16개월 후에도 유지된 AI 도입률 35%, 핵심은 '대체 텍스트'였다

AI 기능을 도입한 대상 사용자의 35%가 16개월이 지난 후에도 해당 기능을 계속 사용하고 있다. 이는 생성형 AI에 대해 가장 회의적인 집단 중 하나인 사진작가와 예술가들을 대상으로 거둔 결과다. 2025년 MIT 연구에 따르면 기업의 생성형 AI 파일럿 프로젝트 중 95%가 측정 가능한 수익을 내지 못했다는 통계가 있을 정도로 AI 도입의 실효성 논란은 크다. Pixieset은 창작자의 고유 영역인 창의적 작업이 아니라, 검색 엔진 최적화(SEO)를 위한 대체 텍스트 작성 같은 비창의적 마찰 지점을 자동화함으로써 사용자 수용도를 높였다.

사진작가들에게 대체 텍스트(Alt text, 이미지의 내용을 설명하여 검색 엔진이 인식하게 하는 텍스트)는 비즈니스 성장을 위해 필수적이지만 가장 기피하는 작업이다. 웹사이트에 올린 사진이 검색 엔진에 노출되려면 각 이미지에 정확한 설명이 붙어 있어야 하지만, 대체 텍스트가 없으면 이미지는 검색 엔진에 보이지 않는 상태가 된다. 일반적인 작가의 포트폴리오는 수백 장에서 수천 장의 이미지로 구성된다. 이 모든 사진에 일일이 고유한 설명을 입력하는 과정은 극도로 지루하고 시간이 많이 소요되는 단순 반복 업무다. 작가들은 이 작업이 필요하다는 사실을 인지하고 있음에도 불구하고, 작업의 물리적 양이 너무 많아 실행을 계속해서 뒤로 미루는 패턴을 보였다.

Pixieset은 매년 진행하는 전사 해커톤을 통해 생성형 AI의 가능성을 확인한 뒤, 이를 고객이 겪는 구체적인 불편함과 연결했다. 창작자의 예술적 정체성을 위협하는 도구가 아니라, 작가가 가장 싫어하는 행정적 잡무를 대신 처리해주는 보조 도구로 포지셔닝한 것이다. 컨셉 설계부터 실제 프로덕션 환경에 출시하기까지는 4개월이 소요되었다. 결과는 즉각적이었다. 기능 출시 첫 주에만 75만 장 이상의 사진에 대해 AI가 대체 텍스트를 생성하며 폭발적인 초기 반응을 이끌어냈다. 이는 AI가 인간의 창의성을 대체하려 할 때 발생하는 거부감을 피해, 실질적인 시간 비용을 줄여주는 방향으로 접근했기 때문에 가능했다.

실제 사용자들의 반응은 실용적 효용에 집중되었다. 평소 AI 사용을 선호하지 않는다고 밝힌 한 사용자는 이미지 설명을 대량으로 생성하는 기능은 환상적이며, 생성된 내용을 확인하고 승인하는 과정만 거치면 되기에 매우 유용하다는 의견을 남겼다. 또 다른 사용자는 이미지 SEO를 위한 이 기능이 시간을 획기적으로 절약해주며, 일부 세부적인 수정만 거치면 전반적으로 정확한 결과물을 얻을 수 있다고 평가했다. 창작자들은 자신의 작품을 정의하는 최종 권한은 유지하면서, 그 과정에 들어가는 단순 노동만 제거되었을 때 AI를 도구로서 신뢰하고 수용했다.

서버 구축 없이 대규모 요청을 처리한 Amazon Bedrock 파이프라인

출시 이후 단 한 건의 다운타임 없이 시스템을 운영한 핵심은 기존의 이벤트 기반 아키텍처를 그대로 활용했다는 점이다. Pixieset은 Amazon EC2(가상 서버), AWS Lambda(서버리스 함수), Amazon SQS(메시지 큐)로 구성된 파이프라인을 이미 운영하고 있었다. 새로운 AI 기능을 추가하기 위해 인프라를 처음부터 다시 설계하는 대신, 기존 워크플로의 끝단에 추론 단계만 덧붙이는 방식을 택했다. SQS가 업로드 이벤트를 큐에 쌓고 Lambda가 이를 순차적으로 처리하는 기존의 비동기 구조는 AI 추론처럼 시간이 걸리는 작업에 적합하다.

