AI 시대 생존 가이드 6편: 기획자/PM이 AI 프로덕트 매니저로 진화하는 법

한 스타트업 PM이 저에게 이런 이야기를 해줬습니다. "요즘 팀에서 PRD(제품 요구사항 문서)를 GPT-4로 초안을 뽑습니다. 제가 방향만 잡아주면 30분 만에 완성됩니다. 그런데 문득 이런 생각이 들더라고요. 그러면 내 역할은 뭔가요?"

이 질문은 수많은 PM과 기획자들의 머릿속에 맴돌고 있습니다. 경쟁 분석, 사용자 스토리 작성, 스펙 문서 초안 - AI가 다 해주는 세상에서 기획자와 PM의 역할은 어떻게 변해야 할까요?

결론을 미리 말씀드리겠습니다. PM의 역할이 없어지는 것이 아니라, PM이 다루어야 하는 복잡성이 완전히 달라집니다. 그리고 그 새로운 복잡성을 다룰 수 있는 AI 프로덕트 매니저는 지금 전 세계에서 가장 몸값 높은 직군 중 하나가 되어가고 있습니다.

1. AI 시대 PM과 기획자의 역할 변화

과거 PM의 업무 구성

전통적인 PM 업무를 솔직하게 분석해보면:

40%: 문서 작성 (PRD, 스펙, 정책 문서, 회의록)
20%: 데이터 분석 및 리포트 (대시보드 해석, 리포트 작성)
15%: 경쟁사 분석 및 시장 조사
15%: 이해관계자 커뮤니케이션
10%: 실제 제품 전략과 방향성 결정

AI가 이 중 문서 작성, 데이터 리포트, 경쟁사 분석의 상당 부분을 자동화할 수 있습니다. 즉, 기존 PM 업무의 50-60%가 AI에 의해 보조되거나 자동화됩니다.

AI 시대 PM의 새로운 업무 구성

그렇다면 AI가 대신해주는 부분을 빼면 무엇이 남을까요? 그리고 추가되는 새로운 업무는 무엇일까요?

여전히 인간 PM이 해야 하는 것들:

진짜 사용자 문제를 발견하는 것 (공감과 관찰)
전략적 우선순위 결정 (무엇을 안 할지 결정)
조직 정치와 이해관계자 조율
모호함 속에서 방향 설정
제품의 영혼과 방향성 수호

새롭게 추가되는 AI PM의 역할:

AI 기능의 정확도와 신뢰성 정의
AI 모델의 실패 케이스 관리
AI UX 설계 (비결정론적 시스템의 UX)
AI 편향(Bias)과 공정성 관리
LLM 비용과 성능 간의 트레이드오프 의사결정

2. AI가 대체하는 기획 업무 vs 강화되는 영역

AI가 빠르게 대체하는 업무

경쟁사 분석 리포트 작성

과거에는 컨설턴트나 시니어 PM이 며칠에 걸쳐 작성하던 경쟁사 분석 리포트. 이제 Perplexity, ChatGPT, Claude에게 "이 시장의 주요 플레이어들을 비교 분석해줘"라고 하면 좋은 초안이 나옵니다.

사용자 스토리와 요구사항 문서 초안

"사용자가 로그인할 수 있어야 한다"는 요구사항을 Given-When-Then 형식의 사용자 스토리 수십 개로 변환하는 작업. AI가 훨씬 빠르게 처리합니다.

A/B 테스트 결과 해석 리포트

실험 결과를 데이터와 함께 넣으면, 통계적 유의성 해석과 권고사항을 담은 리포트를 자동으로 작성해줍니다.

AI가 강화하는 PM 역량

사용자 인터뷰와 정성 조사

AI는 대량의 정성 데이터 분석을 도와줍니다. 100개의 사용자 인터뷰를 텍스트로 넣으면 주요 패턴과 고통점을 요약해줍니다. 하지만 인터뷰 현장에서 사람의 미묘한 표정, 말투, 침묵에서 진짜 인사이트를 포착하는 것은 여전히 인간 PM의 일입니다.

