[한영자막] AI에게 '디자인 안목'을 훈련시키는 방법입니다

한 줄 핵심

AI 슬롭 문제를 줄이려면 디자인 같은 주관적 영역도 분해·측정·검증 가능하게 만들고, 모델보다 중요한 추론 시점의 컨텍스트와 브랜드 구조화를 통해 에이전트가 더 나은 결과를 내도록 설계해야 한다.

시간별 요약

0:00
Taste Labs의 미션과 AI 슬롭 문제 Taste Labs는 AI 슬롭을 끝내는 것을 목표로 하며, 코딩·수학처럼 잘 다뤄진 영역만큼 디자인·글쓰기 같은 주관적 영역도 체계적으로 풀어야 한다는 관점을 제시한다. 디자인을 모호한 전체가 아니라 색상, 대비, 정렬처럼 비교적 객관화 가능한 요소로 분해해 평가와 후처리 학습, 환경 설계에 연결한다.
1:18
디자인에서 객관화할 수 있는 것과 주관적인 것 디자인에서는 팔레트 선택이나 정렬처럼 전문가 다수가 합의할 수 있는 요소와, 미학처럼 의견이 갈리는 요소를 구분해야 한다. 애플리케이션 계층에서는 범용 모델이 평균값 쪽으로 수렴하는 문제를 막기 위해 사용자 선호와 브랜드 선호를 맥락과 검증으로 보완해야 한다.
2:38
훌륭함의 정의와 슬롭을 정의하기 쉬운 이유 훌륭한 결과물은 독특함, 주목성, 세심한 공정성, 진정성이 결합될 때 만들어지며, AI는 이런 ‘분포 밖’의 결과를 아직 충분히 잘 내지 못한다. 반대로 슬롭은 반복적이고 영혼이 없다는 인상이 넓게 공유되므로, 무엇이 좋은가보다 무엇이 슬롭인가는 더 쉽게 합의된다.
3:31
생성 비용은 0원, 안목을 쌓는 데는 평생 생성 비용이 거의 0에 가까워지면서 누구나 빠르게 결과물을 만들 수 있게 되었지만, 안목과 절제는 오랜 경험과 노출을 통해서만 쌓인다. 따라서 모두가 같은 수준의 취향을 갖게 하려 하기보다, 평균적인 사용자도 더 나은 결과를 만들고 자기 취향을 이해하도록 돕는 시스템이 필요하다.
4:52
AI 슬롭의 3가지 핵심 특징 AI 슬롭은 반복성, 적합성 부족, 낮은 의도성이라는 세 가지 특징으로 요약된다. 서로 다른 맥락의 요청이 비슷한 결과로 수렴하고, 사용자의 의도를 충분히 해석하지 못하면 결과물은 맥락에 맞지 않는 평균적인 산출물로 떨어진다.
6:13
웹사이트 200만 개 분석 결과: AI 이전부터 시작된 획일화 지난 10년간 200만 개 이상의 웹사이트를 분석한 결과, AI 이전에도 이미 색상과 레이아웃의 동질화가 진행되고 있었다. 다만 AI는 이런 획일화를 훨씬 더 빠르고 맥락 구분 없이 확산시키며, 인간 제작 사이트와의 차이를 더 크게 드러냈다.
7:33
슬롭을 정량적으로 예측하는 소형 분류기 '프로브' 색상, 타이포그래피, 레이아웃, 대상 독자 같은 특징을 구조화해 작은 분류기들, 즉 프로브를 학습시키면 슬롭 여부를 상당히 높은 정확도로 예측할 수 있다. 이 방식은 LLM as a judge보다 더 잘 작동했으며, 슬롭을 감각이 아니라 측정 가능한 현상으로 다룰 수 있음을 보여준다.
10:16
의도적으로 분포 밖으로 벗어나는 법 품질을 높이려면 무작위성을 키우는 것이 아니라, 장르별 규칙과 기대를 이해한 뒤 일부만 의도적으로 벗어나야 한다. 또한 브랜드는 이미 많은 공이 들어간 구조이므로, 이를 재사용 가능한 형식으로 보존하고 에이전트가 따르도록 만드는 것이 적합성 문제를 줄이는 핵심이다.
11:36
에이전트가 따를 수 있는 브랜드 구조화 기술 (Brand API) Brand API는 브랜드 URL을 에이전트가 따를 수 있는 구조화된 요소로 분해해 결과물의 일관성과 검증 가능성을 높인다. 더 나아가 브랜드가 없는 사용자에게도 사전 설계된 브랜드 시스템을 검색·재사용하게 하여, 생성 순간의 즉흥성보다 높은 품질을 확보하려는 방향을 제시한다.

실무 인사이트

주관적 품질 문제도 색상·레이아웃·대상 독자처럼 구조화 가능한 변수로 먼저 분해하면, 평가와 자동화의 출발점을 만들 수 있다.
모델 성능만 높이는 접근보다 추론 시점에 의도와 맥락을 보강하는 컨텍스트 설계가 슬롭 감소에 더 직접적으로 연결된다.
브랜드나 스타일을 ‘설명문’이 아니라 에이전트가 실행 가능한 API/스키마로 바꾸면, 생성 품질과 검증 가능성을 동시에 높일 수 있다.