"한눈에 둘러보고 골라 담는" 경험이 IT 서비스 탐색 영역에도 이식됐다. 매일 수많은 AI 도구와 개발 서비스가 쏟아지지만, 정작 사용자가 이를 효율적으로 탐색할 창구는 파편화되어 있다. 기존의 나열식 디렉토리나 단순 검색 방식은 정보 과부하를 해결하지 못했다. 신규 서비스인 newflix는 넷플릭스의 UI를 차용해 IT 도구 발견 과정을 엔터테인먼트 경험으로 재설계했다. 단순히 도구를 나열하는 것을 넘어, 사용자가 직접 큐레이션을 공유하고 반복적으로 방문하게 만드는 루프를 설계한 것이 이번 서비스의 핵심이다. 정보의 홍수 속에서 필요한 도구를 선별하는 방식이 플랫폼의 UX 변화와 함께 어떻게 진화하고 있는지 그 실체를 들여다본다.

OTT UX와 하이브리드 검색으로 구축한 발견 구조

기존의 IT 서비스 탐색은 사용자가 정확한 제품명을 입력해야 하는 리스트 기반 검색이 주류였다. Newflix(뉴플릭스, IT 서비스 디스커버리 플랫폼)는 이를 OTT의 시각적 탐색 방식으로 전환했다. 메인 화면 최상단에 시네마틱 히어로 영역을 배치해 시각적 주목도를 극대화했다. 하단에는 카테고리별 캐러셀 UI를 구성해 사용자가 수평으로 스크롤하며 서비스를 훑게 만든다. 특정 목적 없이 서비스를 둘러보는 과정에서 우연한 발견이 일어나도록 유도했다. 사용자는 넷플릭스에서 콘텐츠를 고르듯 IT 도구를 선택하게 된다. 검색의 단위를 텍스트에서 이미지와 카테고리로 확장해 탐색의 심리적 허들을 낮춘 구성이다.

검색 시스템은 단순 키워드 매칭과 임베딩 벡터 검색을 결합한 하이브리드 구조를 취한다. 텍스트가 정확히 일치하는 키워드 검색 결과와 의미적 유사성을 측정하는 벡터 검색 결과를 동시에 추출한다. 이후 RRF(Reciprocal Rank Fusion, 상호 순위 결합) 알고리즘을 통해 서로 다른 두 검색 결과의 순위를 재조정해 최종 리스트를 제공한다. 사용자가 정확한 명칭을 몰라도 서비스의 성격이나 해결하려는 문제점을 입력하면 맥락상 가장 유사한 도구를 찾아낼 수 있다. 키워드 검색의 명확성과 벡터 검색의 유연성을 동시에 잡은 설계다. 이는 검색의 정확도와 확장성을 동시에 확보해 사용자의 탐색 비용을 물리적으로 줄이는 장치다.

의미 기반 검색의 정밀도는 Voyage(보야지) 사의 `voyage-4-lite` 임베딩 모델이 결정한다. 이 모델은 서비스의 특징과 설명을 1024차원(1024d)의 고밀도 벡터로 변환해 데이터베이스에 저장한다. 1024차원의 벡터 공간에서 서비스 간의 거리를 계산해 유사도를 판별한다. 저장소로는 Postgres 16을 사용하며 pgvector 확장 모듈의 코사인 유사도(cosine similarity) 계산 방식을 적용했다. 특히 HNSW(Hierarchical Navigable Small World) 인덱스를 구축해 벡터 간 거리 계산 속도를 최적화했다. 데이터가 기하급수적으로 증가해도 밀리초 단위의 응답 속도를 유지하며 가장 적합한 추천 결과를 도출하는 기술적 기반을 마련했다.

단순한 발견에서 그치지 않고 사용자를 다시 불러들이는 회귀 루프를 설계했다. 업보트(Upvote, 추천 투표)와 리뷰 기능을 통해 개별 서비스의 실제 시장 반응을 실시간으로 수집한다. 사용자가 마음에 드는 서비스를 찜 기능으로 저장하면 개인의 취향이 반영된 컬렉션이 형성된다. 이렇게 쌓인 사용자 생성 데이터는 다시 다른 사용자의 발견을 돕는 큐레이션 지표로 환류된다. 단순 리스트 제공자가 아니라 큐레이션 생태계로 진화하려는 전략이다. 서비스의 유용성을 사용자가 직접 검증하게 함으로써 플랫폼의 신뢰도를 높이고 지속적인 재방문을 유도하는 비즈니스 장치다.