사진작가가 이미지를 업로드하면 이벤트가 발생하고, 이 신호가 SQS를 거쳐 Lambda로 전달되는 구조다. 여기에 Amazon Bedrock의 멀티모달 LLM(텍스트와 이미지를 동시에 이해하는 대규모 언어 모델)으로 추론 요청을 보내는 단계를 추가했다. 일반적으로 LLM을 프로덕션 환경에 적용하려면 고성능 GPU 프로비저닝이나 별도의 모델 호스팅 환경을 구축하고 관리해야 한다. 하지만 Bedrock은 단일 API 호출만으로 추론이 가능해, 서버 자원을 직접 할당하거나 모델의 가용성을 수동으로 관리할 필요가 없다. 이미지 데이터를 API로 전송하면 모델이 이를 분석해 텍스트 캡션을 반환하는 단순한 요청-응답 구조다.

대규모 요청을 안정적으로 처리하기 위해 Cross-Region inference(교차 리전 추론, 지리적 경계 내 여러 리전으로 요청을 자동 분산하는 기능)를 적용했다. 특정 리전의 서버에 부하가 몰리거나 일시적인 장애가 발생해도 시스템이 자동으로 다른 리전의 자원을 사용해 응답을 유지하는 방식이다. 여기에 1차 모델이 실패했을 때 2차 모델로 즉시 재시도하는 로직을 구현해 예외 상황을 차단했다. API 기반의 추론 환경에서 발생할 수 있는 타임아웃나 일시적 오류를 인프라 계층의 분산 처리와 애플리케이션 계층의 재시도 로직으로 방어했다.

전체 흐름은 이미지 업로드라는 트리거에서 시작해 캡션 생성과 저장이라는 최종 상태로 이어진다. 생성된 캡션은 사진과 함께 데이터베이스에 저장되며, 이후 사용자가 웹사이트 빌더에서 이를 확인하고 수정할 수 있도록 표출된다. 완전 관리형 API를 통해 GPU 서버 운영 시 발생하는 CUDA 드라이버 업데이트, 메모리 부족 문제, 오토스케일링 설정 등의 복잡한 과정을 생략하고 요청량에 따라 자동으로 확장되는 구조를 확보했다. 결과적으로 서버 구축 리소스를 최소화하면서도 출시 첫 주에 75만 건 이상의 요청을 처리하는 확장성을 구현했다.

개별 승인에서 자동 적용으로 이어지는 신뢰 구축 UI 설계

안정적인 인프라 구축만큼 중요한 것은 사용자가 AI의 결과물을 어떻게 받아들이게 하느냐는 UX 설계였다. Pixieset은 AI가 생성한 대체 텍스트를 웹사이트 전체에 한 번에 적용하지 않고 이미지 한 장 단위로 제안한다. 사용자는 AI가 제안한 텍스트를 보고 수락하거나 수정하거나 혹은 거절하는 세 가지 선택지 중 하나를 고른다. 이 과정에서 사진작가는 AI의 결과물이 자신의 의도와 맞는지 개별적으로 확인하며 품질에 대한 확신을 갖는다. 한꺼번에 수천 장의 사진에 텍스트가 입혀졌을 때 발생할 수 있는 대규모 오작동의 위험을 차단한 설계다.

일반적인 AI 도입 사례에서는 처리 속도와 효율성을 강조하며 일괄 처리 기능을 전면에 내세우는 경우가 많다. 하지만 창작 전문가를 대상으로 하는 서비스에서는 효율보다 제어권이 더 중요한 가치로 작용한다. 모든 결과물을 한 번에 바꾸는 방식은 사용자가 잘못된 결과물을 일일이 찾아내어 수정해야 하는 또 다른 노동을 발생시킨다. 반면 단계적 적용 방식은 사용자가 AI의 작동 논리를 학습하게 만들고 어느 정도 수준의 결과가 나오는지 예측 가능하게 만든다.

