1강 — 왜 리뷰를 분석하는가 & AI 앱 개발자란
🎯 학습 목표
- 리뷰를 사람이 직접 읽지 않고 AI로 분석해야 하는 이유를 설명할 수 있다
- 우리가 되려는 "AI 앱 개발자"가 AI 모델 개발자와 어떻게 다른지 구분할 수 있다
- 6일 동안 결국 무엇을 만들게 되는지 전체 목표를 이해할 수 있다
📖 해설
1. 출발점 — 리뷰 10만 개를 어떻게 보시겠어요?
여러분이 게임 회사의 담당자라고 해봅시다. 우리 게임에 리뷰가 10만 개 쌓였어요. 유저가 뭘 좋아하고 싫어하는지 전부 그 안에 들어 있습니다. 그런데 이걸 어떻게 보시겠어요? - 팀원들과 나눠 읽는다? — 시간이 감당이 안 됩니다. - 별점만 본다? — 왜 그런 별점이 나왔는지 이유를 알 수 없어요. - 최신 것만 본다? — 트렌드도, 그 게임의 특장점도 놓치게 됩니다.
데이터(리뷰)는 분명히 있는데, 사람의 방식으로는 의미를 못 뽑는 상황이죠. 바로 여기서 AI 분석이 등장합니다.
리뷰를 제대로 분석하면 네 가지를 얻습니다. - 유저 인사이트 — 유저가 무엇을 좋아하고 싫어하는지 직접 듣습니다. - 빠른 대응 — 이슈가 터졌을 때 실시간으로 여론을 파악해 바로 움직일 수 있습니다. - 경쟁 분석 — 우리 게임뿐 아니라 경쟁 타이틀의 리뷰도 똑같은 방식으로 분석할 수 있습니다. - 트렌드 추적 — 시간에 따른 반응 변화를 데이터로 확인합니다.
2. 두 개의 실제 사례
실제로 이런 일이 있었습니다.
성공한 경우. 한 게임 회사가 대규모 업데이트(새 콘텐츠 + 밸런스 조정)를 했는데, 별점이 하루 만에 4.5에서 3.2로 폭락했어요. 리뷰는 하루 수천 개씩 쏟아지고, 팀원들이 밤새 읽었지만 사람마다 읽은 리뷰가 달라서 결론이 제각각이었습니다(밸런스다 / 버그다 / UI다). 그래서 AI로 2천 개 리뷰를 전부 긍·부정으로 분류하고, 부정 리뷰의 키워드 빈도를 분석했더니 30분 만에 1위 키워드 "매칭"이 나왔어요. 새 매칭 시스템이 기존 유저에게 너무 불리하게 바뀐 게 원인이었죠.
실패한 경우. AI를 쓰기 전에는 인턴 세 명이 한 달 동안 리뷰를 분류했습니다. 그런데 기준이 제각각이었어요. 같은 리뷰를 한 명은 중립, 한 명은 부정, 또 한 명은 아예 다른 키워드 체계로 분류했죠. 결국 한 달치 데이터를 통째로 못 쓰게 됐습니다. 여기서 꼭 기억하세요. 사람이 대량의 데이터를 일관되게 분류하는 건 구조적으로 불가능합니다. 의지나 능력의 문제가 아니라, 사람이라면 누구나 부딪히는 한계예요.
3. 사람의 한계 3가지, 그리고 AI
사람이 리뷰를 직접 읽을 때는 세 가지 벽에 부딪힙니다.
| 사람 | AI | |
|---|---|---|
| 속도 | 리뷰 1건 판단에 30초~1분. 하루 100~200개가 한계 | 1만 개도 몇 분~몇십 분. 잠도 휴일도 필요 없음 |
| 일관성 | 아침/저녁, 사람마다 기준이 흔들림 | 1번째든 10만 번째든 똑같은 기준 |
| 비용 | 인건비·전문업체 비용 | 압도적으로 저렴 (단, 공짜는 아님 ↓) |
⚠️ AI도 공짜는 아닙니다. GPT·Claude 같은 LLM을 우리 서비스에 붙일 때는 API라는 방식을 쓰는데 보통 유료예요(리뷰 1건당 몇 원 수준). 이 과정 뒤쪽에서 무료로 우수한 LLM을 쓰는 팁도 알려드릴게요.
