AI Product Management at Spotify: A View From Three Angles

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Spotify의 AI 제품 관리는 연구의 기술적 지렛대, 모델의 재사용 가능한 추천 역량, 사용자 경험이라는 세 층위로 연결되며, 각 PM의 성공 기준과 평가·출시 책임은 서로 다르다.

📌 핵심 요약

• Spotify의 Henok은 Tech Research에서 기술 선택과 공통 방법론을 통한 조직의 판단을, Divita는 추천용 파운데이션 모델의 학습과 여러 경험에 걸친 추천 개선을, Humberto는 사용자가 가치와 신뢰를 느끼고 다시 찾는 제품 경험을 담당한다.
• AI 모델과 도구의 발전으로 제품팀이 직접 해결할 수 있는 문제가 늘면서, 연구는 여러 팀에 필요한 평가 방법·시스템 설계·새로운 역량에 집중한다. 유망한 아키텍처도 평가·지연 시간·비용·데이터·통합 제약을 검증해야 하며, 연구의 영향이 나타나기까지 수개월이 걸릴 수 있다.
• Divita가 맡는 추천용 파운데이션 모델은 Spotify의 실제 항목을 참조하도록 설계된 언어 모델이다. 모델 행동은 학습으로 형성되므로 데이터와 평가가 핵심 수단이며, 오프라인 평가와 온라인 지표를 연결해 청취자 맥락, 익숙함과 발견의 균형, 시간에 따른 관련성을 확인한다.
• 공유 모델은 각 경험의 품질·지연 시간·비용 요구를 충족하고, 여러 학습 주기와 경험에서 개선 효과가 이어지는지 입증해야 한다. 모델 PM의 성공은 다른 팀이 실제 제품을 출시하는 데 있으며, 올해 가장 좋은 협업 사례에서는 아키텍처보다 성공 측정 방식에 먼저 합의했다.
• 경험 PM은 모델 역량·상호작용 설계·사용자 피드백을 결합해 수억 명의 사용자가 접하는 제품을 만든다. 다만 제공된 source_body는 Humberto의 경험 계층 설명 도입부에서 문장 중간에 끊겨 있어, 이후의 구체적인 실무 설명은 확인할 수 없다.

🧩 주요 포인트

1. 역할별 성과의 차이 → 연구는 조직의 기술 선택과 판단에, 모델은 여러 경험으로 확산되는 추천 개선에, 경험은 사용자의 가치·신뢰·재방문에 맞춰 성공 기준을 구체화해야 한다.
2. 불확실한 연구 결과와 학습되는 모델 행동 → 평가를 통해 다음 투자를 정당화할 근거를 정하고, 오프라인 평가와 온라인 지표를 연결해 기술적 개선의 사용자 영향을 판단해야 한다.
3. 내부 팀을 통해 전달되는 공유 모델의 가치 → 품질·지연 시간·비용과 통합 제약을 충족하고 성공 측정 방식에 먼저 합의해야, 재사용 가능한 추천 역량이 실제 제품 출시로 이어질 수 있다.

🧠 상세 정리

1. 같은 AI PM이라는 이름 아래 서로 다른 제품과 책임

글은 AI 제품 관리자를 하나의 직무로 묶는 설명과 달리, 무엇을 만드는지에 따라 실제 업무와 성공의 모습이 달라진다는 문제의식에서 출발한다. Spotify의 Henok, Divita, Humberto는 같은 회사와 기술 스택, 같은 조직 영역에서 일하고 자주 소통하지만, 각각 연구·모델·사용자 경험을 책임진다. 연구의 아이디어가 재사용 가능한 모델 역량이 되고 새로운 사용자 경험으로 이어질 수 있으므로, 세 역할은 공통된 회사 우선순위와 최종 사용자를 향해 긴밀하게 연결된다. 그러나 같은 품질·평가·출시라는 표현도 연구에서는 조직의 인식이나 투자 방향의 변화, 모델에서는 여러 경험의 추천 개선, 경험에서는 사용자의 만족과 재방문이라는 서로 다른 의미를 갖는다. 제품 관리의 기본 원칙은 유지되지만, 담당하는 층위에 따라 필요한 전문성과 성과를 판단하는 방식이 달라진다는 것이 글 전체의 출발점이다.

