Form factors for your new AI coworkers - Craig Wattrus, Flatfile

영상 링크: Form factors for your new AI coworkers — Craig Wattrus, Flatfile
채널명: AI Engineer

새로운 AI 동료를 위한 폼 팩터: Flatfile의 실제 적용 경험 핵심 요약

• Flatfile의 Craig Wattrus가 새롭게 부상하는 AI 동료(에이전트)를 실제 업무 환경에 어떤 ‘폼 팩터’(형태)로 적용할 것인가에 관해 논의함
• 디자이너, 프로덕트, 엔지니어가 협업하는 AI 시대에 목업·프로토타입 대신 실제 ‘재질’을 직접 만지며 즉시 만들어볼 수 있는 시대가 도래했다고 강조
• Flatfile의 AI 스택 구조를 비공식적으로 소개하며, AI 에이전트는 크게 Invisible(백그라운드), Ambient(상황맥락), Inline(작업 내 포함), Conversational(대화형)의 4구성으로 설명
• 예시로 사용자의 이메일 기반 회사정보 분석·데모 세팅(백그라운드), 데이터 오류 탐지(앰비언트), 직접 AI로 데이터 자동 수정(인라인), 노코드/로우코드 환경에서의 애플리케이션 생성(대화형) 등을 시연
• Amanda Ascal(Anthropic)과 Lex Freidman의 대화를 계기로, AI 에이전트는 디자인·카피처럼 ‘세심한 코칭’이 필요하며 자연스러운 캐릭터와 피드백이 중요함을 깨달음
• 새로운 LLM 환경은 ‘intern(인턴)에 박사 학위를 준 느낌’으로, AI 에이전트에 적합한 ‘박스(도구·환경)’를 만드는 것이 중요
• AI에게 커서를 제공(마우스·트랙패드 등)하거나, 여러 파일을 동시에 다루도록 함으로써 사람보다 높은 멀티태스킹이 가능해짐
• 작업 중 인라인으로 AI가 실시간 제안, 오류시 피드백, 스냅샷 제공 및 롤백 등 인터랙션이 가능하며, 대화·인라인 등 다양한 업무 흐름에 적용
• 에이전트가 사용자의 암시만으로 두 파일을 조합, 중복 탐지 및 후속 액션 제안 등 ‘창발적(emergent)’ 행동을 보이며, 이 경험이 신규제품(obvious)에 반영되고 있음
• 고객 콜 로그·문서 기반으로 고객 요구에 직접적 조언까지 제공한 사례로, AI가 인간을 보조하는 새로운 영역을 실험 중
• 미래에는 LLM 기반 자동완성, 인간-에이전트 인터페이스 등 다양한 폼 팩터 실험이 디자인 실천 속에서 확장될 것임을 전망

세부 요약 - 주제별 정리

디자이너·프로덕트·엔지니어가 구분 없이 실제 ‘재질’로 문제를 풀 수 있는 시대가 도래함

• V0ero, Generative UI 등의 도구 발전으로 누구나 빠르고 ‘그럴듯한’ UI와 기능을 만들 수 있게 됨
• 엔지니어·디자이너·프로덕트 간의 경계가 점점 허물어짐
• 예전에는 목업(mockup), 클릭형 프로토타입, 프로젝트의 가치 판단 등 조사와 추상화가 중요했으나
• 이제는 직접 ‘만들어 보며’ 실제로 작동하는지 즉시 검증이 가능해짐
• 영상 제작자는 ‘모두가 직접 다뤄보며 감각을 익혀야 할 시점’임을 강조
• “재질(소재)을 만져본다”는 아날로지 사용(본인은 목수 경험이 있음), 실제로 어떻게 동작할지 거리낌 없이 시험해볼 수 있음

Flatfile의 AI 스택은 데이터 마이그레이션과 개발자 친화성에 최적화되어 있음

• Flatfile은 대규모 데이터 이동 및 마이그레이션 업무를 해결하는 개발자 플랫폼임
• LLM(대형 언어 모델)이 코드를 직접 작성할 수 있으므로 데브 플랫폼에서 활용도가 큼
• AI 스택: (1) 고객사가 Flatfile 애플리케이션을 자사 인프라에 배포 → (2) 실시간 컨텍스트(데이터·유효성결과 등) 생성 → (3) AI 에이전트가 툴과 작업수행 → (4) 사용자에게 결과 노출
• 4개 주요 영역: Invisible(보이지 않게 작동), Ambient(사용자 주변에서 맥락 추론), Inline(작업 내부에 포함), Conversational(대화형 인공지능)

AI 에이전트는 백그라운드, 맥락, 인라인, 대화형 등 다양한 폼 팩터로 구현됨

• Invisible: 예시) 사용자가 회원가입하면 이메일로 회사 추론 → 백그라운드에서 해당 산업/회사에 맞는 데모 Flatfile 앱을 코드로 자동 생성
• Ambient: 에이전트가 데이터를 실시간으로 분석, 특정 컬럼에서 자동수정 기회 발견시 ‘스파클’ 이펙트로 시각적 알림
• Inline: 사용자가 대량 데이터를 편집하는 과정에서 AI가 코드 작성 후 즉시 실행(수백만 행, 수십 컬럼 지원)
• Conversational: 노코드/로우코드 환경에서 챗봇 UX로 Flatfile 앱 생성 가능(기존에는 엔지니어가 직접 구현 필요)

