(영상) 서비스디자인에서의 AI - 시다르타 삭세나. SDN Community Voices nº056. 서비스디자인네트워크

AI를 서비스디자인에 효과적으로 활용하려면 데이터를 많이 넣는 것보다 사용자·조직·시스템의 맥락과 제약조건을 명확하게 정의해야 합니다. 시다르타 삭세나는 AI를 근거 탐색과 발산적 사고, 프로토타입 개발을 돕는 협업 상대로 활용하되, 결과의 적절성을 판단하고 책임지는 역할은 디자이너에게 남아 있다고 설명합니다.
또한 AI 의존으로 관찰과 인터뷰 역량이 약해지지 않도록 직접 사람과 대화하며 맥락이 풍부한 데이터를 만드는 실무를 유지해야 한다고 강조합니다.

출처

영상 제목: AI in Service Design | SDN Community Voices nº056 with Siddhartha Saxena
한국어 제목: 서비스디자인에서의 AI
채널: Service Design Network
시리즈: SDN Community Voices nº056
게시일: 2026년 8월 6일

영상 URL : https://www.youtube.com/live/UXIaQPI-UKs   
전체 번역 : 챗GPT로 번역했습니다. 생략, 오역이 있을 수 있으니 원본 영상을 봐주세요.

 

유튜브 영상 소개글

💭 AI 도구가 기술적으로는 맞는 것 같지만, 현장의 분위기와 맥락을 완전히 놓친 결과를 내놓았던 첫 순간을 기억하시나요?
사람의 미묘한 차이를 모두 지워버린 합성 페르소나였나요?
일반적인 기업 홍보 문구처럼 들리는 이해관계자 인터뷰 요약이었나요?
아니면 몇 초 만에 생성되었지만, 프로젝트를 실제로 움직이는 조직 내 정치적 역학을 놓친 맵이었나요?

🌟 SDN Community Voices nº056, 「서비스디자인에서의 AI: 실험, 배움, 그리고 기존 생각을 버리는 과정」에 시다르타 삭세나와 함께 실시간으로 참여하세요. 🌟
서비스디자인 실무자로서 우리는 복잡한 조직 안에서 이루어지는 리서치가 좀처럼 직선적으로 진행되지 않는다는 사실을 알고 있습니다. 리서치는 이해관계자의 말로 드러나지 않는 미묘한 차이, 권력관계, 인간적인 맥락 속에 존재합니다.
이번 대담에서는 서비스디자인·혁신 실무자인 시다르타 삭세나가 조직의 방향을 탐색하는 과정에 AI 모델을 직접 통합한 경험의 이면을 소개합니다. 입력 데이터와 프롬프트 구조에 맥락을 고려한 가드레일을 의도적으로 설정하면, AI의 일반적인 결과를 깊이 있고 맥락을 이해하는 인사이트로 어떻게 바꿀 수 있는지 공유합니다.
서비스디자인에서 AI를 활용하는 일은 분석 속도를 높이는 데서 끝나지 않습니다. 우리의 작업이 지닌 인간적 온전함을 지키기 위해 지능을 선별하고, 제약하고, 방향을 부여하는 일입니다.
이어서 실제 운영 현장으로 시선을 돌립니다. 다음 내용을 함께 살펴봅니다.
✨ 조직의 방향 탐색에 AI를 활용하기 위한 실무 프레임워크
🛡️ 리서치의 온전함을 확보하기 위해 입력과 프롬프트에 맥락을 고려한 가드레일을 디자인하는 방법
🤝 AI 기반 종합 분석과 인간 이해관계자의 복잡성 사이에서 균형을 잡는 방법
일상적인 리서치 업무에서 AI를 실험하고 있든, 조직 전체에 이러한 도구를 전략적으로 도입할 방법을 찾고 있든, 이번 대담은 AI와 함께 책임 있게 디자인하는 방식을 새롭게 바라볼 기회가 될 것입니다.
📺 SDN 링크드인과 유튜브에서 실시간 방송
📅 2026년 8월 6일 목요일
⏰ 16:00 CEST | 09:00 EST | 19:30 IST — 시간대 표기는 원문 그대로입니다.
🎙️ 진행: 삭시 쿠마리 — Vyapar 시니어 제품디자이너, Service Design Drinks 창립 멤버, Service Design Network 커뮤니티 진행자(생략)

발언자 주요 이력

시다르타 삭세나 Siddhartha Saxena

역할: 대담자. 서비스디자이너이자 디자인 전략가로, 조직의 성장과 회복력을 위한 변화를 다룬다.
주요 경력: 링크드인 공개 프로필에서 바나스탈리 비디야피트(Banasthali Vidyapith)의 초빙교원(Visiting Faculty Member)으로 확인된다.
학력: 밀라노공과대학교(Politecnico di Milano)의 제품·서비스 시스템 디자인(Product Service System Design, PSSD) 과정에서 공부했다. 공개 프로필의 수학 기간은 2020~2023년이다.
전문 분야: 디자인 컨설팅, 리서치, 서비스디자인, 제품·서비스 생태계와 비즈니스 혁신. 본 대담에서는 건축 분야에서 경력을 시작해 서비스디자인으로 전환한 과정과 실제 프로젝트에서의 AI 활용 경험을 소개한다.
링크드인: https://in.linkedin.com/in/siddhartha-saxena-37a41022
이력 근거: 위 링크드인 공개 프로필과 본 영상의 자기소개. 공개 프로필에서 확인되지 않은 세부 재직 기간과 학위명은 기재하지 않았다.

삭시 쿠마리 Sakshi Kumari

역할: 진행자. 인도 벵갈루루에서 활동하는 제품디자이너이자 리서처이다.
주요 경력: Vyapar 시니어 제품디자이너. Service Design Drinks India의 창립 멤버이며, SDN Community Voices 진행자와 SDN 앰배서더로 활동한다.
학력과 교육: 인도 국립패션기술원(National Institute of Fashion Technology, NIFT)에서 공부했다. 링크드인에는 Acumen Academy의 인간 중심 디자인 교육 이수도 기재되어 있다.
전문 분야: UX 리서치와 사용자경험디자인. 본 영상에서는 자신을 디자이너, 인류학자, 워크숍 퍼실리테이터로 소개한다.
링크드인: https://in.linkedin.com/in/sakshikumari204
보완 출처: https://www.linkedin.com/company/service-design-drinks-india/
이력 근거: 링크드인 공개 프로필, Service Design Drinks India의 공개 소개, 본 영상 소개문과 자기소개.

