1,300만 명의 매니저를 위한 ChatGPT 5.4 기반 FPL 컴패니언

FPL 컴패니언은 팀 운영의 최종 결정권을 유저에게 남겨두고 데이터 기반의 조언만 제공한다. 자동 운영 기능이 없다는 제약은 1,300만 명 이상의 판타지 프리미어리그(FPL, 프리미어리그 선수들의 실제 성적을 바탕으로 가상 팀을 운영하는 게임) 참여자들이 직접 전략을 짜는 재미를 유지하게 만든다. 이 도구는 유저가 스쿼드를 구성하고 유지 관리하는 과정에서 발생하는 고민을 해결하는 보조 도구로 설계됐다. 데이터 분석의 부담은 줄이되 선택의 주도권은 유저가 갖는 구조를 통해 게임의 본질적인 경쟁 요소를 보존했다.

기술적 구현에는 Microsoft Foundry(마이크로소프트의 AI 개발 플랫폼)와 Azure OpenAI, 그리고 ChatGPT 5.4가 사용됐다. 이 스택은 프리미어리그 공식 데이터를 직접 처리하여 유저의 질문에 답하고 맞춤형 추천을 제공하는 기반이 된다. 단순히 일반적인 웹 정보를 검색하는 것이 아니라 공식 DB의 데이터를 LLM(거대언어모델)이 해석해 전달하는 방식이다. 이를 통해 유저는 수많은 수치가 나열된 복잡한 데이터 시트를 일일이 확인하지 않고도 대화형 인터페이스를 통해 자신이 원하는 특정 지표나 추천 사유를 즉시 얻을 수 있으며, 스쿼드 유지 관리를 위한 구체적인 조언을 받는다.

도입의 핵심 목적은 데이터 접근성을 높여 신규 유저의 진입 장벽을 낮추는 것이다. 기존에는 숙련된 유저들만 접근하던 깊이 있는 지표들을 일반 유저도 쉽게 활용할 수 있게 됐다. 초보 유저는 팀 구성 방법이나 칩(Chip, 게임 내 특수 아이템) 작동 원리 같은 기초적인 질문으로 시작해 점차 세부적인 분석으로 나아갈 수 있다. 유저의 지식과 숙련도가 성장함에 따라 컴패니언이 제공하는 조언의 수준도 함께 이동하며, 이는 데이터 탐색의 심리적 허들을 낮춘다.

이 시스템은 실시간으로 업데이트되는 정보를 반영해 답변의 유연성을 확보했다. 화요일에 던진 질문과 목요일에 던진 동일한 질문에 대해 서로 다른 답변을 내놓는 것이 가능하다. 이는 경기 결과나 부상 소식 같은 최신 뉴스가 실시간으로 컴패니언에 입력되어 반영되기 때문이다. 유저는 일주일 내내 AI와 대화를 나누며 변화하는 상황에 맞춰 스쿼드를 수정하고 최적의 선택지를 탐색할 수 있다. 단순한 일회성 질의응답을 넘어 시즌 전체의 흐름을 함께 따라가며 데이터 기반의 의사결정을 돕는다.

경기 데이터와 게임 데이터의 결합: 추천의 근거를 만드는 방식

부상 선수를 대체할 때 단순히 득점 순위만 보는 것이 아니라 최근 6주의 성과와 다른 유저들의 선택 경향을 동시에 분석해 추천 대상을 결정한다. 추천의 근거를 만드는 과정은 성격이 다른 두 가지 데이터 버킷을 교차 분석하는 구조로 설계되었다. 첫 번째 버킷은 매치 데이터(Match Data)다. 여기에는 골, 어시스트, 출전 시간, 경고 및 퇴장 카드, 경기장 내 활동 시간, 태클 횟수, 슛 횟수 등 실제 경기에서 발생한 모든 기록이 포함된다. 이는 선수가 경기장에서 보여준 객관적인 성과와 역사적 데이터를 기반으로 현재의 폼을 측정하는 기준이 된다.

두 번째 버킷은 게임 데이터(Game Data)다. 이는 실제 축구 경기가 아니라 FPL이라는 판타지 게임 내에서만 발생하는 지표를 의미한다. 구체적으로는 특정 선수의 교체 횟수, 얼마나 많은 매니저가 해당 선수를 캡틴으로 선정했는지에 대한 비율, 그리고 게임 내 특수 아이템인 칩(Chip)의 사용 현황 등이 여기에 해당한다. 매치 데이터가 선수의 실력을 증명한다면 게임 데이터는 유저들의 집단 지성과 시장의 흐름을 보여주는 지표로 작동한다.

시스템은 이 두 버킷을 결합해 추천의 논리를 생성한다. 부상자 대체 추천 시 최근 6주간의 매치 데이터를 통해 성과를 검증하는 동시에 게임 데이터에 기록된 유저 선호도와 향후 경기 일정을 함께 분석한다. 결과물은 단순한 선수 이름의 나열이 아니라 데이터에 기반한 구체적인 추천 이유를 포함한 형태로 출력된다. 사용자는 AI가 제시한 근거를 확인한 뒤 더 깊은 분석이 필요하면 연결된 에디토리얼 링크를 통해 상세 내용을 확인할 수 있다.

이 구조는 서로 다른 성격의 데이터셋을 결합해 추천의 근거를 입체적으로 만드는 방식이다. 경기 기록이라는 물리적 사실과 유저 선택이라는 심리적 지표를 동시에 제공함으로써 사용자가 추천 결과의 타당성을 직접 판단하게 한다. 단순한 정보 전달을 넘어 데이터 버킷 간의 교차 분석으로 추천의 신뢰도를 확보하는 것이 이 워크플로의 핵심이다.

