Hello everyone. Quick check, how many Brits do we have in the room? And a little whoop whoop.

None? Great. Okay. >> [laughter] [gasps] >> So, I'm Harvey Whiteing from Meta Design and I'm here to talk about something that everyone in this room is quietly wrestling with, AI slop.

A few months ago, that's exactly where we were.

We had all these incredible new models. They had the knowledge of the entire internet, but they didn't have taste.

They didn't know how design systems work. They didn't know the difference between close enough and right. And the challenge at Meta is that close enough doesn't cut it.

We serve millions of businesses and billions of people. Every surface, whether it's Instagram or Ads Manager, has to rise to the bar of our design system.

And that's just not something AI can do out of the box. But the question is, why not?

And today, I'll take you through that journey and what it might mean for your team's path forward.

We'll start at the beginning, a partnership between Figma and Meta Design to improve Figma makes ability to work within a design system.

And then we'll look at the progress, warts and all, from wobbly early iterations to results that approach our quality bar.

And finally, how that can lay the foundations of this agentic era of design. But first of all, some context on why this matters right now.

We're in the middle of an explosion. Vibe coding has gone mainstream. Peo- people are building entire apps from just a prompt.

The AI design tools are shipping faster than anyone predicted. And every week there seems to be a new tool that promises to turn a napkin sketch into production UI.

And the energy is incredible. But here's the thing no one is talking about.

Most of what these tools produce doesn't hold up at scale. It looks plausible. The layouts make sense. The design spacing feel close. But when you put it next to your actual design system, the gaps are [snorts] everywhere.

There's missing states, components that don't even exist, content that breaks every guideline that you have.

This explosion of AI coding is the most exciting, but also the most dangerous era for AI and design tools.

The question isn't whether AI is part of the workflow, it already is. The question is whether we let it ship slop, or we teach it taste.

And that is what we set out to do. So let's talk about the problem concretely.

This rapid acceleration of AI design tools has created a new category. Fast, but wrong. And we started experimented with AI generated design for odds products.

And regardless of the model or the tool, they all started failing in the same ways.

Low fidelity, wrong typography, inconsistent color, missing or just malformed components, things that would get flagged in any design review.

The second is around low repeatability. The same prompt gives you a different result every single time. And that unpredictability erodes trust.

And the third is context collapse and complexity. A single form, AI does okay. A full odds manager experience, and the quality falls off a cliff.

And that last piece creates this new adoption barrier. Designers will not use a tool where speed comes at the cost of quality.

Just to reiterate, designers will not use a tool where speed comes at the cost of quality. They just won't.

And here's the paradox that kept us up at night. AI can generate design faster. But without quality control, that just means more rework for your designers.

More confusion for your engineers. And more cost for the company. Speed without quality is just expensive noise.

So, to unlock AI design, we have to solve quality first. So, why was the agent dropping the ball? We dug in and we found three root causes.

First, proprietary dependencies. Our products use internal code libraries, and agent trained on the open web can't bridge that gap. It doesn't know what it doesn't know.

The second was our design system's complexity. We're not just talking about a handful of components.

We're talking about hundreds. We have sprawling primitives across type, color, spacing patterns, interactions, content design. There's do's and there's don'ts.

Sometimes there's intentional friction between simplicity and sophistication. And that's hard for a human to hold in their head.

Let Let alone a model. And the third one was just unrealistic expectations. We were expecting AI to one-shot something that even an experienced designer would iterate on several times with multiple rounds of feedback.

If iteration is how designers get to quality, what if we gave AI that same opportunity? What if we got scientific?

So, we started to set up things like golden sets. Golden sets, if you haven't heard it, it's a fancy word for lots of test cases.

And if you run your system multiple times over and over through those same test cases and get really scientific with like how do you measure that?

How do you put a metric to it? And I've got some examples here. Then you can get feedback. You can re-prompt.

You can isolate exactly where it went wrong and you can get it back on track. And we also set a goal post. If we can produce prototypes that at least 80% high accuracy, and by high accuracy I mean perfect.

