2월, 2026의 블로그

출처 :

AI User Experience Patterns - Work Life by Atlassian

작성자 : 
Dugald Morrow
발행일: 2026년 02월 23일

AI와 상호작용할 때 가장 널리 쓰이는 방식은 채팅형 사용자 인터페이스지만, 많은 경우 이것이 최적의 방법은 아닙니다. 

소프트웨어 실무자들은 AI 시대에 맞춰 사용자 경험을 새롭게 구상할 필요가 있습니다.

AI를 자연스럽게 활용할 수 있는 다양한 사용자 경험 시나리오가 존재하며, 사용자 컨텍스트 전환, 복사 및 붙여넣기, 프롬프트 작성과 같이 채팅에 지나치게 의존할 때 발생하는 몇 가지 문제를 극복할 수 있습니다.

최근 Atlassian Workplace Events 팀을 위해 Forge 앱을 개발했습니다.

이 앱에는 Workplace Events 팀이 competition을 설정할 수 있는 관리자 UI가 포함되어 있습니다.

각 competition에는 제목, 설명, 시작 및 종료 날짜·시간 등 여러 입력 필드가 있으며, 이러한 정보는 자연스럽게 양식을 통해 수집됩니다.

앱에 실제로 포함된 양식에는 더 많은 입력 필드가 있어 작성에 시간이 오래 걸립니다.

이를 보완하기 위해 AI가 양식 작성을 도와주는 기능이 추가되었습니다.

양식 상단에는 AI 양식 작성 컨트롤을 표시할 수 있는 토글이 제공됩니다.

이 컨트롤을 통해 사용자는 AI가 양식을 작성하는 데 필요한 몇 가지 기본 매개변수를 지정할 수 있으며, 기본 양식을 사용하는 것보다 훨씬 빠르게 작성할 수 있습니다.

사용자가 “Fill with AI” 버튼을 클릭하면 Forge LLM API를 통해 LLM으로 쿼리가 전송됩니다.

이 쿼리에는 기존 양식 데이터와 AI 안내 위젯의 데이터가 포함되며, 경우에 따라 양식의 목적을 설명하기 위한 추가 컨텍스트도 함께 전달됩니다.

쿼리는 LLM이 양식의 각 필드에 대응하는 JSON 객체로 응답하도록 요청하며, 이를 통해 코드가 반환된 값으로 양식을 쉽게 업데이트할 수 있습니다.

다음은 실제 동작 예시입니다:

AI 양식 작성 방식은 AI 사용 여부를 명확하게 보여주고, 양식 제출 전에 사용자가 AI 응답을 검토하고 수정할 수 있도록 설계되어 있어 책임 있는 기술 원칙에도 부합합니다.

양식 작성은 흔히 사용되는 방식이지만, AI를 활용할 수 있는 다른 유형의 사용자 경험도 확인해볼 필요가 있습니다.

아래에서는 사용자 경험을 개선하기 위해 AI를 활용한 네 가지 패턴을 소개하며, 먼저 양식 작성 패턴부터 살펴보겠습니다.

AI 양식 자동 완성

• 개요(Overview): 양식 작성은 번거로운 작업이 될 수 있습니다.

이 패턴은 AI를 활용해 양식 작성을 자동화하는 데 도움을 줍니다.

• 패턴(The Pattern): 사용자에게 양식이 표시됩니다.

사용자는 양식을 직접 작성하거나 “Fill form with AI” 옵션을 클릭할 수 있습니다.

현재 양식 데이터는 양식을 설명하고 LLM이 필드를 완성할 수 있도록 돕는 일부 컨텍스트와 함께 LLM으로 전송됩니다.

LLM에 전달되는 프롬프트는 완성된 양식 값이 JSON 형태로 반환되도록 요청하며 각 구성 요소는 양식 컴포넌트의 고유 ID로 식별됩니다.

이를 통해 UI는 값을 쉽게 업데이트할 수 있습니다.

UI에는 사용자가 LLM에 추가적인 안내를 제공할 수 있도록 텍스트 필드나 토글과 같은 위젯을 선택적으로 포함할 수 있습니다.

