모빈 MCP, 리서치부터 제안서까지 AI로 앱 기획 생산성 높인다

앱 화면 레퍼런스 플랫폼 모빈이 최근 MCP(Mobbin Companion AI) 기능을 출시하며 AI를 활용한 리서치 프로세스 개선에 나섰다. 이 기능은 기존 리서치 과정에서 발생했던 여러 어려움을 해결하는 데 중점을 둔다. 발표자는 MCP가 이러한 문제를 어떻게 해결하는지 구체적으로 설명하겠다고 밝혔다.

모빈 MCP는 사용자들에게 앱 기획 및 디자인 과정에서 직면하는 복잡한 문제들을 AI의 도움을 받아 보다 효율적으로 해결할 수 있는 새로운 방법을 제시한다. 특히 방대한 실제 앱 화면 데이터를 기반으로 하여 실무에 바로 적용 가능한 인사이트를 제공하는 것이 특징이다.

앱 기획과 디자인에서 많은 이들이 자신의 능력 부족이나 감각의 부재를 원인으로 꼽지만, 발표자는 이러한 어려움의 근본적인 원인을 '지나치게 많은 의사결정'이라고 지적했다. 즉, 어떤 방향으로 나아가야 할지 결정해야 할 요소가 너무 많아 초반부터 막막함을 느낀다는 것이다.

이는 개인의 역량보다는 시스템적인 문제에 가깝다는 시각이다. 수많은 디자인 옵션, 사용자 경험 흐름, 기능 구현 방식 등 다양한 선택지 앞에서 최적의 결정을 내리는 것이 쉽지 않으며, 이러한 복잡성이 기획 및 디자인 과정의 효율성을 저해하는 주된 요인으로 작용한다고 설명했다.

AI에게만 작업을 전적으로 맡길 경우 '평균값의 함정'에 빠질 수 있다는 경고가 나왔다. AI는 학습된 데이터의 평균적인 값을 기반으로 결과물을 생성하는 경향이 있어, 이는 마치 '일하는 신입'과 같다는 비유가 제시됐다. 이 경우, 생성된 결과물이 특정 근거 없이 일반적인 형태를 띠게 될 가능성이 높다.

또한, AI가 만든 결과물이 경쟁사 대비 왜 우수한지, 현재 트렌드에 비추어 적절한지 등 명확한 판단 기준이나 근거를 제시하지 못할 수 있다는 한계도 지적됐다. 따라서 AI의 결과물에 대한 비판적인 검토와 추가적인 근거 확보가 필수적이라고 강조되었다.

디자인 레퍼런스 플랫폼인 드리블(Dribbble)과 비핸스(Behance)에 게시된 많은 화면들이 실제로는 출시된 적 없는 '포트폴리오용 그림'이라는 지적이 나왔다. 이로 인해 실무에 바로 적용하기 어려운 경우가 많다는 한계가 있다.

반면 모빈은 iOS 앱이나 웹사이트에 실제로 출시된 화면들을 캡처하여 모아둔 방대한 데이터베이스를 제공한다는 점에서 차별화된다. 이는 단순히 시각적인 아름다움보다는 실제 사용자 경험과 비즈니스 목표를 반영한 화면들을 참고할 수 있어 실질적인 기획 및 디자인에 더욱 유용하다고 설명됐다.

모빈이 제공하는 앱 화면들의 두 번째 주요 장점은 이들이 '많은 테스트를 거쳐 실제로 출시된 화면'이라는 점이다. 이는 단순히 예쁜 디자인이 아니라, 수많은 A/B 테스트, 사용자 테스트, 내부 회의 및 토론, 그리고 데이터 측정 과정을 통해 검증받아 '생존'한 결과물이라는 의미다.

이러한 화면들은 사용자 가치와 비즈니스 목표에 부합하는지 실제로 검증된 것이기 때문에, 기획자와 디자이너에게 실질적인 인사이트와 신뢰할 수 있는 레퍼런스를 제공한다. 즉, 단순한 시안이 아닌, 시장에서 살아남은 앱들의 성공적인 사례를 참고할 수 있다는 점에서 큰 강점을 가진다.

