AI에게 '디자인 안목'을 훈련시키는 방법입니다 — Tech Bridge

URL: https://www.youtube.com/watch?v=usSawqBoVZU
날짜: 2026-09-11
채널: Tech Bridge
발표자: Thais Castello Branco, Taste Labs 창업자
영상 길이: 약 14분 34초

---

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

==생성 비용이 0에 가까워진 시대에 AI 슬롭(AI slop)을 끝내려면, 모델을 더 무작정 창의적으로 만드는 것이 아니라 주관적 영역을 분해하고, 맥락·의도·브랜드 적합성을 추론 시점에 검증해야 한다.==

• AI는 코딩·수학처럼 정답을 검증하기 쉬운 영역에 비해 디자인·글쓰기에서 평균적인 결과로 수렴하기 쉽다.
• AI 슬롭은 반복(repetition), 맥락에 대한 적합성 부족(lack of fit), 낮은 의도(low intent)라는 세 가지 패턴으로 관찰할 수 있다.
• Taste Labs는 웹사이트 대규모 분석과 작은 분류기인 프로브(probe)를 사용해 슬롭을 측정하고, 창의성 API와 브랜드 API로 생성·검증 과정을 보강하려 한다.

Thais의 문제의식은 “AI가 인간의 최고 수준 취향을 완전히 복제할 수 있는가”가 아니다. 지금 더 시급한 질문은 AI가 양산하는 평균적이고 영혼 없는 결과물의 품질 바닥을 어떻게 끌어올릴 것인가이다. 이를 위해 모델 계층에서는 주관적 영역을 학습 가능한 하위 문제로 바꾸고, 애플리케이션 계층에서는 사용자의 맥락과 의도를 수집해 결과가 실제 상황에 맞는지 확인해야 한다.

1. Taste Labs가 해결하려는 문제

Taste Labs는 AI 슬롭을 줄이기 위해 모델 자체의 능력과 에이전트가 작동하는 애플리케이션 계층을 함께 다룬다.

1.1. 디자인을 첫 번째 주관적 영역으로 선택한 이유

1. AI 슬롭은 Thais가 지목한 개인적 적이다

   1. Taste Labs는 발표 시점에 스텔스(stealth)에서 나온 지 몇 주 된 회사다.
   2. 회사의 미션은 “AI 슬롭을 어떻게 끝낼 것인가”이며, Thais는 슬롭을 자신의 개인적인 적이라고 표현한다.
   3. 슬롭을 해결하려면 모델이 잘하는 코딩·수학 같은 영역만 더 확장할 것이 아니라, 지금까지 충분히 해독하지 못한 주관적 영역(subjective domains)을 다뤄야 한다.

2. 디자인과 글쓰기에도 모델 연구의 노력을 투입해야 한다

   1. 지금까지 모델과 에이전트를 코딩과 수학에 능숙하게 만드는 데 많은 노력이 집중됐다.
   2. 같은 수준의 노력을 디자인과 글쓰기에도 투입해야 하며, Taste Labs는 그 첫 번째 기둥(pillar)으로 디자인을 선택했다.
   3. 디자인은 처음에는 크고 모호해 보이지만, 충분히 구체적인 문제 단위로 쪼개면 일부는 거의 결정론적인 문제로 바꿀 수 있다.

1.2. 모델 계층에서의 접근

1. 프런티어 랩과 함께 모델의 실패 지점을 찾는다

   1. Taste Labs는 Frontier Labs와 협력해 모델을 평가하고, 모델이 어느 지점에서 무너지는지 파악한다.
   2. 무엇이 더 좋아져야 하는지 이해한 뒤, 그 문제에 맞는 후속학습(post-training) 데이터나 환경(environment)을 구성한다.
   3. 핵심은 “디자인을 잘하게 만들자”라는 큰 문장을 그대로 다루지 않고, 어떤 하위 능력이 어떤 학습·평가 방식에 맞는지 구분하는 것이다.