사용 가능한 컨텍스트의 양에 따라 AI가 양식을 충분히 작성하기 전에 추가적인 수동 컨텍스트(추가 AI 안내 위젯 또는 일부 양식 직접 작성)가 필요한 정도를 결정합니다.

충분한 컨텍스트가 있는 경우 선택 단계로 두기보다는 양식을 자동으로 작성하고 사용자가 수정하도록 하는 방식도 가능합니다.

• UX 영향(UX Impact): 양식 작성 속도를 높이면서도 제출 전 검토할 수 있는 기능을 제공합니다.

• 사용 예시(Example usage): 코드 변경 사항을 커밋할 때 커밋 메시지는 변경 내용을 요약해야 합니다.

또한 커밋 메시지 앞에 Jira 작업 항목 키를 붙이는 것이 일반적인 관행인 경우가 많습니다.

이 패턴을 적용하면 AI를 활용해 커밋 메시지 초안을 작성할 수 있습니다.

예측 입력(고스트 텍스트) 완성

• 개요(Overview): 텍스트 편집 중에 LLM(문법 언어 관리자)의 기능을 활용하여 문장과 단락을 완성합니다.

• 패턴(The Pattern): AI 기반 IDE는 개발자가 편집하는 위치 근처에서 코드를 생성하여 개발자가 탭 키를 눌러 제안된 코드를 수락할 수 있도록 합니다.
  동일한 패턴을 Atlassian 편집기에도 적용할 수 있습니다.
  Google Docs와 Gmail은 이미 이러한 기능을 제공하고 있으며, 이를 스마트 작성(Smart Compose) 이라고 부릅니다 .

• UX 영향(UX Impact): 이 패턴은 “low-friction” 상호작용을 가능하게 한다는 점에서 강력한 UX 패턴입니다.

AI가 사용자의 다음 행동을 미리 예측하고 사용자는 이를 즉시 수용하거나 계속 입력해 무시할 수 있으며 이후 편집으로 통하여 추가 컨텍스트를 제공할 수도 있습니다.

• 사용 예시(Example usage): 작업 항목에 댓글을 작성할 때 에디터에는 작업 상세 정보와 이전 댓글이 포함된 컨텍스트가 제공됩니다.

사용자가 새 댓글 작성을 시작하면 AI는 해당 컨텍스트를 기반으로 사용자가 작성하려는 내용을 예측하고 고스트 텍스트 형태로 제안합니다.

선제적 예측 트리거

• 개요(Overview): 사용자가 프롬프트를 입력할 때까지 기다리는 대신 시스템이 LLM을 활용해 사용자 행동을 분석하고 요청이 있기 전에 도움을 제공합니다.

• 패턴(The Pattern): LLM은 신호가 약한 사용자 행동을 모니터링하고 사용자가 정보를 이해하고 행동할 수 있도록 비침투적인 제안을 트리거합니다.

• UX 영향(UX Impact): AI를 반응형 도구에서 능동적인 파트너로 변화시켜, 사용자가 새로운 기능을 어떻게 사용해야 할지 몰라 불안해하는 것과 같은 인지적 부담을 덜어줍니다.

• 사용 예시(Example usage): 사용자가 복잡한 차트 위에 마우스를 올리면 AI가 자동으로 반응해 “이 데이터를 해석하려는 것 같은데, 요약해 드릴까요?”라는 자연스러운 제안을 표시합니다.

메모리 모듈화 & 워크스페이스 컨텍스트

• 개요(Overview): LLM이 이전 세션에서 설정된 선호도나 규칙을 자주 ‘잊는’ 문제를 해결하기 위한 패턴입니다.

• 패턴(The Pattern): UI는 규칙과 스킬로 구성된 계층적 구조를 통해 사용자가 지속 메모리를 관리할 수 있도록 합니다.

하위 레벨은 상위 레벨의 규칙과 스킬을 상속합니다.

규칙은 일관성을 유지하기 위한 수동적 가드레일 역할을 하며 스킬은 AI 에이전트가 특정 스크립트와 도구를 실행할 수 있도록 권한을 부여하는 모듈형 기능입니다.