4. 가장 중요한 원칙 — AI는 분류, 사람은 해석
방금 성공 사례에서 AI가 한 일은 "부정 1위 키워드는 매칭"을 찾아낸 것까지입니다. "그래서 매칭 시스템을 어떻게 되돌릴까"를 결정한 건 사람이었어요.
AI는 무엇을 봐야 하는지를 찾아줍니다. 그걸 해석하고 결정하는 건 여러분의 몫이고요. 이게 AI 시대의 협업 방식입니다.
5. 그래서 6일 동안 뭘 만들까요?
우리가 만들 최종 결과물은 게임 리뷰 분석 대시보드입니다. 네 가지 기능으로 이뤄져요. 1. 감성 분석 — 리뷰를 긍정/부정/중립으로 자동 분류합니다. 왜 부정인지(버그 때문인지, 콘텐츠 부족 때문인지) 근거까지 봅니다. 2. 키워드 추출 — 수천 개에서 자주 나오는 걸 자동으로 뽑아요. 단순 빈도가 아니라 맥락을 이해해서, "재미없음"과 "재미가 없어요"를 같은 의미로 묶습니다. 3. 트렌드 분석 — 시간에 따른 변화를 봅니다(지난달 그래픽 칭찬 → 이번 달 버그 불만 급증). 4. 대시보드 — 위 결과를 그래프·차트·워드클라우드로 시각화해서, 비개발자 동료나 경영진도 바로 이해하게 만듭니다.
6일 흐름은 이렇습니다 — 1~2일 데이터 수집·정리 → 3~4일 LLM으로 텍스트 분석 → 5~6일 대시보드 제작.
6. "AI 앱 개발자"는 엔진이 아니라 자동차를 조립하는 사람입니다
비유를 하나 들어볼게요. - AI 모델 개발자는 자동차 엔진을 직접 설계하는 사람입니다. 석·박사급에, 딥러닝 이론·수학·논문 역량이 필요하고, 수도 적어요. - 우리가 될 AI 앱 개발자는 이미 공개된 강력한 엔진(GPT·Claude·Gemini·Grok)을 API로 가져다 원하는 자동차를 조립하는 사람입니다. 엔진을 직접 만들 필요가 없어요.
예전에는 감성 분석 모델을 직접 학습시키고, 알고리즘을 짜고, 서버를 세우는 데 몇 년이 걸렸습니다. 지금은 LLM API 하나로 감성분석·키워드추출·요약이 다 됩니다. 그래서 우리가 배울 건 ① API를 쓰는 법(금방 익혀요)과 ② 어떻게 물어볼지, 즉 프롬프트를 설계하는 법입니다. 좋은 질문이 좋은 답을 끌어내거든요.
7. 왜 지금 이 역할이 주목받을까요?
- LLM의 등장 — 예전엔 작업마다(감성분석·요약·번역) 다른 모델이 필요했어요. 이제는 LLM 하나로, 프롬프트만 바꾸면 다 됩니다.
- 민주화 — 예전엔 빅테크 안에서만 가능했던 걸, 이제 인터넷만 되면 누구나 API 키 발급 + 코드 몇 줄로 씁니다.
- 기업의 다급함 — 모두가 "AI로 뭔가 해야 한다"는 압박을 받아요. 그런데 모델 개발자는 드물고 비싸니, 있는 AI를 잘 활용해 서비스를 만들 사람의 수요가 큽니다.
- 기술 장벽 붕괴 — 전공이냐 비전공이냐, AI 지식이 있느냐는 더 이상 중요하지 않아요. 파이썬 기초 + API 호출 + 프롬프트면 충분합니다.
8. 이 과정에서 기대하셔도 좋은 것
- 동작하는 서비스 — 이론만 배우고 끝나는 게 아니라, 리뷰를 넣으면 진짜 분석되는 걸 여러분 손으로 만듭니다.
- 포트폴리오 — "AI 기반 리뷰 분석 대시보드"라는 그럴듯한 결과물이 생겨요. 면접에서 직접 설명할 수 있습니다.
- 실무 감각 — 튜토리얼은 항상 성공하지만, 실무에선 에러·예상 밖 결과·비용 문제가 터집니다. 그걸 회피하지 않고 직접 겪어볼 거예요.
- 현장 노하우 — 재시도 로직, 대량 데이터 배치 처리, 결과 캐싱(이전 결과 재활용)처럼 책엔 없지만 현장에 꼭 필요한 것들을 다룹니다.