2. 객관화 가능한 요소와 선호에 의존하는 요소를 나눈다

   1. 색상 팔레트(color palette), 대비(contrast), 정렬(alignment)은 문제와 맥락을 충분히 구체화하면 상당히 객관적인 답에 도달할 수 있다.
   2. 이런 기준은 대부분의 전문가가 동의할 수 있어 규칙이나 평가 기준으로 만들기 쉽다.
   3. 반면 미학(aesthetics)은 전문가 사이에서도 자연스럽게 의견이 갈린다.
   4. 의견이 갈리는 영역에서는 하나의 절대 정답을 가정하기보다 실제 데이터와 선호에 가까운 신호를 사용해야 한다.

1.3. 애플리케이션 계층에서의 접근

1. 오프더셸프 모델의 평균 수렴을 보완한다

   1. 에이전트와 앱 회사는 대체로 오프더셸프(off-the-shelf) 모델을 사용한다.
   2. 이런 모델은 스타일이 무너지고 평균(mean)으로 수렴하는 경향이 있다.
   3. 서로 다른 사용자가 서로 다른 요청을 해도 비슷한 레이아웃과 시각적 패턴이 반복되면, 시스템에서 창의성이 사라진 것이다.

2. 문맥·판단·검증을 앱의 책임으로 설계한다

   1. 앱은 사용자의 선호와 브랜드의 선호를 이해하고, 결과가 그 스타일을 계속 따르는지 확인해야 한다.
   2. 사용자가 어느 순간에 누구를 위해 무엇을 만들려는지에 따라 결과의 적합성이 달라진다.
   3. 따라서 모든 문제를 모델 가중치의 문제로 넘길 수 없으며, 문맥(context), 판단(judgment), 검증(verification)을 애플리케이션 계층에 넣어야 한다.

2. 훌륭함·취향·AI 슬롭의 차이

수학에서는 정답과 훌륭함이 가깝지만, 디자인에서는 특별함·배려·공예·진정성이 결과의 품질을 결정한다.

2.1. “훌륭하다”를 정의하기 어려운 이유

1. 정답이 있는 영역

   1. 수학에는 대체로 하나의 객관적인 답이 있으므로 훌륭함은 정확성(correctness)과 거의 겹친다.
   2. 이런 영역에서는 결과를 비교하고 채점하기가 쉽다.

2. 정답만으로는 부족한 영역

   1. 훌륭한 트윗, 예술 작품, 웹사이트가 무엇인지 한 줄의 객관적인 규칙으로 정의하기는 어렵다.
   2. 시를 읽거나 카페에 들어갔을 때 특별하게 느끼는 경험에는 하나의 원인만 있는 것이 아니다.
   3. 그런 결과는 독특하고(unique), 조금 다르고, 사람의 주의를 끌며, 세부사항과 공예에 많은 배려가 들어간 듯한 느낌을 준다.
   4. 여기에 진정성(authenticity)까지 느껴질 때 결과는 평균적인 산출물과 달라진다.

2.2. 생성의 민주화와 취향 격차

1. 버튼 하나가 생성 비용을 낮췄다

   1. 이제 디자이너도 엔지니어도 아닌 사람까지 버튼 하나로 전체 파워포인트, 웹사이트, 웹 앱을 만들 수 있다.
   2. 거의 누구나 무엇인가를 만들 수 있게 된 것은 멋지고 마법 같은 변화다.
   3. 그러나 생성 비용이 사실상 0에 가까워지면서 결과의 양이 품질을 압도할 위험도 커졌다.

2. 디자이너의 취향은 평생 쌓이는 훈련의 결과다

   1. 디자이너는 많은 것을 접하고, 반복되는 패턴을 발견하고, 자기만의 관점(point of view)을 만든다.
   2. 규범에서 조금 벗어나는 선택을 용기 있게 시도하면서 무엇을 하지 말아야 하는지도 배운다.
   3. 절제(restraint)를 익히는 과정까지 포함하면 취향은 시간과 기술이 필요한 장기 훈련이다.
   4. 따라서 모든 사용자에게 디자인 취향을 먼저 개발하라고 요구하는 것은 현실적인 해결책이 아니다.