# AI를 활용한 인터뷰 분석 프롬프트 예시
# (프롬프트 내용이므로 코드 블록으로 처리)

다음은 10명의 사용자 인터뷰 트랜스크립트입니다.
각 인터뷰에서:
1. 주요 고통점(Pain Points) 추출
2. 현재 해결책 및 대안 파악
3. 핵심 인용구 식별
4. 공통 패턴과 이례적 케이스 구분
형식: 구조화된 JSON으로 출력

[인터뷰 내용]

전략적 우선순위 결정

AI는 아이디어를 생성하고 평가 기준에 따라 점수를 매길 수 있습니다. 하지만 "왜 이것이 우리 회사에서 지금 가장 중요한가"의 맥락적 판단, 그리고 그 결정을 조직에 납득시키는 리더십은 여전히 인간 PM의 영역입니다.

3. AI 프로덕트 PM의 특수한 역할

AI 제품을 기획하는 것은 일반 소프트웨어 제품을 기획하는 것과 근본적으로 다릅니다. AI PM이 반드시 이해해야 하는 특수한 영역들을 살펴보겠습니다.

AI 모델 품질 평가 능력

AI 기능의 "완성도"를 정의하는 것은 일반 기능과 다릅니다.

일반 로그인 기능은 "올바른 ID/비밀번호를 입력하면 로그인된다"로 명확히 정의됩니다. 하지만 AI 챗봇의 "완성도"는 어떻게 정의할까요?

AI PM은 다음을 정의할 수 있어야 합니다.

평가 기준 설계: 정확성(Accuracy), 일관성(Consistency), 안전성(Safety), 유용성(Helpfulness)
평가 데이터셋 정의: 어떤 케이스들을 테스트해야 하는가
허용 가능한 오류율: "10번 중 1번 틀려도 되는 기능"과 "절대 틀리면 안 되는 기능" 구분
회귀 방지: 모델 업데이트 후에도 기존 품질이 유지되는지

# AI 기능 품질 정의 예시 (PRD에 포함해야 할 내용)
# ---
# 기능: AI 상품 추천
# ---
# 성공 기준:
#   - 추천 상품 클릭률 >= 현재 룰 기반 추천 대비 15% 향상
#   - 사용자 만족도 점수 >= 4.0/5.0 (사후 설문)
#   - 부적절한 추천 발생률 < 0.1%
# 실패 기준:
#   - 품절 상품 추천 > 5%
#   - 사용자가 명시적으로 싫어요를 누른 상품의 재추천
# 모니터링 주기: 매주 수요일 09:00 자동 리포트

프롬프트 엔지니어링 이해

AI PM이 모든 프롬프트를 직접 짤 필요는 없습니다. 하지만 프롬프트가 제품 동작에 어떤 영향을 미치는지 이해해야 합니다.

# 좋은 AI PM이 이해해야 할 프롬프트 개념들:
# - 시스템 프롬프트 vs 사용자 프롬프트의 역할 구분
# - 프롬프트 주입(Prompt Injection) 공격 위험성
# - 퓨샷 예제(Few-shot examples)의 효과
# - 체인 오브 소트(Chain of Thought)가 정확도에 미치는 영향
# - 온도(Temperature) 파라미터와 창의성-일관성 트레이드오프

실무에서는 이런 상황이 발생합니다. 개발팀이 "프롬프트를 이렇게 바꾸면 더 좋아질 것 같아요"라고 제안할 때, PM이 그 변화가 전체 제품 경험에 어떤 영향을 줄지 판단해야 합니다. 이를 위해서는 프롬프트의 기본 개념을 이해해야 합니다.

AI UX 설계의 특수성

AI 인터페이스는 일반 UI와 다른 UX 원칙을 요구합니다.

비결정론적 출력 처리

같은 입력에 항상 같은 출력이 나오는 일반 소프트웨어와 달리, AI는 매번 다른 결과를 낼 수 있습니다. 이를 사용자에게 어떻게 전달할 것인가?