---

전문 번역

[음악]

삭시 쿠마리: 여러분, 안녕하세요. 디자인 프로세스의 각 단계에서 실제로 검증된 AI 활용 방법을 찾고 계셨나요?
오늘의 게스트는 남모르게 그런 방법을 만들어오고 있었을지도 모릅니다.
여러분, 안녕하세요. 매주 실시간으로 만나는 SDN Community Voices에 오신 것을 환영합니다.
이번은 56번째 편안한 대담입니다. 오늘 함께해주셔서 감사합니다.
저는 삭시 쿠마리입니다. 벵갈루루에서 활동하는 디자이너이자 인류학자, 워크숍 퍼실리테이터이며, 오늘 SDN Community Voices의 진행을 맡았습니다.
시작하기 전에 여러분께 질문 하나를 드리겠습니다.
어디에서 접속하고 계신지, 그리고 디자인 과정에서 가장 많이 사용하는 AI 도구 하나가 무엇인지 댓글로 알려주세요.
지난 몇 년 동안 매주 AI가 디자이너의 작업 방식을 완전히 바꾸었다는 새로운 주장이 등장하는 것 같습니다.
그런데 정보는 흩어져 있고 도구는 계속 바뀝니다. 6개월 전에 통했던 방법이 오늘은 통하지 않을 수도 있습니다.
개별 작업에 AI를 활용하는 사례는 셀 수 없이 많지만, AI가 실제 디자인 프로세스에 어떻게 들어맞는지를 다루는 대화는 매우 적습니다.
실제 디자인 프로세스에서는 복잡한 상황의 의미를 파악하고, 사람을 이해하고, 제약조건 사이에서 균형을 잡고, 프로젝트의 한 단계에서 다음 단계로 맥락을 이어가야 합니다.
오늘 시다르타와 이 대화를 나누고 싶었던 이유가 바로 그것입니다.
그를 모시겠습니다.
안녕하세요, 시다르타. 환영합니다.

시다르타 삭세나: 안녕하세요, 삭시. 초대해주셔서 감사합니다.

삭시 쿠마리: 시청자분들께 간단히 소개해드린 다음 질문을 시작하겠습니다.
시다르타는 거의 10년 동안 서비스디자인, 리서치, 시스템 사고 분야를 넘나들며 일해왔습니다.
지난 몇 년 동안 그와 그의 팀은 실제 서비스디자인과 리서치 프로젝트에서 AI를 폭넓게 실험해왔습니다.
인터뷰를 요약하거나 보고서를 만드는 데만 사용하는 것이 아니라, AI가 실제로 가치를 더하는 지점과 그렇지 않은 지점, 그리고 AI와 함께 일하면서 팀이 품질을 유지하는 방법을 이해해왔습니다.
그런데 시다르타, AI 이야기를 시작하기 전에 한발 물러서서 서비스디자인에 입문하게 된 여정을 이야기해보고 싶습니다.
처음에 어떻게 서비스디자인을 하게 되셨나요?

시다르타 삭세나: 저는 처음에 건축을 공부했고, 건축 분야에서 일을 시작했습니다.
뉴델리에 있는 작은 초기 스타트업에 입사하면서 비즈니스의 세계를 접하게 되었습니다.
로봇공학 스타트업이었고, 저는 사내 디자이너로 일했습니다.
그곳에서 창업자들과 투자자 대상 발표를 준비할 기회가 있었습니다.
그들의 사업에서 디자인을 통해 어느 정도의 투자수익률, 즉 ROI를 얻을 수 있는지 확인하는 일이었습니다.
당시 저희는 가구와 조명 제품을 위한 로봇 생산라인을 운영하고 있었습니다.
투자자 발표와 발표자료를 만들면서, 제가 비즈니스의 세계를 잘 모르고 있다는 것을 깨달았습니다. 서비스가 무엇인지, 현실에서 어떻게 작동하는지도 잘 모르고 있었습니다.
그 뒤 1년 동안 여러 실무자와 대화하며 그들이 배운 것을 알아보았습니다. 이전에는 제가 접하지 못했던 내용들이었습니다.
그러다가 서비스디자인 과정을 수강하게 되었습니다.
제게는 완전히 새로운 세계였습니다.

삭시 쿠마리: 그렇군요, 시다르타. AI 실험에 얼마나 많은 시간을 투자해오셨는지에 관해서도 저희가 길게 이야기를 나누었죠.
지금의 생각을 18개월 전, 약 1년 반 전과 비교하면 가장 크게 달라진 점은 무엇인가요?

시다르타 삭세나: 이 분야의 실무자로서 AI에 관해 가장 크게 달라진 점 중 하나는, AI가 실제로 무엇에 유용한지를 구분하게 되었다는 것입니다.
처음에는 가정이 아주 많았습니다.
2022년으로 돌아가 보면, 초기 모델을 처음 사용할 수 있게 되었을 때 디자인 프로세스의 거의 모든 곳에 적용해보려고 했습니다.
그러다가 어떤 일에는 능숙하지만, 다른 일에는 신뢰할 만한 결과를 주지 않을 수 있다는 것을 알게 되었습니다.
예를 들어 활용하기가 가장 까다로운 영역 중 하나가 사용자 리서치였습니다. 더 구체적으로는 사용자 리서치를 분석하고 인사이트를 추출하는 일이었습니다.
그 과정에서 특정한 경우에는 매우 신뢰할 만한 결과를 준다는 것을 빠르게 알게 되었습니다.
예를 들어 대규모 데이터셋에서 핵심 근거를 수집하는 일입니다. 다만 데이터가 정리되어 있어야 합니다.

삭시 쿠마리: 네.

시다르타 삭세나: 하지만 다른 경우에는 모델이 실제로 할 수 있는 일과 홍보에서 이야기하는 일 사이의 차이가 드러나기 시작했습니다.
여러 디자인 프로세스를 바라보는 저희의 생각도 조금씩 바뀌었습니다.
특히 서비스디자인의 관점에서 말씀드리면, 조직 내부의 생각뿐 아니라 AI 모델 등을 활용해 서비스디자인이 무엇을 해야 하는지에 대한 기대도 바뀌었습니다.

삭시 쿠마리: 이해했습니다. 디자이너의 프로세스는 리서치, 즉 사용자에게 공감하는 일에서 시작합니다.
저는 이 단계에서 가장 많은 데이터가 나온다고 생각합니다.
인터뷰, 트렌드 리서치, 설문조사 등 여러 형태로 생성되죠.
업무 과정의 어느 단계에서 AI를 도입하시나요?