3. 시스템이 사용자의 취향을 도와야 한다

   1. 일반 사용자가 디자인의 모든 영역에서 전문가 수준의 안목을 갖추기를 기대하기는 어렵다.
   2. 더 현실적인 목표는 사용자가 훌륭한 결과를 만들고 자신의 취향을 이해하도록 시스템이 돕는 것이다.
   3. Taste Labs는 취향을 개인에게만 맡기지 않고, 데이터·도구·검증의 문제로 바꾸려 한다.

2.3. AI 슬롭의 세 가지 핵심 특징

1. 반복(repetition)

   1. 같은 것이 매우 많이, 계속해서 나타나는 현상이다.
   2. 생성이 쉬워질수록 시스템은 이미 평균적으로 많이 본 패턴을 다시 선택하기 쉽다.
   3. 반복은 결과물이 특정 사람과 상황을 위해 만들어졌다는 인상을 약하게 하고 영혼 없는 느낌을 키운다.

2. 적합성 부족(lack of fit)

   1. 적합성(fit)은 특정 맥락, 특정 순간, 특정 사람에게 결과가 “맞다”고 느껴지는 성질이다.
   2. 반려동물 가게 웹사이트와 금융 회사 웹사이트를 각각 요청했는데 두 결과가 똑같다면 맥락을 이해하지 못한 것이다.
   3. 사람이 두 사이트를 세심하게 만들었다면 목적·대상·상황의 차이 때문에 반드시 같은 결과로 수렴하지는 않을 것이다.

3. 낮은 의도(low intent)

   1. 사용자가 프롬프트를 빠르게 입력하고 한 번에 결과를 얻으려는 원숏(oneshot) 방식은 낮은 의도를 강화할 수 있다.
   2. 더 근본적인 문제는 시스템이 사용자의 실제 의도를 해석하고 구체화하는 과정이 부족하다는 점이다.
   3. 에이전트는 사용자가 무엇을 왜 만들려는지 더 잘 이해하도록 돕고, 결과에 색깔과 맥락을 더해야 한다.

3. 200만 개 웹사이트에서 슬롭을 측정하다

Thais는 무언가를 고치려면 먼저 측정하고 먼저 이해해야 한다는 원칙으로 연구 여정을 설명한다.

3.1. 대규모 웹 데이터 분석

1. 약 10년의 디자인 변화를 추적한다

   1. Taste Labs는 지난 약 10년 동안의 웹사이트 200만 개 이상을 분석했다.
   2. 방식은 웨이백 머신(Wayback Machine)을 시간축으로 훑는 것과 비슷했다.
   3. 이를 통해 인터넷과 디자인이 시간에 따라 어떻게 변했는지, 여러 디자인 특성이 어떻게 확산됐는지 살폈다.

2. 인간 제작물과 AI 생성물을 비교한다

   1. 연구팀은 인간이 만든 사이트와 AI가 만든 사이트를 비교하기 위해 디자인 웹사이트 세트를 합성적으로 생성했다.
   2. 같은 분석 틀에서 인간 제작물의 특성과 AI 생성물의 반복 패턴을 관찰했다.
   3. 목표는 “AI라서 나쁘다”는 인상비평이 아니라, 어떤 시각적 특성이 어떤 빈도로 결합하는지 확인하는 것이었다.

3.2. AI 이전부터 시작된 동질화

1. 인터넷은 이미 평균으로 움직이고 있었다

   1. AI가 등장하기 전에도 인터넷은 더 비슷한 색상 팔레트와 레이아웃을 사용하는 방향으로 동질화되고 있었다.
   2. 디자인 트렌드가 더 빠르게 퍼지는 현상이 이런 수렴의 한 원인으로 보인다.

2. AI는 맥락 없는 반복을 가속했다

   1. AI 이후에는 반복이 훨씬 강해졌고, 서로 전혀 다른 범주에서도 유사한 패턴이 나타났다.
   2. AI 슬롭의 문제는 단순히 디자인이 못생겼다는 것이 아니라, 카테고리와 맥락에 따라 달라져야 할 차이를 지워버린다는 데 있다.