"AI가 생성했습니다" 라벨 표시 전략
재생성(Regenerate) 기능 설계
AI 출력에 대한 사용자 피드백 수집 UI

불확실성의 시각화

AI가 "잘 모르겠다"고 할 때 이를 어떻게 표현할 것인가? 신뢰도 점수를 보여줄 것인가? 어떤 형태로?

점진적 공개(Progressive Disclosure)

AI가 복잡한 결과를 생성할 때, 한꺼번에 보여주는 것이 좋을까요? 아니면 핵심 결과를 먼저 보여주고 상세 내용을 접어둘까요? 스트리밍 응답의 심리적 효과는?

오류 경험 설계

AI가 틀린 답을 할 때의 UX. "이 답변이 도움이 됐나요?" 같은 피드백 루프를 어떻게 설계할까요?

윤리적 AI 제품 설계

AI PM이 기술 윤리를 이해해야 하는 이유는 단순히 "좋은 일"이기 때문이 아닙니다. 잘못 설계된 AI는 법적 리스크, 브랜드 리스크, 실제 사용자 피해를 가져옵니다.

편향(Bias) 관리

채용 AI, 대출 AI, 의료 AI 등 중요한 의사결정을 지원하는 AI는 특정 집단에 대한 편향이 없는지 검증해야 합니다. 이를 위한 테스트 케이스를 기획하고, 허용 기준을 정의하는 것이 AI PM의 역할입니다.

개인정보와 데이터 활용 경계

"이 데이터를 모델 학습에 사용해도 되는가?" 법적으로 가능하더라도 사용자가 기대하는 범위인지 판단해야 합니다.

AI 남용 방지

악의적 사용자가 AI 기능을 어떻게 남용할 수 있는지 미리 생각하고 가드레일을 설계해야 합니다.

LLM 비용/성능 트레이드오프 이해

AI PM은 비즈니스와 기술 사이의 다리 역할을 합니다. LLM 비용은 제품 경제성에 직접 영향을 미칩니다.

# LLM 비용 계산 예시 (개념적 이해를 위한 수치)
# ---
# GPT-4o 기준 (2026년 추정):
#   - 입력: 약 5달러/백만 토큰
#   - 출력: 약 15달러/백만 토큰
#
# 서비스 설계 시 고려사항:
#   - 사용자당 평균 메시지 길이: 200 토큰
#   - 시스템 프롬프트 길이: 500 토큰
#   - 응답 길이: 300 토큰
#   - 예상 일일 활성 사용자: 10,000명
#   - 평균 세션당 메시지: 5회
#
# 일일 비용 = 10,000 * 5 * (700/백만 * 5달러 + 300/백만 * 15달러)
#           = 약 62.5달러/일
#           = 약 1,875달러/월

AI PM은 이런 계산을 직접 할 수 있어야 하고, 언제 더 저렴한 모델로 전환할지, 캐싱 전략을 어떻게 적용할지 결정에 참여해야 합니다.

4. 기술 PM vs 비기술 PM의 경계 흐려짐

전통적으로 PM은 두 부류였습니다. 개발 경험이 있는 "기술 PM"과 비즈니스, 기획, 마케팅 배경의 "비기술 PM"이었죠.

AI 시대에는 이 경계가 무너지고 있습니다. 동시에 모든 PM에게 최소한의 기술 리터러시가 요구되고 있습니다.

AI 시대 PM에게 필요한 기술 리터러시

비기술 PM이라도 다음 개념들은 이해해야 합니다.

API 이해

# API 호출 예시 - PM이 이해해야 할 개념
# AI 기능의 "입력"과 "출력"이 무엇인지,
# 어떤 파라미터가 동작에 영향을 미치는지 이해하기 위함

POST /v1/chat/completions
{
  "model": "gpt-4o",
  "messages": [{"role": "user", "content": "..."}],
  "temperature": 0.7,
  "max_tokens": 500
}

이 호출에서 temperature가 무엇을 의미하는지, max_tokens를 왜 제한하는지 이해하는 PM과 그렇지 않은 PM의 의사결정 품질은 다릅니다.