모빈을 참고하는 것이 무조건적인 정답은 아니라는 점도 함께 강조되었다. 모빈에 올라온 앱들이 해당 회사에서 성공했다고 해서, 현재 진행하려는 프로젝트에 반드시 적합하다고 볼 수는 없다는 것이다. 이는 각 앱의 사용자층, 브랜드 정체성, 그리고 해결하려는 핵심 문제가 다를 수 있기 때문이다.

따라서 모빈의 레퍼런스를 활용할 때는 우리 앱의 고유한 사용자층과 브랜드 특성을 충분히 고려하여 재확인하는 과정이 중요하다. 참고 자료를 맹목적으로 따르기보다는, 우리 프로젝트의 맥락에 맞게 비판적으로 해석하고 적용하는 지혜가 필요하다고 조언했다.

모빈은 주로 디자이너와 기획자들이 많이 활용하는 플랫폼이지만, 실제로는 앱을 만드는 회사 내 거의 모든 팀에게 유용하게 쓰일 수 있다고 설명했다. 예를 들어, 카피라이터는 빈 화면에 어떤 문구를 넣어야 할지, 결제 실패 시 사용자에게 어떤 안내 문구를 제공해야 할지 등의 상황에서 모빈의 좋은 예시들을 참고할 수 있다.

또한, 법무 담당자는 사용자 정보 수집 동의와 같은 법적 사항을 다른 회사들이 어떻게 처리하는지 참고하여 문제가 없는지 확인할 수 있다. 창업자나 마케터는 유료 서비스의 가격 옵션 화면 구성이나 가격 전략 수립 시 모빈의 다양한 사례를 통해 영감을 얻을 수 있어, 직무와 관계없이 넓은 활용 가능성을 제시했다.

모빈 플랫폼이 디자이너나 기획자가 아닌 다른 직군의 사용자들에게는 검색 용어의 장벽이 존재한다는 점이 지적되었다. 기본적으로 레퍼런스 검색을 위한 분류 체계가 '인풋 필드(Input Field)', '엠티 스테이트(Empty State)', '바텀 시트(Bottom Sheet)'와 같이 디자인 및 기획 분야에서 주로 사용되는 전문 용어들로 구성되어 있기 때문이다.

플랫폼의 주 사용자가 디자이너와 기획자들이라는 특성상, 마케터, 법무팀, 영업팀 등 다른 직군의 사람들은 찾고 싶은 화면이 있어도 어떤 용어로 검색해야 할지 어려움을 겪을 수 있다. 이는 모빈의 광범위한 데이터를 다양한 직군이 활용하는 데 있어 초기 진입 장벽으로 작용할 수 있음을 의미한다.

AI가 초기 제안으로 모빈의 캡처 화면을 바탕으로 임의의 와이어프레임을 생성했지만, 발표자는 현재 단계에서는 디자인 결정보다 실제 출시된 앱 화면을 확인하고 패턴을 파악하는 것이 목표라고 밝혔다. AI가 제안한 와이어프레임은 본래의 목적과 부합하지 않았기에 추가적인 요청이 필요했다.

이에 클로드 코드(Claude Code)에게 와이어프레임 대신 모빈의 실제 캡처 화면들을 직접 보여달라고 재차 요청했다. 또한, 하나의 대표 앱 화면이 아닌 참조된 모든 화면을 가져와서 보여달라고 구체적으로 지시하여, 더 많은 실제 사례를 통해 깊이 있는 분석이 가능하도록 했다. 이는 AI의 초기 결과물을 수동으로 조정하여 기획 의도에 맞게 최적화하는 과정을 보여준다.

모빈 MCP를 활용한 결과, 기존에 수작업으로 진행했던 방식과 비교했을 때 시간 절약 측면에서 최소 5배에서 10배 이상의 효율을 달성했다고 평가했다. 발표자는 과거 몇 시간에서 며칠이 걸리던 작업이 이제는 훨씬 단축되어 다소 허탈한 감정까지 들었다고 덧붙였다.

이러한 결과는 AI 기반의 MCP가 리서치 및 기획 프로세스의 생산성을 획기적으로 향상시켰음을 보여준다. 결론적으로 모빈 MCP의 도입이 매우 긍정적인 효과를 가져왔으며, 업무 효율성 개선에 큰 기여를 했다고 강조했다.

