Learning Design & AI Together: AI 감성 분석 툴, 그 환상과 현실 사이

안녕하세요, Design AI LAB에서 함께 배우고 있는 학습자입니다. 오늘은 저희 팀이 AI 기반 감성 분석 툴을 활용해 기존 제품의 사용자 경험을 재설계했던, 솔직히 말해 성공보다는 시행착오가 훨씬 더 많았던 프로젝트 이야기를 공유하려 합니다. 이렇게 해봤더니 이런 결과가 나왔어요하는 솔직한 기록이니, 완벽한 결과물보다는 학습 과정의 가치를 함께 느껴주시면 좋겠습니다.

이 프로젝트를 왜 시작했나: 감춰진 감성을 찾아서

저희 팀은 오랫동안 스마트 헬스케어 앱, 마인드풀데이(MindfulDay)를 운영해왔습니다. 사용자들이 매일 기분, 수면 패턴, 운동량 등을 기록하고 간단한 심리 요법 콘텐츠를 제공받는 앱이었죠. 사용자 수는 꾸준했지만, 언제부턴가 사용자 피드백의 한계에 부딪혔다는 느낌을 받았습니다.

기존에는 설문조사, 사용자 인터뷰, A/B 테스트 같은 전통적인 방법으로 사용자 경험을 개선해왔어요. 앱이 사용하기 편한가요?, 이 기능이 도움이 되나요?같은 질문에 사용자들은 대체로 네, 좋아요또는 괜찮아요라고 대답했습니다. 하지만 이런 긍정적인 답변 뒤에는 늘 묘한 아쉬움이 감돌았습니다. 이 아쉬움은 어디에서 오는 걸까? 사용자들이 말로 다 표현하지 못하는 불편함이나 기대감은 무엇일까?

어느 날, AI 기반 감성 분석 툴에 대한 세미나를 듣고 번뜩이는 아이디어를 얻었습니다. 그래, AI가 사용자들의 숨겨진 감성을 읽어준다면, 우리가 놓치고 있던 진짜 니즈를 찾아낼 수 있지 않을까?라는 막연한 기대로 프로젝트를 시작했습니다. AI가 수많은 비정형 데이터 속에서 진정한 사용자 감정의 심층 보고서를 작성해줄 것이라는 환상에 부풀었죠. 이 프로젝트는 단순히 기술 도입을 넘어, 저희의 기존 제품 디자인 전략 자체를 뒤엎을 수도 있다는 생각에 가슴이 뛰었습니다.

과정: 이렇게 해봤어요데이터를 파헤치다

1. 데이터 수집과 AI 모델 선정

가장 먼저, 사용자들의 감정이 녹아있는 데이터를 모으는 작업부터 시작했습니다. 마인드풀데이의 앱 스토어 리뷰, 구글 플레이 스토어 리뷰, 고객 문의 게시판, 그리고 커뮤니티 게시글까지 닥치는 대로 긁어모았습니다. 텍스트 데이터만 해도 어마어마한 양이었죠. 솔직히 말해, 이 데이터들을 어떻게 다 분석할지 막막했습니다.

저희 팀은 파이썬 기반의 오픈소스 감성 분석 라이브러리와 일부 클라우드 기반 AI 서비스를 조합하여 분석 툴을 구축했습니다. 한국어 텍스트 데이터를 분석해야 했기에, 한국어 특화 모델을 찾는 데 시간을 많이 할애했습니다. 초기에는 단순히 긍정/부정/중립으로 나누는 모델을 사용하다가, 점차 감정 분류를 기쁨, 슬픔, 분노, 불안, 놀람, 중립등으로 세분화하는 모델로 업그레이드했습니다.

2. 초기 분석: 와, 이런 게 있었어?

수집된 데이터를 AI 모델에 넣고 돌려보니, 정말 흥미로운 결과들이 쏟아져 나왔습니다. 기존 설문조사에서는 만족한다고 했던 사용자들이 특정 기능에 대해 불안이나 좌절 감정을 강하게 표현하고 있다는 것을 AI가 감지한 것입니다. 예를 들어, 수면 기록 기능에 대해 많은 사용자들이 기록이 제대로 안 될까 봐 불안해요, 수면 패턴을 보는데 오히려 스트레스받아요같은 부정적인 감성을 보였습니다. 기존에는 수면 기능 괜찮으세요?라고 물으면 네, 좋아요라는 답변이 대부분이었는데 말이죠.

특히 기록하기기능의 UI/UX에서 미묘한 짜증이나 답답함이 감지되었습니다. 작은 버튼, 복잡한 단계, 모호한 아이콘 등이 주된 원인으로 꼽혔습니다. AI는 이러한 부정적인 감성이 단순한 불편함을 넘어, 앱 사용 자체에 대한 깊은 피로감으로 이어지고 있음을 시사했습니다. 이 순간은 정말 AI의 잠재력에 감탄했던 기억이 납니다. 우리가 진짜로 놓치고 있었던 사용자 감정이 여기 있었구나!