데이터 기초 이해

SQL을 직접 짤 필요는 없지만, 데이터가 어떻게 구조화되어 있는지, 사용자 행동 로그에서 어떤 정보를 뽑아낼 수 있는지 기본 개념은 있어야 합니다.

시스템 아키텍처 이해

마이크로서비스, API 게이트웨이, 데이터 파이프라인 같은 개념을 모르면 기술팀과의 소통에서 계속 벽에 부딪힙니다.

5. AI PM이 알아야 할 최소 기술 지식

노코드로 직접 AI 기능을 만들어보기

백엔드 코딩을 모르더라도 이제는 직접 AI 기능 프로토타입을 만들 수 있습니다.

Bubble + OpenAI API 연동

노코드 도구인 Bubble과 OpenAI API를 연동하면, 코딩 없이도 AI 기반 웹 앱을 만들 수 있습니다. PM이 직접 프로토타입을 만들어 이해관계자에게 보여주면 커뮤니케이션이 훨씬 효과적입니다.

n8n 또는 Make.com으로 AI 워크플로우 자동화

이 도구들을 활용하면 "사용자가 폼을 제출하면 → AI가 요약 → Slack에 알림"과 같은 워크플로우를 코딩 없이 구축할 수 있습니다.

Streamlit으로 간단한 AI 데모 만들기

Python 기초가 있다면 Streamlit으로 며칠 안에 AI 기능 데모를 만들 수 있습니다.

# Streamlit + AI API 간단 데모 예시
import streamlit as st
from openai import OpenAI

client = OpenAI()

st.title("AI 고객 문의 분류기 데모")
user_input = st.text_area("고객 문의 내용 입력:")

if st.button("분류하기") and user_input:
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "system", "content": "고객 문의를 배송/결제/반품/기타 중 하나로 분류하세요."},
            {"role": "user", "content": user_input}
        ]
    )
    st.success(f"분류 결과: {response.choices[0].message.content}")

이런 데모를 직접 만들 수 있는 PM은 팀에서 훨씬 강력한 역할을 할 수 있습니다.

데이터 분석 기초 습득

SQL 기초 정도는 익혀두면 좋습니다. 기초 SELECT, WHERE, GROUP BY, JOIN 정도면 많은 분석 질문에 직접 답할 수 있습니다.

-- PM이 알면 좋은 기초 SQL 예시
-- "AI 추천 기능 도입 후 전환율 변화 보기"
SELECT
    experiment_group,
    COUNT(DISTINCT user_id) AS users,
    SUM(converted) AS conversions,
    ROUND(SUM(converted) * 100.0 / COUNT(DISTINCT user_id), 2) AS cvr
FROM experiment_results
WHERE experiment_name = 'ai_recommendation_v1'
  AND date >= '2026-02-01'
GROUP BY experiment_group

6. 12개월 AI PM 전환 로드맵

1-2개월: AI 제품 이해와 기초 리터러시

배워야 할 것들:

OpenAI API Playground 사용해보기 (직접 프롬프트를 바꿔가며 모델 동작 이해)
Google의 무료 강좌 "Introduction to Generative AI" 수강
Andrej Karpathy의 "Intro to Large Language Models" 영상 시청
현재 운영 중인 AI 제품들 (ChatGPT, Perplexity, Notion AI 등) 집중 사용하며 UX 분석

목표:

LLM이 무엇이고 어떻게 동작하는지 비기술적으로 설명할 수 있어야 함
AI 기능의 성공 기준을 어떻게 정의하는지 초안 작성 가능

3-4개월: AI PM 실무 이해

배워야 할 것들:

"Building AI Products" 관련 콘텐츠 (a16z, Sequoia 블로그 등의 AI 제품 케이스 스터디)
AI 제품의 프로토타입 직접 만들기 (Bubble+OpenAI 또는 Streamlit)
AI 편향과 윤리 관련 기본 이해 (AI Now Institute 리포트 등)
실제 AI 스타트업 PM 인터뷰나 팟캐스트 청취

목표:

간단한 AI 기능 PRD 작성 가능
AI 제품의 리스크 요소를 식별하고 완화 방안 제안 가능

5-7개월: 실전 경험 쌓기

현직에 있다면:

기존 제품에 AI 기능 하나 추가하는 프로젝트를 주도
팀 내 AI 기능 평가 프로세스 제안 및 구축
LLM 비용 모니터링 대시보드 기획

이직을 준비 중이라면:

AI 스타트업 인턴/계약직 경험 적극 추구
사이드 프로젝트로 AI 제품 기획 및 출시

8-10개월: 포지셔닝 강화

Medium/Substack에 AI 제품 기획 인사이트 글 게시 (월 2회)
AI PM 커뮤니티 참여 (Product Hunt Discord, LLM Builders Korea 등)
타겟 기업 AI 제품 깊이 분석 및 개선 제안서 작성 (포트폴리오로 활용)

11-12개월: 전환 실행

리크루터 접촉 및 네트워킹 강화
인터뷰 준비: AI 제품 케이스 스터디 10개 준비
협상력 강화: AI PM 연봉 밴드 리서치

7. AI 제품 기획 포트폴리오 만들기

PM 포트폴리오의 특성

PM은 코드를 보여줄 수 없습니다. 포트폴리오는 "이 사람이 어떻게 생각하는가"를 보여줍니다.

포트폴리오 구성 요소

구성 요소 1: AI 제품 케이스 스터디

기존에 있는 AI 제품(ChatGPT, Notion AI, GitHub Copilot 등)을 깊이 분석합니다.

# 케이스 스터디 구성 템플릿:
#
# 1. 제품 개요 및 타겟 사용자
# 2. 해결하는 핵심 문제
# 3. AI 기능의 설계 방식 분석 (UX + 추정되는 기술)
# 4. 잘 된 점과 개선 가능한 점
# 5. 내가 PM이라면 다음에 무엇을 빌드할까
# 6. 성공 지표는 어떻게 정의할까

구성 요소 2: 직접 기획한 AI 제품 PRD

실제로 존재하지 않는 AI 제품의 PRD를 작성합니다. 단, 그냥 아이디어 수준이 아니라:

시장 조사와 사용자 리서치 요약
구체적인 AI 기능 스펙 (평가 기준 포함)
리스크 분석 (기술적, 윤리적)
Go-to-Market 전략 개요

구성 요소 3: 실제 AI 기능 출시 경험

가능하다면 실제로 만든 AI 기능이나 제품을 포함합니다. 작더라도 실제 사용자가 있는 제품이 가장 강력합니다.

노코드 도구로 만든 AI 제품도 괜찮습니다. "Bubble과 OpenAI API로 X명의 사용자가 쓰는 Y 서비스를 기획하고 출시했다"는 스토리는 매력적입니다.

마치며: AI PM은 번역가입니다

AI 제품 매니저의 본질을 한 문장으로 정의하자면, "AI의 가능성과 한계를 비즈니스 언어로, 비즈니스의 필요를 AI 가능성의 언어로 번역하는 사람"입니다.

AI 개발자들은 모델이 얼마나 정확한지, 얼마나 빠른지에 집중합니다. 비즈니스 이해관계자들은 매출, 비용, 사용자 만족도에 집중합니다. 그 사이 어딘가에 AI PM이 있습니다.

이 번역 능력은 기술을 완벽히 알 필요도 없고, 비즈니스 전문가일 필요도 없습니다. 양쪽을 충분히 이해하고, 대화를 이어주며, 올바른 질문을 하는 사람이면 됩니다.

그리고 그런 사람은 AI가 대체하기 매우 어렵습니다.

오늘부터 여러분이 쓰는 AI 도구들을 단순히 사용하는 것이 아니라, "이 기능은 어떻게 설계되었을까? 다음 단계는 무엇일까? 내가 PM이라면 어떻게 개선할까?"라고 생각하며 쓰기 시작하세요. 그게 AI PM으로 가는 첫 발걸음입니다.

이 시리즈의 다음 편에서는 주니어 개발자를 위한 특별 가이드를 다룹니다.