And if it utilized every single component then it then it that it should, then we'd say it generated a sufficient quality to take this seriously.

So, with this technique, we were able to rebuild our components in a pixel exact way. Not close enough. Exact. And the model could learn from its mistakes within a session and course correct.

We took those iterated upon components and we added strict guidelines for the agent to follow and how it should use them.

All captured inside a Figma make template. And it started to produce the results we'd wanted all along. That got us to the bar we'd set for our pilot.

87 80 7% in fact above where we'd set our bar. And when I say high accuracy again, I mean it's free of issues.

It's production ready. And that's a massive jump from where we started.

You can see here on the left. That's our target. That's the design we started with. And on the right you can see our iterations.

And it starts off pretty wobbly. But in the end the left is the right. We got there. We were able to produce exactly the quality that we wanted.

But, these manual feedback loops, they don't scale. So, what we really needed was a context delivery system that could operate at meta scale.

So, we started developing what was then a new protocol, MCP, model context protocol.

And we investigated a fundamental investigated fundamental question, could we capture all dimensions of our design system in this infrastructure?

The color, the type, the spacing, the components, not just the components themselves, but the documentation around them. Our content standards, our illustrations, all of it.

So so that any AI tool could get the exactly the context it needed, exactly the moment it needed it.

And we partnered with Figma, and we integrated this Figma make for the first time. And at the time, this was a net new capability that we codeveloped.

And the results were immediate. Design system aligned output straight off the bat, in one shot, without even needing a template.

And the model could pull in exactly the context it needed, at exactly the moment it needed it. And we could actually push beyond the component code into areas like content standards, where we just know we need a vast amount of context and judgment to do a good job.

And it's so exciting to see connectors and MCP connections and are broadly available to everyone in Figma. And hopefully you understand why this is so critical to pushing forward quality in what we do with AI.

So, what's next? What are we working on now?

What's what's the new latest and greatest? We see a layered stack, a path forward for the entire industry.

The foundation is context. We've talked a lot about it today, and for good reason. If you get nothing else from this get this.

You must get your context foundations right. Everything that comes next depends upon it. If your design system isn't structured in a way I way that AI consume, you are building on sand.

And the next layer is skills. If this works.

Spoiler alert. Um and the next layer is skills. And so, this is also something that we're launching in in Figma natively.

And context is knowledge, but skills are knowing how to apply that knowledge. And a model that knows your color tokens, it's useful.

But a a model that knows exactly when to use them and why is powerful. Next slide, please.

Awesome. And this final layer, as you guys all know, is agents. So, agents bring this all together. You take the skills, you take all of that foundational context, and when you put it together, some magical things start to happen.

So, this is what gets me excited. And as we all know from yesterday, it takes a lot to get a British person excited.

It's genuinely about expanding what's possible. You can give an agent a task in the evening and get results in the morning. You can jam with the agent, expectation align, form a plan.

And let's say you decide you want to do 10 different directions. Well, as you can see, you can have an agent working on every single screen, and we're able to just with six words or so produce a design for an entire feature.

You can just have the seed of an idea and then let it grow into a full concept and then iterate on it. Give feedback, push it forward at a pace that was never possible before.

The designers on our teams aren't doing less, they're thinking bigger.

So, what does this mean for you? I I wanted to give you guys a bit of a cheat sheet and how you can be successful in this new era and just give you three things you can take home today.

Number one, audit your context. Look at your design system and ask, could an AI consume this?

Are your tokens documented? Are your components structured with clear rules? Remember that anything that is not specified is randomized or aligns to some web convention that you didn't define or agree upon.

This is the foundation of that everything else will build upon.

This is your number one priority. Number two, embrace the feedback loop. Don't expect one-shot perfection from AI.

Treat it like a collaborator. If a new designer started on your team, you wouldn't just say, "Hey, go do this." You'd say, "Hey, this is my customer.

