디자이너 한 명과 AI로 수백 가지 결과물을 만드는 방법

원문 제목: [한영자막] 디자이너 한 명과 AI로 수백 가지 결과물을 만드는 방법 — Vincent Wendy, AI Engineer
원문 링크: https://www.youtube.com/watch?v=KfTAIanL0tY
발행일: 2026-09-14
채널: Tech Bridge

메타데이터

• 발표자: Vincent Wendy, AI Engineer 시니어 크리에이티브 디자이너
• 재생 시간: 16분 18초
• 자막: 영어 자동 생성 자막(한국어 자동 자막은 HTTP 429로 실패)
• 핵심 주제: 소규모 팀의 대규모 이벤트 디자인을 디자인 시스템, 재사용 가능한 구성요소, Devin·Figma·MCP 기반 자동화, 시각 검증으로 확장하는 방법
• 작업 맥락: AI Engineer 콘퍼런스 및 과거 콘퍼런스의 디자인 제작

📌 핵심 질문 / 한 명의 디자이너가 수백 가지 결과물을 감당하는 방법

==대규모 이벤트에서 한 명의 디자이너가 수백 가지 산출물을 처리하려면 AI를 단순한 이미지 생성기가 아니라 디자인 시스템을 이해하고 데이터를 끌어오며 출력물을 검증하는 협업자로 구성해야 한다.==

• AI Engineer는 약 12~15명의 작은 팀으로 7,000명 규모의 참석자, 140명 이상의 스폰서, 300명 이상의 연사, 600개 이상의 세션을 동시에 다뤘다.
• 디자인 시스템과 원자적 구성요소를 먼저 정의하면 웹사이트의 규칙을 이메일·전단·문서·마스코트 같은 다른 산출물에 재사용할 수 있다.
• Devin을 Figma·Slack·MCP·명세 문서와 연결하면 최신 일정과 연사 데이터를 읽어 PNG를 만들고, 편집 기능을 즉석에서 추가하며, 스폰서 로고 누락까지 검사할 수 있다.
• 규모를 해결하는 실마리는 거대한 결과물을 한 번에 만드는 데 있지 않고, 작은 구성요소와 예외 상황을 미리 정의하고 자동화하는 데 있다.

12~15명의 팀에서 디자인을 혼자 맡으면 병목은 도구의 부족보다 작업량과 예외의 수에서 생긴다. 문제를 디자인 시스템으로 구조화하고, AI가 실행·생성·검증을 반복하게 만들면 한 사람이 수백 개의 결과물을 처리하면서도 일정과 브랜드의 정확성을 유지할 수 있다. 디자이너의 역할은 모든 픽셀을 직접 옮기는 일에서 문제를 찾아내고, 사용자의 여정을 상상하며, 자동화가 지켜야 할 기준을 설계하는 일로 이동한다.

1. 한 명의 디자이너에게 몰린 이벤트 디자인의 규모

대규모 콘퍼런스는 핵심 그래픽 하나가 아니라 참석자·스폰서·연사·세션을 연결하는 수백 개의 접점을 요구한다.

1.1. 발표의 출발점과 청중

1. 비기술적 실전 경험을 공유하는 자리

   1. 청중 확인: 참석자에게 제품 디자이너인지 물었을 때 손을 든 사람은 일부였고, 나머지는 엔지니어로 파악됐다.
   2. 발표 범위: 코드나 모델의 기술 원리보다 AI Engineer 콘퍼런스와 과거 콘퍼런스의 디자인을 실제로 만들며 얻은 경험을 다룬다.

2. 주제의 압축

   1. 한 사람과 AI: 디자이너 한 명인 Vincent Wendy와 AI를 합쳐 수백 가지 결과물을 만드는 작업 구조를 제시한다.
   2. 현실 문제 중심: 추상적인 AI 가능성보다 실제 일정·그래픽·인쇄물·화면을 제때 내보내는 방법에 초점을 둔다.

1.2. 팀 규모와 스케일 문제

1. 작은 팀의 운영 조건

   1. 인원: AI Engineer에는 당시 약 12~15명이 일하고 있었다.
   2. 역할 분산: 각자 자신의 일을 처리하는 작은 조직에서 AI는 한 사람이 여러 종류의 일을 수행하도록 돕는 수단이 된다.

2. 근본 과제는 규모다

   1. 스케일 문제: 콘퍼런스 규모가 커질수록 같은 디자인 규칙을 적용해야 할 대상과 확인해야 할 예외가 폭발한다.
   2. 해결 방향: 핵심 과제를 자동화로 정의하고, 발표 후반부에서 디자인 기반·워크플로·검증·마찰 제거를 차례로 설명한다.

