AI 기반의 개인화(personalization)는 이제 대부분의 디지털 서비스에서 기본 기능으로 작동한다. 사용자가 보고, 클릭하고, 구매한 데이터를 기반으로 알고리즘은 다음 행동을 예측하고 추천을 제안한다. 그러나 사용자가 ‘원하는 것’을 보여주는 것이 곧 ‘좋은 경험’을 보장하는가? 이 질문은 UX 설계자들이 AI 시대에 마주한 중요한 딜레마다.

개인화의 강점은 명확하다. 넷플릭스가 사용자의 시청 이력을 기반으로 추천하는 콘텐츠는 방대한 선택지를 줄이고, 구매 이력이 반영된 아마존의 제품 추천은 전환율을 높인다. 유튜브 피드는 사용자의 취향을 정밀하게 반영해 1분의 공백도 허용하지 않는다. 이 모든 시스템은 ‘나를 이해한다’는 감각을 기반으로 작동한다.

그러나 문제는 그 다음이다. 사용자는 언제부터인가 같은 장르, 같은 시리즈, 같은 관점에 갇히기 시작한다. 알고리즘이 '좋아할 만한 것'만 보여주는 동안, 사용자는 새로운 취향을 발견할 기회를 잃고, 오히려 피로감을 느끼게 된다. 이는 ‘추천 피로(Recommendation Fatigue)’ 또는 ‘필터 버블(Filter Bubble)’이라는 개념으로 알려져 있다.

예를 들어, 넷플릭스 사용자들이 특정 장르(로맨틱 코미디나 스릴러)에만 반복적으로 노출되며 새로운 콘텐츠 발견이 어려워지는 현상은 추천 피로의 대표적인 사례다. 또 다른 예로는 유튜브에서 동일한 주제의 콘텐츠가 반복적으로 피드에 노출되면서 사용자가 의도치 않게 플랫폼을 떠나는 현상이 있다.

필터 버블 측면에서는, 페이스북이 사용자 정치 성향에 따라 특정 뉴스 기사만 보여주면서 반대 의견이나 다양한 관점을 차단한 사례가 잘 알려져 있다. 또한 구글 검색 결과가 사용자의 검색 이력에 따라 다르게 구성되어, 동일한 주제를 검색해도 서로 다른 정보에 접근하게 되는 현상도 필터 버블의 예시다.

UX의 관점에서 본 개인화 딜레마

예측 VS 발견의 균형: AI는 과거 데이터를 기반으로 예측하지만, UX는 사용자가 ‘의외성’을 느낄 수 있는 새로운 여지를 제공해야 한다.‍

• IX 아이디어 1: 홈 화면에 '오늘의 의외 콘텐츠' 슬롯을 추가해 알고리즘이 추천하지 않던 영역에서 콘텐츠를 무작위로 노출.
• IX 아이디어 2: ‘발견 모드’ 전환 버튼을 UI에 노출해 사용자 의도에 따라 추천 알고리즘을 잠시 비활성화.

‍

효율성 VS 다양성: 추천 알고리즘은 효율성을 추구하지만, 사용자는 가끔 의도적 다양성을 원한다. 예를 들어 '다른 분야의 콘텐츠 보기' 같은 기능은 UX적 관점에서 필요하다.

• IX 아이디어 1: 추천 리스트의 일부를 '다른 분야 추천' 또는 '내 취향과 다른 영역'이라는 레이블로 명확히 구분해 노출.
• IX 아이디어 2: '콘텐츠 교차 학습' 기능을 통해 기존 선호 장르 외 콘텐츠 소비 시, 보상형 UX 요소(배지, 레벨업 등) 제공.

‍

정확성 VS 공정성: 너무 정교한 추천은 사용자의 선호를 고착화시키고, 특정 콘텐츠나 입장만을 반복 노출하는 문제를 일으킬 수 있다.

• IX 아이디어 1: 사용자의 추천 기록 내역과 추천 이유를 시각화해 ‘공정한 알고리즘’이라는 인식을 강화.
• IX 아이디어 2: 대립되는 관점을 추천할 때 ‘이런 관점도 있어요’ 같은 중립적 프레이밍을 통해 과격성 없이 시야를 넓히는 UX 설계.

‍

실제 사례

1. Spotify Discover Weekly‍

사용자의 음악 청취 패턴을 분석해 매주 새로운 곡을 추천하는 시스템. 단, 지나치게 좁은 장르에 갇히는 문제를 해결하기 위해 ‘타 장르 자동 삽입’ 기능이 실험적으로 적용되었다.

2. TikTok의 For You 페이지‍

사용자 행동(체류시간, 좋아요, 공유 등)을 정밀하게 학습하여 피드를 구성. 문제는 반복성과 피로도. 이에 따라 TikTok은 '주제 기반 스크롤' 옵션을 도입했다.

3. Amazon의 추천 로직‍

최근에는 '이 제품을 구매한 고객은 이런 상품도 봤어요'에서 벗어나, '의도 탐색형 추천'을 도입해 기존 구매 패턴에서 벗어난 제안이 가능하도록 개선 중이다.