현장에서 달라지는 비용과 판단

FPL 컴패니언은 포인트 예측을 수행하지 않으며 팀을 자동으로 운영하는 오토파일럿(사용자 개입 없이 시스템이 자동으로 설정을 변경하는 기능) 기능을 제공하지 않는다. 최종 결정권은 전적으로 유저인 매니저가 보유하며 도구는 정보에 기반한 더 나은 판단을 돕는 보조 역할에 집중한다. AI가 대신 팀을 운영해 주는 것이 아니라 매니저가 직접 데이터를 해석하고 선택하게 만드는 제약 조건을 설계 단계부터 명확히 했다. 축구라는 스포츠가 가진 본질적인 예측 불가능성을 인정하고 정답을 강요하지 않는 방식을 택한 것이다. 이는 AI가 정답을 내리는 대체재가 아니라 분석 시간을 줄여주는 실무적 효율화 도구로 작동하게 만든다.

사용자의 숙련도에 따라 질문의 깊이와 답변의 상세 수준이 달라지는 단계적 가이드를 제공한다. 입문자는 팀을 처음 구성하는 방법이나 칩(특정 라운드에 일시적 혜택을 주는 게임 내 아이템)의 작동 원리, 리그 설정 방법 같은 기본 가이드를 주로 활용한다. 반면 숙련된 유저는 박스 안 슛 횟수 같은 세부 지표를 근거로 스트라이커 옵션을 분석하는 식의 고도화된 질문을 던진다. 단순한 기능 설명을 넘어 특정 지표 기반의 세부 분석까지 지원함으로써 유저의 지식 수준에 맞는 맞춤형 정보를 제공한다. 숙련도에 관계없이 누구나 데이터에 접근할 수 있는 경로를 열어둔 구조다.

최신 뉴스를 실시간으로 반영하여 화요일과 목요일에 던진 동일한 질문에 대해서도 서로 다른 답변을 제공한다. 예를 들어 부상 선수를 대체해야 하는 상황에서 콜 파머, 부카요 사카, 앙투안 세메뇨 같은 여러 선택지를 동시에 제안하며 각 제안을 뒷받침하는 데이터와 관련 에디토리얼 링크를 함께 연결한다. 기존에는 유저가 직접 복잡한 데이터 테이블을 일일이 탐색하고 해석하는 과정을 거쳐야 했으나 이제는 대화형 인터페이스를 통해 필요한 정보만 빠르게 추출해 소화할 수 있다. 정보 탐색에 드는 물리적 비용을 낮추고 데이터 기반의 판단 속도를 높인 결과다.

도메인 특화 AI 도입 시 고려할 '의사결정 보조'의 설계 기준

공식 DB(Trusted data source)라는 엄격한 제약 조건을 설정해 일반 웹 데이터에서 발생하는 환각 현상을 원천적으로 차단했다. 프리미어리그의 공식 경기 기록과 FPL(Fantasy Premier League, 판타지 프리미어리그) 내부 데이터를 결합하여 답변의 근거를 이 두 가지 소스로만 한정한다. 예를 들어 부상 선수를 대체할 후보를 찾을 때 AI는 최근 6주간의 실제 경기 성과와 현재 유저들 사이의 선수 선택 비율, 향후 경기 일정이라는 서로 다른 성격의 데이터를 동시에 분석한다. 데이터의 출처를 검증된 내부 DB로 좁히면 LLM이 그럴듯한 거짓말을 하는 리스크를 실무적으로 제어하며 신뢰도를 확보할 수 있다.

입문자에게는 팀 구성 방법을, 숙련자에게는 박스 안 슛 횟수 같은 세부 지표를 제공하는 방식으로 활용 목적을 분리해 의사결정 보조 모델을 설계했다. AI는 특정 선수를 추천할 때 단순한 이름 제시가 아니라 해당 선수가 왜 적합한지에 대한 데이터 근거와 관련 에디토리얼 링크를 함께 제공한다. 단 하나의 정답을 강요하는 자동화가 아니라 유저가 스스로 판단할 수 있는 근거를 나열하는 방식이다. 정답을 대신 내주는 것이 아니라 최적의 선택을 위한 정보 탐색 비용을 줄여주는 설계가 도메인 특화 AI의 실무적 가치를 높인다.

유저의 질문 패턴과 답변에 대한 반응, 체류 시간을 분석해 답변 방식과 표면화하는 정보를 반복 개선(Iterate)하는 체계를 구축했다. 초기 모델의 성능에 만족하지 않고 실제 사용자가 어떤 지표에 더 긍정적으로 반응하는지를 추적해 답변에 포함할 정보의 우선순위를 조정한다. 질문의 구체성에 따라 답변의 깊이를 다르게 가져가며 유저가 느끼는 심리적 진입장벽을 낮추는 작업이 병행된다. 이는 모델의 파라미터를 수정하는 기술적 접근보다 유저의 실제 의사결정 흐름을 분석해 데이터 노출 방식을 최적화하는 실무적 접근이다.

도메인 특화 AI를 구축할 때는 실제 성과를 나타내는 경기 데이터와 유저 행동을 보여주는 게임 지표를 분리하여 LLM에 제공하고, 이를 결합해 추천 근거로 제시하는 데이터 구조를 설계해야 한다.