3.3. 프로브(probe)와 작은 분류기

1. 시각적 특성을 구조화한다

   1. Taste Labs는 대규모 데이터에서 패턴을 마이닝하고, 색상(colors), 타이포그래피(typography), 레이아웃(layout), 대상 독자(audience) 같은 특성을 추출했다.
   2. 추출한 특성을 “이 사이트에 특정 패턴이 있는가”라는 구조화된 질문으로 바꿨다.

2. 하나의 특성을 감지하는 베이비 클래시파이어를 만든다

   1. Thais가 프로브라고 부르는 것은 한 가지 특성을 감지하도록 훈련된 작은 분류기(baby classifier)다.
   2. 슬롭 사이트에서 반복적으로 나타나는 색상·타이포그래피·레이아웃 조합을 각각의 프로브가 탐지한다.
   3. 하나의 프로브로 전체 품질을 판정하는 것이 아니라 여러 프로브의 동시 발생과 빈도를 함께 본다.

3. 여러 신호의 결합으로 슬롭을 예측한다

   1. 여러 프로브가 한 사이트에서 자주 함께 활성화될수록 그 사이트가 AI 슬롭일 가능성이 높아진다.
   2. 연구에서는 이 방식이 슬롭을 측정하고 예측하는 데 매우 높은 능력을 보였다.
   3. 구체적인 정확도 수치는 발표되지 않았지만, 대부분의 LLM-as-a-judge 방식보다 좋은 성능을 보였다고 설명한다.
   4. 이 결과는 슬롭이 단순한 막연한 불쾌감이 아니라 관찰·분해·정량화할 수 있는 패턴임을 시사한다.

4. 생성보다 중요해진 판단과 추론 시점의 설계

생성 비용이 내려갈수록 무엇이 맞는지 분별하고, 문제를 쪼개고, 언제 결과를 통과시킬지 결정하는 판단(judgment)의 가치는 올라간다.

4.1. 모델 계층만으로는 부족하다

1. 모델을 더 좋게 만드는 일은 필요하다

   1. 모델의 품질 기준을 높이고 모델 자체를 개선하는 작업은 반드시 필요하며 Taste Labs도 그 일을 하고 있다.
   2. 그러나 모델의 기본 능력만 높인다고 사용자의 구체적인 상황과 의도까지 자동으로 반영되지는 않는다.

2. 추론 시점에 실제 맥락이 들어온다

   1. 추론 시간(inference time)은 에이전트가 최종 사용자와 상호작용하는 순간이다.
   2. 사용자와의 왕복 과정에서 맥락과 의도를 이해하는 일이 발생하므로, 이 지점을 설계하지 않으면 슬롭은 계속된다.
   3. Thais는 추론 시점의 문제가 모델 계층의 문제만큼 중요하거나, 오히려 더 중요할 수 있다고 본다.

4.2. 반복에 대응하는 창의성 API

1. 에이전트의 영감 머신

   1. Taste Labs는 반복 문제를 해결하기 위해 “창의성 API(creativity API)”라고 부르는 시스템을 작업 중이다.
   2. 공식 명칭은 아닐 수 있지만, 목적은 에이전트가 평균적인 결과가 아닌 분포 밖(out of distribution)의 결과를 만들도록 영감을 공급하는 것이다.

2. 창의성은 무작위성이 아니다

   1. 모델의 temperature만 올리고 잘 되기를 기대하는 것은 창의성 시스템이 아니다.
   2. 먼저 특정 도메인의 규칙과 기대를 이해한 다음, 그중 어디에서 벗어날지 의도적으로 선택해야 한다.
   3. 예를 들어 스타트업 피치 덱은 좋은 피치 덱의 일반적인 구조를 지키면서 핵심적인 몇 가지 요소에서 의도적으로 차이를 만들 수 있다.
   4. 완전히 상황과 어긋난 결과가 아니라, 카테고리의 기대에는 충실하면서 일부 규칙만 선택적으로 깨는 것이 창의성이다.