이러한 규칙과 스킬은 해당 아티팩트 계층과 관련된 모든 AI 쿼리의 컨텍스트에 포함됩니다.

• UX 영향(UX Impact): 매번 새로운 설명이 필요한 낯선 도구가 아니라, 사용자의 표현 방식과 스타일, 히스토리를 이해하는 장기적인 동료와 함께 일하는 듯한 개인화된 경험을 제공합니다.

• 사용 예시(Example usage): Jira 스페이스, 에픽, 기능/버그/작업 및 서브태스크로 이어지는 계층 구조는 각 레벨별 규칙과 스킬로 확장될 수 있습니다.

예를 들어 스페이스 레벨 규칙에서는 스프린트가 2주 단위라는 팀 운영 방식을 정의할 수 있습니다.

에픽 레벨 규칙은 프로젝트의 주요 마일스톤을 정의할 수 있으며 에픽 레벨 스킬은 정기적인 회고 생성을 지원할 수 있습니다.

이 패턴들은 아직 더 많은 검증과 보완이 필요하지만, AI를 활용해 사용자 경험을 어떻게 새롭게 설계할 수 있을지에 대한 아이디어를 제공합니다.

출처 :

How Rovo helps teams start work 30% faster - Work Life by Atlassian

작성자 : 
Michael Siers
Sr. Data Scientist, Jira AI
발행일: 2026년 02월 19일

Rovo의 AI 기능을 Jira에 활용한 사용자들의 생산성 변화를 파악하기 위해 1년간의 사용 데이터를 분석했습니다. 

그 결과 Rovo의 AI 기능을 도입한 사용자들은 업무 시작 속도가 30% 더 빨라졌고, 매달 하루의 생산성 향상을 경험했습니다.

이 추가적인 시간은 회고 진행, 팀 건강 상태 점검 등 다양한 활동에 활용할 수 있습니다.

이 글에서는 이러한 결과에 도달하기까지 어떤 분석 단계를 거쳤는지 자세히 소개합니다!

Jira에서 Rovo란 무엇인가요?

Rovo는 300만 명 이상의 사용자가 사용하는 Atlassian의 AI 앱입니다.

Rovo는 Atlassian 제품군 전반에서 동작하며 .Jira를 위한 다양한 기능을 제공합니다.

자세한 내용은 아래 데모 영상을 통해 확인해 보세요.

Jira에서 ‘생산성’을 정의하는 방법과 어려움

Jira는 계획부터 유지관리까지 작업 항목의 전체 라이프사이클과 그 사이의 모든 과정을 추적하는 데 사용됩니다.

Jira 작업 항목 생성부터 완료까지 걸린 시간, 동료에게 피드백을 요청한 시점부터 해당 피드백을 반영하는 시점까지의 시간 등 각 단계 간 진행에 소요된 시간을 측정하는 다양한 지표가 존재합니다.

업무 항목 라이프사이클에서 두 개의 특정 단계 간 전환을 기준으로 측정했을 때 많은 잠재적 노이즈를 줄일 수 있었습니다.

그래서 생산성을 다음과 같이 정의했습니다:

• Lead Time to Start - Jira 작업 항목이 생성된 시점부터 “In Progress” 상태로 전환될 때까지 걸린 시간

Rovo가 Jira에 제공하는 AI 기능들이 고객의 이러한 지표를 크게 개선한다는 가설을 세웠습니다.

또한 다음과 같은 보조 지표를 사용해 동일한 분석을 반복했습니다:

• Number of work items moved into In Progress - “In Progress” 상태로 이동한 Jira 작업 항목의 수

이 두 가지 지표를 정확히 정의하려면 Jira에서 Status와 Status category의 차이를 이해하는 것이 중요합니다.

Jira 보드에는 다양한 Status가 있으며 이는 보드 화면에서 컬럼으로 표시됩니다.

각 상태는 “To Do”, “In Progress”, “Done”이라는 세 가지 카테고리 중 하나에 매핑됩니다.

위 두 지표는 Jira 작업 항목이 Status category “To Do”에서 “In Progress”로 처음 이동한 시점을 기준으로 측정합니다.

