본 기사는 인공지능이 패션과 뷰티 산업을 어떻게 변화시킬지 탐구하는 시리즈 'AI의 미래'의 일부입니다.
올해 초, 기술 리더들은 '취향'의 중요성을 강조하기 시작했습니다. 2월에 Y Combinator 공동 창립자 폴 그레이엄은 "AI 시대에는 취향이 더욱 중요해질 것"이라며 "누구나 무엇이든 만들 수 있을 때, 차별화의 핵심은 무엇을 만들 것인지 선택하는 데 있다"고 예측했습니다. 같은 달 OpenAI 사장 그렉 브록먼은 취향을 "새로운 핵심 역량"이라고 언급했습니다.
패션을 비롯한 많은 창의적 분야에서 취향이 항상 핵심적이지 않았다는 생각은 어불성설입니다. 그러나 생성형 AI 시대에 접어들며 취향 개념은 확대 재해석되었고, 이 논쟁적인 미적 판단력은 금세 유행어가 되었습니다. 시각적 영감 플랫폼 코스모스의 창립자 앤디 매큔은 "지금 모든 기업이 취향에 대해 이야기하려 하고, 기술 분야의 모든 사상가가 서브스택에 취향에 관한 글을 쓰고 싶어 합니다"라고 말합니다.
이러한 흐름은 AI 경영진들도 인간 고유의 '좋은 취향'이라는 특성과 동떨어져 있지 않음을 보여줍니다. 하지만 취향과 개인적 스타일이 책, 영화, 사람과의 경험을 통해 길러지는 본질적으로 인간적인 것이라면, AI가 사용자의 개인적 스타일을 진정으로 이해하거나 자신만의 취향을 발전시킬 수 있을까요? 이는 패션 산업에 중요한 질문입니다. 이러한 직관은 의류 디자인부터 의상 추천에 이르기까지 모든 것에 영향을 미치며, 이미 많은 부분이 AI로 구동되고 있기 때문입니다.
기술계 일각에서는 가능성이 있다고 확신합니다. 한 제품 책임자는 X에 "모두에게 미안한 소식이지만, 여러분의 취향이 AI보다 나을 가능성은 낮습니다"라고 게시했습니다. 한 AI 기업 CEO도 비슷하게 농담조로 "몇 년 안에 AI가 우리보다 더 나은 아이디어를 가질 가능성이 높습니다"라고 말했습니다.
기술계 외부 인사들은 더 회의적입니다. 트렌드 예측가 맨디 리는 "취향과 개인적 스타일은 시간과 실제 삶의 경험을 통해 발전시키는 것"이라며 "현실 세계와의 접점이 없는 것은 개인적 취향 형성의 정반대입니다. 따라서 그들이 말하는 것은 취향과 스타일과는 다른 것입니다."
소비자들도 확신하지 못하고 있습니다. 보그 비즈니스 설문조사에 따르면, 현재 패션 영감을 얻기 위해 AI 챗봇을 사용하는 소비자는 3%에 불과한 반면, 잡지(인쇄 및 디지털)를 참고하는 소비자는 57%, 거리 스타일(47%), 패션 블로그나 핀터레스트(36%), 인플루언서(35%)가 그 뒤를 잇습니다.
스탠퍼드 로스쿨 교수이자 드레스 코드: 패션의 법칙이 역사를 만들다의 저자 리처드 톰슨 포드는 개인적 스타일이 오랫동안 열망을 표시하고 사회 내에서 개인적 정체성을 구축하는 방식이었다고 말합니다. 사람들은 예술, 영화, 유명인 또는 인플루언서에서 익숙한 이미지를 영감으로 삼아 다양한 삶의 측면(다른 공동체부터 역사적 시기까지)에서 참조를 차용하고 결합함으로써 이를 수행합니다. 톰슨 포드는 좋은 취향은 모방이 아니라 "익숙한 전체의 작은 부분을 인용하고 다른 것들과 결합하여 적어도 그들에게는 독특하고 개인적인 무엇인가를 표현하는 것"이라고 설명합니다.
