하던 앱의 변화는 곧 새로운 학습을 강요하는 스트레스입니다. 따라서 우리는 "예전 앱이 더 익숙했는데 바뀌어서 짜증 나요"라는 단순한 변화에 대한 저항과, "인증 무한 루프 때문에 이체를 할 수 없어요"라는 개선이 필요한 문제를 분리해서 바라봐야 합니다. 어피니티 버블은 바로 이 지점에서 진가를 발휘합니다. 텍스트의 숨은 맥락을 읽어내는 AI를 통해, 우리는 1점이라는 동일한 별점 아래 뭉뚱그려진 사용자들의 목소리를 단순한 낯섦과 자신의 목적 달성 실패로 정교하게 분리해 보고자 합니다.

통합이라는 공급자의 목표와 파편화된 사용자 경험

우선 500개의 VOC 데이터를 어피니티 버블의 '주제별 관점'으로 묶어보았습니다.

분석 진행중인 모습

어피니티 버블로 신한 슈퍼 SOL 앱 VOC 분석한 결과물

이는 새로운 UI가 낯설어서 투덜거리는 단순 불만이 아닙니다. 절반 가까이가 앱의 가장 근본적인 성능과 코어 뱅킹 기능(이체/송금)의 문제를 가리키고 있습니다.

앱 구동 오류와 느린 로딩 및 속도 지연 (17%)
앱 개편에 따른 사용자 인터페이스 경험 저하 (16%)
업데이트 후 서비스 성능 저하와 접속 장애 (16%)
송금 및 이체 관련 기능 퇴보와 불편함 (14%)
통합 플랫폼 서비스의 복잡성과 사용 편의성 상실 (9%)
필수 금융 서비스 및 자산 정보 관리의 누락 (9%)

사용자들은 "이전 앱이 더 직관적이었다", "기능이 너무 많아 길을 잃었다"며 통합으로 인한 복잡성에 피로를 호소합니다. 앱의 물리적인 아이콘은 하나로 합쳐졌지만, 사용자의 멘탈 모델에서는 연결되지 않은 모습을 보입니다.

VOC의 주 유저는 안정성을 요구하는 장기 유저들

그렇다면, 업데이트 이후 이토록 강하게 목소리를 냈던 사람들은 누구일까요? 저는 이를 확인하기 위해 어피니티 버블의 퍼소나 분석 기능을 활용해보았습니다. 그 결과, 전체 리뷰어 중 무려 44%가 '안정성 요구 장기 유저'로 묶여 나타났습니다. 그 뒤를 이어 '직관성 선호 학습 유저(20%)'가 두 번째로 큰 그룹을 형성하고 있었고, 새로운 변화를 반기는 '긍정적 수용 만족 유저'는 13%에 불과했습니다.

이러한 결과는 중요한 사실을 말해줍니다. 금융 앱에서 가장 가치 있고 핵심적인 고객은 화려한 부가 기능이나 새로운 이벤트에 열광하는 사람들이 아닙니다. 오랫동안 시스템을 믿고 자신의 자산을 묵묵히 맡겨온, 바로 저 장기 유저들입닌다. 이들은 기존 앱의 프로세스와 UI에 완벽하게 적응하여 자신만의 효율적인 멘탈 모델을 구축해 둔 사람들입니다. 그런데 비즈니스적 goal을 위해 슈퍼앱 통합을 거치면서 화면 구조가 바뀌고, 백엔드 연동 지연으로 앱 구동이 느려지고, 가장 자주 쓰던 이체 메뉴도 숨어버렸습니다.

"난 당연히 잘 작동할 줄 알았지"

그렇다면 충성도 높던 44%의 장기 유저들을 비롯한 수많은 사용자들은 새로운 신한슈퍼SOL에 구체적으로 어떤 기대를 걸고 있었을까요? 사용자가 겉으로 드러낸 뾰족한 불만("앱이 느려요", "이체가 안 돼요") 이면에 고요하게 자리 잡고 있던 진짜 전제조건, 즉 암묵적인 기대를 어피니티 버블을 통해 추출해 보았습니다.

어피니티 버블의 '암묵적 기대' 옵션으로 분석해본 결과

사용자들이 바랐던 것은 결코 대단하고 혁신적인 신기능이나 화려한 혜택이 아니었습니다.