개인화를 위한 UX

1. 선택 기반 개인화: 사용자가 스스로 선호를 입력하고 수정할 수 있는 UI 구성. 예를 들어 넷플릭스에서는 사용자가 선호 장르나 배우, 국가를 직접 선택하고 ‘관심 없음’ 또는 ‘이 장르는 제외’ 버튼을 통해 피드 구성을 제어할 수 있다. 스포티파이에서는 사용자가 아티스트, 분위기, 활동 유형을 기준으로 플레이리스트를 설정하고, 추천 리스트에서 제외할 항목을 직접 지정할 수 있는 ‘좋아하지 않음’ 학습 기능을 활용할 수 있다. 이러한 방식은 AI 추천 정확도를 높일 뿐 아니라, 사용자의 피로도를 낮추고 만족도를 증진시키는 지능형 UX의 기반이 된다.

‍

2. 다양성 균형 알고리즘: 개인 추천 항목 중 일정 비율을 임의 또는 반대 성향으로 배치해 시야 확장을 유도한다. 예를 들어 넷플릭스는 사용자의 시청 기록과 무관한 '장르 실험 콘텐츠'를 추천 목록 중 10%에 자동 배치하거나, 스포티파이는 기존 선호 장르와 정반대 계열의 음악을 ‘도전적인 선택’이라는 레이블과 함께 일주일에 한 번 자동 삽입할 수 있다. 또 다른 방법으로는 사용자가 선호하는 정치 성향 뉴스 피드에 반대 입장의 기사를 강조 색상과 중립적 문구(예: “이런 의견도 있어요”)와 함께 노출하는 방식도 있다. 이를 통해 추천의 편향을 줄이고, 사용자가 능동적으로 다양한 콘텐츠를 접할 수 있는 구조를 만든다.

‍

3. ‘무작위 발견’ 영역 제공: 예측 기반이 아닌 순수 추천 없는 콘텐츠 큐레이션 섹션을 마련한다. 예를 들어 넷플릭스는 매주 '랜덤 콘텐츠 둘러보기' 섹션을 제공해 시청 이력과 무관하게 국내외 다양한 장르의 콘텐츠를 추천할 수 있다. 스포티파이는 '장르 무작위 믹스'라는 기능을 통해 사용자의 기존 청취 취향과 완전히 다른 음악을 랜덤으로 노출시킬 수 있으며, 이를 통해 새로운 음악 취향을 발견하게 하는 탐색형 UX 구조를 강화할 수 있다. 이러한 무작위 발견 기능은 AI 예측의 편향에서 벗어나 사용자에게 다양한 가능성을 체험하게 하는 중요한 전략으로 작용한다.

‍

4. 개인화 피드백 인터페이스: “이 추천은 왜 떴을까?”를 설명하고, 사용자가 ‘예/아니오’로 피드백 줄 수 있는 구조. 예를 들어, YouTube는 ‘이 동영상 추천 이유’ 기능을 통해 사용자의 시청 이력, 관심 주제와의 연관성을 시각화한다. Pinterest 역시 콘텐츠별 ‘더 보기/덜 보기’ 피드백 버튼을 통해 개인화 알고리즘을 조정하는 구조를 제공하고 있다. 향후에는 이러한 피드백 인터페이스에 사용자 감정 입력 기능(예: 흥미로움/지루함)이나 텍스트 기반 설명창을 추가하여, 더욱 정교한 학습 기반 UX 개선이 가능할 것으로 예상된다.

AI 개인화는 UX에서 매우 강력한 도구지만, 지나치면 사용자의 자유로운 탐색을 제한하고 몰입 대신 단조로움을 유발할 수 있다. 좋은 사용자 경험이란, 사용자가 자신이 무엇을 좋아하는지 스스로 ‘발견할 수 있도록’ 돕는 것이다. 따라서 UX 디자이너는 알고리즘의 정확성과 인간의 예측 불가능성을 연결하는 탐색 중심 UX 구조를 설계해야 한다.

이를 위한 구체적인 아이디어는 다음과 같다:

1. 의도적 비개인화 섹션 제공: 사용자의 과거 이력과 무관한 콘텐츠를 무작위 큐레이션해주는 '운 좋은 추천', '랜덤 탐색' 같은 메뉴를 상시 제공함으로써 사용자의 예상 밖의 콘텐츠 접근 기회를 확보한다.

2. 다차원 필터링 도구 제공: 기존의 단일 관심 기반 필터 대신, 시간대별, 감정별, 지역 기반, 사용자 행동유형별 등 다차원 기준으로 콘텐츠를 탐색할 수 있도록 UI를 설계한다.

3. 사용자 맞춤 탐색 맵: 사용자의 관심군을 시각화된 ‘탐색 지도’ 형태로 제공해 본인의 소비 패턴을 인지하게 하고, 그 경계 바깥의 콘텐츠를 탐색하도록 유도한다.

AI가 제안하되, 사용자가 능동적으로 선택하고 탐험할 수 있는 구조야말로 진정한 ‘지능형 사용자 경험(Intelligent Experience, IX)’의 방향이다.

‍

FRAMEOUT - Where AI Drives UX