무신사, LLM 활용 넘어 자체 AI 기술 개발로 방향 전환
무신사 O4O팀은 오프라인 핏(Fit) 경험을 온라인으로 연결하기 위해 체형 분석 기반 AI 기술 개발을 시작함
초기에는 LLM(Large Language Model) 기반의 가상 착장 기술을 빠르게 구현하여 제품 가능성(Product Viability)을 검증함
LLM 사용의 비용, 프롬프트 의존성, 경쟁 심화 등의 한계를 인식하고 자체 AI 기술 개발로 전략을 전환함
체형 데이터 축적 및 AI 기술 자산화를 통해 장기적인 경쟁 우위 확보를 목표로 함
LLM 기반 초기 접근 방식의 장단점
본문에 따르면 O4O팀은 초기 프로토타입(Prototype) 제작을 위해 멀티모달 LLM(Multimodal LLM)을 활용하여 빠른 제품 출시(Fast Prototyping)를 시도했다.
장점: 아이디어 검증 속도(Idea Validation Speed)를 높이고, MVP(Minimum Viable Product) 제작 비용 절감
단점: LLM 사용량 증가에 따른 비용 증가(Cost Increase), 프롬프트(Prompt)에 의존적인 결과로 인한 기술적 종속성(Technical Dependency), 경쟁사와의 차별성 확보 어려움
결과적으로 LLM은 초기 시장 진입(Market Entry)에 유용하지만, 장기적인 경쟁력 확보에는 한계가 있다.
자체 AI 기술 개발의 필요성
글에서는 LLM 기반 솔루션의 한계를 극복하고, 장기적인 경쟁력을 확보하기 위해 자체 AI 기술 개발을 결정했다고 설명한다.
데이터 자산화(Data Assetization): 개인 체형 데이터를 축적하여 맞춤형 서비스(Personalized Service) 제공
기술 내재화(Technology Internalization): LLM의 블랙박스(Black Box) 문제를 해결하고, 기술적 이해도(Technical Understanding)를 높임
차별화된 경쟁력 확보(Differentiated Competitiveness): 자체 기술을 통해 경쟁 우위(Competitive Advantage)를 구축하고, 시장 변화에 유연하게 대응
결론적으로 자체 AI 기술 개발은 단순 기능 구현을 넘어, 지속 가능한 경쟁력(Sustainable Competitiveness)을 확보하기 위한 전략적 선택이다.
체형 데이터 축적 및 활용 방안
무신사는 오프라인 매장의 핏 경험을 온라인으로 연결하기 위해 체형 데이터를 활용한 개인화 서비스(Personalized Service)를 구축하려 한다.
데이터 수집(Data Collection): 매장 내 촬영, 3D 스캔(3D Scan) 등을 통해 다양한 체형 데이터(Various Body Shape Data) 확보
데이터 분석(Data Analysis): 수집된 데이터를 분석하여 개인별 핏(Personalized Fit)을 예측하고, 맞춤형 상품 추천(Customized Product Recommendation) 제공
데이터 기반 서비스 고도화(Data-driven Service Enhancement): 축적된 데이터를 기반으로 AI 모델(AI Model) 성능 개선 및 새로운 서비스 개발
결과적으로 체형 데이터는 무신사만의 차별화된 고객 경험(Differentiated Customer Experience)을 제공하는 핵심 자산이 될 것이다.
20% 프로젝트를 통한 기술 혁신
무신사는 20% 프로젝트 제도를 통해 자율적인 기술 탐구(Autonomous Technology Exploration)와 실험적인 개발 문화(Experimental Development Culture)를 장려한다.
자율적인 연구 환경(Autonomous Research Environment): 개발자들이 업무 시간의 20%를 활용하여 새로운 기술(New Technology)을 탐구하고, POC(Proof of Concept)를 수행
실패를 장려하는 문화(Failure-tolerant Culture): 단기적인 성과에 얽매이지 않고, 장기적인 기술 역량(Long-term Technical Capability) 강화에 집중
팀 간 협업(Cross-functional Collaboration): 개발자, PM, QA, PD 등 다양한 직군이 협력하여 시너지 효과(Synergy Effect) 창출
이러한 20% 프로젝트는 무신사의 지속적인 기술 혁신(Continuous Technological Innovation)을 위한 중요한 동력으로 작용한다.
AI 기술 자산화의 기대 효과
무신사는 AI 기술 자산화를 통해 장기적인 경쟁 우위(Long-term Competitive Advantage)를 확보하고, 지속 가능한 성장(Sustainable Growth)을 추구한다.
고객 경험 혁신(Customer Experience Innovation): 개인화된 핏 추천, 온·오프라인 연계 서비스(Online-Offline Integrated Service) 제공을 통해 고객 만족도(Customer Satisfaction) 향상
기술 경쟁력 강화(Technical Competitiveness Enhancement): 자체 AI 기술 개발을 통해 기술적 독립성(Technical Independence) 확보 및 지속적인 기술 발전(Continuous Technological Advancement) 추구
새로운 비즈니스 기회 창출(New Business Opportunity Creation): 축적된 데이터를 기반으로 맞춤형 상품 추천(Customized Product Recommendation), 개인화된 마케팅(Personalized Marketing) 등 새로운 비즈니스 모델 개발
결론적으로 AI 기술 자산화는 무신사의 미래 성장 동력(Future Growth Engine)을 확보하는 핵심 전략이다.