"원활하게 작동할 줄 알았다" (23%)
"단순하고 직관적일 줄 알았다" (22%)
"기존 기능이 유지될 줄 알았다" (18%)

가장 큰 파이를 차지하는 상위 3개의 기대(총 63%)를 살펴보면, 금융 앱으로서 당연히 갖춰야 할 기본적인 부분에 대한 이야기들뿐입니다. 앱을 켜면 튕기지 않고 정상적으로 열리며, 원하는 메뉴를 헤매지 않고 찾을 수 있고, 어제 쓰던 이체 버튼이 오늘도 그 자리에 있을 것이라는 아주 소박하고 당연한 전제들입니다.

여기에 "기능 통합이 관리를 쉽게 해줄 줄 알았다(6%)", "편리하게 이체될 줄 알았다(9%)"라는 버블도 눈에 띕니다. 공급자는 통합을 여러 기능을 한 곳에 모아두는 물리적인 결합으로 접근했지만, 사용자들은 통합을 나의 수고를 덜어주고 알아서 관리해 주는 매끄러운 경험으로 기대했지 않을까요? 하지만 막상 뚜껑을 열어보니 기대와 달리 구조는 더 복잡해졌고 이체마저 어려워졌습니다. 결국 "업데이트가 서비스 개선으로 이어질 줄 알았다(8%)"며 설레는 마음으로 앱을 켰던 사용자들의 긍정적인 기대는 불만으로 이어졌습니다. 우리는 흔히 사용자의 기대를 뛰어넘는 경험을 제공해야 한다고 말합니다. 하지만 이 데이터는 우리에게 훨씬 더 본질적인 질문을 던집니다.

"우리는 과연 사용자가 '당연히 그럴 것'이라고 믿는 암묵적 기대를 단단하게 지켜주고 있는가?"

이번 분석을 진행하며 비즈니스가 지향하는 슈퍼앱이라는 거대한 목표가, 정작 사용자가 발 딛고 서 있는 안정성이라는 일상의 지반을 흔들어버린 것은 아닌지 되돌아보게 됩니다.

✨ 어피니티 버블, 직접 경험해 보고 싶으시다면? 수동 클러스터링의 늪에서 벗어나, 데이터 너머의 새로운 인사이트를 만나보세요. 엑셀 파일 하나만 올리면 직관적인 데이터의 지형도가 펼쳐집니다. 어피니티 버블 바로가기 (affinitybubble.com)

Affinity Bubble

어피니티버블은 대량의 정성적 사용자 데이터를 분석해 인사이트를 도출하고 시각화하는 AI 도구입니다.

affinitybubble.com

제가 분석한 신한슈퍼SOL 리뷰 결과 직접 보기 제가 도출해 낸 금융 앱 유저들의 모순과 심리적 해방감이 어떻게 시각화되었는지, 아래 링크를 통해 직접 줌인/줌아웃하며 확인해보세요! [실제 데이터로 만든 '신한슈퍼SOL 앱 리뷰' 인사이트 버블 구경하기

[UX 리서치] AI로 어피니티 다이어그램 끝내기: 어피니티 버블(Affinity Bubble) 사용 후기

shoooos — Wed, 1 Jul 2026 15:04:29 +0900

안녕하세요.
학부에서 IT 공학을 전공하고, 현재는 UX 대학원 석사과정에서 연구를 이어가고 있는 대학원생입니다.

최근 프로젝트를 진행하면서 수많은 사용자 인터뷰 데이터를 며칠 만에 어피니티 다이어그램으로 정리해야 하는 벅찬 미션이 있었는데요. 저처럼 시간이 턱없이 부족한 리서처 분들에게 한 줄기 빛이 되어줄 AI 툴을 발견해 공유해 보려 합니다. (대학원생과 리서처들의 시간은 금이니까요! ㅎㅎ)

들어가며 : 아, 이거 진짜 AI가 대신 좀 해줬으면 좋겠다!

