핵심 요약
미리디가 에디터 내 AI 디자이너 MVP를 4주간 AI 디자인 실험으로 검증하고, 발화·도구 호출·응답시간 데이터를 분석해 이탈 원인을 유형별로 구분하며 맥락 기반 요청의 효과 가능성을 확인했습니다.
주요 경험
- 1일 1턴으로 정의한 이탈 군의 발화 유형과 도구 호출 여부, 응답시간을 분석해 ‘미지원 기능 요청형’과 ‘응답 지연형’으로 구분했습니다.
- 도구별 채택률과 응답시간의 관계를 파악해 개선 우선순위를 도출했습니다.
- 추가 진입점 실험은 단기 사용량 증가로 이어지지 않았으며, 배포 전략의 근거를 제공했습니다.
얻은 인사이트
- 캔버스 맥락 반영 요청은 채택률/다운로드율에 차이를 만들며 맥락 기반 수정의 가능성을 시사합니다.
- 응답시간 개선은 실제 작업 흐름 개선에 기여했고, 내장형 에이전트/단발 UX 방향을 제시했습니다.
- 데이터 해석은 한계와 전략적 맥락을 함께 제시하는 협업 가이드 역할을 했습니다.