This is the problem we're solving. This is all the context you need and this is how you move forward." So, you can re-prompt.

You can correct. You can iterate. That's not a workaround.

That's the workflow. And these models are trained on imperfect humans, so they're imperfect, too.

And lastly, prepare for agents. These tools are arriving faster than any of us expected. The teams that have their context and their skills ready to go, you will be the ones that move the fastest when agents become production ready.

And so, we went from AI slop to quality at scale, not overnight, through deliberate, unglamorous work on our foundations.

And every team in this room can start on that journey today.

So, I'll leave you with this. We started talking about AI slop with outputs that were fast, but wrong. That eroded trust.

That made designers skeptical and honestly, that skepticism, it was earned. But look at where we are now. Design intent flowing from design to prototype to the product itself and back again.

Not perfectly, not everywhere, not yet. But the foundations are in place. The context, the skills, the agents, they're real and they're getting better every week.

We came to realize when all of this comes together, it actually creates a paradigm shift.

Where we're headed, design is becoming truly multimodal. It turns out these language models are amazing at translation.

If it's Swift, HTML, Figma design, they're all just code. Code that can be translated from one medium to another with with little to no context loss.

You can design in one medium and translate to another. You've got a web prototype and you want to bring that back into Figma design, you got it.

You want to take that design, gather a bunch of comments and send these changes back into your prototype, easy.

The tools are starting to catch up with our ambitions. If all the lines in this visual, instead of being wobbly, they were straight, then you could just pluck a version of your production product like a ball of clay, you could give it shape and you could just throw it back into the product.

And I don't think it's impossible. In fact, I'm seeing it working at Meta already and we're improving it every day.

And so, the teams in this room, the ones building design systems, the ones investing in quality, the ones who refuse to settle for AI slop, you're going to be the ones that shape what this era looks like.

Designed to be read: making a system AI can actually use ft. Harvey Whiting (Meta) | Config 2026

Figma

AI 디자인 도구의 결과물이 대규모 환경에서 버티지 못하는 이유는 디자인 시스템에 대한 맥락 부족과 비현실적인 기대치 때문입니다.

AI에게 디자인 시스템의 규칙과 문서를 이해시키는 '골든 셋' 기반의 반복적 피드백 루프는 결과물의 정확도를 87%까지 끌어올릴 수 있습니다.

맥락(Context)을 구조화하고 적절한 기술(Skill)을 적용할 때 비로소 AI 에이전트는 디자이너의 작업을 대체하는 것이 아니라 창의적 영역을 확장하는 협업자로 기능합니다.

메타와 같이 수십억 명의 사용자에게 서비스를 제공하는 환경에서는 단순한 도구 활용만으로는 부족하며, **모든 화면이 엄격한 디자인 시스템 기준을 충족**해야 한다는 도전 과제가 있습니다.

현재 AI 디자인 도구들이 쏟아져 나오고 있지만, 이들이 생성하는 결과물은 대규모 환경에서 버티지 못하며, **누락된 상태값과 존재하지 않는 컴포넌트 등 디자인 시스템의 빈틈**을 노출하고 있습니다.

디자이너들은 속도가 아무리 빨라도 품질이 담보되지 않는 도구는 절대 사용하지 않으며, **품질 관리 없는 AI 생성 도구는 결국 디자이너의 수정 작업만 늘리고 비용을 초래하는 비싼 소음**에 불과합니다.

품질 문제를 해결하기 위한 세 가지 근본적 원인과 대응책

AI 모델이 디자인 시스템에서 실패하는 이유는 내부 코드 라이브러리를 이해하지 못하는 **독점적 종속성**, 수백 개의 프리미티브와 복잡한 규칙을 포함한 **디자인 시스템의 복잡성**, 그리고 단 한 번에 완벽한 결과를 바라는 **비현실적인 기대** 때문입니다.

이를 해결하기 위해 메타 팀은 '골든 셋(Golden sets)'이라 불리는 테스트 케이스를 구축하고, **시스템을 반복적으로 실행하여 과학적으로 지표를 측정하는 피드백 루프**를 도입했습니다.