개별 승인 과정을 통해 AI의 성능을 직접 확인한 사용자는 이후 포트폴리오 전체에 자동 적용(auto-apply) 기능을 활성화할 수 있다. 검증 과정을 거친 뒤의 자동화는 단순 반복 업무를 줄여주는 도구로 인식된다. 사용자가 AI 성능을 확인한 뒤에만 자동화 버튼을 누르게 함으로써 서비스 운영 측면에서 발생할 수 있는 품질 불만을 최소화했다. 이는 사용자가 제어권을 가질 때 AI 기능을 더 적극적으로 수용한다는 점에 주목한 결과다.

자동 적용을 선택한 이후에도 모든 캡션은 사용자가 직접 수정할 수 있는 상태로 유지된다. 최종 결정권과 수정 권한을 인간이 보유하게 함으로써 AI가 창작자의 영역을 침범한다는 심리적 저항을 낮췄다. 이러한 UI 설계는 AI가 사진작가의 창의적인 작업 영역이 아닌 메타데이터라는 보이지 않는 뼈대를 관리하는 역할에 집중하게 만든다. 사진작가가 자부심을 느끼는 시각적 창작물 자체를 건드리는 대신 검색 엔진 최적화를 위해 반드시 필요하지만 작성하기 귀찮은 텍스트 작업만을 타겟팅했다.

모델 교체 비용을 낮추는 통합 API와 실무적 도입 판단 기준

Pixieset은 2025년 초 Anthropic(앤스로픽)의 Claude 3.5 Sonnet을 통해 기능을 처음 출시했다. 이미지와 텍스트를 동시에 이해하는 멀티모달 능력과 빠른 추론 속도, 그리고 대규모 요청을 처리할 때의 비용 효율성을 기준으로 모델을 선택했다. 이후 2026년 6월 기준 Amazon Bedrock의 모델 카탈로그는 Claude Sonnet 5, GPT-5.5, Amazon Nova 등으로 빠르게 확장되었다. 모델의 성능 개선 주기와 새로운 버전의 출시 속도가 매우 빠르기 때문에 특정 모델의 API 체계나 특정 벤더의 생태계에 종속되지 않는 유연한 구조를 확보하는 것이 실무적으로 가장 중요한 과제였다.

Amazon Bedrock의 통합 API는 서로 다른 모델 제공사들이 가진 각기 다른 인터페이스를 하나의 표준화된 방식으로 묶어 제공한다. 일반적으로 모델을 교체하려면 각 벤더가 제공하는 전용 SDK를 새로 설치하고 요청과 응답의 데이터 형식을 다시 정의하며 인증 로직까지 모두 수정해야 하는 상당한 리소스 소모가 발생한다. 하지만 Pixieset은 통합 API 덕분에 전체 통합 아키텍처를 다시 설계하거나 코드를 전면 수정하는 일 없이 새로운 모델을 평가하고 즉시 교체할 수 있었다. 여기에 Amazon Bedrock의 프롬프트 최적화 기능이 더해져 기존에 사용하던 프롬프트를 새 모델의 강점에 맞춰 자동으로 조정함으로써 엔지니어링 공수를 줄였다.

이 과정에서 Pixieset은 대체 텍스트 생성 기능을 독점적인 기술적 해자가 아닌 기본 사양(Table-stakes)으로 정의했다. 시간이 흐르면 경쟁 관계에 있는 모든 서비스 빌더가 유사한 수준의 AI 기능을 제공하게 될 것이며, 결국 AI 모델의 성능 자체가 서비스의 경쟁 우위를 결정짓는 핵심 요소가 아니라고 판단했기 때문이다. 기술적 차별화에 매몰되어 모델의 미세한 성능 차이를 좁히는 오버엔지니어링을 하기보다 시장 진입 속도(Time-to-market)에 우선순위를 배치했다. 모델 자체의 독보적인 성능을 구현하는 것에 시간을 쓰기보다 사용자가 체감하는 편의성을 빠르게 제공하고 실제 프로덕션 환경에 빠르게 배포하는 것이 사업적으로 더 큰 가치를 준다는 판단이 작용했다.

AI 기능을 독점적 해자가 아닌 기본 사양으로 정의하면 개발 기간을 1년에서 4개월로 단축하는 과감한 의사결정이 가능하다.