UX 리서치에서 사용자 인터뷰는 문제의 본질을 파악하는 필수적인 과정입니다. 하지만 인터뷰가 끝난 후, 수많은 데이터 속에서 공통된 맥락을 찾아 묶어내는 클러스터링 작업은 정말 엄청난 시간과 에너지를 요구합니다. 밤 늦게까지 모니터를 들여다보다 보면, 누구나 한 번쯤 이런 생각을 하게 됩니다. "아, 이거 진짜 AI가 대신 좀 묶어줬으면 좋겠다!" 저 역시 프로젝트를 할 때마다 매번 드는 생각이고요. 그래서 ChatGPT, Gemini, Claude 등 다양한 LLM에 테스트 해보기도 했습니다. 하지만 제 의도대로 묶이지 않고, 또 사용자 행동 중심이 아닌 피상적인 결과만 돌아와 성능 면에서 아쉬움이 크다고 느끼고 있었습니다. 게다가 연구 프로젝트 정보가 포함된 내용을 외부 LLM에 그대로 올리는 것은 보안과 신뢰도 측면에서도 조심스러울 수밖에 없습니다.

사용자의 속마음을 발견하기

Affinity Diagram(어피니티 다이어그램)은 사용자 조사 데이터(needs, pain points)로부터 상위 문제(디자인 전략)을 도출하는 귀납적 프로세스입니다. 하지만 우리는 평소 연역적 사고에 익숙합니다. UX를 아시는 분들이라면 다들 아시겠지만, 어피니티 다이어그램 작업에서 가장 첫번째 작업은 인터뷰 스트립트에서 밑줄 친 내용을 중심으로 yellow 포스트잇에 옮겨 적는 과정입니다. 요즘은 실물 포스트잇 보다는 miro나 figjam 같은 온라인 협업 툴을 더 많이 활용하시는 것 같습니다.

어피니티 다이어그램 blue level을 진행하고 있는 모습 - Miro 툴 사용

실제 프로젝트에서 진행한 사용자 인터뷰 데이터를 yellow label 및 blue label로 정리한 모습

제가 어피니티 다이어그램 작업을 할 때 많이 도움 받았던 글을 소개드립니다. https://brunch.co.kr/@jinwise/1 "사용자 데이터, 포스트잇!으로 정리하기"

"행동 목표의 연관성이 있는지에 따라 묶는다"는 말이 조금 낯설게 들리실 수도 있는데요. 제가 진행했던 실제 메모 재탐색 실패 경험 프로젝트의 데이터를 예시로 들어보겠습니다.

수많은 인터뷰를 진행하고 나면, 아래와 같이 파편화된 사용자의 실제 목소리와 현상(Yellow Label)들을 마주하게 됩니다.

[U1] "카카오톡은 워낙 자주 들어가기 때문에 '나에게 보내기'로 공유해둔 정보는 2~3일 정도 확인하게 된다."
[U13] "카카오톡은 매일 자주 확인하다 보니, 여기에 남겨두면 언젠가 찾겠지 하는 심리적 안정감이 든다."
[U15] "카카오톡은 자주 들어가는 앱이라 저장한 정보를 의도하지 않아도 다시 마주치게 된다."
[U16] "카카오톡은 길어야 일주일 안에 한 번 확인하고 말 단발성 목적의 정보(인쇄할 문서 등)를 저장한다."
[U10] "메모도 많아지면 찾기 어려워져서 필요 없는 내용은 지우면서 관리한다."

이 포스트잇들을 테이블 위에 늘어놓았을 때, 표면적인 현상이나 키워드에만 집중하면 [카카오톡 나에게 보내기 기능]과 같은 일차원적인 기능 단위의 그룹을 만들게 됩니다. 하지만 여기에는 "그래서 우리가 무엇을 개선해야 하는가?" "사람들은 뭘 필요로 하는가?"에 대한 인사이트가 빠져 있죠.

관점을 바꿔 "이 사람들은 왜 일반 메모 앱이 아니라 카카오톡에 메모를 남길까?"라는 이면의 목적에 집중해 보았습니다. 바로 "내 에너지를 들여서 기억하거나 각 잡고 정리하기는 귀찮고, 당장의 심리적 부담은 덜어내고 싶다"는 심리였습니다.

그래서 저희는 이 Yellow Label들을 다음과 같은 행동 목표(Blue Label)로 묶어냈습니다.

"매일 자주 들어가는 게 카톡이니, 단발성 정보들은 굳이 기억할 필요 없이 카톡 나에게 보내기에 던져두고 미룬다."