반복 개선 과정을 통해 모델은 컴포넌트를 픽셀 단위로 정확하게 재구축하는 법을 학습했고, 결과적으로 **프로덕션 준비가 완료된 87%의 높은 정확도**를 달성할 수 있었습니다.

확장 가능한 AI 인프라와 미래의 에이전트 디자인

메타는 더 큰 규모의 운영을 위해 **모델 컨텍스트 프로토콜(MCP)을 개발**하여 색상, 타이포그래피, 콘텐츠 표준 등 디자인 시스템의 모든 차원을 AI가 즉시 참조할 수 있도록 인프라를 구축했습니다.

이후 피그마(Figma)와의 협업을 통해 'Figma Make'를 통합함으로써, 별도의 템플릿 없이도 **디자인 시스템에 정렬된 결과물을 단번에 생성하는 환경**을 마련했습니다.

향후 AI 디자인의 발전은 **맥락(Context), 기술(Skill), 에이전트(Agent)**라는 세 계층으로 이루어질 것이며, 디자인 시스템이 AI가 소비할 수 있도록 제대로 구조화되지 않으면 모래 위에 집을 짓는 것과 같습니다.

에이전트는 단순한 자동화 도구가 아니라 디자이너의 능력을 확장하는 파트너이며, **아이디어의 씨앗을 완성된 콘셉트로 성장시키고 반복 작업을 수행**함으로써 더 크게 생각할 수 있는 기회를 제공합니다.

실무자를 위한 AI 시대의 치트 시트

성공적인 AI 디자인 도입을 위해 팀은 첫째, **디자인 시스템의 토큰과 규칙을 AI가 이해할 수 있도록 명확히 문서화하여 컨텍스트를 점검**해야 합니다.

둘째, **AI를 협업자로 대우하고 반복적인 피드백 루프를 수용**하여 기대치를 맞추고 프로젝트를 발전시켜야 하며, 셋째, 실무 투입에 대비해 컨텍스트와 기술을 미리 준비해야 합니다.

결론적으로 디자인은 진정으로 **멀티모달(multimodal)한 영역으로 진화**하고 있으며, 언어 모델을 통해 서로 다른 매체 간의 디자인 코드를 맥락 손실 없이 번역하는 패러다임의 전환이 일어나고 있습니다.

안녕하세요 여러분. 간단히 확인해 볼게요. 방 안에 영국분들 얼마나 계신가요? 환호 한번 해주세요.

없나요? 좋습니다. 알겠습니다. 저는 메타 디자인의 하비 화이팅입니다. 오늘 저는 이 방에 계신 모든 분이 남몰래 고민하고 있는 AI 슬롭(AI Slop)에 대해 이야기하려고 합니다.

몇 달 전, 저희가 딱 그런 상황이었습니다.

저희에게는 훌륭한 신규 모델들이 있었습니다. 인터넷상의 모든 지식을 갖추고 있었지만, 안목은 없었죠.

그들은 디자인 시스템이 어떻게 작동하는지 몰랐습니다. '적당히 비슷한 것'과 '정답'의 차이도 몰랐죠. 메타의 과제는 '적당히 비슷한 것'으로는 충분하지 않다는 점입니다.

저희는 수백만 개의 기업과 수십억 명의 사용자에게 서비스를 제공합니다. 인스타그램이든 광고 관리자(Ads Manager)든, 모든 화면은 저희 디자인 시스템의 기준을 충족해야 합니다.

그런데 그건 AI가 단순히 도구를 쓴다고 바로 해결되는 문제가 아닙니다. 문제는 '왜 안 될까?'라는 것이죠.

오늘 저는 그 여정을 되짚어보고 그것이 여러분 팀의 앞날에 어떤 의미일지 살펴보려 합니다.

먼저 피그마와 메타 디자인이 파트너십을 맺고 피그마가 디자인 시스템 내에서 작동하는 능력을 향상했던 시작 단계부터 이야기하겠습니다.