시다르타 삭세나: 저희는 계속 방법을 개선해왔습니다.
많은 실험을 했고, 저희보다 훨씬 더 집중적으로 이 일을 해온 전문가들과도 대화를 나누었습니다.
저희에게는 발산적 사고가 필요한 여러 방식에 AI를 도입하는 것이 꽤 효과적이었습니다.
예를 들어 콘셉트를 개발할 때나, 워크숍에서 디자이너 또는 비디자이너인 참여자들이 새로운 방식으로 생각하도록 할 때입니다.
사람은 자신이 접하고 있는 논리의 틀을 넘어서는 데 상당한 시간이 걸리기도 합니다.
AI는, 적어도 대부분의 최신 챗봇 모델은 정보를 요약하는 데 매우 능숙했습니다. 서로 연결될 것 같지 않은 정보까지도 잘 다루었습니다.
그래서 저희가 실험한 것 중 하나는 AI가 만든 결과를 미래 연구나 미래 디자인, 미래학에 활용하는 방법이었습니다. 기본적으로 전환디자인에서 활용하는 것입니다.
사변적인 이야기의 흐름을 살펴보거나, 맥락 데이터가 많이 있는 상황을 검토하는 것이죠.
그런 데이터를 모아서 연결하면 AI가 활용할 수 있는 풍부한 데이터베이스가 됩니다.
그리고 AI가 생성한 결과를 사람이 최종 답으로 받아들이기보다, 생각을 발전시키는 재료로 활용하도록 합니다.

삭시 쿠마리: 알겠습니다. AI를 처음 사용하기 시작했을 때는 여러 가정이 있었을 텐데요.
특히 아주 초기부터 사용하신 것으로 알고 있습니다. 거의 2022년, 어쩌면 그 이전부터였을 수도 있겠네요.

시다르타 삭세나: 2022년 말에서 2023년 초였습니다.
[코로 짧게 숨을 내쉬는 소리]

삭시 쿠마리: 그중 완전히 틀렸다고 드러난 가정은 무엇이었나요?

시다르타 삭세나: 가장 큰 가정 중 하나는 초기에 저희 모두가 갖고 있던 생각입니다.
챗봇에 모든 데이터를 쌓아 넣거나, 에이전트가 접근할 수 있는 저장용 데이터베이스에 넣으면, 어떻게든 답을 내놓거나 아주 명확한 인사이트를 줄 것이라고 생각했습니다.
실제로는 그런 일이 일어나지 않습니다. 최신 모델에서도 마찬가지입니다.
그 과정에서 또 하나 알게 된 것이 있습니다.
우리 사람도 대규모 데이터의 의미를 파악하고 요약된 결과를 만들어내지 못한다면, 필요한 제약조건도 설정하지 않은 채 기계가 똑같은 일을 해주기를 어떻게 기대할 수 있을까요?

삭시 쿠마리: 알겠습니다.

시다르타 삭세나: 그렇죠. 물론 이것은 큰 배움이었습니다.
제가 함께 일했던 여러 팀에서도 같은 문제를 붙잡고 각자의 해법을 찾으려는 사람을 많이 만났습니다.
실제로 아주 좋은 해법도 있었습니다.

삭시 쿠마리: 그렇군요. 제약조건을 말씀하셨는데요.
처음 작업할 때의 한계와 사람들이 갖고 있던 가정도 이야기해주셨습니다.
AI를 유용하게 만들기 위해 하신 일 중 하나가 제약조건을 추가하는 것이었죠?
조금 더 설명해주실 수 있을까요?
AI가 더 도움이 되도록 프로세스에 추가한 다른 방법이나 단계가 있다면 그것도 설명해주세요.

시다르타 삭세나: 물론입니다. 말씀드린 것처럼 주요한 배움 중 하나는 시스템에 입력하는 데이터에 제약조건을 어떻게 설정할 것인가였습니다.

삭시 쿠마리: 네.

시다르타 삭세나: 디자이너의 관점에서, 또는 맥락화라는 주제에 관한 제 제한적인 이해로 말씀드리면, 제약조건은 기본적으로 처리 장치나 기계에 무엇을 어떤 의미에서 살펴봐야 하는지 알려주거나 규정해주는 것입니다.
우리가 인공지능, 특히 현재의 생성형 AI 모델이나 대규모 언어모델, 즉 LLM에 대해 흔히 갖는 큰 가정은, 입력한 데이터의 의미를 모델이 알아서 이해할 수 있다는 것입니다.

삭시 쿠마리: 그렇습니다.

시다르타 삭세나: 그런데 기본적으로 모델은 그렇게 하지 못합니다.
의미를 파악하는 방식은 패턴의 형태로 모델에 제공해야 합니다.

삭시 쿠마리: 그렇군요.

시다르타 삭세나: 문제를 정의할 때 제약조건은 디자이너가 어떤 한계 안에서 일하는지 이해하도록 돕습니다.
자신의 프로세스를 만들거나 사용할 수 있는 자원을 살펴볼 때도 마찬가지입니다.
AI 모델에서도 비슷합니다.
예를 들어 사용자를 살펴본다면, 개인으로서 그 사용자가 어떤 제약조건 속에서 살아가는지 정의해야 합니다.
그 사람이 그렇게 생각하는 이유는 무엇인지, 어떤 신념의 패턴을 갖고 있는지도 정의해야 합니다.
그 사람이 공동체나 조직화된 맥락 속에서 어떤 위치에 있는지, 그 맥락 때문에 어떤 제약조건이 생기는지, 그리고 그 집단 전체가 시스템 안에서 어떻게 자리 잡고 있는지도 살펴봐야 합니다.
이런 내용은 명확하게 정의해야 합니다.
그러면 대규모 언어모델이 그 범위 안에서 효과적으로 작동하도록 하는 가드레일이 됩니다.
아주 간단한 예를 들어보겠습니다. 방금 설명은 다소 전문적인 이야기였으니까요.
환자가 약을 먹는 시간이나 자신에게 정해진 일정을 바꾸고 싶어 하는 아주 기본적인 상황을 생각해보겠습니다.
예를 들어 식이요법이나 어떤 프로그램에 참여하고 있다고 해보죠.
그리고 진행 속도를 바꿔달라고 요청합니다.
가령 의료서비스 제공자가 다음 운동 단계나 다음 지침을 지금 바로 제공하는 것을 원하지 않을 수 있습니다.
그런데 의료서비스 제공자나 이 문제를 이야기하는 AI 챗봇이 환자가 어떤 상황에 놓여 있는지 모른다고 해보겠습니다.
그 환자는 가사와 돌봄을 맡는 사람일 수도 있고, 정해진 시간에 출근해야 하는 사람일 수도 있습니다.
또는 접근성과 관련해 다른 요구사항이 있는 사람일 수도 있습니다.
예를 들어 여러 만성질환의 후기 단계에서는 코르티솔 수치가 매우 높은 경우가 흔합니다.
그래서 조급해지는 일이 생깁니다.
그런 상황에서 이 정보를 패턴으로 시스템에 입력하지 않으면, 챗봇은 그것을 전혀 알지 못하고 이런 환자에게 충분한 공감을 표현하지 못할 것입니다.
물론 이것은 특정한 사례입니다.
프로세스 측면에서도 마찬가지입니다.
모델이 데이터를 입력하고 결과를 받아보는 사람이 처리하는 업무량이나 정보의 복잡성을 이해하지 못하면 문제가 생깁니다.
우리의 작업에서 자주 보듯이, 챗봇은 엄청난 양의 데이터를 생성하고, 그 결과는 읽기조차 부담스러워집니다.
누군가 플랫폼이나 챗봇에 상세한 보고서를 만들어달라고 요청하고, 그 보고서를 받은 사람이 다시 다른 챗봇에 넣어 핵심 10개로 정리해달라고 하는 상황을 모두 들어보셨을 것입니다.
아무도 보고서에 담긴 미묘한 차이나 그 내용의 이면을 실제로 검토하지 않습니다.