3. 감성 데이터 기반의 디자인 변경 시도

AI 분석 결과를 바탕으로, 저희는 두 가지 주요 영역에 대한 디자인 변경을 시도했습니다.

• 수면 기록 및 분석 대시보드 재설계: 불안, 좌절감성이 높은 구간을 파악하여, 데이터를 더 직관적으로 시각화하고, 긍정적인 인사이트를 제공하는 방향으로 개편했습니다. 오늘 밤엔 숙면을 위해 ~해보세요같은 긍정적 메시지를 강화했죠.
• 기록하기 기능 UI/UX 개선: 짜증, 답답함이 감지된 입력 단계를 간소화하고, 더 직관적인 아이콘과 큰 버튼으로 변경했습니다. 사용자가 감정을 더 쉽게 표현할 수 있도록 이모지 선택 기능을 추가하기도 했습니다.

실패와 배움: AI가 알려준 오해와 새로운 방향

하지만… 모든 것이 AI의 마법처럼 풀리지는 않았습니다. 오히려 이건 안 됐어요, 그래서 이렇게 바꿨어요라는 과정을 뼈저리게 겪어야 했습니다.

데이터의 함정: AI는 만능이 아니었다

AI가 알려준 불안감정에 너무 매몰되었던 것 같아요. 문맥을 놓치고 단순한 감성 키워드에만 집중했죠. 인간의 감정은 그렇게 단순하지 않다는 걸 깨달았습니다.

저희가 처음 직면한 문제는 AI의 오독과 오해였습니다. 예를 들어, 사용자들이 어제 너무 힘들어서 잠을 잘 못 잤어요라고 기록했을 때, AI는 이 문장에서 힘들어서와 못 잤어요라는 키워드에서 슬픔과 불안이라는 감성을 정확히 뽑아냈습니다. 하지만 우리가 놓친 건, 이런 기록 행위 자체가 스스로를 돌보고자 하는 긍정적인 의지를 담고 있다는 점이었습니다.

수면 대시보드를 너무 긍정적인 메시지에만 집중하여 개편했을 때, 일부 사용자들은 내가 느끼는 불안감을 앱이 무시하는 것 같다며 오히려 소외감을 느꼈습니다. 그들은 단순히 불안감을 느끼는 것이 아니라, 자신의 불안감을 인지하고 관리하려는 노력을 앱이 알아주기를 바랐던 것입니다. AI는 감정자체는 읽었지만, 그 감정이 어떤 맥락과 의도에서 발생하는지는 완벽하게 이해하지 못했습니다. 우리는 AI의 텍스트 분석 결과에만 의존하여 섣부른 결론을 내렸던 거죠.

감성을 디자인으로 바꾸는 고난이도 미션

두 번째 어려움은 AI가 알려준 감성을 구체적인 디자인 솔루션으로 전환하는 과정이었습니다. 짜증, 답답함이라는 감성이 특정 UI에서 감지되었다고 해서, 곧바로 완벽한 해결책이 나오는 것은 아니었습니다. 버튼 크기를 키우고 단계를 줄이는 것은 기본적인 개선책이었지만, 그것이 사용자들의 근본적인 감성적 니즈를 충족시키는지는 미지수였습니다.

예를 들어, 저희는 기록하기기능에서 선택의 피로감으로 인한 답답함을 줄이기 위해 선택지를 줄이는 시도를 했습니다. 하지만 일부 사용자들은 선택지가 너무 줄어서 내 감정을 세밀하게 표현할 수 없다며 오히려 불만을 토로했습니다. AI는 선택의 피로를 감지했지만, 사용자들이 풍부한 표현의 자유를 더 중요하게 여길 수도 있다는 점은 알려주지 않았습니다. 결국 우리는 AI 데이터에서 뽑아낸 키워드들을 다시 사용자 인터뷰와 포커스 그룹 테스트로 가져가서 이 감정이 왜 발생한다고 생각하세요?, 이런 디자인은 어떠세요?라고 직접 물어보는 과정을 거쳐야만 했습니다.

결과: 완벽하진 않지만, 의미 있는 한 걸음

수많은 시행착오 끝에, 저희는 AI 감성 분석 툴의 진정한 역할을 깨달았습니다. AI는 문제를 발견하고 지적하는 강력한 탐지견이지, 해결책을 제시하는 만능 건축가가 아니었습니다. 초기 예측처럼 기존 제품 디자인 전략을 완전히 뒤엎지는 못했지만, 기존 방식으로는 절대 찾지 못했을 미묘한 감성적 문제점들을 포착하는 데는 엄청난 기여를 했습니다.