그런 다음 불안정했던 초기 버전부터 저희의 품질 기준에 가까워진 결과물까지, 그 과정의 문제점들을 있는 그대로 살펴보겠습니다.

마지막으로 그것이 어떻게 에이전트 디자인 시대의 기반을 다질 수 있는지 알아볼 겁니다. 하지만 먼저 지금 이 시점에 왜 이것이 중요한지에 대한 맥락부터 짚어보죠.

우리는 폭발적인 성장의 한가운데에 있습니다. 바이브 코딩(Vibe coding)은 주류가 되었고, 사람들은 프롬프트 하나로 전체 앱을 만들고 있습니다.

AI 디자인 도구들은 예상보다 빠르게 출시되고 있습니다. 매주 냅킨에 그린 스케치를 프로덕션 UI로 바꿔주겠다고 약속하는 새로운 도구가 쏟아져 나오죠.

에너지는 대단하지만, 아무도 말하지 않는 문제가 있습니다.

이 도구들이 만들어내는 결과물 대부분은 대규모 환경에서 버티지 못합니다. 겉보기엔 그럴싸하죠. 레이아웃은 말이 되고, 디자인 간격도 얼추 맞는 것 같습니다. 하지만 실제 디자인 시스템 옆에 놓아보면 빈틈이 곳곳에 보입니다.

누락된 상태값, 존재하지도 않는 컴포넌트, 가이드라인을 무시하는 콘텐츠들이 계속 나타납니다.

AI 코딩의 이러한 폭발적 성장은 가장 흥미롭지만, 동시에 AI와 디자인 도구에 있어서 가장 위험한 시대이기도 합니다.

질문은 AI가 워크플로우의 일부인지 아닌지가 아닙니다. 이미 그렇거든요. 중요한 건 우리가 AI가 조잡한 결과물을 내놓게 둘 것인가, 아니면 AI에게 디자인 감각을 가르칠 것인가 하는 점입니다.

그리고 그것이 우리가 하려던 일이었습니다. 이제 구체적으로 문제에 대해 이야기해 보죠.

AI 디자인 도구의 급격한 발전으로 새로운 카테고리가 생겨났습니다. 빠르지만 틀린 결과물을 내놓는 것이죠. 저희는 Meta 제품들을 위한 AI 생성 디자인 실험을 시작했습니다.

모델이나 도구에 상관없이, 모든 AI가 같은 부분에서 실패하고 있었습니다.

낮은 충실도, 잘못된 타이포그래피, 일관성 없는 색상, 누락되거나 잘못 구성된 컴포넌트 등 디자인 리뷰에서 바로 지적받을 만한 문제들이었죠.

두 번째는 낮은 반복성입니다. 같은 프롬프트에도 매번 다른 결과가 나옵니다. 그런 예측 불가능성은 신뢰를 떨어뜨립니다.

세 번째는 맥락 붕괴와 복잡성입니다. 단순한 폼은 AI가 잘 해내지만, 전체 Ads Manager 환경을 다루기 시작하면 품질이 급격히 떨어집니다.

그리고 마지막 요소가 새로운 도입 장벽을 만듭니다. 디자이너들은 속도가 품질을 희생하는 도구를 결코 사용하지 않을 것입니다.

다시 말하지만, 디자이너들은 품질이 담보되지 않는 빠른 도구는 쓰지 않습니다. 절대로요.

저희를 밤새 고민하게 만든 역설이 여기 있습니다. AI는 디자인을 더 빠르게 생성할 수 있습니다. 하지만 품질 관리 없이는 디자이너의 수정 작업만 늘어날 뿐입니다.

엔지니어들에게는 혼란을, 회사에는 비용 부담을 줄 뿐이죠. 품질 없는 속도는 그저 비싼 소음에 불과합니다.

그래서 AI 디자인을 제대로 활용하려면 품질 문제를 먼저 해결해야 합니다. 왜 AI 에이전트가 제대로 해내지 못했을까요? 원인을 파악해 보니 세 가지 근본적인 이유가 있었습니다.

