이 글은 AI 기술이 제품 디자인 및 개발 프로세스를 근본적으로 변화시키고 있으며, 이 변화가 단순히 일자리 감소를 넘어선 더 심오한 의미를 가진다고 주장합니다. 저자는 Macromedia Dreamweaver를 사용해 첫 웹사이트를 만들었던 경험과 Figma, Photoshop 등으로 디자인하고 개발자에게 handoff하던 기존 방식에 대한 회고로 글을 시작합니다. 최근 Claude Code를 사용하여 BuildOps의 design system repo에서 UI를 생성하는 실험을 통해, 기존의 mockup을 그리고 개발자에게 전달하는 과정이 생략될 수 있음을 깨달았다고 언급합니다.

The Wrong Debate & Invisible vs. Visible Work:
현재 AI와 제품 직무에 대한 논의가 "디자이너가 Figma Make 때문에 일자리를 잃을까?" 또는 "엔지니어가 Cursor 때문에 대체될까?"와 같은 headcount 중심의 잘못된 질문에 갇혀있다고 비판합니다. 진짜 질문은 process의 변화에 있다고 강조합니다. AI는 problem definition, experience design, code writing, shipping과 같은 기능을 제거하는 것이 아니라, 누가 이 작업을 수행하고, 얼마나 빠르게 진행되며, bottleneck이 어디로 이동하는지를 변화시킨다는 것입니다.
저자는 coding, PRD writing, data analysis, summarization과 같은 invisible work은 품질 격차가 user interface 뒤에 숨겨져 있어 자동화하기 쉽다고 설명합니다. 예를 들어, 코드가 좋지 않아도 앱이 작동하면 아무도 신경 쓰지 않는다는 것입니다. 그러나 user interface, flows, experience와 같은 visible work은 사용자에게 직접 보여지므로, quality gaps가 즉시 드러나고 사용자들이 jankiness를 알아차린다고 말합니다. Phil Morton의 말을 인용하여, 제작이 빠르고 저렴해질수록 가장 어려운 문제는 "무엇을 만들 가치가 있는가"를 결정하는 것이라고 강조하며, AI로 인한 velocity gains가 engineering에서 더 크게 나타나 product development process를 재편할 것이라고 예측합니다.

The Visible Work & Ingestion Problem:
엔지니어링은 벽 뒤에 숨겨진 plumbing과 같아서 water가 잘 나오면 underneath가 어떻게 생겼든 상관없지만, software design은 보이는 wall, tap, handle과 같아서 직관적이지 않으면 나쁜 experience가 된다는 비유를 사용합니다. AI는 code에서 brute-force로 기능을 작동시킬 수 있지만, interfaces와 flows에서 사용자 요구를 충족시키는 데는 한계가 있다고 지적합니다. AI는 training data에 기반한 standards를 따를 수 있지만, user research(user interviews, survey results, usage analytics, competitive audits)와 같은 방대한 context를 바탕으로 결정을 내리기는 어렵다는 것입니다.
또 다른 bottleneck으로 ingestion problem을 꼽습니다. AI가 막대한 volume을 생성할 수 있지만, 인간은 이를 읽고, 내재화하고, 비판적으로 평가해야 합니다. code review나 meeting synthesis 등 AI가 생성한 output을 사람이 ingest하여 지적인 대화를 나누기 위해서는 여전히 인간의 speed constraint가 존재한다는 것입니다. AI는 content generation과 summarization에는 탁월하지만, novelty를 창조하거나 taste를 갖는 데는 아직 한계가 있다고 덧붙입니다.