어떠신가요? 단순한 기능 중심(카톡 나에게 보내기를 쓴다)이 아니라, 사용자가 정보를 대하는 태도(기억의 부담을 덜기 위해 강제 노출되는 곳에 던져두고 방치함)라는 인사이트로 이어지게 됩니다.

하지만 현실은 5장이 아닌 500장의 포스트잇

하지만 우리 현실의 프로젝트는 호락호락하지 않습니다. 방금 보여드린 예시는 단 5장의 포스트잇이었지만, 실제 리서치가 끝나면 테이블 위에는 수백, 규모가 큰 경우에는 수천 장의 Yellow Label이 산더미처럼 쌓이게 됩니다. 이 방대한 데이터를 앞에 두고 수동으로 어피니티 다이어그램을 진행하다 보면 크게 두 가지 문제에 부딪힙니다.

체력 문제 : 수백 장의 포스트잇을 일일이 읽고 붙이며 옮기다 보면, 정작 사용자 행동 이면의 니즈를 깊게 고민해야 할 시점에 이미 팀원들의 에너지가 방전..!
분류 기준에 대한 팀원 간의 갑론을박 : 팀원 간에도 생각하는 관점이 다 다르다 보니, "나는 이건 A 그룹인 것 같아", "아니지 이건 B 행동에 더 가깝지 않아?"라며 1차적인 군집을 묶는 데에만 엄청난 감정적, 시간적 소모가 발생합니다. 저는 이번 프로젝트 과정 중, 이 과정에서 가장 큰 어려움을 겪었고 전체적인 데이터의 숲이 한눈에 보이지 않기 때문이 아닐까? 라고 느꼈습니다.

결국 우리에겐 이 소모적인 1차 분류 노동을 덜어주고, 팀원들이 객관적으로 데이터의 지형도를 파악해 빠르게 Align을 맞출 수 있도록 도와주는 파트너가 필요했습니다!

빠른 퇴근을 위한 꿀팁 : Affinity Bubble로 시각화하기

이번에 제가 활용해본 툴은 pxd에서 출시한 AI 툴인 Affinity Bubble(어피니티 버블)입니다.
(사실 써보고 너무 편해서, 동료 연구자들한테도 널리 퍼트리는 중.. 허허)

몇백 개의 데이터를 한눈에 볼 수 있다니.. 빨라지는 나의 퇴근 ‍♀️

사용자 리서치를 해보신 분들은 다들 공감하실 것 같습니다. 수십 명의 인터뷰 스크립트에서 유의미한 문장을 발췌해 엑셀로 정리하고, 그걸 다시 포스트잇으로 옮겨 적어 벽이나 Mrio 같은 툴에 붙이는 과정 자체가 엄청난 시간과 노동이 들어간다는 사실을요. 하지만 어피니티 버블을 사용하면서 빠르게 데이터에서 인사이트를 뽑아내야 할때 엄청난 강점이 있다는걸 알게 되었습니다.

사용과정

1. 데이터 입력하기

먼저 분석하고자 하는 데이터를 툴에 넣으면 이렇게 분석 데이터를 선택할 수 있는 화면이 나옵니다.
저는 넣은 데이터 그대로 잘 나와서 바로 [완료]를 눌렀습니다. 만약에 제외하고 싶은 데이터가 있으면 제외하기에도 편한 것 같습니다.

입력한 데이터가 마치 버블의 모양으로 표현된 모습(클러스터링 이전)

그러고 나면, 이렇게 클러스터링 하기 전의 모습이 나옵니다. 데이터는 제 프로젝트에서 진행한 인터뷰 데이터를 넣었습니다.
이렇게 보니 데이터가 진짜 많긴 하네요.

2. 어떤 관점으로 묶을 건지 선택하기

그 다음에는, 이렇게 어떤 분석 관점에서 클러스터링을 진행할지를 선택할 수 있습니다. 관점에는 사용자의 숨은 니즈, 해결하려는 과업, 암묵적인 기대 등 다양한 관점들이 있어서 다각도로 분석이 가능합니다. 내가 가진 데이터를 다양한 관점에서 분석해보면서 데이터에 대해 더 입체적으로 바라볼 수 있게 되는 것 같아요.