4.3. 브랜드 API로 이미 만들어진 기준을 재사용한다

1. 브랜드는 사전 제작된 품질 기준이다

   1. 훌륭한 브랜드는 수십 명의 디자이너가 공예와 사고, 배려를 투입해 만든다.
   2. 따라서 브랜드에는 해당 회사에 무엇이 좋은지 이미 상당 부분 정의돼 있다.
   3. AI가 그 기준을 활용하지 않고 매번 평균적인 결과를 새로 만들게 두는 것은 이미 해 둔 작업을 낭비하는 일이다.

2. 브랜드 URL을 에이전트가 따를 구조로 바꾼다

   1. 브랜드 API는 Taste Labs가 대중에게 출시하는 첫 번째 제품이며, 발표 시점에 여러 디자인 파트너와 베타 테스트 중이다.
   2. 브랜드 URL을 입력하면 색상, 타이포그래피, 레이아웃, 표현 방식 등 에이전트가 따를 수 있는 구체적인 구성요소로 추출한다.
   3. 흐릿한 브랜드 개념을 구조화된 데이터로 바꾸면 에이전트가 생성에 활용할 수 있고, 사용자는 결과를 그 기준과 비교할 수 있다.

3. 생성과 검증을 같은 흐름에 넣는다

   1. 중요한 것은 더 나은 결과를 생성하는 것뿐 아니라 에이전트가 끝까지 브랜드 기준을 지키는지 확인하는 것이다.
   2. 사용자는 에이전트가 궤도에서 벗어났는지, 브랜드를 얼마나 잘 따랐는지, 어디에서 실패했는지를 판단할 수 있어야 한다.
   3. 프로브나 브랜드 검증은 에이전트가 슬롭을 출시하지 못하게 하는 게이트(gate)가 될 수 있다.

4.4. 브랜드가 없는 사용자를 위한 브랜드 시스템 저장소

1. 모든 사용자가 브랜드를 갖고 있지는 않다

   1. 기존 브랜드 URL 추출 방식은 이미 정체성을 가진 회사에 적합하다.
   2. 일반 소비자는 “몽환적인 느낌”처럼 모호한 선호만 가지고 있을 수 있다.
   3. 이를 매번 즉석에서 생성하면 일관성 없는 결과나 다시 슬롭 패턴으로 돌아갈 위험이 있다.

2. 응집성 있는 시스템을 검색해 재사용한다

   1. Taste Labs는 미리 만들어 둔 브랜드 시스템의 저장소(repository) 또는 인덱스(index)를 만들고 있다.
   2. 사용자가 몽환적인 결과를 원하면 즉석에서 무작위 디자인을 만들기보다, 이미 응집성(cohesion)을 갖춘 몽환적인 브랜드 시스템을 검색할 수 있다.
   3. 미리 생각해 둔 시스템을 재사용하면 스타일의 일관성을 높이고 반복·적합성 부족·낮은 의도를 동시에 줄이기 쉽다.

4.5. 사례: General Intelligence Company of New York

1. 기본 생성 결과와 원래 브랜드의 차이

   1. Thais는 General Intelligence Company of New York를 인상적인 웹사이트를 가진 회사로 소개한다.
   2. Claude Design에 이 회사의 브랜딩으로 슬라이드 덱을 만들어 달라고 하면, 브랜드를 추출하지 않은 기본 결과는 원래 브랜드와 상당히 다르다.
   3. 사례의 비교 화면은 왼쪽에 원래 브랜드, 가운데에 기본 생성 결과, 오른쪽에 브랜드 추출을 적용한 결과를 보여준다.

2. 브랜드 추출 후의 높은 충실도

   1. 브랜드 추출을 생성 과정에 넣으면 결과가 원래 브랜드에 훨씬 높은 충실도(high fidelity)로 맞춰진다.
   2. 색상과 레이아웃뿐 아니라 세부사항에서도 원래 브랜드에 맞고 “느낌이 옳은” 결과가 된다.
   3. 브랜드 기준은 창작성을 없애는 족쇄가 아니라, 창작이 상황에 맞게 벗어나야 할 범위를 정해 주는 기준이다.

5. 인간 취향의 가치와 현실적인 목표

인간 취향과 인간 공예의 정점은 여전히 가치 있지만, 현재 가장 중요한 일은 그 정점을 복제하는 논쟁보다 품질의 바닥을 높이는 것이다.