저희는 AI가 감지한 불안, 짜증등의 감성 키워드를 인간 중심 디자인 프로세스의 초기 단계에 통합했습니다. 즉, AI로 문제의 징후를 발견한 뒤, 이를 바탕으로 심층 인터뷰 질문을 설계하고, 관찰 대상을 선정하는 등 질적 연구를 더욱 효과적으로 수행하게 된 것입니다.

최종적으로 마인드풀데이는 다음과 같은 변화를 거쳤습니다.

• 수면 기록 대시보드: 단순한 긍정 메시지 대신, 현재의 감정(불안)을 있는 그대로 인지하고, 다음 단계를 위한 제안을 하는 방향으로 개선했습니다. 사용자가 자신의 감정을 인정받고 있다고 느끼게 하는 것이 중요함을 깨달았습니다.
• 기록하기 UI/UX: 선택지를 무작정 줄이는 대신, 선택의 자유와 빠른 기록 사이의 균형점을 찾았습니다. 예를 들어, 자주 쓰는 감정은 큰 이모지로 빠르게 선택하고, 더 세밀한 감정은 자세히버튼을 눌러 선택지를 확장하는 방식으로 개선했습니다.
• 맞춤형 알림: AI가 감지한 사용자들의 특정 시간대 스트레스, 피로감성 데이터를 기반으로, 너무 이른 시간이나 늦은 시간에 기록 알림을 보내지 않도록 조정했습니다.

이러한 개선을 통해 앱의 주간 활성 사용자(WAU)가 소폭 상승했으며, 특히 부정적인 리뷰가 감소하고 공감, 위로와 관련된 긍정적인 키워드가 늘어났다는 점은 저희에게 큰 보상이었습니다. 혁명적인 성공은 아니었지만, AI가 제시한 단서를 인간의 지혜로 해석하고 적용한 의미 있는 진화였습니다.

이 프로젝트를 통해 배운 것들

이 길고 험난했던 프로젝트를 통해 저희는 정말 많은 것을 배웠습니다. 몇 가지 핵심적인 교훈은 다음과 같습니다.

• AI는 강력한 보조 도구일 뿐, 대체재가 아니다: AI는 방대한 데이터 속에서 패턴을 찾아내고, 인간이 놓칠 수 있는 미묘한 신호를 포착하는 데 탁월합니다. 하지만 이 신호를 해석하고, 맥락을 이해하며, 공감에 기반한 해결책을 제시하는 것은 여전히 인간의 영역입니다.
• 데이터의 품질과 맥락의 중요성: 아무리 좋은 AI 모델이라도 Garbage In, Garbage Out입니다. 또한, 감성 데이터는 그 데이터가 생성된 맥락 없이는 오해의 소지가 많습니다. AI가 읽어낸 감성 뒤에 숨겨진 왜를 끊임없이 질문해야 합니다.
• 인간 중심 디자인의 가치 재발견: AI를 통해 더 깊은 수준에서 사용자 감정을 이해하려 노력하는 과정에서, 결국 디자인은 사람을 위한 것이라는 기본 원칙을 다시 한번 되새겼습니다. AI의 데이터가 아닌, 사용자의 실제 경험과 감정에 공감하는 것이 핵심입니다.
• 실패는 자연스러운 학습 과정: 처음부터 완벽한 AI 활용 전략을 세울 수는 없다는 것을 깨달았습니다. 수많은 실패와 시행착오를 통해 배우고 개선하는 것이 곧 학습이며 성장입니다.
• 기술과 디자인의 협업: 데이터 과학자, AI 엔지니어, UX 디자이너, 서비스 기획자 등 다양한 분야의 전문가들이 서로의 언어를 이해하고 소통하는 것이 얼마나 중요한지 뼈저리게 느꼈습니다.

다음 도전: 더 깊고 넓게

저희의 도전은 여기서 멈추지 않을 것입니다. 다음에는 AI 기반 감성 분석을 활용하여 보다 능동적이고 개인화된 사용자 경험을 제공하는 데 집중하고 싶습니다. 예를 들어, 사용자의 감성 변화 패턴을 AI가 학습하여, 부정적인 감성이 심화되기 전에 선제적으로 맞춤형 콘텐츠나 위로 메시지를 제공하는 방식이죠.

또한, 텍스트를 넘어 음성이나 표정, 행동 패턴까지 포함하는 다중 모드(Multimodal) 감성 분석을 시도하여, 사용자 감정에 대한 더욱 입체적인 이해를 구축하는 것도 목표입니다. 이 모든 여정이 또 다른 시행착오와 배움의 연속이겠지만, AI와 디자인이 함께 만들어낼 미래의 사용자 경험이 기대됩니다. 우리 Design AI LAB의 여정은 계속될 겁니다!

긴 글 읽어주셔서 감사합니다. 여러분의 경험도 궁금하네요!