데이터의 숲에서, 한 눈에 들어오는 사용자 페인포인트

가장 먼저, 툴에 기본(Default)으로 설정되어 있는 '주제별' 관점을 활용해 방대한 데이터를 5~9개의 큰 덩어리로 분석해 보았습니다.

어피니티 버블을 활용해 메모 앱 사용자 리서치 데이터를 시각화한 결과 화면 -'주제별' 관점으로 분석한 결과

결과 화면을 보면, AI가 분류한 군집들이 둥둥 떠다니는 버블 형태로 시각화되어 나타납니다. 텍스트로만 빽빽하던 엑셀 화면이나 수백 장의 포스트잇을 마주했을 때와는 확연히 다른 느낌이죠? 이 툴이 팀원들에게 주는 가장 큰 무기는 바로 직관성과 효율성이었습니다. 무엇보다 버블의 크기를 통해 데이터를 직관적으로 검증할 수 있었는데요, input으로 넣은 데이터에서 많이 나타난 주제일수록 버블의 크기가 커지기 때문입니다. 또한 크기+몇%를 차지하는지를 보여줘서, 현재 유저들이 겪고 있는 Pain point의 무게 중심이 어디에 있는지 팀원들과 단번에 파악할 수 있었습니다.

이렇게 수백개의 데이터를 한눈에 조망하게 되니, 자연스럽게 팀원 간의 Align을 맞추는 과정도 훨씬 수월해졌습니다. 앞서 고민했던 "어떤 문제가 더 중요할까?"에 대한 주관적이고 소모적인 논쟁에서 근거로 활용할 수 있었습니다. 팀원 모두가 이 객관적인 지표를 함께 보면서, 빠르고 명확하게 문제 지점들에 대해 논의할 수 있었습니다.

모순과 긴장, 암묵적 기대는 어떤 옵션이에요?

그리고, 어피니티 버블 툴에는 다양한 옵션들도 존재하는데요. 그 중에서 저는, '모순/긴장'이라는 관점을 선택해보았습니다. 뭔가 이번 프로젝트에서 사용자 인터뷰를 하면서 좀 모순되는 지점들이 있었다고 느꼈기 때문에 확인해보고 싶기도 했습니다.

어피니티 버블에서 분석 가능한 다양한 관점들

분석중인걸 시각적으로 귀엽게 보여주고 있어요

[모순/긴장] 관점에서의 분석 결과

분석 결과, 정보는 바로 찾을 수 있어야 하는데, 동시에 무분별하게 쌓여서는 안 되고, 또 캡쳐 = 즉, "정보를 기억하기 위해 일단 외부에 보관하는 행동은 쉽고 빨라야 하지만 동시에 내가 따로 관리하지 않아도 잘 관리되어 있어야 한다"라는 모순된 지점들을 한 눈에 확인할 수 있었습니다. 빠르게 기록할 수 있어야 하지만, 내가 관리하지 않아도 알아서 잘 관리되어야 한다...! 참 어려운 지점인 것 같습니다.

[암묵적 기대] 관점에서의 분석 결과

그리고 또 재미있었던 부분은, '암묵적 기대' 즉, 사용자는 당연히 그럴거라고 생각했던 것들의 관점에서 분석해보니

기록은 맥락과 함께 보존될 줄 알았다 (25%)
캡쳐하면 알아서 잘 정리될 줄 알았다 (30%)
검색하면 바로 나올 줄 알았다 (12%)
필요할 때 언제든 쉽게 찾아 쓸 수 있을 줄 알았다 (6%)

사용자들은 이런 것들이 당연히 될거라고 생각했지만, 실제로는 그렇게 되지 않으니 저장한 정보를 다시 찾는 과정에서 실패하고, 좌절을 겪는것이라는걸 어피니티 버블을 통해 더욱 딥하게 발견할 수 있었습니다.

마무리하며

이처럼 사용자의 말속에 숨겨진 모순을 발견하고, 그들이 당연하게 여기는 암묵적 기대를 찾아내는 것. 어쩌면 그것이 우리 UX 리서처들이 현장에서 그토록 치열하게 고민해야 할 진짜 문제를 발견하는 시작점이 아닐까 생각합니다. 만약 이 수많은 데이터를 포스트잇으로 일일이 벽에 붙이며 씨름해야 했다면 어땠을까요? 아마 표면적인 키워드를 묶는 데 체력을 다 써버려서, 이런 깊은 심리적 모순까지는 미처 들여다보지 못했을지도 모릅니다.