AI 에이전트의 ‘캐릭터’와 피드백 설계가 협업 및 사용자 경험에 매우 중요하게 작용함

• Amanda Ascal(Anthropic)의 ‘Claude 캐릭터 만들기’ 발표에서 영감 얻음
• 기존에는 제품 카피라이팅처럼 에이전트의 응답과 행동을 세밀히 통제하려 했으나, 캐릭터 중심의 코칭(‘character coach’)이 더 적절함을 인지
• Vzero(프롬프트·오케스트레이터 튜닝 툴)에서 ‘친근함’, ‘신중함’, ‘간결함’ 등 명확한 성향을 prompt로 실험하며 구현
• 최종 제품의 완성된 디자인보다, 실시간 튜닝 및 실험을 도와주는 툴 자체를 만드는 것이 더욱 유용하다고 언급

새로운 LLM 도구는 ‘인턴에 박사학위를 준 것’처럼, 적합한 도구와 환경 마련이 필수적임

• “LLM을 박스에 넣는다”는 비유: 뛰어난 인턴급 수행력을 가진 AI가 최대역량을 발휘할 환경(‘박스’)를 고민해야 함
• 예시로 ‘마우스/트랙패드(커서)’ 등 실제 인간이 사용하는 도구를 부여해보는 실험 진행
• Vzero 및 Cursor에서 AI가 새로운 도구(캔버스 등)를 활용하도록 시도, 초반에는 AGI를 만지는 듯한 흥분도 있었으나 곧 속도의 한계(1회 1작업 등)에 부딪힘
• Form factor 및 환경 조성의 중요성을 체감

AI 에이전트의 멀티테스킹 및 상황 적응 능력은 이미 인간 능력을 뛰어넘기 시작함

• 최신 Flatfile 신제품(개발 중)에서는 AI가 동시에 여러 파일을 읽거나, 수정하며 작업이 가능함
• 사용자인 제작자는 여러 일에 동시 집중이 어렵지만, AI는 물리적 한계 없이 멀티태스킹 가능
• 전통적 ‘결정적(Deterministic)’ 원리에서 AI 고유의 ‘추론(Infer)’과 실험을 통해 성능과 한계를 탐색 중

인라인 작업 흐름에서 AI 인간-컴퓨터 인터랙션 디자인이 새롭게 진화함

• 예시: 사용자가 개인정보 분할 의뢰 → 시각적으로 현재 작업 설명, 일치 여부 확인, 스냅샷 롤백 등 순차적 피드백 제공
• 사용자는 “이게 맞는가?” 질문에 답하며, 승인·리젝 등 결정권 가짐, 실행 책임성(accountability) 명확화
• 오류시 시각적 피드백(실망 등) 제공 및 제어권 사용자에게 반환
• 이러한 인라인 UX는 대화형뿐 아니라 다양한 워크플로우에도 적용 가능, 빠른 확장성 시사

AI에게 더 ‘자율성’과 ‘창발성’을 부여하는 실험이 실제 혁신적 성과를 이끌어냄

• JSON과 CSV 두 파일 투입 → AI가 암묵적으로 유사성 감지, 자동 결합, 중복 항목 탐지, 사후 제안, 슬라이드덱 자동생성 등 ‘창발적 행동’ 시연
• AI가 context를 보존, 후속 액션 도출 및 요약 보고까지 추가 실행
• 해당 경험을 신규 제품(obvious)에 반영해 단순 반복업무 단계를 넘어 AI가 발견과 제안을 주도하도록 디자인

고객 지원 시나리오에서 AI가 ‘불완전한 것’에 해결 방안까지 제시하는 능력이 입증됨

• 고객 콜 기록·문서 등 전체 상담 내역을 Knowledge Base로 구축
• AI는 데이터를 분석, 더 나은 제안 및 참신한 해결책 도출
• 예시: 직원 ID 가 누락된 정보 발견 시 “직원에게 HR팀에 생성 요청하라”는 직접적 조언까지 제공
• 예상치 못한 인간보조 기능의 출현은, 반복적 실험(playing)과 호기심이 있었기에 가능했음

미래에는 LLM 기반 자동완성 등 인간-에이전트 협업 폼 팩터가 더욱 다양화될 것임

• ‘Autocomlete(자동완성)’ 등 LLM 적용력이 높은 영역 실험 중, 여전히 속도·정확도 양립 신규모델 탐색이 진행됨
• 제작자는 개인적으로 벤치마킹과 실험을 통해 폼팩터 연구, 직접 애플리케이션을 만들어 미래 방향 제시
• 지금이야말로 최신 도구들을 활용해 다양한 폼팩터 실험(playing with the material, finding the grain)에 뛰어들어야 할 시점임을 강조

AI 개발과 제품 디자인의 현장에서는 ‘실험’과 ‘놀이’ 속에서 진짜 혁신이 출현하고 있음

• 웹(HTML5, CSS3) 초기처럼 다시금 실험적 플레이가 활발히 진행되는 시기임을 언급
• 과거 몇 년간은 혁신이 정체되었으나, 최근에는 제품 실험 과정의 ‘놀이성’에서 마치 창발적 기능이 잇따라 발견됨
• 궁극적으로, 다양한 ‘폼 팩터’ 실험과 도구 제작을 통해, AI와 협업하는 미래 제품과 인터페이스가 진화할 것임을 전망하며 발표를 마무리함