사람들이 점점 더 발견을 위해 AI에 의존하게 되면서, 개인적 스타일을 발전시키는 방식이 재편될 수 있습니다. 패션-테크 스타트업들은 AI가 이 과정을 간소화하고 단순화할 수 있는 능력에 대해 낙관적입니다. AI 쇼핑 플랫폼 데이드림이 바로 그런 목표를 가지고 있습니다. 공동 창립자 리사 얌너에 따르면, 이 플랫폼의 사용자들은 반드시 하이패션 애호가가 아닙니다. "저희를 찾는 사람들은 상당히 필요 기반입니다. '로에베의 최근 런웨이를 보여줘' 같은 것보다는 패션 애호가에 가깝습니다."
설문 응답자의 거의 절반이 쇼핑 시 가장 큰 어려움으로 선택지의 압도적인 수를 꼽은 만큼, AI의 큐레이션과 간소화 역할은 더욱 중요해질 수 있습니다. 45%의 사용자가 기존 옷장에서 의상을 조합하고 예산 내 스타일을 찾아 자신을 스타일링하는 데 집중하는 만큼, 36% 이상이 다음 시즌 트렌드를 발견하기 위해 AI 도구 사용을 고려하는 것은 놀라운 일이 아닙니다. 하지만 AI가 인간의 큐레이션 능력에 맞먹을 만큼 취향과 스타일을 진정으로 이해할 수 있을까요?
업계 베테랑들은 회의적입니다. 10년간 트렌드 예측 및 분석 경험을 가진 리는 AI에 의존하면 자신의 작업이 손상될 것이라고 믿습니다. AI는 패션 선호도를 형성하는 문화적 사건과 영향에 대한 통찰력이 부족하기 때문입니다. "현재 기술로는 AI가 사건, 사회경제적 요인, 재정, 세계 정치가 트렌드와 패션에 어떻게 영향을 미치는지 완전히 파악할 수 없습니다"라고 그녀는 설명합니다. "미학 너머를 바라볼 때, 이것들이 진정으로 트렌드를 주도합니다. 단순히 패션만이 아니라 그것을 둘러싼 모든 것입니다."
그렇다면 AI는 이러한 현실 세계의 역학 관계를 진정으로 이해할 수 있을까요?
입력의 한계
AI가 취향 있는 결과물을 제공하는 데 있어 가장 큰 도전은 입력 데이터에 있습니다. AI는 데이터셋에 의존하며, 일반적인 AI 엔진은 인터넷 전체에서 방대한 양의 데이터를 수집하는데, 이는 노이즈가 많고 필터링되지 않을 수 있습니다. 패션과 AI의 교차점에서 2013년부터 일해 온 포덤 비즈니스 스쿨의 부교수 저우 이루에 따르면, 패션을 위해 특별히 구축된 AI 도구조차도 어려움을 겪습니다. 패션 관련 데이터셋이 종종 부족하기 때문입니다.
저우의 초기 연구는 패션 분류 체계가 표준화가 잘 되어 있지 않음을 보여주었습니다. "모든 디자이너는 다른 언어를 사용합니다. 매우 유사한 두 디자인을 완전히 다른 용어로 설명할 수 있습니다. 때로는 의도적으로요"라고 그녀는 말합니다. 제품 설명에 내재된 브랜딩 언어(예: 하이더 아커만의 투명 플라스틱 블레이저에 대한 '글래스 이펙트' 설명)는 AI가 패션 트렌드를 정확하게 예측하고 해석하는 데 상당한 장애물이 됩니다. 저우는 데이터 표준화가 유용한 AI를 만드는 첫걸음이라고 강조합니다. "그렇지 않으면 AI는 편향된 데이터에 기반하여 편향되고 무의미한 결과물을 낳을 것입니다."
전문가들은 또한 AI가 의존하는 데이터가 특히 패션에서 오해의 소지가 있을 수 있다고 지적합니다. "무언가가 소셜 미디어에서 바이럴 되어 많은 공유를 생성할 수 있지만, 그것이 반드시 사람들이 구매할 것임을 의미하지는 않습니다"라고 WGSN의 최고 예측 책임자 프란체스카 머스턴은 말합니다. 예로 2023년 런웨이의 보이는 팬티 트렌드나 2025년 예측된 브라 트렌드가 있습니다. 둘 다 실제 판매보다 더 많은 클릭을 생성할 것으로 예상되었습니다. 또한 AI는 특별히 프로그래밍되지 않는 한 계절성을 고려하지 못하는 경우가 많습니다. "데이터 분석가가 패션을 이해하지 못하면, 트렌드가 내년에 돌아올 예정인데도 사라진 것으로 오해할 수 있습니다"라고 저우는 설명합니다.