이번에 어피니티 버블을 활용해보며 지형도 위에서 "사용자는 왜 이런 기대를 했을까?"라는 본질적인 질문에만 온전히 집중할 수 있었습니다. 마치 지도 위에서 나침반으로 방향을 잡은 느낌이랄까요. 단순히 연구자들의 퇴근 시간을 앞당겨주는 것을 넘어서, 리서처가 기능이 아닌 사람에게 더 집중할 수 있도록 생각의 여백을 만들어주는 툴이 아닐까 생각합니다. 방대한 데이터 앞에서 어디서부터 시작해야 할지 막막한 연구자와 기획자분들이라면, 어피니티 버블과 함께 여러분만의 깊고 날카로운 인사이트를 건져 올려보시길!

진짜 문제를 찾고 싶은 리서처들을 위한 툴, 어피니티 버블 수백 장의 포스트잇 대신, AI가 그려주는 직관적인 데이터 지형도를 내 프로젝트에 바로 적용해 보세요. 가입 후 엑셀 파일 하나만 올리면 눈앞에 새로운 뷰가 펼쳐집니다. 어피니티 버블 시작하기(affinitybubble.com)

Affinity Bubble

어피니티버블은 대량의 정성적 사용자 데이터를 분석해 인사이트를 도출하고 시각화하는 AI 도구입니다.

affinitybubble.com

백문이 불여일견! 제 프로젝트 결과를 공개합니다 글로만 읽어서는 감이 잘 안 오신다고요? 제가 이번 프로젝트에서 찾아낸 '사용자의 모순과 암묵적 기대'가 어피니티 버블 위에서 어떻게 시각화되었는지, 아래 링크를 통해 직접 줌인/줌아웃하며 탐색해 보세요. [실제 데이터로 만든 '메모 앱 리서치' 인사이트 버블 구경하기 [메모 재탐색 경험 데이터 분석]

어피니티버블 공유 페이지

어피니티버블 다이어그램 & 인사이트 리포트

affinitybubble.com

리뷰(negative) 분석 - 배달의 민족 앱 리뷰 댓글 분석

shoooos — Mon, 26 Jan 2026 23:12:55 +0900

오늘부터 연습을 위해서 악플(리뷰) 분석을 해 볼것이다.

오늘은 바로,,, 배달의민족 앱 리뷰 분석

배달의성빈

첫번째 리뷰 : 아휴

배달을 못하면 못한다고 써놓던가 왜 배달기사 배정만 20분~30분째임... 니들 때문에 점심밥 제대로 못 먹음

감정 : 화남

이유 : (점심 시간이 있는 직장인으로 추정) 점심 시간에 시간에 맞춰 식사를 해야 하는 상황.

배달 기사 배정이 지연되어 취소하고 딴거 시킬수도 없는 매우 열받는 상황.

"배달을 못하면 못한다고 써놓던가" <- 진짜 빡친 포인트.

본 리뷰와는 상관 없는 배달의성빈

처음엔 "곧 오겠지"라고 기대했다가, 10분 뒤엔 "왜 안 오지?", 20분 뒤엔 "취소해야 하나?"라고 끊임없이 고민한 것.

이 불확실성의 상황에서 내가 통제할 수 있는 건 아무것도 없는 상태를 겪으며,

이 불확실 상황을 처리하는데 엄청난 에너지를 소모함.

또한 가장 큰 원인은 사용자 멘탈 모델과의 충돌이었을 것이다..

사용자 : "배달을 못하면 못한다고 써놓던가 배달기사 배정만 20분~30분째임"

즉, 사용자 머릿 속에는 평소 처럼 주문 접수(Ok) ----> 조리 시작 ------> 배달원 출발 (순차적으로 진행되겠지?) 구조였지만

실제 시스템에서는 배달원 배정까지 음식은 무한 대기상태가 될 수 밖에 없기 때문에 사용자의 주문 상태 화면에서는 보이지 않는 여러 과정들이 존재하는 것이다. 하지만 알빠노? 사용자는 그걸 모르니까 답답하고 지금 뭐 어떻게 돌아가는지 모르니까 화가 나는 것.

