GPT한테 물어보면서 작성하였습니다.
글을 쓰게 된 배경
서비스 기획에 대한 개념이 부족하다고 느껴, 이번 기회에 내용을 정리하고자 했습니다.
특히 LLM 기반의 AI 서비스를 기획할 때는, 기존의 일반적인 서비스 기획과는 어떤 점을 다르게 바라봐야 하는지 고민해보고 싶었습니다.
1. 서비스 기획이란?
서비스 기획은 비즈니스 모델을 바탕으로,
사용자가 어떻게 우리 서비스를 만나고 경험하게 할 것인지 설계하는 과정을 의미합니다.
기획자는 단순히 기능을 나열하는 것이 아니라,
비즈니스 구조를 이해하고 좋은 사용자 경험(User Experience)을 설계하는 것에 초점을 둡니다.
🎯 사용자(Actor)의 정의
여기서 말하는 사용자(Actor)는 단지 ‘고객(End User)’만을 뜻하지 않습니다.
서비스 기획에서 사용자란, 이 비즈니스에 직접 또는 간접적으로 연관된 다양한 주체를 의미합니다. 예를 들면 다음과 같습니다:
- 관리자(Administrator): 시스템 운영/관리 담당자
- 공급자(Supply Side): 데이터를 제공하거나 서비스를 연동하는 측
- 수요자(Demand Side): 최종 사용자 또는 고객
서비스 설계 시에는 이처럼 다양한 사용자 유형을 고려하여 각자의 흐름과 목적에 맞는 경험을 설계하는 것이 매우 중요합니다.
🧰 서비스 기획에 활용되는 주요 도구
서비스 기획 단계에서는 다음과 같은 도구들이 자주 활용됩니다:
- 페르소나(Persona): 대표 사용자의 특징, 행동, 니즈를 구체적으로 정의
- 유저 시나리오(User Scenario): 사용자의 목표와 맥락에서 서비스 흐름을 이야기 형식으로 표현
- 요구사항 명세서(Requirements Specification): 기능과 조건을 상세히 정리한 문서
- 화면흐름도(Flowchart): 서비스 또는 기능의 동선과 구조를 시각적으로 표현
- 화면설계서(Wireframe): 실제 화면 구성과 UI 배치를 설계한 스케치
- 기능명세서(Functional Specification): 개발 관점에서 필요한 기능의 정의 및 조건 정리
🧱 2. 서비스 기획의 기본 구성 요소
| 구성 요소 | 설명 |
| 🎯 문제 정의 | 사용자가 겪는 불편, 해결하고자 하는 니즈 도출 |
| 👤 타겟 정의 | 누가 쓸 것인가? 사용자 페르소나, 시나리오 설정 |
| 🔧 기능 설계 | 어떤 기능으로 해결할 것인가? 주요 기능 정의 및 우선순위 설정 |
| 🔄 흐름 정의 (Flow) | 사용자 흐름 / 프로세스 모델링 (예: 로그인 → 조회 → 저장) |
| 📱 UI/UX 구성 | 와이어프레임, 사용자 인터페이스 설계 |
| 📊 데이터/운영 설계 | 필요한 데이터 구조, 관리자 운영 방안 정의 |
| 📌 기술 연계 및 제한사항 | API, 시스템 간 연동, 제약 요소 고려 |
🤖 LLM 기반 AI 서비스 기획이란?
🧭 핵심 차이점 정리
| 항목 | 기존 서비스 기획 | LLM 기반 서비스 기획 |
| 🎯 결과 예측 가능성 | 정해진 입력 → 정해진 출력 | 동일한 입력 → 다양한 출력 가능 |
| 🔀 흐름 설계 방식 | 화면 흐름 중심 (버튼 → 페이지) | 질문 흐름, 프롬프트 흐름 중심 |
| 🧠 기능 설계 관점 | "어떤 기능을 제공할 것인가" | "LLM이 어떤 역할을 하게 할 것인가" |
| 📋 요구사항 정의 | 기능 단위로 명확한 정의 가능 | 성능, 프롬프트 전략, Fallback 포함 필요 |
| 🛠 테스트 방식 | 기능 명세 기반 시나리오 테스트 | Prompt 테스트, 다양한 상황 시뮬레이션 |
| 📈 성공 기준 | 기능 작동 여부, UX, 속도 | 정확도, 유용성, 응답 신뢰도 등 AI 품질 지표 |
| 🧾 예외처리 방식 | Error → 메시지, 재시도 등 | 모델이 이상 응답 시 대체 로직 필요 |
| 🔐 책임·윤리 | 기능 실패는 시스템 문제 | 잘못된 생성 결과는 서비스 신뢰에 직결 |
LLM 서비스 기획 시 꼭 고려해야 하는 6가지
| 고려 항목 | 설명 |
| 1. 프롬프트 설계 | 어떤 문장을 주어야 LLM이 일관된 응답을 할 수 있을지 정의 |
| 2. 입력 제어/전처리 | 유저의 자유입력(자연어)을 어떻게 안전하고 효과적으로 제한할지 |
| 3. 응답 품질 정의 | 좋은 응답이란 무엇인가? (사실성, 간결성, 표현 방식 등) |
| 4. Fallback 시나리오 | LLM이 이상 응답할 경우 어떻게 대처할 것인가 (기본 응답? Rule 기반?) |
| 5. 검증 가능한 정보 연계 (RAG 등) | LLM이 생성한 답을 백업할 수 있는 근거를 어떻게 붙일 것인가 |
| 6. 편향/위험 표현 필터링 | 서비스 신뢰에 영향을 줄 수 있는 표현 제어 방식 마련 필요 |
🎯 실전 예시 비교
✅ 일반 서비스 기획: “공지사항 기능”
- 사용자 → 공지 목록 → 공지 상세 클릭 → 끝
- 흐름 예측 100%, QA 단순
✅ LLM 서비스 기획: “고객 질문 자동 응답”
- 사용자: “가입 시 신분증 꼭 필요한가요?”
