우리는 매일 ‘오늘 뭐 먹지?’라는 질문과 씨름합니다. 수많은 레시피 앱과 맛집 추천 서비스가 쏟아져 나왔지만, 정작 우리가 느끼는 갈증은 해소되지 않았습니다. 대부분의 서비스가 ‘대중적으로 인기 있는’ 메뉴를 추천할 뿐, 내가 싫어하는 오이를 빼달라는 요청이나 어제 먹은 음식과의 조화를 고려한 ‘나만을 위한’ 제안을 하지 못하기 때문입니다. 결국 사용자는 AI가 추천한 리스트를 다시 필터링하는 수고를 들여야 하며, 이는 기술적 편리함과 실제 사용자 경험 사이의 거대한 간극을 만들어냅니다.

이러한 맥락에서 등장한 Im Tastey는 단순한 레시피 생성기가 아닙니다. 이 서비스의 핵심은 ‘학습(Learning)’에 있습니다. 단순히 프롬프트를 통해 일회성 답변을 내놓는 것이 아니라, 사용자의 피드백과 선택 데이터를 축적하여 시간이 흐를수록 사용자의 미각적 정체성을 이해하는 개인화 모델을 지향합니다. 이는 현대 AI 제품 설계에서 가장 중요한 화두인 ‘정적 모델에서 동적 경험으로의 전환’을 잘 보여주는 사례입니다.

AI 셰프의 기술적 구현: 단순 생성과 개인화의 차이

일반적인 AI 레시피 서비스는 LLM(대규모 언어 모델)의 제로샷(Zero-shot) 능력을 활용합니다. “닭가슴살로 만들 수 있는 다이어트 식단을 알려줘”라고 입력하면, 모델이 학습한 방대한 데이터셋에서 확률적으로 가장 적절한 레시피를 조합해 출력합니다. 하지만 여기에는 ‘개인’이 없습니다. 누구에게나 동일한 닭가슴살 샐러드를 추천할 뿐입니다.

반면, Im Tastey와 같은 개인화 AI 모델은 다음과 같은 기술적 레이어를 추가합니다.

• 사용자 프로필 벡터화: 사용자가 선호하는 식재료, 기피하는 맛, 알레르기 정보, 과거에 ‘좋아요’를 누른 레시피의 특성을 벡터 공간에 저장합니다.
• 피드백 루프(Feedback Loop) 구축: 추천된 레시피에 대해 사용자가 수정한 부분(예: “소금 양을 줄였어”)을 다시 모델의 컨텍스트로 입력하여 다음 추천에 반영합니다.
• RAG(검색 증강 생성)의 최적화: 일반적인 레시피 DB가 아니라, 사용자의 취향 필터가 적용된 서브셋(Subset) 내에서 최적의 조합을 검색하여 생성 모델에 전달합니다.

이 과정에서 중요한 것은 모델의 크기가 아니라 ‘데이터의 흐름’입니다. 거대한 파라미터를 가진 모델보다, 사용자의 작은 피드백 하나를 정확하게 기억하고 반영하는 메모리 구조(Memory Architecture)가 제품의 성패를 결정짓습니다.

제품 관점에서의 분석: 왜 ‘무료’와 ‘학습’인가?

Im Tastey가 무료 전략을 취하면서 ‘학습’을 강조하는 이유는 명확합니다. 개인화 AI 모델에게 가장 귀한 자원은 GPU가 아니라 ‘정제된 사용자 행동 데이터’이기 때문입니다. 사용자가 자신의 취향을 입력하고 AI의 제안을 수정하는 모든 과정은 모델을 고도화하는 강력한 학습 데이터가 됩니다.

제품 매니저(PM)의 관점에서 볼 때, 이는 전형적인 ‘데이터 플라이휠(Data Flywheel)’ 전략입니다. 무료 서비스로 사용자를 유입시키고 $\rightarrow$ 사용자가 취향 데이터를 제공하며 $\rightarrow$ AI의 추천 정확도가 상승하고 $\rightarrow$ 더 많은 사용자가 만족하여 체류 시간이 늘어나는 선순환 구조를 만드는 것입니다. 특히 식단이라는 영역은 매우 개인적이고 반복적인 특성을 가지므로, 한 번 취향이 동기화된 사용자는 다른 서비스로 옮겨가기 어려운 강력한 락인(Lock-in) 효과를 경험하게 됩니다.

기술적 장단점 및 실무적 고려사항

이러한 접근 방식은 강력하지만, 구현 과정에서 몇 가지 트레이드오프(Trade-off)가 발생합니다.

특히 개발자들은 ‘필터 버블(Filter Bubble)’ 현상을 경계해야 합니다. AI가 사용자가 좋아하는 것만 계속 추천한다면, 사용자는 새로운 맛을 발견할 기회를 잃게 됩니다. 이를 해결하기 위해 기술적으로는 ‘탐색(Exploration)과 활용(Exploitation)’의 균형을 맞추는 알고리즘이 필요합니다. 80%는 취향에 맞는 레시피를, 20%는 사용자가 좋아할 가능성이 있는 새로운 도전적 레시피를 섞어 제공하는 전략이 필수적입니다.

실제 적용 사례: AI 셰프를 넘어선 확장성

Im Tastey의 모델 구조는 단순히 요리에만 국한되지 않습니다. ‘사용자의 취향을 학습하여 최적의 조합을 제안한다’는 로직은 다양한 도메인에 적용 가능합니다.

예를 들어, 기업용 소프트웨어(B2B SaaS) 분야에서는 사용자의 작업 패턴을 학습하여 메뉴 위치를 자동으로 변경하거나, 자주 사용하는 기능을 먼저 제안하는 ‘AI UI/UX’로 확장될 수 있습니다. 또한, 헬스케어 분야에서는 사용자의 혈당 수치와 식후 컨디션을 학습하여 실시간으로 식단을 교정해 주는 정밀 의료 서비스로 진화할 수 있습니다.

실무자를 위한 액션 아이템: 내 제품에 ‘학습하는 AI’ 도입하기

단순히 API를 연결해 답변을 내놓는 챗봇 수준을 넘어, 사용자를 학습하는 제품을 만들고 싶은 기획자와 개발자라면 다음 단계를 실행해 보십시오.

• 명시적 피드백과 암묵적 피드백 설계: ‘좋아요’ 버튼(명시적)뿐만 아니라, 사용자가 추천 결과에서 어떤 단어를 수정했는지, 어떤 레시피를 끝까지 읽었는지(암묵적)를 추적하는 로그 시스템을 구축하십시오.
• 사용자 페르소나의 벡터화: 사용자의 특성을 단순 텍스트가 아닌 임베딩 벡터로 저장하여, 유사한 취향을 가진 다른 사용자의 데이터를 활용하는 협업 필터링(Collaborative Filtering)을 LLM과 결합하십시오.
• 점진적 개인화 로드맵 설정: 처음부터 완벽한 추천을 하려 하지 말고, [일반 추천 $\rightarrow$ 기본 설정 반영 $\rightarrow$ 행동 기반 학습 반영] 순으로 개인화 단계를 고도화하십시오.

결국 AI 제품의 승부는 ‘누가 더 똑똑한 모델을 쓰는가’가 아니라 ‘누가 더 사용자를 잘 이해하는 데이터를 가지고 있는가’에서 갈립니다. Im Tastey가 보여준 ‘학습하는 AI 셰프’의 모습은 앞으로 모든 AI 서비스가 나아가야 할 방향, 즉 ‘도구’에서 ‘파트너’로의 진화를 상징합니다.