PostHog의 제임스(James)는 AI 기능을 통해 제품을 더 단순하고 강력하게 만들 수 있다는 확신을 바탕으로 새로운 방향성을 제시했다. 그는 그동안 AI 설치 마법사와 MCP(Model Context Protocol) 같은 기능을 도입하며 사용자들의 호응을 확인했다. 이제 PostHog는 단순한 기능 추가를 넘어, 사용자의 데이터를 직접 학습시킨 AI 모델을 통해 스스로 답을 찾고 실행하며 개선되는 '자율 주행 제품'으로의 진화를 시도한다.

PostHog Code 베타와 데이터 기반의 3가지 핵심 기능

사용자가 서비스의 어느 지점에서 이탈하는지 확인하려고 세션 리플레이(Session Replay, 사용자의 서비스 이용 과정을 영상처럼 기록해 재생하는 기능)를 일일이 돌려보는 작업은 물리적인 시간이 너무 많이 소요된다. 최근 베타 버전을 공개한 PostHog Code(포스트호그 코드)는 이 과정을 자동화하기 위해 서비스 내부에 쌓인 사용자 행동 데이터를 직접 학습시킨 모델을 도입한다. 기존의 AI 탐지 방식은 특정 개별 사용자가 겪는 문제를 진단하는 수준에서는 유용했지만, 전체 사용자군으로 확장할 경우 처리 비용이 급격히 상승하고 확장성이 떨어진다는 문제가 있었다. PostHog는 리플레이를 구동하는 하위 데이터를 모델에 직접 학습시켜 분석 비용을 낮추고 대규모 데이터셋에서도 빠르게 인사이트를 추출한다. 이는 분석가가 일일이 영상을 확인하던 방식에서 AI가 정답과 해결책을 제시하는 체계로 전환하는 첫 단계다.

생성형 AI 코딩 모델의 보급으로 코드 작성 속도는 빨라졌지만, 정작 개발자가 검토해야 할 테스트 케이스와 코드 리뷰 작업량은 이전보다 훨씬 늘어났다. PostHog Code는 이러한 병목 현상을 해결하기 위해 배포 전 단계에서 합성 사용자 테스트(Synthetic User Testing) 기능을 제공한다. 이 기능은 실제 사용자의 행동 패턴을 학습한 모델이 가상의 사용자가 되어 제품의 흐름을 미리 시뮬레이션하며, 사용자가 혼란을 느낄 만한 지점이나 흐름이 단절되는 구간을 예측해 알려준다. 개발자는 실제 배포 후 사용자 불만이 접수되기 전에 UX 결함을 미리 찾아내어 수정할 수 있다. 단순한 기능 작동 여부를 확인하는 기존 테스트를 넘어, 실제 사용자의 행동 양식을 기반으로 제품의 사용성을 검증한다.

이미 시장에 출시된 기능이라도 전환율이 낮거나 사용자 불만이 지속되는 지점을 찾아내는 작업은 여전히 많은 수동 분석 시간을 요구한다. PostHog Code는 학습된 행동 예측 모델을 활용해 전환율을 개선하고 사용자 불만을 줄일 수 있는 구체적인 UI/UX 변경 사항을 제안한다. 분석가가 데이터를 추출하고 가설을 세워 다시 검증하는 반복적인 수동 분석 과정을 자동화하며, 이 과정에서 외부 LLM API를 호출하며 발생하는 토큰 소모량과 비용을 낮춘다. 대부분의 AI 도구가 효율적인 코드 작성을 돕는 데 집중하는 것과 달리, PostHog는 제품 자체의 완성도를 높이는 제품 에디터(Product Editor)로서 작동한다. 데이터 기반의 예측 모델이 코드 수정 제안까지 연결함으로써 기획과 개발, 분석의 작업 단계를 통합한다.

기본 옵트인 정책과 '제품 에디터'로의 정체성 변화

개발자가 설정 창에서 옵트아웃(Opt-out, 거부) 버튼을 누르는 순간, 곧 출시될 신규 AI 기능의 접근 권한이 즉시 사라진다. PostHog(포스트호그)는 데이터 학습을 기본 설정으로 채택하는 기본 옵트인(Opt-in by default) 정책을 전면에 내세웠다. 다만 EU 클라우드 인스턴스 사용자는 지역 법규와 개인정보 보호 기준에 따라 기본 옵트아웃 상태를 유지한다. EU 사용자라도 법적 계약에 위배되지 않는다면 수동으로 옵트인을 선택해 기능을 활성화할 수 있다. 글로벌 팀이 협업하는 환경에서는 인스턴스 위치에 따라 사용할 수 있는 기능의 범위가 갈리는 상황이 발생한다. 데이터 제공 여부가 도구의 지능 수준과 기능 범위로 직결되는 조건을 설정해 사용자가 직접 선택하게 만든다.