삭시 쿠마리: 그렇죠.

시다르타 삭세나: 우리 모두 각자의 제약조건, 또는 각자의 맥락이라는 틀 안에서 일하고 있습니다.
그러므로 우리가 사용하는 플랫폼, 여기서는 대규모 언어모델 처리 시스템도 그런 제약조건을 알아야 합니다.
그것을 챙기는 일은 시스템에 데이터를 입력하는 사람의 몫입니다.

삭시 쿠마리: 그렇군요. 여기서 이어지는 질문이 있습니다.
디자인 과정에서 너무 일찍 제약조건을 추가해서, 도움이 되기는커녕 오히려 프로세스를 막아버린 적이 있나요?
그런 사례가 있었나요?

시다르타 삭세나: 네, 좋은 질문입니다.
초기에 인터뷰 스크립트와 워크숍 스크립트를 분석하는 데 AI를 활용하는 실험을 했을 때 그런 상황이 있었습니다.
가능한 한 많은 결과나 인사이트를 생성해달라고 요청하곤 했습니다.
지금은 실제로 그렇게 하려면 시스템에 특정한 분류 기준을 입력하고, 그 기준 안에서 무언가를 추출하도록 해야 한다는 것을 알고 있습니다.
예를 들어 두 사람의 대화 전체를 요약한 내용을 챗봇에 주면, 인사이트라는 이름으로 온갖 것을 생성합니다.
두 사람이 실제로 이야기하는 주제부터, 이 사람이 마이크에 얼마나 가까이 앉아 있는지, 어느 방향을 보고 있는지, ‘안녕히 가세요’나 ‘안녕하세요’라는 말이 몇 번 나왔는지까지 포함합니다.

삭시 쿠마리: 그렇죠.

시다르타 삭세나: 이런 모델은 예측적 텍스트 분석으로 작동합니다.
문장에서 주요한 동사를 발견할 때마다, 그 동사와 함께 쓰였을 법한 형용사를 찾고 그것으로 결과를 생성하는 것입니다.
자연스러운 대화에서는 이런 일이 수없이 일어납니다.
그러면 결과로 엄청난 양의 데이터가 생성되고, 누군가는 그것을 수작업으로 살펴보며 어떤 요소가 유용한지 확인해야 합니다.
초기에는 이런 데이터가 너무 많이 나와서, 생성된 방대한 양의 저품질 결과물, 이른바 슬롭을 검토하기보다 한 사람이 앉아서 직접 작업하는 편이 낫겠다는 결론을 내렸습니다.

삭시 쿠마리: 네.

시다르타 삭세나: 슬롭이 생기는 문제는 모델이 무엇을 만들어낼 수 있느냐의 문제가 아니라, 우리가 명령을 얼마나 명확하게 입력했느냐의 문제입니다.
아주 구체적인 제약조건을 주면 모델은 그것을 기준으로 삼거나 기본 정의로 사용해서 관련 있는 내용만 추출할 수 있습니다.
하지만 무엇이 관련 있는지는 우리가 정의해야 합니다.

삭시 쿠마리: 네.

시다르타 삭세나: 물론 이것은 상당한 병목을 만들었습니다.
여러 모델을 써보며 시행착오를 겪는 데 대략 한 달에서 한 달 반이 걸렸습니다.
당시에는 사용자 리서치 분야에 AI 제품이 아주 많이 등장했습니다.
처음에는 이런 제품들이 문제를 해결해줄 것이라고 생각했습니다.
그런데 다시 보니 문제는 저희 쪽에 있었습니다.
무엇을 입력하는지, 그리고 모델에 어떤 기대를 하는지의 문제였습니다.

삭시 쿠마리: 이해했습니다. 지금 이야기한 것은 제약조건을 만드는 일, 더 정확히는 제약조건을 디자인하는 일과 AI가 무엇을 하고 무엇을 하지 않기를 원하는지 결정하는 일이군요.
AI에게 맡길 일과 맡기지 않고 직접 할 일 사이에 분명한 경계가 있는 것 같습니다.
현재 그 경계는 어디에 있나요? 특히 지난 몇 년 동안 본인에게는 어떻게 달라졌나요?

시다르타 삭세나: 솔직히 말하면 아주 많이 달라졌습니다.

삭시 쿠마리: 네.

시다르타 삭세나: 말씀드렸듯이 모델에 새로운 기능이 등장할 때마다 달라졌습니다.
예를 들어 클로드는 처음에는 챗봇이었지만, 이후 작업 공간이 생겼고, 클로드 코드, 내장 스킬, 통합 에이전트가 차례로 도입되었습니다.
다른 여러 플랫폼도 비슷했고, 챗GPT도 뒤따르기 시작했습니다.

삭시 쿠마리: 그렇죠.