첫째, 독점적인 종속성입니다. 저희 제품은 내부 코드 라이브러리를 사용하는데, 오픈 웹으로 학습된 에이전트는 그 간극을 메울 수 없습니다. 자신이 무엇을 모르는지조차 모르기 때문이죠.

두 번째는 디자인 시스템의 복잡성이었습니다. 단순히 몇 개의 컴포넌트만 말하는 게 아닙니다.

수백 개의 컴포넌트를 말하는 거죠. 타이포그래피, 색상, 간격 패턴, 인터랙션, 콘텐츠 디자인 전반에 걸쳐 방대한 프리미티브가 존재합니다. 지켜야 할 규칙과 하지 말아야 할 것들이 있죠.

때로는 단순함과 정교함 사이에 의도적인 마찰이 존재하기도 합니다. 이건 사람이 머릿속에 모두 담아두기도 힘든 일입니다.

하물며 모델에게는 더 어렵겠죠. 그리고 세 번째는 비현실적인 기대였습니다. 우리는 숙련된 디자이너조차 여러 번의 피드백 과정을 거치며 수정해야 하는 작업을 AI가 단 한 번에 해내길 바랐던 겁니다.

하지만 그 세 번째 통찰이 정말 핵심이었습니다.

반복이 디자이너가 품질을 높이는 방법이라면, AI에게도 똑같은 기회를 주면 어떨까요? 과학적으로 접근해보면 어떨까요?

그래서 우리는 '골든 셋(golden sets)' 같은 것을 설정하기 시작했습니다. 골든 셋이라는 용어가 생소하시다면, 쉽게 말해 수많은 테스트 케이스를 의미합니다.

시스템을 동일한 테스트 케이스로 반복해서 여러 번 실행하고, 그 결과를 어떻게 측정할지 과학적으로 접근한다면 어떨까요?

거기에 어떻게 지표를 부여할 수 있을까요? 여기 몇 가지 예시가 있습니다. 그러면 피드백을 얻을 수 있고, 프롬프트를 다시 작성할 수 있습니다.

정확히 어디서 잘못되었는지 파악하고 다시 정상 궤도로 올릴 수 있죠. 또한 우리는 목표 지점을 설정했습니다. 프로토타입의 정확도가 80% 이상, 즉 완벽에 가까운 수준이라면,

모든 컴포넌트를 올바르게 활용한다면, 진지하게 고려해 볼 만한 충분한 품질이라고 판단했습니다.

이 기술을 통해 우리는 컴포넌트를 픽셀 단위로 정확하게 재구축할 수 있었습니다. '적당히 비슷한' 수준이 아니라 '완벽하게' 말이죠. 모델은 세션 내에서 스스로 실수를 학습하고 수정할 수 있었습니다.

우리는 반복적으로 개선된 컴포넌트를 가져와 에이전트가 이를 어떻게 사용해야 하는지에 대한 엄격한 가이드라인을 추가했습니다.

이 모든 것이 Figma 템플릿 안에 담겼고, 우리가 원했던 결과를 만들어내기 시작했습니다. 이것이 우리가 파일럿 프로젝트를 위해 설정한 기준에 도달하게 해주었습니다.

실제로 87%에 도달하며 목표치를 넘어섰죠. 여기서 제가 말하는 높은 정확도란 다시 말해 문제점이 전혀 없다는 뜻입니다.

즉, 프로덕션 준비가 완료된 상태입니다. 우리가 처음에 시작했던 것보다 엄청난 도약을 이룬 셈이죠.

왼쪽을 보시면 우리가 목표로 삼았던 초기 디자인이 있습니다. 그리고 오른쪽에서 반복 작업의 결과를 보실 수 있습니다.

처음에는 다소 불안정해 보이지만, 결과적으로는 왼쪽과 오른쪽이 동일해졌습니다. 우리가 원했던 품질을 정확하게 만들어낼 수 있었습니다.