1.3. AI Engineer 콘퍼런스의 산출물 폭발

1. 행사 수치

   1. 참석자: 준비 당시 예상한 6,000명보다 늘어난 약 7,000명이 행사에 참여했다.
   2. 이해관계자: 스폰서는 140명 이상, 연사는 300명 이상, 세션은 600개 이상이었다.
   3. 디자인 인력: 이 규모의 모든 디자인을 한 명의 디자이너가 책임졌다.

2. 모든 접점이 디자인 대상이다

   1. 브랜드·홍보 자산: 스폰서 자산, 스피커 그래픽, 랜딩 페이지, 연사 발표, 트랙 마스코트가 필요하다.
   2. 현장 안내물: 참석자가 길을 잃지 않도록 사인과 디지털 사인을 제작해야 한다.
   3. 굿즈: 스티커를 포함한 스웨그와 참석자에게 제공하는 티셔츠도 디자인 범위에 들어간다.

3. 작은 누락이 큰 사고가 된다

   1. 로고 오류: 스폰서 로고 하나가 빠지면 해당 스폰서에게 큰 문제가 된다.
   2. 일정 오류: 연사의 세션 시간이 잘못 표기돼도 행사 운영 전체에 큰 혼란을 일으킨다.
   3. 실패 표면적: “디테일이 1,000개면 실패할 방법도 1,000가지”라는 상황이 된다.

2. 디자인 시스템을 AI가 실행할 수 있는 기반으로 만들기

자동화는 빈 캔버스에서 시작하지 않고, 사람이 먼저 만든 규칙과 재사용 가능한 부품에서 시작한다.

2.1. 다섯 가지 해결 원칙

1. 기반을 먼저 세운다

   1. 기본 규칙: 디자인 시스템, 타이포그래피, 색상, 컴포넌트와 기타 시각 규칙을 먼저 정의한다.
   2. 확장성: 한 번 정한 규칙이 웹사이트뿐 아니라 그 위에서 생성되는 모든 산출물의 기준이 된다.

2. 합리적이고 재사용 가능한 디자인을 만든다

   1. 반복을 전제로 설계: 한 번 잘 작동하는 디자인을 여러 매체와 대상에 반복 적용할 수 있게 한다.
   2. 자동화 전제: AI가 임의의 폰트 크기나 색상을 고르지 않도록 선택 가능한 범위를 시스템 안에 둔다.

3. 자동화된 워크플로를 만든다

   1. 데이터 연결: 최신 일정·연사 정보처럼 자주 바뀌는 입력을 디자인 파일과 연결한다.
   2. 반복 산출: 같은 형식의 수백 개 그래픽을 사람 손으로 하나씩 복제하지 않고 데이터에 따라 생성한다.

4. 출력물을 검증한다

   1. 정확성 확인: 최신 데이터가 들어갔는지, 필수 로고가 빠지지 않았는지, 시각 규칙이 지켜졌는지 검사한다.
   2. 인간과 AI의 결합: 사람의 감각과 AI의 반복 검사를 합쳐 별도의 QA 팀처럼 활용한다.

5. 마찰을 제거한다

   1. 도구 사이의 간극 축소: 디자이너가 만든 파일을 개발자가 다시 해석하는 피드백 루프를 줄인다.
   2. 사용자 여정 연결: 디자인 파일 개수가 아니라 참석자가 등록부터 방 찾기까지 막힘없이 이동하는지를 기준으로 삼는다.

2.2. 디자인 팀의 재구성

1. 사람과 도구의 조합

   1. 가상의 팀: Vincent Wendy는 자신과 Devin, GPT, Figma를 디자인 팀으로 표현한다.
   2. 도구보다 문제 해결력이 중요: 도구 자체가 더 이상 가장 큰 문제가 아니며, 해결할 만한 현실 문제가 AI 활용의 출발점이 된다.

2. 문제를 영감으로 바꾸기

   1. 기존의 질문: 무엇이 AI Engineer 디자인의 영감이었는지 처음에는 명확히 답하지 못했다.
   2. 뒤늦은 발견: 생각해 보니 영감은 멋진 레퍼런스가 아니라 행사의 규모와 그 규모가 만든 문제였다.

