
영상 링크: Excalidraw: AI and Human Whiteboarding Partnership - Christopher Chedeau
채널명: AI Engineer
엑스칼리드로: AI와 인간의 화이트보드 협업 핵심 요약
- 영상 제목은 “엑스칼리드로: AI와 인간의 화이트보드 협업”이며, 크리스토퍼 셰도(Christopher Chedeau)가 Excalidraw 개발과 AI 통합 경험, 그리고 화이트보드 도구의 새로운 패러다임을 설명함
- Excalidraw은 원래 블로그용 손그림 일러스트 제작을 위해 개발된 제품이었으나, 코로나 팬데믹으로 온라인 협업 및 화이트보드 수요가 폭증하며 대중적으로 각광받음
- 기존 온라인 화이트보드들은 물리적 한계를 그대로 온라인으로 옮겨왔지만, Excalidraw은 무한 캔버스 등 새로운 기능으로 차별화됨(예: 자유로운 스크롤, 텍스트박스, 복사/붙여넣기, 도형 자동 그리기, 쉬운 삭제 등)
- AI 도입 초기에는 단순히 최신 모델이 있다고 제품에 무작정 적용할 경우, 실제 사용성과는 다를 수 있음을 강조(예: 실제로는 사실적 이미지 생성 모델을 도입했으나 사용자가 원하지 않음)
- LLM 기반 다이어그램 자동 생성 실험에서는 기존 방식(mage, mermaid.js 등)이 AI 생성에 더 적합했음; 결과물 편집성(사후 수정 가능)이 인간-AI 협업의 핵심으로 부각됨
- AI 도입 시 제품의 본질을 해치지 않으면서 실질적 가치를 주는 통합이 중요하며, “AI를 위해 AI를 넣는” 시도는 피해야 함
- 성공적인 AI 통합 사례로는 문서 자동 명칭, 차트/다이어그램 생성, 일러스트 생성, 로고 배경 제거 등 실제 필요에 근거한 기능들이 있음
- 도메인 특화 언어(예: mermaid.js syntax)로 구조화할 때 LLM이 가장 우수한 성과를 내며, AI와 인간의 “순환적‑협력형 작업” 가능성이 미래의 방향성으로 제시됨
- 결론적으로, AI 도구 개발자는 “AI 적합성”을 냉정히 판단하고, 실질적 문제 해결과 사용자 경험 개선에 집중해야 함
세부 요약 - 주제별 정리
인간의 ‘적극적 미루기’ 성향이 Excalidraw 탄생으로 이어짐
- 크리스토퍼 셰도는 Facebook 근무 당시 업무평가서를 미루다 “생산적인 미루기(active procrastination)” 방법을 모색함
- 블로그 글에 사용할 손글씨 스타일 일러스트를 만들고자 기존 도구(Zibl)를 시도했으나, 해당 웹사이트가 다운되어 직접 새 도구를 제작할 결심을 함
- Rough.js를 활용해 코드 샌드박스(CodeSandbox)에서 직접 프로토타입을 완성, 트위터에 이를 공유하자 200회 이상의 좋아요와 다수의 반응을 얻으며 Excalidraw 프로젝트가 시작됨
코로나19 팬데믹이 온라인 화이트보드 사용 문화를 급격히 가속화함
- 2020년 1월 1일, Excalidraw 초기 릴리즈 이후 3개월 만에 코로나19가 확산되어 전 세계적으로 재택근무가 시작됨
- 많은 사람들이 사무실 내 기존 화이트보드 경험을 온라인상에서 재현하려 하면서 Excalidraw 수요가 급증
- 개발자는 본래 일러스트 도구로 개발한 Excalidraw가 “온라인 협업 화이트보드”로 각광받은 점에 놀라움
- 당시 시장을 점령하고 있던 대부분의 온라인 화이트보드 툴은 물리적 한계를 온라인에 그대로 옮겨 변화와 혁신이 부족했음
Excalidraw가 기존 온라인 화이트보드의 한계를 혁신적으로 극복함
- 기존 물리적·온라인 화이트보드는 고정된 크기, 번거로운 글자 입력, 불편한 삭제, 완벽한 도형 그리기 어려움 등이 한계였음
- Excalidraw는 무한 확장 가능한 캔버스 제공으로 공간 제약을 없앰(스크롤로 아무 곳에서나 작업 가능)
- 물리적 화이트보드는 하나하나 손으로 써야 했던 글자를, TEXT BOX 선택만으로 쉽게 입력 가능
- ‘선택 후 삭제/복사’ 등 편의 기능도 내장되어 사용자 경험을 대폭 개선함
- 복붙(복사/붙여넣기), 정형화된 도형·색상 사용, 레이어 구조 등 온라인 환경에서만 가능한 기능을 기본 제공
기존 AI 통합 방식은 실질적인 사용자 가치를 크게 증진시키지 못함
- 최근 많은 AI 통합이 단순히 기존 인터페이스에 AI 기능을 “붙이기만” 하며, 실질적 문제 해결보다는 “AI 탑재” 자체에 초점이 맞춰짐