- LLM: “일반적으로 필요하지만 상품에 따라 다릅니다.”
- 🧠 기획자는:
- 프롬프트 설계
- FAQ 연동 방식 정의
- 잘못된 응답 방지 전략
- 답변 유용성 평가 지표
까지 고민해야 함
결론
“AI가 들어간 서비스 기획, 다르게 생각해야 한다”
이번 정리를 통해 서비스 기획이란 단순히 기능을 나열하는 것을 넘어,
사용자, 흐름, 경험, 비즈니스 구조를 유기적으로 연결하는 설계 작업이라는 점을 다시금 확인할 수 있었습니다.
그리고 LLM 기반의 AI 서비스를 기획할 때는 기존 방식과는 다른 전제 조건과 사고 방식이 필요합니다.
LLM은 입력이 자유롭고, 출력이 예측 불가능하기 때문에 다음과 같은 새로운 기획 요소를 고려해야 합니다:
🧠 기존과 다른 LLM 기획의 핵심 포인트
- ✅ 기능이 아닌 ‘역할’ 중심의 정의 (LLM이 무엇을 판단하고 수행할 것인가?)
- ✅ 프롬프트 설계, 입력 제한, 예외 흐름 등 불확실성에 대한 기획 요소 강화
- ✅ 정답이 없는 결과에 대해 ‘품질 기준’과 평가 지표’를 스스로 정해야 함
- ✅ 사용자 경험(UX) 설계뿐 아니라 AI의 오류, 편향, 사실성까지 책임져야 함
🛠 기획자의 역할 변화
기존에는 “어떤 기능을 만들지”를 정의했다면,
이제는 “어떤 흐름 속에서, LLM이 어떤 역할을 하며, 어떤 기준으로 판단해야 하는지”까지 정의하는 것이
AI 기획자의 새로운 책임입니다.
🔚 마무리하며
AI 시대에 서비스 기획자는 더 이상 단순한 기능 설계자가 아닙니다.
데이터와 불확실성을 설계하고, 사용자와 모델의 상호작용을 설계하는 전략가로 진화해야 합니다.
이번 과정을 통해 그 시작점을 스스로 고민하고 정리해볼 수 있었던 것이 무척 의미 있는 작업이었습니다.
참고
- AI Use Case Canvas
- 실질적인 AI 도입 아이디어를 10가지 항목(문제 정의, 데이터, 모델 역할, 가치 제안 등)으로 시각화하는 프레임워크 reuters.com+2linkedin.com+2programmersinc.com+2researchgate.net+15aiexponent.com+15my.ai.se+15.
- AI Strategy Canvas
- 비즈니스 관점과 기술 관점을 동시에 고려하여 조직 차원의 AI 도입 전략을 수립하는 도구 arxiv.org+8bizzuka.com+8aicatalystpartners.com+8.
- Analytics & AI Use Case Canvas (Miro 등 도구 사례)
- 데이터 활용 사례와 AI 적용 사례를 비교 정리하고 시각화할 수 있는 도구 appliedai.de+15miro.com+15my.ai.se+15.
- 사업기획자 관점에서 LLM 서비스 개발 기획
- LLM 챗봇 설계자가 알려주는 AI 기획과 실무 사례 A to Z - [메타코드M]
- Generative AI Canvas (Datentreiber)
- 이미지, 텍스트, 오디오 등 생성형 AI의 입력→변환→출력 구조를 설계하는 데 유용한 캔버스 medium.com+15datentreiber.com+15programmersinc.com+15.
'관심있는 주제 > 서비스 기획' 카테고리의 다른 글
| Process Modeling 공부해보기 (1) | 2025.06.16 |
|---|