5.1. 인간의 최고 수준 공예는 계속 중요하다

1. 인간의 취향과 공예가 AI 시대에 무의미해지는 것은 아니다.

   1. 오랜 시간 관찰하고 선택하고 절제하며 만든 결과는 평균 패턴을 복사한 결과와 다르다.
   2. 인간의 관점·배려·진정성이 담긴 결과는 앞으로도 깊이 가치 있을 것이다.

2. 모델이 인간 취향의 정점에 도달할 수 있는지 논쟁하기에는 아직 이르다.

   1. 지금의 품질 기준은 “바닥에 놓여 있다”고 할 만큼 낮은 경우가 많다.
   2. 먼저 모델과 에이전트가 기본적인 적합성·일관성·의도를 충족하게 만드는 일이 우선이다.
   3. 논점을 “AI가 인간 취향의 최고점을 완전히 재현하는가”에서 “평균적인 슬롭보다 확실히 나은 결과를 꾸준히 내는가”로 옮겨야 한다.

5.2. 문제 분해와 측정이 품질 개선의 공통 언어가 된다

1. 색상·대비·정렬처럼 객관화할 수 있는 요소에는 규칙과 분류기를 적용한다.
2. 미학처럼 의견이 갈리는 요소에는 데이터와 인간 판단을 적용한다.
3. 프로브로 반복을 감지하고 브랜드 API로 기준과 결과의 차이를 비교하면 “왜 실패했는가”를 설명할 수 있다.
4. 추론 시점의 상호작용에서 맥락과 의도를 보강하면 원숏 생성으로 인한 낮은 의도를 줄일 수 있다.
5. 이 모든 작업의 목적은 인간 취향의 정점을 즉시 복제하는 것이 아니라, 측정 가능한 방식으로 AI 결과물의 최소 품질을 끌어올리는 것이다.

주요 발언 모음

“AI 슬롭을 어떻게 끝낼 것인가? 슬롭은 나의 개인적인 적이다.” — “How do we end AI slop? It’s my personal enemy.”

“슬롭을 해결하려면 주관적 영역을 해독해야 한다.” — “To solve this problem of slop, we have to decode subjective domains.”

“무언가를 고치려면 먼저 측정하고 먼저 이해해야 한다.” — “In order to fix something you first have to measure it and you first have to understand it.”

“생성 비용이 0에 가까워질수록 더 비싸지고 중요해지는 것은 판단이다.” — “As the cost of production basically goes to zero, the thing that becomes expensive and matters more than ever is judgment.”

“창의성은 모델의 temperature를 높이고 잘 되기를 기대하는 것이 아니다.” — “It’s not just about turning up the temperature of a model and fingers crossed hoping for the best.”

“먼저 바닥에 놓인 품질 기준을 끌어올려야 한다.” — “How do we first just raise the bar? The bar is kind of really on the ground.”

핵심 데이터 & 수치

• 200만 개 이상: Taste Labs가 약 10년의 웹 디자인 변화를 분석한 사이트 규모다.
• 약 10년: 인터넷 동질화와 AI 생성 패턴을 비교한 시간 범위다.
• 3가지 슬롭 특성: 반복, 적합성 부족, 낮은 의도다.
• 2개 계층: 프런티어 모델을 평가·훈련하는 모델 계층과 에이전트의 문맥·판단·검증을 돕는 애플리케이션 계층이다.
• 정량 정확도 미공개: 프로브가 LLM-as-a-judge보다 좋았다는 비교는 있었지만 정확한 수치나 벤치마크는 공개되지 않았다.
• 수십 명의 디자이너: 훌륭한 브랜드를 만드는 데 필요한 공예와 사고의 규모를 설명하기 위해 제시한 표현이다.
• 0에 가까운 생성 비용: 버튼 하나로 파워포인트·웹사이트·웹 앱을 만들 수 있게 된 변화를 가리킨다.