이것이 인간의 판단이 필수적인 지점입니다. AI가 종종 놓치는 이야기를 해석하기 위해서입니다. "인간은 서로 다른 정보를 더 잘 맥락화하고, 점을 연결하며, 미래 트렌드의 기회를 인식할 수 있습니다"라고 머스턴은 말합니다. 저우도 동의하며, AI가 빗나가거나 불완전한 데이터셋의 공백을 채우기 위해 '환각'을 일으킬 때를 식별하기 위해 인간의 전문성이 필요하다고 덧붙입니다.
데이드림과 같은 목적별 AI 모델은 사용자의 개인적 스타일과 맞춤화하여 더 나은 기반을 제공하는 것을 목표로 합니다. 데이드림의 얌너는 플랫폼을 소개할 때 사용자들의 반응을 회상합니다. "그들은 '챗GPT에서 같은 검색을 시도했는데 끔찍한 결과가 나왔어요'라고 말할 것입니다." 패션 데이터에 특화되어 훈련된 AI는 이론적으로 더 관련성 있고 정확한 통찰력을 제공해야 합니다. 데이드림은 자체 브랜드 매핑 시스템을 사용하여 브랜드가 스타일, 미학, 포지셔닝 측면에서 어떻게 연결되는지 이해합니다. 개별 사용자 신호와 결합하여, 이 플랫폼은 광고나 유료 배치의 영향 없이 관련성 있고 예상치 못한 브랜드를 추천할 수 있습니다.
취향 프로그래밍하기
AI가 올바른 데이터로 훈련되더라도, 인간의 취향에 맞설 수 있을지 의심하는 사람들이 있습니다. "올바른 훈련 데이터가 있다면, AI는 개인이 특정 상황에서 하는 일을 근사할 수 있지만, 항상 뒤처질 것이라고 생각합니다"라고 한 전문가는 말합니다. "인간으로서 당신의 영향은 거리, 우연한 만남, 다양한 출처에서 옵니다. 일부는 디지털화되어 AI가 이용할 수 있고, 일부는 아닙니다. 취향을 형성하는 모든 영향, 특히 강한 미적 감각을 가진 사람의 경우, AI가 즉시 접근할 수 있을지 의심스럽습니다."
AI는 또한 소셜 미디어나 쇼핑 헤드라인을 지배하는 광범위한 트렌드에 집중하는 경향이 있습니다. 그러나 더 흥미로운 것은 지역적으로 등장하는 스타일이며, AI가 이를 감지하기는 더 어렵습니다.
사용자의 특정 스타일에 맞추기 위해 AI를 프로그래밍하는 것은 너무 좁고 규정적이 되어, 평소 선호도를 넘어선 발견을 제한할 수 있습니다. "가방에 천 달러를 쓸 여유가 없다면, 천 달러짜리 가방을 보여주지 않을 것입니다"라고 얌너는 말합니다. 그러나 많은 패션 애호가들은 니콜라 제스키에르의 2000년대 초 발렌시아가 시티 백이나 피비 필로의 셀린느 같은 상징적인 디자인에 영감을 받았습니다. 당시 감당할 수 없었더라도 말입니다. 그 영감은 여전히 중요합니다. 데이드림은 구매 의도에 따라 가격으로 필터링하지만, 필로의 미학을 신호로 사용하여 비슷한 분위기의 제품을 더 접근 가능한 가격에 표면화할 수 있습니다. 이는 플랫폼에 중요한 민주화의 한 형태입니다.
마찬가지로, 패션 브랜드와 트렌드에만 집중하는 것은 제한적입니다. 개인적 스타일은 종종 다른 문화 영역에 의해 형성되기 때문입니다. 예를 들어, WGSN의 트렌드 예측은 음식과 스포츠 같은 산업을 추적하기 시작하면서 개선되었습니다. "사람들은 단순히 옷만 입지 않습니다. 그들은 또한 음식을 먹고, 집에서 살고, 화장품을 사용하며, 소비자 기술이나 스포츠 같은 다른 영역과도 교류합니다"라고 머스턴은 말합니다. 제품에만 집중한다는 것은 트렌드를 주도하는 많은 부분을 놓친다는 의미입니다.
