이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
UX 라이팅 작업에서 버튼 레이블 후보를 빠르게 뽑을 때 ChatGPT를 사용해 보았습니다. 처음에는 나온 결과를 그대로 사용하려고 했으나, 어투가 서비스 톤과 달라서 수정하는 데 오히려 더 많은 시간이 소요되었습니다. 이후에는 프롬프트에 서비스 톤앤매너 예시 3개를 함께 넣고 생성하도록 변경하였습니다. 그 결과 후보 5개 중 2~3개는 바로 쓸 수 있는 수준이 되었습니다. AI 도구는 결과를 쓰는 것이 아니라 검토할 재료를 빠르게 만드는 것이라는 것이 제 사용 방식입니다. 생성보다 검수에 더 많은 시간을 쓰는 것이 품질을 지키는 방법이라는 것을 배웠습니다. AI가 시간을 줄여주지만 판단은 여전히 사람이 해야 한다는 것을 깨달았습니다. 앞으로도 AI 결과를 재료로 사용하고, 검토로 마무리하는 방식을 유지할 것입니다.
사용자 인터뷰 녹취록을 정리할 때 반복 표현을 빠르게 분류하려고 AI 도구를 써봤어요. 문장을 붙여 넣고 유사한 불만 패턴으로 묶어달라고 했더니, 카테고리가 10개 이상 나왔습니다. 처음엔 너무 세분화돼 있어서 오히려 정리가 안 됐어요. 직접 보니 3개 큰 주제로 묶을 수 있었고, AI 결과를 초안으로만 쓰고 최종은 직접 정리했습니다. 패턴 추출 자체보다 어떤 질문으로 뽑을지가 더 중요하다는 걸 배웠어요. 프롬프트 설계가 결과 품질을 좌우한다는 걸 직접 경험했습니다. 프롬프트 설계가 결과 품질을 좌우한다는 걸 직접 경험했습니다.
어떻게 물어보느냐가 무엇을 얻느냐를 결정한다는 걸 배웠고, 이 감각을 리서치에도 적용하고 싶어요.
화면 텍스트 수십 개를 검수할 때 일관성 체크를 AI에게 먼저 맡겨보는 시도를 했어요. 존댓말과 반말이 섞인 곳, 같은 기능인데 다른 단어를 쓴 곳을 찾아달라고 했더니 빠르게 목록이 나왔습니다. 다만 맥락 없이 기계적으로 찾다 보니 오탐도 많았어요. 예를 들어 의도적으로 다른 단어를 쓴 부분도 오류로 표시됐습니다. 결국 AI 결과를 50% 신뢰하고 나머지는 직접 판단하는 방식이 됐어요. AI가 시간을 줄여주지만 판단은 여전히 사람이 해야 한다는 걸 배웠습니다. AI가 시간을 줄여주지만 판단은 여전히 사람이 해야 한다는 걸 배웠습니다.
맥락과 의도를 이해하는 것은 아직 사람이 더 잘하는 영역이에요.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 토스 UX 리서처 면접관이 던질 가능성이 높은 후속 질문.
이 페이지의 질문·답변·꼬리질문은 유사 직군 채용 시장의 공개된 면접 후기·커뮤니티 게시물을 분석해 구성한 학습 자료입니다. 특정 회사가 실제로 이 질문을 출제했다는 것을 보장하지 않으며, 모든 예시는 우문현답이 직접 작성한 창작물입니다. 해당 회사의 공식 입장과는 무관합니다. 회사 측의 정정 요청이 있을 경우 24시간 이내에 응답·수정합니다.