2.3. 원자적 디자인과 명시적 명세

1. 제품 디자인 배경의 활용

   1. 사용자 중심: 제품 디자이너로 일하며 익힌 사용자 중심 사고를 행사 디자인에도 적용한다.
   2. 원자적 디자인: 가능한 가장 작은 시각 요소를 만들고, 이를 레고 블록처럼 조합해 최종 산출물로 확장한다.

2. 타이포그래피·색상 규칙 고정

   1. 화면별 정의: 데스크톱 타이포그래피와 모바일 타이포그래피를 따로 지정한다.
   2. 무작위 출력 방지: LLM은 정의되지 않은 폰트 크기를 임의로 던지기 쉬우므로 크기·색상·기타 규칙을 문서와 시스템에 명시한다.
   3. 사이트에서 전 매체로: 웹사이트에 브랜딩을 먼저 심으면 마케팅 팀이 같은 기준으로 이메일·전단·문서를 만들 수 있다.

3. 반복 가능한 자산

   1. 마스코트: 같은 디자인을 유지한 채 여러 트랙과 상황에 맞게 마스코트를 반복 생산한다.
   2. 한 번 만들고 계속 사용: 초기에 규칙을 정의하면 이후에는 같은 구조를 여러 결과물에 적용해 제작 시간을 줄인다.

3. Devin·Figma·MCP로 데이터에서 픽셀 퍼펙트 산출물까지

디자인의 기준을 명시하고 최신 데이터를 연결하면 반복 제작과 개발자 전달을 하나의 대화형 흐름으로 바꿀 수 있다.

3.1. 일정 사인 자동 생성

1. 수작업에서 데이터 기반 생성으로 이동

   1. 이전 방식: 행사장 밖에 설치할 방별 일정표를 Figma에서 사람이 직접 만들었다.
   2. 현재 방식: Devin에게 특정 날짜의 특정 방 일정이 필요하다고 말하면 최신 데이터를 가져와 그래픽을 만든다.
   3. 출력: PNG로 내려받은 결과는 플래시 드라이브에 담아 현장 스크린에 바로 올릴 수 있다.

2. 정확성과 속도의 동시 확보

   1. 데이터 정확성: 최신 원천 데이터에서 생성하므로 사람이 일정표를 옮기며 발생하는 오타와 누락을 줄인다.
   2. 납품 경로 단축: 디자인 파일을 다시 설명하고 개발자가 재현하는 단계를 줄여 완성된 화면까지 빠르게 이동한다.

3.2. 디자이너와 엔지니어 사이의 피드백 루프 제거

1. 기존 프로세스의 한계

   1. 전통적 흐름: 제품 디자이너는 조사하고, 제품을 만들고, 디자인 사고 과정과 피드백 루프를 거친다.
   2. 픽셀 불일치: 디자이너가 만든 시안을 엔지니어가 다시 구현하는 과정에서 픽셀 퍼펙트 결과가 깨지고 수정 요청이 반복된다.

2. 새로운 전달 방식

   1. Slack 중심 협업: Devin이 Slack 안에서 작동하므로 Slack에서 Figma 작업을 요청하고 다시 Slack으로 결과를 받는다.
   2. MCP 연결: MCP를 연결하면 디자인 파일의 맥락과 실제 작업 환경 사이의 간격이 줄어든다.
   3. 직접 수정 요청: 결과가 정확하지 않으면 “더 정확하게 만들어 달라”고 다시 요청해 반복 개선한다.

3.3. 명세 문서가 픽셀 퍼펙트를 가능하게 하는 방식

1. 무료 Figma 플러그인 활용

   1. 스펙 시트: Figma 플러그인으로 디자인을 PDF 명세 문서로 만들고 각 요소에 주석을 붙인다.
   2. 전달 내용: 간격, 폰트 크기, 색상과 같은 수치·규칙을 AI가 읽을 수 있는 형태로 제공한다.

2. 이름 없는 레이어도 보완 가능

   1. 현실적인 파일 상태: 디자이너가 레이어 이름을 항상 정리하지 않아 Frame 3, Frame 4처럼 무작위 이름이 남기도 한다.
   2. 명세의 역할: 레이어 이름이 부실해도 PDF 주석과 시스템 규칙이 간격·크기·색상을 설명해 AI가 결과물을 재현하도록 돕는다.

4. 수백 명의 연사와 스폰서를 처리하는 구체적 자동화

반복되는 연사 그래픽, 사진 식별, 로고 검사를 하나의 생성·검증 파이프라인으로 묶으면 규모가 큰 행사를 한 사람이 운영할 수 있다.