2. 연구의 제품은 여러 팀에 작용하는 기술적 지렛대

Tech Research의 제품 책임자인 Henok은 현재 제품팀의 필요를 지원하면서 AI가 앞으로 가능하게 할 변화도 살피며, 과학적 전문성을 통해 Spotify가 무엇을 만들고 얼마나 확신을 갖고 만들지를 바꾸는 일을 맡는다. 모델과 도구가 발전하면서 과거에는 연구의 깊은 개입이 필요했던 작업을 제품팀이 직접 수행할 수 있게 되어, 연구의 초점은 공통 방법론·시스템 설계·접근법이 아직 불분명한 새로운 역량으로 이동한다. 개방형 모델 행동의 평가나 여러 제품이 함께 사용할 사용자·콘텐츠 표현처럼, 중요한 질문은 여러 팀에 걸쳐 나타나는 경우가 많다. 한편 빠르게 만든 인상적인 시제품과 수억 명에게 안정적으로 제공할 제품 사이에는 상당한 간극이 있을 수 있고, 복잡한 모델도 실제 운영 과제에서는 의미 있는 개선을 보이지 않을 수 있다. 따라서 평가·지연 시간·비용·데이터·통합을 연구 질문에 포함해야 투자 판단에 필요한 근거를 확보할 수 있다.

3. 유망한 아키텍처를 조직이 선택할 수 있는 결정으로 바꾸기

Henok은 여러 시스템에 분산된 역량을 하나로 모으는 아키텍처를 탐색한 사례를 통해, 기술적 가능성과 실행 계획 사이의 차이를 설명한다. 처음에는 작동 가능성이 핵심이었지만 근거가 쌓이자, 이미 잘 작동하는 시스템이 있는 조직이 이 아키텍처를 어떻게 활용해야 하는지가 더 어려운 제품 질문으로 떠올랐다. 새로운 아키텍처는 인프라·평가·인터페이스와 여러 팀의 계획에 영향을 주므로, 구체적인 문제에서 출발해 유용한 검증을 찾고 어떤 증거가 다음 단계를 정당화할지 합의해야 한다. 전체 구상을 한꺼번에 채택할 필요는 없으며, 탐색 과정에서 나온 방법과 구성 요소는 큰 아키텍처 문제가 미해결인 동안에도 기존 시스템을 개선할 수 있다. 이 연구는 이미 모델팀과 경험팀의 판단에 영향을 주고 있지만, 제품 요구·기술 제약·기존 약속 사이에서 신뢰할 만한 실행 경로를 찾는 과제는 남아 있다.

4. 긴 연구 피드백 주기와 빠른 의사결정 시점의 조율

연구의 영향은 수개월 뒤 다른 팀의 계획이나 지표에서 드러날 수 있으며, 그사이에 기술과 조직의 우선순위가 바뀔 수 있다. 이 때문에 연구 PM에게는 연구 자체를 이해하는 일과 함께, 결과가 필요한 결정에 제때 반영되도록 조직에 영향을 미치는 일이 중요하다. Henok은 연구팀 안에서는 답을 미리 정하지 않으면서 제품·전략 맥락을 제공하고, 밖에서는 관련 팀을 일찍 참여시키며 증거가 보여 주는 것과 보여 주지 못하는 것을 구분한다. 연구가 끝난 뒤에야 이런 연결을 시작하면 이미 의사결정의 적기를 놓쳤을 수 있으므로, 연구와 조직의 판단을 병행해 연결해야 한다. 그는 AI 도구로 논문과 시제품을 이해하고 한 번에 한두 프로젝트를 가까이 따라가며, 팀을 가로지르는 질문을 찾고 아이디어가 약속으로 굳어지기 전에 검증할 기술적 깊이와 조직적 판단력을 확보한다.