결론 및 시사점

1. AI 품질은 정답이 분명한 코딩·수학 영역만 개선해서는 충분하지 않으며, 디자인·글쓰기 같은 주관적 영역을 별도로 다뤄야 한다.
2. “좋은 디자인”을 막연한 취향 점수로 만들지 말고 색상, 대비, 정렬, 타이포그래피, 레이아웃, 대상 독자, 브랜드 적합성으로 분해해야 한다.
3. 반복되는 시각적 특성은 프로브와 작은 분류기로 측정할 수 있으며, 여러 신호를 결합하면 슬롭을 차단하는 게이트로 사용할 수 있다.
4. 생성 비용이 내려간 만큼 제품은 사용자 의도 해석, 맥락 수집, 결과 검증에 더 투자해야 한다.
5. 창의성은 무작위성이 아니라 도메인의 규칙과 기대를 이해한 뒤 일부를 의도적으로 깨는 통제된 일탈이다.
6. 브랜드는 이미 인간 디자이너들이 만든 품질 기준이므로, 에이전트가 매번 새로 추측하게 하지 말고 실행 가능한 구조로 추출해야 한다.
7. 브랜드 API는 생성 지침과 검증 기준을 함께 제공해 브랜드 적합성의 실패 지점을 드러낼 수 있다.
8. 브랜드가 없는 사용자에게는 매번 무작위로 생성하게 하기보다 일관성 있는 브랜드 시스템 저장소를 검색하게 하는 편이 안정적이다.
9. 인간의 취향과 공예는 계속 희소하고 가치 있지만, 현재의 우선순위는 인간 취향의 정점보다 낮게 깔린 AI 품질의 바닥을 높이는 것이다.
10. Taste Labs의 접근은 인간 판단을 없애는 것이 아니라 판단이 필요한 부분을 구조화하고 측정·생성·검증 시스템으로 보강하는 것이다.

핵심 요약 (20줄)

1. Taste Labs는 AI 슬롭을 줄이기 위해 주관적 영역을 해독하는 일을 시작했다.
2. 회사의 첫 번째 적용 영역은 코딩이나 수학이 아니라 디자인이다.
3. 디자인은 하나의 거대한 취향 문제가 아니라 여러 하위 문제로 분해할 수 있다.
4. 색상 팔레트·대비·정렬은 구체적인 맥락을 붙이면 상당히 객관적으로 평가할 수 있다.
5. 미학처럼 전문가 의견이 갈리는 영역은 실제 데이터와 선호를 참고해야 한다.
6. 오프더셸프 모델은 스타일을 평균으로 수렴시키는 경향이 있다.
7. 훌륭한 결과는 독특함·주의 환기·공예·배려·진정성이 결합될 때 특별하게 느껴진다.
8. 생성 비용이 거의 0이 되면서 결과를 분별하는 판단의 가치가 커졌다.
9. 디자이너의 취향은 노출·패턴 인식·관점·용기·절제를 오랜 시간 훈련한 결과다.
10. 모든 사용자에게 전문가 취향을 요구하는 것은 현실적인 해법이 아니다.
11. AI 슬롭은 반복·적합성 부족·낮은 의도라는 세 특성으로 설명할 수 있다.
12. 반려동물 가게와 금융 회사가 같은 웹사이트를 갖게 되면 맥락 적합성이 사라진 것이다.
13. Taste Labs는 약 10년 동안 웹사이트 200만 개 이상을 분석했다.
14. 인터넷은 AI 이전에도 비슷한 팔레트와 레이아웃으로 동질화되고 있었다.
15. AI는 그 반복을 서로 다른 맥락에까지 확산시켰다.
16. 색상·타이포그래피·레이아웃·대상 독자에서 추출한 프로브를 조합하면 슬롭을 예측할 수 있다.
17. 생성 모델만 고치는 것으로는 추론 시점의 사용자 맥락과 의도 문제를 해결할 수 없다.
18. 창의성 API는 규칙을 이해한 뒤 일부를 의도적으로 깨도록 에이전트를 돕는다.
19. 브랜드 API는 브랜드 URL을 생성 지침과 검증 기준을 갖춘 구조로 바꾼다.
20. 당장의 목표는 인간 취향의 정점 복제가 아니라 AI 품질의 바닥을 측정 가능하게 높이는 것이다.