9. 꼭 기억할 4대 원칙
- 작성은 AI가, 해석은 여러분이. 파이썬 문법을 달달 외울 필요는 없지만, 코드 흐름을 읽고 AI가 엉뚱한 짓을 하는지 검증할 수는 있어야 해요. 여러분은 코더가 아니라 코드의 품질을 판단하는 리뷰어입니다.
- 구현보다 설계. 복잡한 알고리즘은 AI가 순식간에 만들어줍니다. 중요한 건 어떤 기능을 어떤 순서로 짤지 설계하는 논리력과 창의성이에요. AI는 벽돌을 쌓는 인부이고, 설계도를 그리는 건축가는 여러분입니다.
- 에러 해결의 주도권은 여러분이. 무작정 "고쳐줘"만 하지 말고, 에러 메시지를 읽고 어디가 왜 틀렸는지 보는 눈을 기르세요. 고친 이유를 이해해야 진짜 내 것이 됩니다.
- AI는 기술, 여러분은 도메인. 코딩은 AI에 맡기고, 아낀 시간을 이 기능이 왜 비즈니스적으로 가치 있는지 고민하는 데 쓰세요. 도메인 지식과 비즈니스 통찰은 AI가 대체할 수 없습니다.
10. 시작 전, 가벼운 마음가짐
이 과정을 따라올 때 도움이 되는 태도 몇 가지입니다. - 프로그래밍은 기초면 충분합니다. Python 기본 문법 수준이면 충분히 따라올 수 있어요. 전공자가 아니어도 괜찮습니다. - 완벽보다 동작. 처음부터 깔끔한 코드를 노리지 말고, 일단 돌아가게 만든 뒤 다듬으세요. - 에러는 정상입니다. 막히는 건 실패가 아니라, 해결하는 과정 자체가 학습이에요. - 막히면 바로 질문. 혼자 오래 끙끙대지 말고 빠르게 물어보는 편이 훨씬 효율적입니다.
🔑 핵심 용어
| 용어 | 쉬운 설명 |
|---|---|
| LLM (대형 언어 모델) | GPT·Claude·Gemini 등. 프롬프트만 바꾸면 분석·요약·번역이 다 되는 만능 AI 엔진 |
| API | 내 코드에서 그 LLM 엔진을 불러다 쓰는 통로 (자세한 건 4강) |
| 프롬프트 | AI에게 시키는 "질문/지시". 잘 짜야 좋은 답이 나옴 |
| 감성 분석 | 텍스트를 긍정/부정/중립으로 분류하는 것 |
| AI 앱 개발자 | 모델을 만드는 게 아니라, 있는 AI를 조립해 서비스를 만드는 사람 |
🎮 게임 기획자 시점
사실 이 강의 전체가 기획자가 일하는 방식에 관한 이야기입니다. 리뷰 분석은 기획 의사결정의 근거를 모으는 도구예요. AI가 "부정 1위는 매칭"이라고 좁혀주면, 밸런스를 되돌릴지·BM을 손볼지·콘텐츠 우선순위를 어디에 둘지 결정하는 건 기획자입니다. 4대 원칙 중 "AI는 기술, 여러분은 도메인"이야말로 게임 기획자가 이 분야에서 가장 강한 지점이에요 — 게임을 아는 사람이 AI를 부리는 겁니다.
⚠️ 흔한 오해 / 짚고 갈 점
- "AI가 답을 준다"가 아닙니다. AI는 무엇을 볼지를 찾아줄 뿐, 결정은 사람이 합니다.
- "코딩을 다 배워야 한다"도 아니에요. 흐름을 읽고 검증할 정도면 되고, 핵심은 무엇을 만들지 설계하는 능력입니다.
✅ 30초 정리
- 사람은 리뷰를 속도·일관성·비용 때문에 대량으로 분석할 수 없습니다 → AI가 분류하고 사람이 해석·결정합니다.
- 우리는 엔진(모델)을 만드는 게 아니라 있는 AI를 조립하는 "AI 앱 개발자"가 됩니다. 무기는 파이썬 기초 + API + 프롬프트 + 도메인 감각이에요.
- 6일 뒤 결과물은 게임 리뷰 분석 대시보드(감성분석·키워드·트렌드·시각화)입니다.
▶️ 다음 강 연결
그런데 AI는 글자를 못 읽습니다(컴퓨터는 숫자만 알아요). 그럼 "좋아요"와 "최고예요"가 비슷한 뜻인 걸 어떻게 알까요? → 2강: AI는 텍스트를 어떻게 이해하는가 (임베딩).