5. 추천용 파운데이션 모델의 고객은 내부 제품팀

Divita가 책임지는 제품은 Spotify의 실제 항목을 참조하도록 설계된 추천용 언어 모델이며, 그 역량은 다른 제품팀이 만드는 경험을 통해 사용자에게 전달된다. 일반적인 플랫폼과 마찬가지로 내부 팀이 직접 고객이지만, 데이터로 행동이 형성되고 출력이 확률적이며 통합하는 팀마다 품질의 의미가 다르다는 점이 이 제품의 특성을 만든다. 각 팀에는 고유한 계획과 지표가 있으므로, 모델 PM은 이들의 문제를 이해하고 공통 역량으로 해결할 수 있는 영역을 판단해야 한다. 한 팀의 요청이 여러 경험에 유용한 역량을 가리킬 수도 있어, 개별 수요에서 공통 기회를 발견하는 일이 모델의 방향을 형성한다. 여기서 제품과 시장의 적합성은 팀들이 모델로 해결할 수 있는 문제를 이해하는 것이고, 가치 제안은 해당 경험에 무엇을 제공하는지 설명하는 것이며, 사업적 성과는 그 팀들이 실제로 출시하는 제품을 통해 나타난다.

6. 모델 행동을 만드는 두 수단, 데이터와 평가

Divita는 모델 행동을 명세만으로 구현할 수 없으며, 무엇을 학습시킬지와 학습 결과를 어떻게 확인할지를 정해야 한다고 설명한다. 추천 관련성을 높이려면 모델이 배워야 할 내용, 도움이 될 데이터, 학습 여부를 판단할 기준을 함께 정해야 하고, 학습에 시간이 걸리므로 이러한 선택이 각 학습 주기의 우선순위를 좌우한다. 그럴듯한 추천은 출발점에 불과하며, 특정 순간의 청취자 맥락에 맞는지, 익숙함과 발견을 어떻게 조화시키는지, 시간이 지나도 관련성이 유지되는지를 일관되게 평가할 기준으로 바꿔야 한다. 오프라인 평가는 모델의 행동을 이해하게 하고, 온라인 지표는 그 행동이 사용자 경험으로 어떻게 이어지는지 보여 준다. 따라서 모델 PM은 협력 팀과 함께 어떤 모델 개선이 실제 제품에서 차이를 만드는지 파악하고, 그 결과를 다음 학습 주기의 우선순위에 반영한다.

7. 공유 모델의 약속을 반복해서 확인할 수 있는 근거로 전환

공유 추천 모델의 가능성은 한 번의 개선이 여러 경험에 이익을 줄 수 있다는 데 있지만, 각 팀에는 이미 자기 요구에 맞게 최적화한 시스템이 존재한다. 따라서 먼저 협력 팀과 품질·지연 시간·비용의 요구 조건 및 평가 방식을 합의하고, 공유 모델이 해당 경험의 기준을 충족할 수 있음을 보여 줘야 한다. 그다음에는 한 경험에서 배운 것이 다른 경험의 추천을 개선하는지, 기존 역량을 바탕으로 새로운 시도를 할 수 있는지처럼 공유의 추가 가치를 구체적인 검증 질문으로 바꿔야 한다. 한 번의 평가만으로는 충분하지 않으므로, 여러 학습 주기에 걸친 모델 변화와 경험별 효과를 추적해 유망한 단일 결과와 계획의 근거로 삼을 만한 반복 패턴을 구분한다. 파운데이션 모델에는 시간과 자원이 들고 활용 팀이 늘수록 이익이 축적되기 때문에, 확인된 효과와 아직 입증해야 할 부분을 분명히 하는 일이 다음 투자와 우선순위 결정의 근거가 된다.