일부 창립자들은 AI가 인간의 입력으로 정의된 '좋은 취향'을 식별하도록 개발될 수 있다고 믿습니다. 코스모스의 매큔은 AI가 올바른 프로그래밍으로 취향을 배울 수 있다고 생각합니다. 그의 코스모스 목표는 '반-잡동사니 플랫폼'이 되는 것입니다. "AI는 검색 및 추천과 같은 영역에서 창의적인 사람들을 지원할 수 있습니다"라고 그는 말합니다. 코스모스의 머신 러닝 팀은 사용자가 무엇을 보게 될지 결정하는 '미적 예측 모델'을 구축했습니다. 이 모델은 첫 10,000명의 베타 사용자(디자이너, 크리에이티브 디렉터, 건축가 포함)가 저장한 이미지와 부정적 샘플로 사용된 '정말 나쁜' 데이터셋으로 훈련되었습니다. 이제 업로드된 모든 이미지는 이러한 샘플에 의해 설정된 미적 기준에 대해 점수가 매겨집니다.
"우리는 하한 임계값을 설정하고, 그 아래의 모든 것은 검색 및 추천에서 우선순위가 낮아집니다"라고 매큔은 설명합니다. 그는 단일 취향을 강요하는 것이 아니라 품질을 높이는 것이라고 강조합니다. 시각 문화는 점점 더 획일화되고 있지만, 코스모스는 단순히 최상위 콘텐츠를 강조하지 않습니다. "우리는 이를 쓰레기와 저품질 자료를 제거하기 위한 기준 필터로 더 많이 사용하고 있습니다"라고 그는 설명합니다. 머신 러닝은 코스모스의 큐레이션에서 중요한 역할을 했으며, 패션의 '나쁜 데이터'에 대한 저우의 비판에 대한 소규모 응답을 제공합니다. 비록 코스모스가 패션에 국한되지 않지만 말입니다.
영수증 공유 앱 셀렙도 AI 기술과 인간의 감독을 결합하는 것에 대해 낙관적입니다. 공동 창립자 클로이와 클레어 리는 AI가 궁극적으로 사람들이 검토할 기초 도구가 될 것이라고 봅니다. 사용자들은 창립자들이 처음 예상한 것처럼 패션뿐만 아니라 카페, 교통, 항공, 식료품 등에 대한 영수증도 공유합니다. "우리의 더 넓은 비전은 이 모든 다양한 제품을 온라인으로 매핑하고, 취향의 파악하기 어려운 측면에 더 가까워지는 다양한 요인에 걸쳐 모든 사람의 취향을 추적하는 것입니다. 저는 여전히 정의하기 어렵다고 믿는 무언가입니다"라고 클레어는 말합니다.
셀렙은 한 사람의 취향, 선호도, 스타일을 더 잘 이해하기 위해 범주 간 데이터의 중요성을 강조합니다. 신규 사용자는 이메일을 연결하고 수천 장의 영수증을 제출합니다. "그 영수증들—언제 생성되었는지, 어떤 범주에 속하는지, 얼마를 지출했는지—는 쇼핑객으로서의 나와 나의 독특한 정체성에 대해 많은 것을 드러냅니다"라고 클로이는 지적합니다. 사용자들은 자매들이 '취향 도플갱어'라고 부르는 사람들을 팔로우합니다. 앱이 구축 중인 '취향 그래프'를 기반으로 범주에 걸쳐 유사한 선호도를 가진 사람들입니다. 사용자의 영수증을 포괄적으로 분석함으로써, 백엔드 AI는 공개적으로 이용 가능한 온라인 데이터에서는 보이지 않는 패턴을 식별할 수 있으며, 이는 개인화된 패션 및 기타 추천으로 이어집니다.
과거를 돌아보며
AI는 과거 데이터를 기반으로 트렌드를 예측하고 식별합니다. 이는 기술이 아무리 발전하더라도 이러한 입력을 넘어설 수 없음을 의미합니다. "AI는 참신함에 능하지 않습니다. 그리고 트렌드는 종종 참신함에 의존합니다"라고 WGSN의 머스턴은 말합니다.