Bun과 React 19 기반의 고성능 기술 스택

개발자 한 명이 런타임 설정과 패키지 설치에 쏟는 시간이 분 단위에서 초 단위로 줄었다. newflix는 런타임으로 Bun 1.3(자바스크립트 실행 환경)을 선택했다. Bun은 패키지 매니저와 번들러 기능을 통합해 빌드 시간을 획기적으로 단축한다. 백엔드 프레임워크는 Bun 환경에 최적화되어 응답 속도가 빠른 Elysia(엘리시아)를 사용한다. 데이터베이스 접근 도구로는 타입 안전성을 보장하는 Drizzle(드리즐) ORM을 도입했다. 데이터 저장소는 Postgres 16(포스트그레스 16)을 쓴다. 특히 pgvector HNSW(계층적 탐색 가능 소세계) 인덱스를 적용했다. HNSW는 고차원 벡터 데이터에서 근사 최근접 이웃을 빠르게 찾는 알고리즘이다. 이를 통해 수많은 AI 서비스 중 사용자가 원하는 결과물을 밀리초 단위로 찾아낸다. 실행 속도와 개발 생산성을 동시에 확보해 서비스의 반응성을 높였다.

SNS에 공유한 링크의 미리보기 이미지가 뜨지 않으면 사용자는 클릭을 망설인다. 프론트엔드는 최신 렌더링 최적화 기능이 포함된 React 19(리액트 19)를 기반으로 구축했다. 각 서비스 상세 페이지마다 정적 prerender(사전 렌더링) 방식을 적용했다. 이는 SSG(정적 사이트 생성) 형태로 라우트별 OG(오픈 그래프)와 SEO(검색 엔진 최적화)를 처리하는 방식이다. 검색 엔진의 크롤러가 자바스크립트 실행 단계 없이도 페이지 내용을 즉각적으로 읽을 수 있다. 공유 시 서비스별 맞춤형 미리보기가 정확하게 노출되어 외부 유입 클릭률을 높인다. 사용자가 서비스 간 이동을 할 때 체감하는 로딩 시간을 최소화해 탐색 경험을 개선했다. 정적 렌더링의 도입이 서비스 발견의 진입 장벽을 낮추는 핵심 장치가 됐다.

인프라 관리 비용과 설정 시간이 늘어나면 실제 제품 개발에 투입할 자원이 줄어든다. 배포 환경은 PaaS(서비스형 플랫폼)인 Railway(레일웨이)를 통해 자동화했다. 깃허브 저장소와 연결해 코드 푸시와 동시에 배포가 이뤄지는 파이프라인을 구축했다. 스토리지 서비스는 Cloudflare R2(클라우드플레어 R2)를 사용한다. R2는 데이터 전송료(Egress fee)가 없는 S3 호환 객체 저장소다. 대량의 서비스 이미지와 정적 자산을 비용 부담 없이 전 세계 사용자에게 빠르게 서빙한다. 인프라 운용의 복잡성을 제거하고 서비스 운영 효율을 극대화했다. 최신 런타임과 서버리스 스토리지의 조합이 서비스의 빠른 확장성을 뒷받침한다. 운영 공수를 줄여 콘텐츠 큐레이션이라는 본질적 가치에 집중할 수 있는 환경을 만들었다.

사용자는 이제 검색창 대신 큐레이션 리스트를 선택한다. newflix는 IT 서비스의 발견 경로를 검색에서 추천으로 옮긴다. 공급자는 검색 최적화가 아닌 추천 알고리즘의 선택을 받아야 생존한다. 서비스 유통의 주도권이 검색 엔진에서 큐레이션 플랫폼으로 이동한다.

SaaS 기업의 마케팅 예산은 이제 검색 광고가 아닌 큐레이션 진입 전략에 투입된다. 발견의 효율이 곧 매출로 직결되는 구조다.