4.1. 연사 발표 그래픽과 트레이딩 카드

1. 300명 이상의 연사 처리

   1. 일괄 생성의 필요: 연사 300명 이상을 한 명씩 수작업으로 처리하는 방식은 현실적으로 불가능하다.
   2. 사용자 접근: 참석자도 접근할 수 있는 연사 발표 생성 화면을 마련해 필요한 정보를 선택하고 바꿀 수 있게 한다.

2. 자동화된 선택지

   1. 이름 변경: 화면에서 연사 이름을 선택하고 원하는 이름으로 바꿀 수 있다.
   2. 가로 모드: 세로형뿐 아니라 랜드스케이프 버전도 선택할 수 있다.
   3. 사진과 상세 정보: 헤드샷과 기타 정보가 있으면 그래픽을 자동으로 내보낸다.

3. 트레이딩 카드의 확장

   1. 예상 밖의 인기: 연사 트레이딩 카드는 예상보다 큰 인기를 얻었다.
   2. 테마 변형: 여러 테마를 제공하면서도 각 카드가 동일한 규칙으로 맞물리게 했다.
   3. 픽셀 퍼펙트: 카드마다 정렬·간격·타이포그래피를 유지해 자동 생성 결과도 픽셀 퍼펙트로 맞춘다.
   4. 레퍼런스: 그중 한 테마는 TBPN에서 영감을 받았다.

4.2. 사진에서 연사 썸네일 찾기

1. 사진 검색의 병목

   1. 기존 작업: 사진작가가 제공한 코드나 파일 목록을 전부 검색하고 사진을 하나씩 확인해야 했다.
   2. 시간 제약: 연사 수가 많아 사람이 사진을 모두 대조하는 일은 시간이 허락하지 않을 수 있다.

2. 얼굴과 맥락을 이용한 식별

   1. 질문형 검색: Devin에게 사진 속 인물이 누구인지 물어 연사 정보와 이미지를 연결한다.
   2. 유사도 판별: 같은 사람인지 판단하는 과정을 Tinder의 매칭·탐지처럼 비유할 수 있는 방식으로 처리한다.
   3. 구체적 검증: Jason Leu의 사진을 정확하게 식별했다.
   4. 완성 경로: 인물을 확인하고 해당 사진을 다운로드한 뒤 연사 썸네일에 붙여 넣는다.

4.3. 스폰서 로고와 굿즈 검수

1. 로비 배너 검사

   1. 검수 대상: 140명 이상의 스폰서가 들어간 로비 배너를 검사한다.
   2. 검수 질문: Devin에게 그래픽에 빠진 스폰서 로고가 있는지 비교·확인해 달라고 요청한다.
   3. 측정 결과: 직접 수행한 테스트에서 누락 로고 탐지 정확도는 100%였다.

2. 사람의 눈을 보완하는 시각 QA

   1. 적용 범위: 로비 배너뿐 아니라 참석자에게 제공하는 티셔츠에도 같은 검수 방식을 적용한다.
   2. AI의 강점: Devin은 텍스트만 다루지 않고 화면을 시각적으로 보고 누락·차이를 탐지한다.
   3. 인간의 한계: 사람은 작게 빠진 로고를 지나칠 수 있지만 AI를 이용하면 동일한 결과물을 다시 대조할 수 있다.
   4. 결합 효과: 사람의 판단과 AI의 반복 검사를 결합하면 자체 QA 팀을 갖춘 것과 같은 효과가 생긴다.

5. 예외를 처리하고 사용자의 여정을 완성하기

자동화의 진짜 가치는 정상 경로의 반복 생성보다 갑자기 바뀌는 조건을 빠르게 흡수하는 데서 드러난다.

5.1. 디자이너가 아닌 사용자처럼 보기

1. 관점 전환

   1. 사용자 중심 사고: 디자이너의 미적 관점만으로 판단하지 않고 실제 사용자의 필요에서 출발한다.
   2. 참석자 시뮬레이션: 행사 참석자라고 상상하며 행사장에 들어와 방을 찾고 이동하는 과정을 직접 따라간다.

2. 끊김 없는 현장 흐름

   1. 시작점: 등록 절차에서 참석자의 여정이 시작된다.
   2. 이동 정보: 지도 계획, 웨이파인딩, QR 코드, 방 안내가 연결돼야 한다.
   3. 목표: 모든 접점이 서로 이어져 참석자가 길을 잃지 않고 원하는 방을 찾게 한다.