현실에서 사람들의 스타일과 취향은 AI가 예측할 수 없는 변화하는 맥락과 문화적 변화와 함께 진화합니다. "트렌드는 매우 복잡하며 다양한 방식으로 움직입니다"라고 머스턴은 설명합니다. "사람들이 '나는 XYZ를 절대 입지 않을 것이다'라고 말하고 과거 연관성 때문에 트렌드를 강력히 반대한 적이 얼마나 자주 있었습니까? 그러나 그 트렌드가 새로운 맥락에서 재등장할 때, 그것은 갑자기 매력적으로 변합니다." 과거 데이터가 어떤 룩이 실패할 가능성이 높다고 시사한다면, AI는 그것을 액면 그대로 받아들일 것입니다. 그러나 인간은 맥락을 의심하고 컴백이 가능한 이유를 인식할 수 있습니다.
특정 브랜드나 미학에 대한 관심은 종종 AI가 설명할 수 없는 무작위적이거나 통계적으로 가능성이 낮은 사건에 의해 촉발됩니다. @DataButMakeItFashion의 마데 라푸에르타는 지난 11월 덜거스 선수 미겔 로하스(타석에 설 예정도 아니었던)가 게임 체인저 홈런을 쳐 월드 시리즈를 승리로 이끌었을 때 반클리프앤아펠에 대한 관심이 급증한 예를 인용합니다. "AI 기반 예측 모델은 전적으로 과거 패턴에 의존하기 때문에, 미래를 예견하거나 무엇이 공감을 불러일으킬지 이해할 수 없습니다."
이것이 리가 트렌드를 예측하거나 취향 변화를 예상하기 위해 AI를 사용하는 것에 대한 주요 우려사항입니다. "AI가 트렌드를 '예측'하는 방식은 실제로 예측이 아닙니다. 단지 현재 일어나고 있는 것을 반영할 뿐입니다"라고 그녀는 말합니다.
인간의 우위
이 인간의 장점은 중요합니다. AI의 역사적 의존성... 데이터는 AI가 '무엇'을 기반으로 콘텐츠를 식별할 수 있지만 '왜'는 식별할 수 없음을 보여줍니다. 머스턴의 표현대로, "AI는 취향을 체계화할 수 있지만, 합성적인 방식으로만 가능합니다."
톰슨 포드는 너무 모방적이라고 동의합니다. "'작년 랄프 로렌 컬렉션처럼 보이고 싶다'고 말하는 것과, '아직 만들어지지도 않은 올해 누군가의 컬렉션처럼 보이고 싶다'고 말하는 것은 다릅니다. AI는 전자는 처리할 수 있을지 모르지만, 후자, 즉 디자이너나 스타일리시한 사람이 하는 일을 AI가 할 수 있을지 의심스럽습니다."
매큔과 같은 기술 낙관론자들조차도 이에 의문을 제기합니다. "본질적으로 모델은 과거의 무언가로 훈련되어야 합니다"라고 그는 설명합니다. "인간은 미래를 내다보고 새로운 트렌드와 미학을 창조할 수 있습니다. 모델은 항상 과거를 반영할 것입니다. 저는 오직 인간만이 진정으로 미래를 내다볼 수 있다고 믿습니다."
전문가들은 AI가 이를 모방할 수 있는 유일한 방법은 감각을 갖추는 것(논쟁이 뜨거운 가능성)이라고 제안하며, 그조차도 확실하지 않다고 말합니다. 매큔은 덧붙입니다. "저는 생성형 AI가 취향과 스타일을 길러낼 수 있을 것이라고 믿지만, 그것은 현재나 과거의 취향과 스타일일 것입니다. 미래를 내다보고 트렌디하게 느껴지는 새로운 것을 창조하지는 않을 것입니다."
AI에 대해 덜 낙관적인 리도 AI가 미래를 내다보지 못하는 것이 주요 한계라고 동의합니다. 그녀에게 이것은 감각이 없는 AI가 결코 진정한 취향이나 스타일을 길러내지 못할 것임을 의미합니다. "당신은 밖으로 나가 사람들이 무엇을 입는지 보고, 그들이 무엇을 이야기하는지 듣고, 영화를 보고, 음악을 듣고, 시사와 정치에 주의를 기울여야 합니다"라고 리는 말합니다. "이것들이 패션과 스타일을 형성합니다. 단순히 옷만이 아니라 당신이라는 사람에 관한 모든 것입니다. AI에게 당신이 누구인지 말해달라고 의존한다면, 당신은 결코 스타일을 가질 수 없을 것입니다."