8. 좋은 모델의 최종 가치는 다른 팀의 제품 출시에서 실현

Divita는 모델 자체의 품질이 필수적이지만, 다른 팀이 중요한 문제를 해결하는 데 사용해 실제로 출시해야 성공이라고 본다. 이를 위해서는 기존 시스템이 중요한 지표에서 한계에 도달한 팀을 찾고, 모델이 설득력 있고 현실적인 대안이 되도록 만드는 작업이 필요하다. 구체적으로 제공할 역량의 수준에 합의하고 통합 계약을 정의하며, 협력 팀에 참여를 요구하기 전에 가장 위험한 가정을 검증할 책임을 진다. 올해 가장 좋은 결과를 낸 사례에서는 사용자 접점 제품팀이 원하는 성과와 모델팀이 제공할 수 있는 역량이 맞아떨어졌고, 아키텍처를 정하기 전에 성공을 측정할 방법에 먼저 합의했다. 이 합의가 무엇을 만들고 제대로 작동하는지를 함께 판단하는 기준이 되었으며, 모델 PM의 책임이 모델 소유를 넘어 다른 팀이 확신을 갖고 출시할 수 있게 만드는 데까지 이어짐을 보여 준다.

9. 사용자 경험에서 만나는 세 층위와 제공 원문의 한계

Humberto는 Sessions의 제품 책임자로서 사용자가 실제로 상호작용하는 제품을 만들며, 연구가 제공하는 기술적 지렛대와 모델이 제공하는 재사용 가능한 역량이 최종적으로 작동해야 하는 층위를 담당한다. 글의 도입부는 그의 역할을 모델 역량·상호작용 설계·사용자 피드백을 결합해 사용자가 가치와 신뢰를 느끼는 경험으로 만드는 일로 설명한다. 경험 PM의 성과는 사용자가 제품을 좋아하고 다시 돌아오는지에 달려 있으며, 경험 계층의 제목에서도 모델은 여러 구성 요소 중 하나로 제시된다. 다만 제공된 원문은 수억 명의 사용자가 접하는 제품과 모호한 기분을 구체화하는 사용자 접점을 소개하던 중 문장 중간에서 끝난다. 따라서 경험 계층의 구체적인 업무 방식이나 후속 사례는 확인할 수 없고, 세 역할의 연결과 사용자 경험에 관한 설명도 제공된 도입부가 뒷받침하는 범위로 한정된다.

🧾 핵심 주장 / 시사점

• 세 역할은 같은 사용자에게 기여하지만 성과가 드러나는 위치와 시점이 다르므로, 공통된 PM 용어만으로 책임이나 성공 기준을 동일하게 해석하기 어렵다.
• 평가는 모델의 품질을 측정하는 수단이면서 연구 투자, 학습 우선순위, 협력 팀의 제품 출시 결정을 연결하는 근거로도 작동한다.
• 공유 모델의 기술적 우수성과 조직 내 채택은 별도로 입증해야 하며, 사용자 경험별 요구 충족과 반복되는 개선 효과가 공유 역량의 가치를 뒷받침한다.

✅ 액션 아이템

• 연구·모델·경험별로 기술 선택, 추천 개선, 사용자의 가치·신뢰·재방문에 대응하는 성공 기준을 구체화.
• 오프라인 평가와 온라인 지표를 연결해 추천용 파운데이션 모델의 개선이 사용자 경험에 미치는 영향 확인.
• 공유 모델을 적용할 내부 팀과 품질·지연 시간·비용 및 통합 제약을 검토하고, 아키텍처 결정 전에 성공 측정 방식에 합의.

❓ 열린 질문

• 연구의 영향이 나타나기까지 수개월이 걸릴 때, 어떤 평가 근거로 다음 투자를 정당화할 수 있는가?
• 오프라인 평가에서 확인된 추천 개선은 온라인 지표와 여러 사용자 경험에서도 일관되게 나타나는가?
• 공유 모델의 품질·지연 시간·비용과 통합 제약을 충족한 뒤, 어떤 성공 측정 방식으로 실제 제품 출시의 가치를 판단할 것인가?