온보딩은 앱 튜토리얼, 환영 인사, 개인화 데이터 수집 등 다양한 역할을 수행한다. 회원 가입 절차를 온보딩 전후 중 어디에 배치할지도 중요한 고려 사항인데, 사용자 신뢰 확보와 앱 가치 인지 후 가입을 유도하는 것이 유리할 수 있다고 설명했다. 온보딩의 핵심 지표는 가입 이탈률 감소와 '아하 모먼트' 제공을 통한 리텐션 확보다.

사용자가 앱의 핵심 가치를 빠르게 인지하고 만족감을 느끼는 '아하 모먼트'를 경험하게 함으로써, 앱을 계속 사용하게 만드는 것이 온보딩의 궁극적인 목표이다. 이를 위해 온보딩 과정에서 사용자의 이탈을 최소화하고, 앱의 매력을 효과적으로 전달하여 장기적인 사용을 유도해야 한다. 단순히 기능 설명에 그치지 않고, 사용자에게 실질적인 이점과 즐거움을 선사하는 것이 중요하다고 강조했다.

또한, 회원 가입 시점은 사용자가 앱에 대한 신뢰를 형성하고 앱이 제공하는 문제 해결 가치를 파악한 후에 배치하는 것이 이탈률을 낮추는 데 효과적일 수 있다고 언급했다. 이는 사용자의 심리적 장벽을 줄이고 자발적인 가입을 유도하는 전략이다. 온보딩 설계 시 이러한 지표와 전략을 종합적으로 고려해야 한다.

결론적으로 온보딩은 단순히 앱 사용법을 안내하는 것을 넘어, 사용자가 앱에 매력을 느끼고 지속적으로 사용할 동기를 부여하는 중요한 과정이다. 가입 이탈률을 낮추고 아하 모먼트를 제공하여 리텐션을 확보하는 것이 성공적인 온보딩의 핵심 목표이다.

초기 AI 생성 보고서에 대해, 발표자는 보고서가 어떤 앱들을 참고했는지, 그리고 그 앱들을 왜 참고했는지에 대한 요약 정보가 부족하다는 점을 지적했다. 현재 보고서는 24개의 앱을 참고했다는 사실만 명시하고 곧바로 개별 화면 분석으로 넘어가, 전체적인 맥락 파악이 어려웠다.

특히, 참고한 앱들이 제작하려는 '영어 앱'과 어떤 관련성이 있는지 명확히 알고 싶다는 의견을 밝혔다. 예를 들어, 해당 앱들이 교육 또는 학습 관련 앱인지, 아니면 다른 카테고리임에도 불구하고 영감을 얻을 만한 요소가 있어 분석된 것인지 등 참고 앱과 주제의 연관성에 대한 설명이 필요하다고 강조했다.

업데이트된 AI 보고서는 어떤 앱을 참고했는지와 그 이유를 명확히 제시하여 전체적인 맥락을 파악하는 데 도움을 주도록 개선되었다. 예를 들어, 참고 앱이 교육이나 학습 관련 앱이기 때문에 분석에 포함되었거나, 영어 듣기 앱이 오디오 출력과 관련된 부분이 있어 참고되었다는 등 합리적인 설명을 제공한다.

또한, 패턴 분석이 14가지로 세분화되었고, 각 패턴별로 어떤 앱을 참고했는지 매트릭스 형태로 섹션을 추가하여 시각적인 이해도를 높였다. 이러한 개선 사항들은 별도의 요청 없이 AI가 자율적으로 반영한 부분으로, 보고서의 유용성을 크게 향상시켰다고 평가했다.

AI는 사용자에게 결제나 가입을 제안하기 전에, 앱을 통해 무엇을 얻을 수 있는지 최소 한 번은 경험하게 해야 한다는 흥미로운 패턴을 제시했다. 예를 들어, 영어 듣기 앱이라면 사용자가 한 번 정도는 영어 듣기 연습을 해볼 수 있도록 기회를 제공하여, 앱이 제공하는 가치를 직접 체험하게 해야 한다는 아이디어를 얻을 수 있었다.

이는 다른 앱들도 온보딩 과정에서 실전과 실제 과제를 통해 사용자 경험을 유도하고 있다는 분석과 일치한다. AI는 가입 제안을 온보딩 과정의 가장 마지막 단계에 배치할 것을 권장했다. 사용자가 앱에 충분한 시간을 투자하고 앱의 가치를 인지하게 된 시점에서 가입을 제안하는 것이 전환율을 높이는 데 효과적이라는 것이다.