하지만 이런 수동적인 피드백 루프는 확장성이 부족합니다. 그래서 우리에게는 Meta 규모에서도 운영할 수 있는 컨텍스트 전달 시스템이 필요했습니다.

그래서 우리는 당시 새로운 프로토콜이었던 MCP, 즉 모델 컨텍스트 프로토콜(Model Context Protocol)을 개발하기 시작했습니다.

그리고 근본적인 질문을 던졌습니다. 우리 디자인 시스템의 모든 차원을 이 인프라에 담을 수 있을까?

색상, 타이포그래피, 간격, 컴포넌트뿐만 아니라 컴포넌트를 둘러싼 문서까지, 우리의 콘텐츠 표준과 일러스트레이션까지 모든 것이 포함됩니다.

따라서 어떤 AI 도구든 필요한 순간에 정확히 필요한 맥락을 얻을 수 있게 되었습니다.

우리는 Figma와 파트너십을 맺고 처음으로 Figma Make를 통합했습니다. 당시 이것은 우리가 공동 개발한 완전히 새로운 기능이었습니다.

결과는 즉각적이었습니다. 템플릿 없이도 처음부터 디자인 시스템에 정렬된 결과물이 단번에 생성되었습니다.

모델은 필요한 순간에 정확히 필요한 맥락을 가져올 수 있었습니다. 이제 우리는 컴포넌트 코드를 넘어 콘텐츠 표준과 같은 영역까지 나아갈 수 있게 되었고, 이런 영역에서는 좋은 결과를 내기 위해 방대한 맥락과 판단력이 필요하다는 것을 알고 있습니다.

커넥터와 MCP 연결이 Figma의 모든 사용자에게 널리 제공되는 것을 보니 정말 기대가 큽니다. AI를 활용한 작업에서 품질을 높이기 위해 왜 이것이 그토록 중요한지 이해하셨기를 바랍니다.

그럼 다음은 무엇일까요? 지금 무엇을 작업하고 있을까요?

가장 새롭고 뛰어난 것은 무엇일까요? 우리는 계층화된 스택, 즉 업계 전체를 위한 나아갈 길을 보고 있습니다.

기반은 바로 맥락입니다. 오늘 그 점에 대해 많이 이야기했고, 그럴만한 이유가 있습니다. 다른 건 다 잊더라도 이것만은 꼭 기억하세요.

맥락의 토대를 제대로 구축해야 합니다. 그다음 단계는 모두 여기에 달려 있습니다. 디자인 시스템이 AI가 소비할 수 있는 방식으로 구조화되어 있지 않다면, 모래 위에 집을 짓는 것과 같습니다.

그리고 다음 계층은 기술입니다. 이게 작동한다면 말이죠.

스포일러 주의를 드립니다. 다음 계층은 기술입니다. 이는 우리가 Figma에서 기본적으로 출시하고 있는 기능이기도 합니다.

맥락은 지식이지만, 기술은 그 지식을 어떻게 적용할지 아는 것입니다. 컬러 토큰을 아는 모델은 유용합니다.

하지만 언제 그것들을 사용해야 하는지, 왜 사용해야 하는지 아는 모델은 강력합니다. 다음 슬라이드 부탁드립니다.

멋집니다. 그리고 여러분 모두 아시다시피 마지막 계층은 에이전트입니다. 에이전트는 이 모든 것을 하나로 묶어줍니다. 기술을 가져오고, 모든 기초적인 맥락을 가져와서 합치면 마법 같은 일들이 시작됩니다.

이 점이 저를 설레게 합니다. 어제 다들 아셨겠지만, 영국 사람을 설레게 하려면 정말 많은 노력이 필요하거든요.

이것은 디자이너를 대체하는 것이 아닙니다.

진정으로 가능한 영역을 확장하는 것에 관한 이야기입니다. 저녁에 에이전트에게 작업을 맡기고 아침에 결과를 얻을 수 있습니다. 에이전트와 함께 협업하며 기대치를 맞추고 계획을 세울 수 있죠.

