AI 시대, AI PM으로 살아남기 위한 2026년 로드맵 공개
AI 시대를 맞아 확률적 제품 설계 및 관리가 가능한 AI PM의 중요성이 부각됨
AI 플라이휠, 데이터 파이프라인, 생성형 AI, RAG, 에이전트 등 AI 시스템에 대한 이해 필요
프로토타이핑 역량과 AI 시스템 사고를 바탕으로 고난도 AI PM 인터뷰를 대비해야 함
기존 PM은 AI 기술 격차로 어려움을 겪으며, 확률적 사고방식으로의 전환이 요구됨
RAG(검색 증강 생성) 및 자율 에이전트(Autonomous Agents)에 대한 이해를 통해 AI PM 경쟁력을 강화해야 함
AI 시대, PM의 역할 변화
본문에 따르면 AI 시대의 PM은 단순히 기능 추가가 아닌, 제품의 핵심으로서 AI를 다뤄야 한다. 기존 PM은 확률적 사고(Probabilistic Thinking)에 익숙하지 않아 어려움을 겪을 수 있다.
전통적 PM: PRD 작성, 이해관계자 관리에 집중
AI PM: AI 플라이휠, 데이터 파이프라인, 생성형 AI 등 AI 시스템 전반에 대한 이해 필요
AI PM은 불확실성을 관리하고, 데이터 기반 의사결정을 통해 제품을 개선해야 한다.
결론적으로 AI PM은 기술적 지식과 더불어 AI 시스템에 대한 깊이 있는 이해를 갖춰야 한다.
AI 플라이휠 구축의 중요성
글에서는 훌륭한 AI PM은 사용자 상호작용을 설계하여 데이터 수집, 모델 피드백, 개선, 복리 효과를 만들어내는 AI 플라이휠을 구축해야 한다고 강조한다.
AI 플라이휠: 사용자 상호작용을 통해 데이터를 수집하고, 모델을 개선하는 선순환 구조
데이터 파이프라인: 데이터의 수집, 정제, 모델 학습을 위한 핵심 인프라
AI PM은 데이터의 출처, 품질, 편향 여부를 파악하고, 데이터 기반 제품 설계를 해야 한다.
결과적으로 AI 플라이휠 구축은 AI 제품의 지속적인 성장과 경쟁력 확보에 필수적이다.
AI PM에게 요구되는 기술적 역량
필자는 AI PM이 되기 위해 선형 회귀, 로지스틱 회귀 등 기본적인 알고리즘에 대한 이해가 필요하다고 말한다. 또한, 엔지니어링 팀과의 소통을 위해 기술적 언어 구사 능력이 요구된다.
알고리즘 이해: 선형 회귀, 로지스틱 회귀, 의사결정 트리 등 기본 알고리즘 이해
기술적 소통: 엔지니어링 팀과 기술적 문제 해결을 위한 소통 능력
실제 사례 학습: 이론과 더불어 실제 제품 사례를 통해 적용 방법 학습
AI PM은 기술적 지식을 바탕으로 제품의 기술적 문제를 해결하고, 팀의 방향성을 제시해야 한다.
생성형 AI 및 RAG 기술 이해
글에서는 AI PM이 생성형 AI 모델의 작동 원리를 이해하고, RAG(검색 증강 생성) 시스템을 구축해야 한다고 강조한다. 또한, 자율 에이전트(Autonomous Agents)에 대한 이해도 필요하다.
생성형 AI: 모델의 아키텍처를 이해하고, 프롬프트 설계를 통해 제어
RAG: 사내 데이터를 활용하여 정확한 답변 생성을 위한 아키텍처
자율 에이전트: 계획 수립, 실행, 도구 사용을 통해 목표 달성
AI PM은 이러한 기술들을 이해하고, AI 제품의 혁신을 이끌어야 한다.
AI PM 인터뷰 대비 전략
본문에서는 AI PM 인터뷰가 일반 PM 인터뷰보다 훨씬 어렵다고 언급하며, AI 시스템 설계, 확률적 사고, 지표 설정 등에 대한 질문에 대비해야 한다고 강조한다.
인터뷰 대비: AI 시스템 설계, 확률적 결과 처리에 대한 질문 대비
실전 연습: 구글, 메타 등 AI 기업의 인터뷰 스타일 숙지
실제 사례 분석: AI 제품의 성공/실패 사례를 분석하고, 자신의 경험과 연결
AI PM은 인터뷰를 통해 자신의 역량을 증명하고, AI 분야에서 성공적인 커리어를 쌓아야 한다.