시다르타 삭세나: 여러 변화가 새로운 기대를 만들었습니다.
처음에는 기본적으로 지루한 영역의 일을 줄이려고 AI를 사용했습니다.
긴 스크립트, 엄청난 양의 정량 데이터, 거대한 엑셀 시트 등을 살펴보는 일 말입니다.
모델이 이런 일을 대신해줄 수 있는지 확인해보려 했습니다.
그러면 저희는 콘셉트를 구상하는 데 더 많은 시간을 쓸 수 있을 것이라고 생각했습니다.
지금은, 적어도 제가 도달한 결론은, 모델을 가장 잘 활용하는 방법이 우리 곁에서 함께 생각하게 하는 것이라는 점입니다.
우리도 모델과 함께 생각하는 것이죠.
아이디어를 주고받으며 생각을 점검하는 상대로 활용하되, 그 결과는 신중하게 받아들여야 합니다.
제대로 분류한 양질의 데이터를 제공하지 않으면 모델은 여전히 일반적인 답을 내놓기 때문입니다.
그래서 정성·정량 분석을 맡기는 방식에서, 근거 찾기처럼 아주 구체적인 작업으로 옮겨왔습니다.
또는 사변적 사고나 기존 틀을 깨는 사고에 활용합니다.
사람인 디자이너가 콘셉트 개발 과정에서 귀추적 추론을 하도록 배웠던 것과 비슷합니다.
모델이 생성한 것을 처음 생각을 시작하기 위한 재료로 보는 것도 제 개인과 함께 일한 디자인팀에 일어난 큰 변화 중 하나입니다.
물론 우리가 모두 보았듯이, AI는 어느 정도 유용한 프로토타입도 생성할 수 있습니다.
다만 저는 그런 프로토타입을 곧바로 테스트에 투입할 수 있다고 보지는 않습니다.
테스트할 수 있는 프로토타입을 만드는 바탕이 되는 템플릿을 제공한다고 생각합니다.
이 부분을 조금 더 이야기해보겠습니다.
바이브 코딩이 관심을 얻기 시작하고, 러버블 같은 여러 플랫폼과 이머전트, 코덱스, 클로드 코드 등이 등장한 뒤, 저희는 어떤 도구가 곧바로 테스트에 쓸 수 있는 프로토타입을 만드는지 확인해보려고 했습니다.

삭시 쿠마리: 네.

시다르타 삭세나: 저희가 함께 일하는 기업이나 조직은 속도를 원합니다.
테스트가 필요하다고 설득하는 데 이미 많은 시간을 썼고, 이제 테스트에 동의했으니 빨리 끝내서 실제 제작 단계로 넘어가기를 원하는 것이죠.
그래서 예전에 피그마 프로토타입이나 클릭하며 살펴보는 화면을 사용하던 것처럼, 바이브 코딩으로 만든 프로토타입을 곧바로 테스트에 사용하기 시작했습니다.
그러다가 생성된 사용자 인터페이스가 충분히 검토되거나 구조화되지 않으면 제대로 작동하지 않는다는 것을 알게 되었습니다.
오히려 그것을 사용하는 사람들에게 예상하지 못한 반응과 미묘한 차이를 만들어냈습니다.
그것은 새로운 정보를 만들어내겠지만, 지금 디자인 프로세스의 어느 단계에 있는지에 따라 저희에게 유용할 수도, 그렇지 않을 수도 있습니다.
그렇다면 새로운 반응과 차이를 만들어내는 이런 프로토타입을 먼저 디자인팀이나 개발자, 또는 회사의 제품디자인 부서 내부에서 테스트해보는 것은 어떨까요?
우리가 요구하는 것에서 이런 결과도 나올 수 있다는 점을 확인하는 것입니다.

삭시 쿠마리: 네, 그렇습니다.

시다르타 삭세나: 그리고 그 프로토타입 자체가 제공하는 경험을 평가해보는 것이죠.
이 모델에서는 같은 결과를 재현할 수 없으니, 모델이 실제로 하는 일, 즉 완전히 새로운 시나리오를 생성한다는 특성을 유용하게 활용해보자는 것입니다.
그런 시나리오에서 배울 수 있습니다.
거기서 코드 요소를 가져와 조합할 수도 있습니다.
다시 조립해서 작동 가능한 프로토타입으로 만들 수 있는 일종의 부품 묶음을 제공하는 셈입니다.

삭시 쿠마리: 그렇습니다. 여기서 최근의 사례 하나를 말씀드리고 싶습니다.
이제 누구나 코딩하고, 직접 쓸 제품을 만들거나 시장에 내놓으려고 한다고 말씀하셨죠.
지난주 저는 수라트에 다녀왔습니다.
지금 인도의 공인회계사 사무소를 위한 소프트웨어를 개발하고 있고, 그곳에서 다섯 곳을 인터뷰했습니다.
거의 모든 곳에서 자기 사무소만을 위한 솔루션을 바이브 코딩으로 만들어보려 했다는 것을 알게 되었습니다.
무언가를 만들기는 했지만, 장기적으로 실제 도움이 된 것은 없었습니다.
시도해보았고, 자신들이 원하는 방식으로 업무를 추적할 수 있을 것 같다고 느꼈지만, 계속 사용하지는 않았습니다.

시다르타 삭세나: 제게는 그 사례가 많은 것을 말해줍니다.
이제 누구나 무언가를 만들 수 있다고 해서, 만들어진 모든 것이 유용하거나 누구나 모든 결과물을 평가할 수 있다는 뜻은 아닙니다.
디자이너의 가장 큰 역할은 적절한 판단으로 올바른 결정을 내리는 것이기 때문입니다.
제 교수님 한 분은 디자인 프로세스를 ‘연속적인 의사결정’이라고 설명하곤 했습니다.
각 분야의 전문가가 자기 영역에서 하는 일과 같습니다.

삭시 쿠마리: 아주 좋은 표현이네요.

시다르타 삭세나: 네. [목을 가다듬음] 예를 들어 디자이너인 여러분이 의료 보고서에 대해 판단해야 한다면, 어떻게 하겠습니까?
해당 분야의 전문지식이 없으니까요.
비슷하게 생긴 보고서를 생성할 수는 있을 것입니다.

삭시 쿠마리: 그렇죠.

시다르타 삭세나: 클릭할 수 있는 또 다른 프로토타입을 생성하는 것과 비슷합니다.
그런데 생성된 결과가 유용한지 아닌지 평가할 능력이 우리에게 있나요?
여기에 가장 큰 조건이 있습니다.

삭시 쿠마리: 네, 그렇습니다.
다음 질문으로 넘어가겠습니다.
AI의 어려움 중 하나는 프로젝트가 리서치에서 인사이트 도출, 콘셉트 개발, 마지막으로 실행 단계로 넘어가면서 맥락이 종종 조각난다는 것입니다.
이 과정에서 주요한 맥락이 사라지지 않도록 어떻게 하시나요?