- 예시: Anthropics의 AI 코딩 에이전트도 Excalidraw 테이블 레이아웃 기능 시연에 사용됐으나, 실제로 사용자 입장에서는 뚜렷한 이점이 부족할 수 있음
- 새로운 기능이 추가된다고 해서 반드시 가치가 생기는 것은 아니며, 오히려 제품 경험을 해칠 위험도 존재
이미지 생성 AI의 통합은 엑스칼리드로의 실제 사용자 패턴과 맞지 않았음
- Gore Cam이 개발한 머신러닝 모델은 Excalidraw 도면(야자수, 해 등)을 실제 풍경 사진으로 실시간 생성 가능
- 개발팀 시도 결과, 실제 Excalidraw 사용자들은 리얼한 이미지 생성이 아닌 다이어그램 제작을 주로 원하고 있었음
- “존재하는 AI 모델이 있다고 해서 반드시 제품에 넣어야 하는가?”라는 교훈을 얻음
- “사용자가 진정 원하고, 제품 가치에 부합하는” AI 기능 선별의 필요성을 강조
LLMs(대형언어모델)로의 다이어그램 생성 시도는 mermaid.js와의 연동으로 성과를 얻음
- 텍스트 명령으로 다이어그램 생성 등 LLM을 이용한 자동 다이어그램 생성 시도
- 초기에는 직접적인 LLM 활용이 ‘집 모양도 흉내내지 못할 만큼’ 미흡한 결과를 냄
- 반면, mermaid.js 등 도메인 특화 언어(DSL)를 사용하니 LLM이 높은 정확도로 이 구조화된 구문을 자동 생성 가능함을 확인
- mermaid.js → SVG/Canvas 등 출력만 지원하던 문제를 Excalidraw용 백엔드 코드 구현으로 극복, 실제 Excalidraw 문서로 활용할 수 있게 됨
- 성공 요인: 완전 자동 생성이 아닌, LLM으로 ‘90%’의 초안을 얻고 인간이 즉각 수정/보완할 수 있는 환경 구축
인간-AI 협업형 워크플로우의 구현이 실질적 가치를 창출함
- Excalidraw와의 통합 이후, 사용자는 LLM이 만든 다이어그램을 자유롭게 편집(위치 수정, 색상 변경, 요소 추가/삭제 등)할 수 있음
- ‘100% 완벽한 AI 생성’보다 ‘충분히 만족할만한 초안을 AI가 만들고, 인간이 직접 후처리하는’ 방식이 실제 협업에서 매우 유용함
- 미래에는 인간 피드백을 바탕으로 AI가 반복적으로 추가 작업을 수행하는 양방향 루프형 시스템이 보편화될 전망(현재는 단방향)
AI가 잘 할 수 있는 반복성 작업(예: 문서 자동 명칭)에 효과적 활용 사례 제시
- Excalidraw SaaS(클라우드) 환경에서는 수많은 “Untitled 1, Untitled 2…” 식 무명 파일 발생
- AI가 문서 내용을 분석해 자동으로 적절한 파일명 후보를 제시, 사용자는 클릭 한 번으로 손쉽게 문서명 선정 가능
- 반복적이고 창의성을 요구하지 않는 작업에 LLM 도입이 생산성 극대화에 실제로 기여함
인포그래픽·일러스트 생성 등 실사용 기반의 AI 기능을 단계적으로 도입
- 사용자들이 슬라이드나 다이어그램의 시각적 효과를 위해 인포그래픽 삽입 및 다양한 일러스트를 요구함
- 새로운 AI 기반 일러스트 생성 기능을 베타(비공개) 단계에서 테스트 중이며, 곧 오픈소스 및 정식 배포 예정임
로고·기본 그래픽의 ‘배경 제거’ 등 실무형 AI 도구 개발 수요 강조
- 프레젠테이션 및 다이어그램에 로고 활용시, 배경 제거가 어려운 실무적 애로사항 존재(예: 웹사이트에서 스크린샷으로 가져온 로고)
- “브라우저 내 동작하는 로고 배경 제거 AI 모델을 개발해 Excalidraw에 탑재할 수 있으면, 연락을 달라”고 청중에게 당부
- 실사용자가 빈번히 겪는 문제 해결형 AI 기능의 가치 강조
AI 통합의 최우선 원칙은 실질적 가치 제공: “AI 적합성”을 냉철하게 판단하라
- “지금은 물리적 화이트보드에서 온라인 화이트보드로의 변혁기와 마찬가지로, AI 도구도 ‘AI 네이티브’ 방식을 모색해야 하는 시점”이라고 강조
- 무작정 최신 AI 모델을 도입하기보다는, 제품과 사용자의 본질적 필요를 파악하여 ‘실사용 가치와 경험’을 최우선으로 고민해야 함
- “LLM은 구조화된 입력(도메인 특화 언어)을 사랑한다”는 사실도 반복 강조: 추상적인 작업보다 구조화된 문제의식 및 데이터 표현이 AI와의 통합에서 월등한 효과를 냄
- 결론적으로, 성공적 AI 통합의 비결은 제품의 문제공간을 명확히 정의하고, LLM이 잘 소화할 수 있는 구조(DSL 등)를 마련하며, 인간-기계의 협력 루프를 만드는 것임