5.2. 정상 경로보다 중요한 예외 처리

1. 일정 변경 사례

   1. 갑작스러운 요구: 어느 날 아침 일정이 바뀌었지만 기존 화면에는 편집 버튼이 없었다.
   2. AI를 통한 기능 보완: Devin에게 편집 버튼을 추가해 달라고 요청하자 기존 결과물에 편집 기능이 생겼다.

2. 변경 후 즉시 재배포

   1. 수정: 새 편집 버튼으로 일정 정보를 바꾼다.
   2. 출력: 변경된 결과를 PNG로 내보낸다.
   3. 현장 반영: 스크린에 다시 연결해 최신 일정이 표시되도록 한다.
   4. 과거와의 차이: 수작업으로 화면을 처음부터 고치는 방식이라면 처리하기 어려웠던 예외를 대화형 수정으로 빠르게 넘길 수 있다.

5.3. 작은 단위로 실패를 선제적으로 다루기

1. 실패 목록을 먼저 상상한다

   1. 가장 작은 단위: 전체 행사라는 거대한 문제를 작은 그래픽·데이터·사용자 접점으로 쪼갠다.
   2. 예외 예측: 무엇이 잘못될 수 있는지, 실제로 무엇이 잘못될 것인지 모두 생각한다.

2. 문제를 자동화의 입력으로 바꾼다

   1. 사전 해결: 문제가 표면화된 뒤 수습하기보다 규칙·편집 기능·검증 단계로 미리 해결한다.
   2. 제품 품질: 해결할 가치가 있는 문제를 붙잡으면 더 나은 제품과 더 좋은 산출물을 내보낼 수 있다.

주요 발언 모음

“오늘의 이야기는 디자이너 한 명과 AI, 그리고 수백 가지 결과물입니다.”

“문제 하나만 있으면 됩니다. 해결할 가치가 있는 문제라면 무엇이든 해결할 수 있습니다.”

“디자이너로서 디자이너처럼 생각하지 말고 사용자처럼 생각해야 합니다.”

“진짜 일은 예외를 처리하는 것입니다.”

“작게 생각하세요. 가능한 가장 작은 것을 생각하고, 잘못될 수 있고 실제로 잘못될 모든 일을 생각하세요.”

핵심 데이터 & 수치

• 팀 규모: AI Engineer의 당시 팀은 약 12~15명이었다.
• 참석자: 준비 당시 예상 6,000명에서 약 7,000명으로 늘었다.
• 스폰서: 140명 이상이 참여했다.
• 연사: 300명 이상을 위한 발표 그래픽과 썸네일이 필요했다.
• 세션: 600개 이상의 세션 일정과 안내가 필요했다.
• 검수 정확도: 스폰서 로고 누락 여부를 확인한 테스트에서 100% 정확도를 기록했다.
• 영상 길이: 978초, 약 16분 18초다.

결론 및 시사점

1. 디자인 시스템·타이포그래피·색상·컴포넌트를 먼저 고정하면 AI가 임의의 스타일을 만들 여지를 줄일 수 있다.
2. 원자적 디자인처럼 작은 시각 요소를 레고 블록으로 설계하면 웹사이트·이메일·전단·문서·마스코트로 재사용할 수 있다.
3. Devin을 Figma·Slack·MCP·스펙 시트와 연결하면 최신 데이터를 반영한 픽셀 퍼펙트 산출물을 반복 생성할 수 있다.
4. 300명 이상의 연사 그래픽과 140명 이상의 스폰서 로고를 수작업으로 하나씩 확인하는 대신 생성과 검사를 자동화해야 한다.
5. AI의 시각 검수와 사람의 최종 판단을 결합하면 누락 로고·오타·잘못된 일정처럼 작은 실수를 별도 QA 단계에서 잡을 수 있다.
6. 참석자의 등록·지도·웨이파인딩·QR 코드·방 안내를 하나의 여정으로 연결해야 디자인이 실제 현장 문제를 해결한다.
7. 편집 버튼이 없는 일정표처럼 사전에 예상하지 못한 예외도 AI에게 즉석에서 기능을 추가하게 하면 수정·PNG 출력·현장 재배포까지 짧게 이어진다.
8. 규모가 클수록 모든 것을 한 번에 해결하려 하지 말고, 가장 작은 요소와 실패 가능성을 먼저 목록화해 자동화해야 한다.
9. AI 활용의 출발점은 최신 도구 자체가 아니라 해결할 가치가 있는 구체적인 문제다.