시다르타 삭세나: 그것은 아주 주요한 연구 영역입니다.
계속 살펴봐야 하는 문제라고 생각합니다.
맥락에 대한 정의를 정확하게 유지하는 것은 AI 모델만 어려워하는 일이 아닙니다.
우리 사람도 어려워하는 일입니다.
그러므로 맥락을 구성하는 여러 요소가 어떻게 정의되어 있는지 매우 명확하게 이해해야 합니다.
예전에 프랑크푸르트의 아이콘톰[원문 전사: icontorm, 정확한 기관명 확인 필요]에서 일할 때는 이런 요소들을 다루었습니다.
첫째, 개인 또는 사용자 데이터가 무엇인지 살펴보았습니다.
이것은 사용자 집단에서 직접 얻는 데이터입니다. 그 의미는 이해하실 것입니다.
다음은 조직 데이터입니다.
기업에서는 일반적으로 회사 내부의 데이터 레이크에 들어 있는 내용입니다.
자원의 종류, 과거 프로젝트, 트렌드 보고서, 그 밖의 여러 자료가 여기에 해당합니다.
그리고 앞서 말씀드린 시스템 차원의 데이터가 있었습니다.
여러 규칙, 규정, 법률 등이 여기에 해당합니다.
서비스디자인에서는 ‘제도적 논리’나 ‘제도적 압력’이라는 용어도 사용합니다.
그 조직이 시장 시스템, 공급망, 또는 간단히 말해 이해관계자 생태계 안에서 존재하면서 받는 조건들입니다.
이 모든 정보는 구조가 잘 잡혀 있어야 하고, 명확하게 정의되어야 하며, 모델에 입력되어야 합니다.
그리고 모델이 그 정보를 활용할 수 있도록 해야 합니다.
예를 들어 오늘날에는 스킬 보드나 폴더 시스템을 활용할 수 있습니다.
지금 AI 모델을 둘러싼 새로운 이야기는 스킬이나 루프 개발에 집중되어 있으니까요.
이런 루프 기반 프롬프트에서는 어떤 목적을 위해 어떤 데이터에 언제 접근해야 하는지 구체적으로 명시해야 합니다.

삭시 쿠마리: 네.

시다르타 삭세나: 적어도 현재로서는 이런 방식으로 맥락을 유지할 때 가장 좋은 결과들이 나오고 있습니다.
물론 모델에 너무 많은 데이터를 넣으면 ‘모델 붕괴’가 일어날 가능성도 있습니다.
제가 말하는 것은 일정한 양을 넘어서면 모델이 환각을 일으키기 시작하고, 환각이 계속되면 모델이 우리에게 제시하는 현실이 완전히 다른 것이 된다는 뜻입니다.
사람이 그 이탈의 정도를 파악하지 못하면 모델을 다시 원래 방향으로 돌려놓을 수 없습니다.
그래서 2022년과 2023년부터 존재했던 한계 중 일부는 여전히 남아 있습니다.
그럼에도 맥락적 배경을 아주 구체적으로 설정하거나 정의하면 어느 정도 신뢰할 만한 결과가 나오기 시작했습니다.

삭시 쿠마리: 네, 그렇군요. 시간이 많지 않아서, 시다르타, 마지막 질문 하나를 드린 다음 청중 질의응답으로 넘어가겠습니다.

시다르타 삭세나: 좋습니다.

삭시 쿠마리: 지금 일을 시작하는 사람은 몇 년 전 우리가 AI 없이 시작했던 것처럼 느리게, 직접 작업해볼 기회를 얻지 못할 수도 있습니다.
먼저 어려운 방식으로 직접 해보면서 배우셨던 것 가운데, 이들이 놓칠 수 있는 것은 무엇이라고 생각하시나요?

시다르타 삭세나: 놓칠 가능성이 매우 큰 것은 직접 작업하는 방식 그 자체와, 그런 방식으로 하면서 배우게 되는 미묘한 차이라고 생각합니다.

삭시 쿠마리: 네.

시다르타 삭세나: 아주 간단한 예를 들어보겠습니다.
시간이 지나면서 인터뷰를 진행하는 방식에 큰 변화가 일어났습니다.
인터뷰 분석을 우리가 직접 책임졌을 때, 적어도 제가 그 방법을 배웠을 때는, 눈앞에 앉아 있는 사람의 몸짓을 읽는 데 여러 세밀한 요소가 있었습니다.
그 사람이 어느 대목에서 무엇을 말했는지, 어떤 어조로 말했는지 살펴보는 것도 포함되었습니다.
아주 구체적인 요소도 있습니다.
예를 들어 지금처럼 영어로 대화하고 있고, 두 사람 모두 영어가 모국어가 아니라고 해보겠습니다.
우리는 서로 매우 다른 맥락에서 왔고, 이 언어를 이해하는 방식도 매우 다릅니다.
그것을 사람의 수준에서 분석하는 일이 인터뷰 진행자의 핵심 역량 중 하나였습니다.
그런 분석에서 유용한 인사이트를 얻는 것이죠.
언어를 둘러싼 맥락을 충분히 이해하지 못하는 모델에 내용을 그대로 넣으면, 결과는 매우 일반적인 것이 됩니다.
그 결과에만 의존하는 사람은 이런 세밀한 차이에서 멀어지게 됩니다.
지금은 종이 지도를 읽는 방법을 아는 사람이 거의 없고, 구글 지도 내비게이션이나 지도 서비스에 크게 의존하는 것과 비슷합니다.

삭시 쿠마리: 저는 구글 지도 없이 도시를 돌아다니는 것이 상상이 안 됩니다. 이제는 제 고향에서도 그렇다고 느낍니다.

시다르타 삭세나: 네. 이런 것은 우리 모두가 겪는 역량의 상실입니다.
긴 글을 읽는 능력도 마찬가지로 우리가 잃어가고 있는 역량입니다.
그래서 저는 사용자 리서치의 일부는 직접 수행하라고 분명히 권하고 싶습니다.

삭시 쿠마리: 네, 그렇습니다. 좋습니다. 이제 질의응답 시간입니다.
시다르타에게 질문이 있으시면 댓글에 남겨주세요.
질문 하나가 있습니다.
지금 하고 있는 일 중에서 앞으로 5년 뒤에는 잘못되었거나 시대에 뒤떨어진 것으로 보일 수 있다고 생각하는 것은 무엇인가요?