이러한 방식은 사용자가 앱에 대한 신뢰를 쌓고 앱이 자신에게 어떤 유익을 주는지 명확히 이해한 후에야 자발적으로 가입할 의향이 높아진다는 전제에 기반한다. 따라서 온보딩은 단순한 안내를 넘어, 사용자의 긍정적인 경험을 통해 가입으로 이어지는 중요한 전환 과정으로 설계되어야 한다.

만족스러운 최종 보고서가 나왔을 경우, 역으로 AI에게 '이러한 결과가 나오려면 어떤 프롬프트를 제공해야 하는지'를 물어보라고 제안했다. 이는 현재의 좋은 결과를 다음 프로젝트에서도 재현하기 위한 효과적인 방법이다.

이러한 프롬프트는 향후 유사한 프로젝트를 진행할 때 불필요한 시행착오를 줄이고, 일관성 있는 고품질 보고서를 빠르게 얻는 데 기여할 수 있다. 따라서 원하는 수준의 보고서가 완성되면, 해당 프롬프트를 AI로부터 추출하여 잘 저장해두고 다음 활용을 위해 준비하는 것이 중요하다고 강조했다.

특정 분야에 대한 심층 분석이 필요할 경우, 모빈을 활용하는 구체적인 방법들이 제시되었다. 예를 들어, UX 라이팅 측면에서 놓친 부분이 없는지 파악하거나, 마케팅 및 사업 측면에서 고려할 만한 사항들을 분석할 수 있다. 법률적인 면에서 사용자 정보 수집 동의 등 검토할 지점이 있는지 요청하여 확인할 수도 있다.

고객 관리팀의 경우, 온보딩 과정을 통해 고객 문의를 낮추는 것을 목표로 할 수 있다. 사용자들이 궁금해할 만한 내용들을 온보딩에서 충분히 해결함으로써 문의 발생을 줄이는 것이다. 이처럼 고객 관리팀원들도 클로드 코드에 목표를 설정하고 모빈 MCP를 활용하여 레퍼런스 분석을 수행할 수 있다고 설명했다.

이는 모빈이 단순히 디자인이나 기획팀에 국한되지 않고, 회사 내 다양한 직군이 각자의 목표에 맞춰 활용할 수 있는 다기능 플랫폼임을 시사한다. 각 팀의 고유한 니즈에 따라 맞춤형 분석을 요청하여 업무 효율을 높일 수 있는 가능성을 제시한다.

리서치 분석 결과에 따라 다음 단계로 두 가지 방안이 제시되었다. 첫째는 분석 결과 중 동의하는 부분과 동의하지 않는 부분을 명확히 정의하는 것이다. 동의하지 않는 부분에 대해서는 스스로 개선 방향을 고민하거나 추가적인 리서치를 진행할 수 있다. 둘째는 지금까지 도출된 분석 보고서와 제안된 방향들을 기반으로 AI에게 와이어프레임 제작을 요청하는 것이다.

이러한 과정을 통해 초기 리서치 단계에서 얻은 인사이트를 실제 제품 기획으로 구체화하고, 잠재적인 개선점을 식별하여 반영할 수 있다. 분석 결과에 대한 주체적인 판단과 AI 활용을 결합하여, 더욱 완성도 높은 와이어프레임을 제작하고 제품 개발의 다음 단계로 나아갈 수 있다고 설명했다.

레퍼런스의 유무는 앱 개발에 있어 속도뿐만 아니라 결과물의 퀄리티와 생각의 범위를 확장시키는 데 큰 차이를 만들어낸다고 강조했다. 만약 아무런 근거 없이 AI에게 그림을 그리라고만 지시했다면, 현재와 같이 근거를 바탕으로 한 고품질의 결과물을 얻기 어려웠을 것이라는 설명이다.

그러나 레퍼런스를 참고했다고 해서 그것이 절대적인 정답은 아니라는 점도 분명히 했다. 결국 기획 과정에서 사람의 최종 판단력이 중요하다는 것이다. 레퍼런스는 아이디어를 확장하고 품질을 높이는 도구일 뿐, 최종적인 결정과 책임은 기획자에게 있다는 점을 시사한다.