PostHog는 학습 데이터의 외부 노출이나 판매, 데이터 수익화를 엄격히 금지한다고 명시했다. 많은 기업이 이용약관(T&Cs)의 모호한 문구 속에 데이터 활용 변경 사항을 숨기는 관행을 버리고, 인터넷 친화적인 목록 형태로 투명하게 공개하는 방식을 택했다. 이들은 데이터가 충분히 확보되지 않으면 실무에서 실제로 유용한 모델을 학습시킬 수 없다는 점을 강조한다. 사용자가 자신의 데이터가 어떻게 쓰이는지 정확히 알 때 더 적극적으로 학습에 참여한다는 계산이다. 데이터 제공의 대가로 내 데이터에 최적화된 AI 기능을 즉시 제공받는 실익을 제시하며 사용자의 참여를 유도한다.

PostHog Code(포스트호그 코드)는 단순한 코드 생성 도구를 넘어 제품 에디터(Product Editor)로서 작동한다. 기존 AI 코딩 도구들이 문법적으로 완벽한 코드를 빠르게 작성하는 효율성에 집중했다면, PostHog는 제품의 전환율을 높이는 결과에 집중한다. 사용자의 행동 데이터를 학습해 제품의 문제점을 먼저 찾아내고 해결책을 제시하며, 이를 직접 실행하고 시간이 흐를수록 스스로 개선되는 자율 주행 제품을 구현한다. 개발자는 이제 코드 한 줄의 효율성보다 전환율을 높이고 사용자 불만을 줄이는 비즈니스 지표를 직접 수정하는 환경에서 작업한다. 도구가 코드를 짜는 보조 수단에서 제품의 성과를 직접 설계하고 수정하는 편집기로 진화한 것이다.

데이터 규제 준수와 실무 도입 전략

이러한 자율 주행 제품 기능을 실무에 적용하기 위해서는 먼저 데이터의 지리적 위치와 규제 준수 여부를 확인해야 한다. EU 클라우드 인스턴스를 사용하는 팀은 기본 옵트아웃 정책이 적용되므로, AI 기능 활성화를 위해 수동으로 옵트인 설정을 변경해야 한다. 데이터 주권과 기능의 지능 수준 사이에서 발생하는 트레이드오프를 팀 내부에서 합의하고, 지역별 법적 계약이 데이터 학습 허용 범위와 충돌하지 않는지 검토해야 한다. 데이터 제공이 곧 도구의 성능 향상으로 직결되는 환경에서는 법적 리스크를 관리하는 것이 기술 도입의 첫 번째 단계다.

합성 사용자 테스트의 도입은 배포 전 병목 구간을 식별하는 용도로 한정해야 한다. 실제 사용자 행동 데이터를 학습한 모델이 시뮬레이션을 수행하므로, 데이터가 충분히 쌓이지 않은 초기 서비스보다는 사용자 흐름이 정형화된 성숙기 제품에서 더 높은 정확도를 보인다. 개발자는 AI가 제안하는 UX 결함 리포트를 테스트 케이스의 보조 수단으로 활용하여, 수동 검토 시간을 줄이고 배포 전 오류를 사전 차단하는 자동화 파이프라인을 구축할 수 있다. 데이터 기반의 예측 모델은 기존의 기능 테스트가 잡아내지 못하는 심리적 이탈 구간을 탐지하는 데 유효하다.

제품 에디터로서의 AI는 코드 생성 효율이 아닌 비즈니스 지표 개선을 목표로 활용해야 한다. 전환율이 낮거나 사용자 불만이 반복되는 특정 UI/UX 구간에 모델을 집중 투입하여, 분석가가 수동으로 수행하던 가설 검증과 코드 수정 제안 과정을 자동화한다. 단순한 코드 작성 보조 도구와 달리 제품의 성과를 직접 설계하는 도구로 활용할 때, 분석과 개발의 작업 주기가 단축되며 팀의 업무 효율이 높아진다. 결국 AI 도구는 코드의 문법적 완성도를 넘어 제품의 시장 성과를 직접 견인하는 방향으로 활용되어야 한다.