시다르타 삭세나: 어려운 질문이네요.
솔직히 상황이 너무 빠르게 바뀌었기 때문입니다.
5년이면 서로 다른 트렌드가 다섯 번, 또는 그 이상 등장할 수 있습니다.
달라질 것은 프로토타입 자체를 바라보는 방식이라고 생각합니다.

삭시 쿠마리: 네.

시다르타 삭세나: 적어도 인터넷 시대부터 디지털 제품에서 나타난 큰 패턴 중 하나는, 묶음으로 구성된 정보를 먼저 제공받는 방식이었습니다.
웹사이트를 열면 여러 페이지와 클릭 가능한 요소를 통해, 미리 구성된 정보의 흐름이나 순서를 따라가게 됩니다.
그런데 여러 챗봇이 등장하면서 달라진 것은, 이제 그 자리에서 정보를 제공받기보다 우리가 질문한다는 것입니다.
어떻게 질문하느냐에 따라 받는 정보도 달라집니다.
자연어 처리에 아주 가까운 방식이 되었습니다.
그러므로 웹페이지나 클릭 가능한 시스템의 형태로 프로토타입을 바라보는 방식은 머지않아 크게 달라질 것입니다.
사람들은 생성형 UI를 이야기하고 있습니다.
사용자의 요구사항이나 AI가 파악한 장기적인 패턴에 따라 인터페이스가 달라지는 방식입니다.
그렇게 되면 사람마다 경험이 크게 달라질 것입니다.
그리고 그것이 어느 정도 긍정적으로 작용할지는 시간이 지나봐야 알 수 있겠죠.

삭시 쿠마리: 네.

시다르타 삭세나: 상황에 따라서는 다소 무서울 수도 있습니다.
예를 들어 공항에 갔는데, 지난번 방문 때 자신이 표현한 내용에 따라 공항의 배치 자체가 바뀌어 있는 것과 비슷합니다.
하지만 어떻게 될지는 모르죠.
저는 이런 변화를 기대하고 있습니다.
디지털 제품디자인에서 아주 흥미로운 전환이 될 것입니다.

삭시 쿠마리: 그 지점까지 얼마나 남았다고 생각하시나요?

시다르타 삭세나: 앞으로 1년 정도 안에 현실이 될 수도 있다고 생각합니다.
적어도 사람들이 그것을 실험하게 될 것입니다.
업계에서 어떤 주장을 하든, 계속 남는 기술이 있고 사람들은 그 기술을 자기 방식으로 사용하게 되니까요.
그것은 큰 변화가 될 것 같습니다.

삭시 쿠마리: 그렇군요.

시다르타 삭세나: 다만 저는 트렌드나 예측을 전문으로 하는 사람은 아닙니다.
동료와 업계 전문가에게 듣는 내용을 바탕으로 이야기하고 있습니다.

삭시 쿠마리: 스와스티 파리크(Swasti Parik) 님의 질문이 하나 더 있습니다.
AI와 사람이 신뢰를 잃지 않으면서 함께 일하는 서비스를 어떻게 디자인할 수 있을까요?

시다르타 삭세나: 아주 흥미로운 질문이지만, 제가 이해하기로는 여러 질문이 결합되어 있습니다.
여기서 AI는 서비스를 전달하거나 제공하는 주체인가요? 아니면 여러분과 함께 그 서비스를 이용하는 주체인가요?
예를 들어 챗GPT에 여러 인터넷 자료를 검색해 특정 정보를 찾거나, 표를 예약하거나, 온라인에서 물건을 구매해달라고 요청하는 상황을 생각해보세요.
이 경우 여러분과 AI는 다른 AI나 다른 플랫폼과 상호작용하고 있습니다.
여러분의 AI도 서비스를 받는 쪽에 있습니다.
물론 데이터를 모아주는 방식으로 여러분에게 서비스를 제공하기도 합니다.
그래서 AI를 함께 생각하는 상대로 보고 동반자로 신뢰하는 경우와, 제공자로 활용하며 자신의 질문이나 문제를 해결해줄 주체로 신뢰하는 경우를 구분해야 합니다.
두 경우는 매우 다른 차원을 갖고 있습니다.

삭시 쿠마리: 그렇습니다.

시다르타 삭세나: 그렇죠.

삭시 쿠마리: 네.

시다르타 삭세나: 같은 서비스를 다른 사람과 함께 받는 경우를 생각해보면, 서로에게 공감할 수 있습니다.
그런데 똑같은 사람이 카운터 반대편에 있으면 그 사람에게 공감하지 못할 수도 있습니다.
자신이 지불한 비용이나 들인 노력에 따라 특정한 결과를 받을 권리가 있다고 느끼기도 합니다.
이처럼 AI와 함께 살아가는 관계의 역학은 크게 달라졌습니다.
우리는 그에 대한 우리 자신의 멘탈 모델을 만들어가야 합니다.

삭시 쿠마리: 방금 말씀하신 몇 가지 다른 측면에서… 아, 말씀을 마저 해주세요, 시다르타.

시다르타 삭세나: 아닙니다. 다 말씀드렸습니다.

삭시 쿠마리: 좋습니다. 방금 이야기하신 여러 측면, 즉 우리가 AI와 함께 일할 때 AI가 어디에 있고 어떤 역할을 맡는지에 관해 질문하려고 했습니다.
AI가 본인 아래에 있거나 팀에서 함께 일하는 팀원이라면 어떤 역할을 맡기시겠습니까?

시다르타 삭세나: 저는 AI를 함께 생각하는 데 도움을 주는 존재로 활용하고 싶습니다.
동료와 대화하거나 논의하면서 자신이 아는 것과 상대가 아는 것을 나누는 것과 같습니다.
동시에 상대가 아는 것에도 한계가 있다는 사실을 기억해야 합니다.

삭시 쿠마리: 그렇죠.

시다르타 삭세나: 그 지식은 특정한 사고의 기반에서 나옵니다. AI의 경우에는 기본적으로 학습 데이터입니다.

삭시 쿠마리: 맞습니다.

시다르타 삭세나: 우리가 검색엔진을 사용했던 것처럼 모든 것에 답을 주는 존재로 보기보다는, 그런 동료로 보는 것입니다.
적어도 현재의 모델과 현재의 역량에서는 그것이 매우 적절한 활용 방식이라고 생각합니다.

삭시 쿠마리: 그렇군요. 샤군 파라브(Shagun Parab) 님의 질문이 하나 더 있습니다.
시간이 많지 않아서 이것이 마지막 질문입니다, 시다르타.
AI와 함께 일하라는 조언을 듣지만, 때로는 휩쓸리지 않거나 지나치게 의존하지 않는 것이 어렵습니다.
이에 대해 어떻게 생각하시나요?