Design in Code, Not in Figma:
제품 개발에서 가장 큰 bottleneck은 Figma mockups를 production code로 전환하는 과정, 즉 designer-to-developer handoff gap이라고 지적합니다. 이 과정에서 translation, review, reconciliation에 많은 waste가 발생한다고 설명합니다. AI는 이 bottleneck을 해소할 수 있지만, 이는 디자이너가 실제 material인 code로 직접 디자인할 때만 가능하다고 주장합니다. Figma를 포기하고 AI tools로 디자인하는 디자이너들이 늘고 있다는 점을 언급하며, mockups는 product 자체가 아니라 번역되고 검토되어야 하는 parallel artifact에 불과하다고 말합니다.
저자의 실험(Claude Code를 이용해 design system에서 UI를 생성)이 이러한 가능성을 입증했다고 강조합니다. Monday.com의 사례를 들어, 초기 AI-powered design-to-code 시도는 Figma link를 Cursor에 붙여 넣는 방식이었으나, design system components를 사용하지 않고 colors가 hardcoded되며 CSS가 수동으로 작성되는 등 문제가 발생했다고 설명합니다. 이들의 해결책은 design system을 machine-readable(components, tokens, accessibility rules, usage patterns)하게 만드는 design-system MCP (Model Context Protocol)를 구축하고, 이를 기반으로 structured context를 구성하는 11-node agentic workflow를 만드는 것이었습니다. 이 agent는 직접 code를 작성하는 대신, code가 어떠해야 하는지에 대한 understanding을 구축하여 developer's coding agent에게 전달하는 방식으로 동작하며, 이를 Orchestration, not magic이라고 표현합니다. Anthropic의 디자이너가 Claude Code에 직접 pull requests를 커밋하는 사례를 들며, 이는 이미 현실화되고 있는 미래라고 강조합니다.

What Stays Human & Small Teams, Big Leverage:
AI가 code를 생성하고, PRD를 작성하며, research를 요약하고, interfaces를 prototype할 수 있다면 인간에게 남는 것은 orchestration이라고 설명합니다. models는 충분히 유능하지만, bottleneck은 keyboard 앞에 앉은 사람, 즉 무엇을 요구해야 할지, 작업을 model이 처리할 수 있는 pieces로 어떻게 나눌지, 그리고 output을 언제 거부할지 아는 능력에 달려 있다는 것입니다. Kyle Zantos의 말을 인용하여 tools는 빠르게 변하므로 philosophy와 approach를 배우는 것이 중요하다고 말합니다.
AI 기반 제품의 quality는 surface polish를 넘어 trust, clarity, reliability와 같은 first-class design outcomes를 포함해야 한다고 SAP의 Chief Design Officer, Arin Bhowmick의 의견을 인용합니다. UX design questions은 여전히 인간의 judgment를 필요로 한다는 것입니다. 또한, Vlad Derdeicea의 주장을 인용하여 design leads가 hands-on design work보다는 communication, alignment, justification에 80%의 시간을 사용하므로, AI는 mockup work보다는 이 80%의 invisible work(meeting notes synthesis, stakeholder communications, research summaries, quick prototypes)를 목표로 해야 한다고 제안합니다. Jan Tegze의 관점을 소개하며, 현재 직무를 더 잘하는 것이 아니라 인간의 한계로 인해 존재하는 constraint를 agents를 통해 제거하여 이전에는 불가능했던 일들을 가능하게 해야 한다고 조언합니다. 이는 less experienced designers에게 더 큰 위험이 될 수 있는데, AI-generated work를 비판적으로 평가할 judgment가 부족하기 때문이라고 언급합니다.

마지막으로, AI era에 적합한 조직 모델로 소규모 팀을 제안합니다. PM-heavy feature factories가 아니라, PM-to-engineer ratio가 1:8에서 1:1로 변하고 specification과 judgment가 희소 자원이 될 것이라고 예측합니다. Airbnb의 product management와 product marketing을 통합한 full-stack 역할, 그리고 디자이너를 architects로 격상시킨 사례를 들며, Apple의 functional model과 유사하게 experts가 experts를 리드하고 design이 product direction의 co-owner가 되는 모델을 제시합니다. 이상적인 AI-era team은 two or three engineers, a PM, a designer로 구성된 소규모이며, design systems는 AI 기반 디자인의 backbone이 될 것이라고 강조합니다. machine-readable design systems와 소규모 팀에 투자하는 기업들이 그렇지 않은 기업들을 훨씬 앞지를 것이라는 예측입니다.

저자는 자신의 AI 실험이 반복을 통해 setup을 개선하고 output이 production-ready에 가까워지는 것을 경험했다고 밝히며, orchestrates AI 디자이너와 pushes pixels in Figma 디자이너 간의 gap이 향후 12개월 안에 엄청나게 커질 것이라고 경고합니다. 이러한 변화는 직업이 사라지는 것이 아니라, taste, judgment, 그리고 작업을 지시하는 능력이 pictures를 그리는 능력보다 중요해지는 직업으로 변화하고 있음을 의미한다고 글을 마무리합니다.