예를 들어 10가지 다른 방향으로 작업하고 싶다고 가정해 봅시다. 보시다시피 각 화면마다 에이전트를 배치할 수 있고, 여섯 단어 정도의 지시만으로 전체 기능에 대한 디자인을 생성할 수 있습니다.

아이디어의 씨앗만 있다면 이를 완전한 콘셉트로 성장시키고 반복 작업을 할 수 있습니다. 피드백을 제공하고 이전에는 불가능했던 속도로 프로젝트를 발전시킬 수 있죠.

우리 팀의 디자이너들은 일을 덜 하는 것이 아니라, 더 크게 생각하고 있습니다.

그렇다면 이것이 여러분에게는 무엇을 의미할까요? 이 새로운 시대에 성공할 수 있는 일종의 치트 시트와 같은 세 가지 조언을 오늘 집으로 가져가시길 바랍니다.

첫째, 컨텍스트를 점검하세요. 디자인 시스템을 살펴보고 AI가 이를 이해할 수 있을지 자문해 보세요.

토큰이 문서화되어 있나요? 컴포넌트가 명확한 규칙에 따라 구조화되어 있나요? 명시되지 않은 모든 것은 무작위로 처리되거나, 여러분이 정의하거나 동의하지 않은 웹 관례를 따르게 된다는 점을 기억하세요.

이것이 바로 모든 것이 구축될 기반입니다.

이것이 여러분의 최우선 순위입니다. 둘째, 피드백 루프를 수용하세요. AI에게 한 번에 완벽한 결과를 기대하지 마세요.

협업자로 대우하세요. 새로운 디자이너가 팀에 합류했다면 단순히 "이것 좀 해줘"라고 말하지 않을 겁니다. "이것은 우리의 고객이고,

우리가 해결하려는 문제는 이것이며, 필요한 모든 컨텍스트는 여기에 있고, 이렇게 진행하면 돼"라고 말할 것입니다. 즉, 다시 프롬프트를 입력할 수 있습니다.

수정하고 반복할 수 있습니다. 그것은 우회하는 것이 아닙니다.

그것이 워크플로우입니다. 모델들은 불완전한 인간을 학습했기에 그들 역시 불완전합니다.

마지막으로, 에이전트를 준비하세요. 이러한 도구들은 우리가 예상했던 것보다 훨씬 빠르게 다가오고 있습니다. 컨텍스트와 기술을 미리 준비한 팀이 에이전트가 실무에 바로 투입될 준비가 되었을 때 가장 빠르게 움직일 것입니다.

그래서 우리는 하룻밤 사이가 아니라, 기반을 다지는 신중하고도 화려하지 않은 노력을 통해 AI 슬롭(AI slop)에서 품질을 갖춘 대규모 작업으로 나아갈 수 있었습니다.

이 방에 있는 모든 팀이 오늘 바로 그 여정을 시작할 수 있습니다.

자, 마지막으로 이 말씀을 드리고 싶습니다. 우리는 빠르지만 부정확한 결과물을 내놓는 AI 슬롭(slop)에 대해 이야기하기 시작했습니다. 그것이 신뢰를 떨어뜨렸죠.

그로 인해 디자이너들은 회의적이게 되었고, 솔직히 그 회의적인 태도는 당연한 것이었습니다. 하지만 지금 우리가 어디에 있는지 보세요. 디자인 의도가 디자인에서 프로토타입으로, 제품 그 자체로, 그리고 다시 되돌아오는 흐름이 만들어지고 있습니다.

완벽하지는 않고, 어디에나 적용된 것은 아니며, 아직은 그렇습니다. 하지만 기반은 마련되었습니다. 맥락, 기술, 에이전트까지 모든 것이 현실화되고 있고 매주 더 나아지고 있습니다.

Designed to be read: making a system AI can actually use ft. Harvey Whiting (Meta) | Config 2026

스크립트