작업 항목을 “In Progress”에서 다시 “To Do”로 이동시키는 것도 가능하기 때문에 “To Do”에서 “In Progress”로 이동하는 첫 이동 시점을 측정 대상으로 선택했습니다.

<status category를 활용해 Lead Time to Start를 측정하는 방식을 시각적으로 보여주는 예시>

연구 설계

대조군과 실험군 두 그룹을 비교하기 위해 준실험(quasi-experiment) 접근 방식을 사용했습니다.

• 대조군(Control): Jira에서 Rovo AI 기능을 전혀 사용하지 않은 사용자

• 실험군(Test): Jira에서 Rovo AI 기능을 정기적으로 사용하게 되었으며 45일 동안 그 상태를 유지한 사용자

준실험(Quasi-experiments)은 전통적인 통계 실험과 중요한 차이가 있습니다.

바로 실험군과 대조군에 무작위 배정이 이루어지지 않는다는 점입니다.

전통적인 실험에서는 이러한 무작위성이 공정한 표본을 만들어 주지만 준실험에서는 표본을 공정하게 만들기 위해 여러 변수를 통제해야 합니다.

이러한 이유로 대조군과 실험군 모두에 다음과 같은 필터를 적용했습니다:

• Jira에서 최소 180일 이상의 사용 이력이 있는 사용자가 생성한 작업 항목만 포함했습니다.

• Jira Premium 또는 Enterprise의 유료 라이선스를 사용하는 사용자만 포함했습니다.

• 좌석 수(seat size)에서 발생할 수 있는 이상치를 줄이기 위해 50석에서 1,000석 사이의 유료 라이선스만 포함했습니다.

• 이상치를 줄이기 위해 윈저화(winsorization) 기법을 적용했습니다.

이는 Lead Time to Start 값의 하위 10%와 상위 10% 구간을 제외하는 간단한 방법입니다.

Atlassian에서는 사용자가 Jira를 창의적인 방식으로 활용하는 경우가 많아 매우 극단적인 이상치가 발생하는 경우가 있어 이러한 처리가 자주 필요합니다.

그다음 정규화된 타임라인을 정의했습니다.

“Day 0”는 사용자가 Rovo Jira AI 사용자가 된 날을 의미하며 “Day 45”는 그로부터 45일 후를 의미합니다.

여기서 한 가지 의문이 생길 수 있습니다.

Rovo Jira AI를 한 번도 사용하지 않은 대조군의 경우 Day 0를 어떻게 정의했는지가 궁금할 수 있습니다.

두 그룹을 공정하게 비교하기 위해 대조군 사용자에게도 Day 0를 부여할 필요가 있었습니다.

대조군과 실험군의 샘플 수가 동일했기 때문에 실험군의 모든 “Day 0” 날짜를 가져와 랜덤으로 섞은 뒤 이를 대조군 사용자에게 할당했습니다.

이렇게 함으로써 비교되는 날짜가 동일한 분포에서 무작위로 선택되도록 했습니다.

대조군 사용자는 Rovo Jira AI 사용자가 된 적이 없기 때문에 실험군 사용자의 날짜를 랜덤으로 섞어 대조군 사용자에게 할당했습니다.

<가설을 보여주는 개념도>

방법론의 마지막 단계에서는 Day 0부터 Day 45까지의 상대적 변화를 두 그룹 간에 비교했습니다.

유의수준 0.05와 검정력 0.8을 적용한 양측 t-검정을 사용해 두 그룹을 비교했습니다.

분석 결과

앞으로의 계획

이는 Jira AI가 실제 환경에 미치는 영향을 측정하는 첫 번째 단계일 뿐입니다.

앞으로는 작업 항목 작성이 더 잘되고 있는지, 보드 관리가 더 쉬워졌는지, 스프린트가 더 원활하게 운영되고 있는지와 같은 질문들을 살펴볼 예정입니다.

신중한 실험과 실제 고객 사용 데이터를 결합해 단순한 기대를 넘어 모든 새로운 AI 기능이 팀에 실질적인 가치를 제공하도록 하는 것이 목표입니다.

이 과정을 계속 지켜보거나 직접 기능을 사용해 보고 싶다면 Jira에서 Rovo에 대해 더 알아보세요.