AI가 어느 날 감각을 갖추고 인간의 입력에서 벗어난다 하더라도, 여전히 한 가지가 부족할 것입니다: 인간의 몸입니다. 작동하고 옷을 입을 몸이 없다면, 취향과 스타일을 길러내는 것은 거의 무의미해 보입니다. "AI가 가지지 못한 한 가지는 몸입니다"라고 톰슨 포드는 지적합니다. "자신의 몸으로 세계를 이동하고 다른 사람들과 상호작용함으로써 오는 직관을 AI가 발전시킬 것이라고 상상하기는 어렵습니다. 다시 말하지만, 모방을 통해서만 가능합니다."
리도 동의합니다. "분명히 개선될 것이지만, AI는 결코 인간이 될 수 없습니다. 따라서 세계적 사건과 그것이 패션으로 어떻게 전환되는지를 진정으로 이해하는 것은 불가능하다고 생각합니다"라고 그녀는 말합니다. "저는 10년 동안 이 일을 해왔고, 때로는 제가 틀리거나 특정 것들에 뒤처지기도 합니다. 로봇이 저보다 더 잘할 방법은 없습니다."
자주 묻는 질문
FAQs AI가 취향을 진정으로 이해할 수 있을까요?
초급 수준 질문
1 이 맥락에서 '취향'이란 무엇을 의미하나요?
우리는 냄새, 맛, 질감, 온도, 심지어 개인적 기억과 감정을 결합한 복잡한 인간의 맛 경험을 의미합니다. 단순한 화학 분석 이상입니다.
2 AI가 인간처럼 음식을 맛볼 수 있나요?
아니요, 인간의 경험적 방식으로는 아닙니다. AI는 의식이나 주관적 감정이 없습니다. 식사를 즐기거나 개인적 선호도를 가질 수 없습니다. 대신 맛에 관한 데이터를 분석합니다.
3 그렇다면 AI는 맛과 관련하여 무엇을 할 수 있나요?
AI는 음식의 화학 성분, 레시피, 소비자 리뷰, 감각 패널 결과와 같은 방대한 양의 데이터를 처리하여 풍미 프로파일을 예측하고, 새로운 레시피 조합을 창조하며, 식품 제품을 최적화하고, 당신이 좋아할 만한 요리를 추천할 수 있습니다.
4 AI는 어떻게 맛에 대해 배우나요?
데이터셋으로 훈련됩니다. 예를 들어, 풍미 설명자가 레이블된 수천 개의 레시피나 화학 구조와 지각된 풍미를 연결하는 데이터를 보여줄 수 있습니다. AI는 이 데이터에서 패턴을 찾아 예측을 합니다.
5 이에 대한 실제 사례가 있나요?
네. 기업들은 AI를 사용하여 새로운 스낵 맛을 개발하거나, 크래프트 맥주 레시피를 창조하거나, 맞춤형 영양 계획을 수립합니다. 식물성 고기 회사와 같은 앱들은 AI를 사용하여 고기의 맛과 질감을 모방하기 위해 분자 구조를 분석합니다.
고급/실용적 질문
6 AI가 맛을 진정으로 이해하는 것을 막는 주요 한계는 무엇인가요?
의식과 질리아의 어려운 문제입니다. 맛은 주관적인 일인칭 경험입니다. AI는 데이터를 상관관계 지을 수 있지만, 단맛의 감각이나 한 맛이 불러일으키는 향수를 경험할 수 없습니다. 체화된 주관적 인식이 부족합니다.
7 AI는 맛의 문화적 및 개인적 차이를 고려할 수 있나요?
시도할 수 있지만, 도전적입니다. 다양한 문화별 데이터셋으로 훈련함으로써, AI는 집단 내 공통 선호도를 배울 수 있습니다. 그러나 개인의 좋아하는 음식 뒤에 있는 깊은 개인적, 정서적, 문화적 맥락을 포착하는 것은 극히 어렵습니다.
8 식품 과학 및 개발에서 AI 사용의 이점은 무엇인가요?