종합 인사이트

지금 내부에서 무슨 일이 일어나고 있는지(기사가 없는 건지, 식당이 바쁜 건지) 상태를 투명하게 보여주지 않아서

사용자 멘탈모델과 충돌이 발생했고, 또 자신은 취소도 할 수 없는 통제권 상실의 상황에서 희망고문을 당하여 엄청난 에너지를 소모한 것.

결론

배민, 쿠팡이츠 등 배달앱에서 현재 접수,조리,배달 현황을

더 가시적으로 나타내줘야 한다.

또한 배달원 배차문제 같은 상황이 발생한다면 즉각 알려주고 적절한 피드백을 제공해줘야 하겠다. (물론 사용자 입장에서)

구병모 소설 - 아가미를 읽고

shoooos — Sun, 18 Jan 2026 22:31:14 +0900

구병모 장편소설 - 아가미

https://product.kyobobook.co.kr/detail/S000001808667

아가미 | 구병모 - 교보문고

아가미 | 소설가 구병모의 대표작 《아가미》가 새 옷을 갈아입었다. 《아가미》는 죽음의 문턱에서 아가미를 갖게 된 소년의 슬픈 운명을 그려낸 아름다운 잔혹동화이다. 아가미로 숨을 쉬고

사실 평소에 소설을 즐겨 읽지는 않는데, 저번에 [구의 증명] 이라는 소설을 읽고(페이커 선수가 추천해서 읽었었다) 이런 소설책도 나에게 큰 울림을 준다는 것을 알게 되었다.

그래서 학교 도서관에서 [아가미] 라는 책을 빌렸다.

사실 최진영 작가의 [구의 증명]을 본 사람들이라면 다들 느끼겠지만, 빠른 템포로 이어지는 이야기들이 하나의 묵직한 줄로 잘 엮어져 있어서

굳이 내가 집중을 하지 않아도 잘 읽히는 책이었다.

그런데 [아가미]는 일단 한 문단, 아니 문장을 읽는데에도 내가 숨이 찰 만큼 긴 호흡의 템포로 이루어져 있고 챕터가 순차적으로 연계된다고 느끼지는 못해서 다음 챕터를 넘길 때 마다, "내가 지금 어느 위치에 있지?"라는 혼란이 들어서 잠시 책장을 덮었었다. 그러다가 오늘 다시 책장을 열어 다시 시작하게 되었는데, 읽는 내내 내가 곤이 되어 호수에 잠긴 것 마냥 답답했다. 이건 단순히 내가 평소에 급한 성격이 있어서 그런건가? 라고 생각하며 최대한 문장의 긴 호흡 속에 담긴 구절들을 느끼려고 했다.

그런데 책장을 덮은 지금도 물 속에 있는 것 처럼 답답하다.

내가 곤이 된 것 마냥 물 속의 녹조류들이 내 폐를 옭아매고 있는 그런 기분이다.

[구의 증명]은 사랑에 대하여 다시 생각해보게 하는, 마음이 저리고 아픈 소설이었다면,, [아가미]는 읽고 나서도 물 속에 있는, 누가 나를 잡아당기고 끌어당기는 것 마냥 답답하고 숨이 차는 느낌이다.

그런데 이 기분이 싫거나 불편하지는 않다.

다만, 내가 주인공 곤 처럼 내가 호수속에 들어간다는 그런 생각 때문일지

아니면 또 한가지 드는 생각은.. 강하, 강하의 할아버지, 강하의 어머니 이녕, 그리고 곤까지 이 인물들은

그냥 자신들이 처한 그 당시에 할 수 있는, 나름대로 자신의 최선의 선택을 하면서 하루 하루를 살아왔던 것 뿐인데 (약을 한 것까지는 배제하고) 마냥 행복하지만은 않은 결말의 공허함 때문일지. 나도 정리가 잘 안되는 이질적인 느낌이 드는데 뭐가 원인인지 모르겠다. 그런데 동시에 뭐가 원인인지 찾는게 지금 나의 상태에서 그렇게 중요한 일일까? 이 느낌을 온전히 느끼는 것도 나름 괜찮지 않을까? 이런 생각이 든다.

그냥 곤이 마음 편하게 살아갔으면, 그 무게를 조금이라도 내려놓을 수 있었으면 그런 바램이다.