시다르타 삭세나: 아주 맞는 말씀입니다. 샤군 님이 말씀하신 상황을 저희 모두 겪어보았습니다.
이것은 우리가 정보를 어떻게 받아들이느냐의 문제입니다.
연구논문을 읽을 때도 같은 문제가 있습니다.
저자가 말하는 것이 실증적인 진실이라고 느낄 수 있습니다.
그런데 다음 논문을 읽었더니 다음 저자가 앞선 논문과 다른 결과를 제시한다면, 자신이 연구하는 현실에는 더 많은 것이 있다는 점을 이해하기 시작합니다.
여러 기사나 책을 읽는 것도 마찬가지입니다.
모든 저자는 자신의 삶의 경험에서 나온 생각을 갖고 있습니다.
그런 글을 여러 개 읽은 다음 결과들을 서로 연결해보고, 자신이 어떤 관점을 가져야 할지 판단합니다.
적어도 제 경험으로는 AI와 함께 일하는 것도 아마 비슷합니다.
문제 영역을 제시하거나 특정 유형의 데이터를 입력해서 AI가 무언가를 말하기 시작하면, 그것은 생각할 수 있는 여러 방식 중 하나라는 것을 이해해야 합니다.
그것이 유일한 사고방식은 아닙니다.
물론 맥락을 더 풍부하게 만들고 데이터를 더 제공하면서 답이 어떻게 달라지는지 볼 수 있습니다.
그리고 자신이 알고 있는 현실의 맥락에 어느 답이 맞는지, 자신의 판단 능력으로 평가해야 합니다.
이것은 디자이너인 자신의 책임으로 돌아오기 때문입니다.
기계에 책임을 물을 수는 없습니다. [웃음]
실무자인 자신이 그 결과에 책임을 져야 합니다.
적어도 이것이 제가 경험을 통해 배운 내용입니다.

삭시 쿠마리: AI와 함께 일하는 사람이라면 디자이너뿐 아니라 거의 모두가 어느 순간 AI에 압도되는 느낌을 받은 것 같습니다.
사실 저도 오늘까지 그런 느낌을 받는다는 것을 부정할 수 없습니다.
우리 모두에게 해당하는 이야기입니다.
이제 이 프로그램의 마지막 순서인 속답 질문으로 넘어가겠습니다.
시다르타, 질문 세 개를 드릴 테니 한 단어로, 필요하다면 한 문장으로만 답해주세요.
좋습니다. 첫 번째 질문입니다.

시다르타 삭세나: 네.

삭시 쿠마리: 디자이너들이 현재 AI에 대해 과대평가하거나 과소평가하고 있는 것은 무엇일까요?

시다르타 삭세나: 올바른 답을 내놓는 능력이라고 생각합니다.
그런 절대적인 정답은 없기 때문입니다.
맥락에 따라 맞는 답과 틀린 답이 있을 뿐입니다.

삭시 쿠마리: 맞습니다.

시다르타 삭세나: 네, 그런 점이라고 생각합니다.

삭시 쿠마리: 좋습니다. 지금 서비스디자이너들이 공부해야 한다고 생각하는 디자인 외의 분야 하나는 무엇인가요?

시다르타 삭세나: 매출을 만들어내는 일, 그리고 판매의 관점에서 비즈니스를 이해하는 것이라고 생각합니다. 그것이 가장 큰 과제입니다.

삭시 쿠마리: 왜 그 점을 강조하시나요?

시다르타 삭세나: 그렇게 해야 사용자의 소비 행동이 어떤 영향을 받는지 이해할 수 있기 때문입니다.

삭시 쿠마리: 알겠습니다.

시다르타 삭세나: 그것은 우리가 연구하려는 개인적인 선호나 사람들이 따르는 트렌드와는 관계가 적습니다.
사람들이 어떤 경제적 맥락에서 움직이는지가 더 관련되어 있습니다.
이것은 우리의 작업이 더 큰 비즈니스 차원에서도 유용하도록 만드는 데 매우 가치 있는 정보라고 생각합니다.
비즈니스는 언제나 투입과 산출의 비용이라는 관점에서 이루어지기 때문입니다.

삭시 쿠마리: 그렇습니다.

시다르타 삭세나: 우리가 그것을 연결하지 못한다면, 그 논리와 연결되지 못한다면, 계속 주변부에 있는 존재로 여겨질 것입니다.

삭시 쿠마리: 맞습니다. 네. 마지막 질문입니다.
리서처가 그만해야 할 일 하나와 새로 시작해야 할 일 하나는 무엇인가요?

시다르타 삭세나: 그만해야 할 일 하나는 AI 기반 분석에 지나치게 의존하는 것입니다.
반드시 시작해야 할 일은 실제로 사람과 대화하면서, 품질이 높고 맥락이 풍부한 데이터를 만드는 것입니다.

삭시 쿠마리: 알겠습니다. 네. 그것은 우리 디자이너가 특히 잘할 수 있는 일이기도 한 것 같습니다.

시다르타 삭세나: 그렇습니다. 언제나 그렇죠.

삭시 쿠마리: 네.

시다르타 삭세나: 그것이 우리의 주된 강점입니다.
절대 놓아서는 안 되는 우리의 핵심 역량입니다.

삭시 쿠마리: 네, 그렇습니다. 좋습니다, 시다르타. 이제 오늘 프로그램을 마치겠습니다.
함께해주시고 인사이트를 나누어주셔서 정말 감사합니다.

시다르타 삭세나: 이 자리를 마련해주셔서 감사합니다.
정말 좋은 대화였습니다.
저도 다시 생각해볼 것이 많이 생겼습니다. 청중이 보내주신 질문에서도 생각을 깊게 해볼 만한 질문들이 있었습니다.
아주 좋은 시간이었습니다. 정말 감사합니다.

삭시 쿠마리: 감사합니다, 시다르타. 안녕히 가세요.
좋습니다. 이제 마무리하겠습니다. 몇 가지 안내를 드립니다.
SDGC에는 학생을 위한 특별 할인이 있습니다.
아직 신청하지 않으셨다면 QR 코드를 스캔해서 신청하실 수 있습니다.
공공부문을 위한 특별 할인도 있습니다.
학생이라면 학생 어워드에 프로젝트를 출품하실 수 있습니다.
QR 코드를 스캔하고 양식을 작성하시면 프로젝트를 제출하실 수 있습니다. [원문 문장 미완결]
좋습니다. 감사합니다. 다음 시간에 뵙겠습니다.