핵심 요약
- 이용 기자는 성인 ADHD 사용자의 특성을 고려하여 복잡한 과업을 세부 단위로 자동 분할하고, 실제 이동 패턴을 온디바이스 머신러닝으로 학습해 현실적인 도착 예정 시간(ETA)을 산출하는 생산성 앱 ‘플래퍼(Flapper)’를 개발했습니다.
- 인공지능을 활용해 약 4만 5천 줄의 유효 코드를 단기간에 작성하며 개발 효율을 극대화했으나, 오류 수정과 유지 보수 단계에서는 여전히 HTML/CSS와 같은 기초적인 코딩 지식이 필수적임을 확인하며 ‘AI 딸깍’만으로는 상업적 수준의 소프트웨어 완성이 불가능함을 시사합니다.
- 기술 구현보다 사업자 등록, 통신판매업 신고, 세무 행정 및 앱스토어의 까다로운 심사 과정과 같은 비기술적 행정 절차가 실제 서비스 출시 과정에서 더 큰 비중의 시간과 노력을 소모하게 만드는 핵심 허들로 작용합니다.
주요 내용
1. ADHD 특화 솔루션 ‘플래퍼(Flapper)’의 기획
- 명칭 유래: ‘걸리버 여행기’의 하늘을 나는 섬 라퓨타에서 집중력이 부족한 사람들을 막대기로 때려 정신 차리게 돕는 하인 ‘플래퍼’에서 착안했습니다.
- ADHD 맞춤형 UX: 가입 과정 자체를 진입 장벽으로 느끼는 ADHD 사용자를 위해 로그인을 없앴으며, 완료 여부보다 ‘시작하기’ 버튼에 집중하도록 설계했습니다.
- 과업 분할 알고리즘: ‘원고 작성’과 같은 큰 목표를 입력하면 AI가 이를 8일간의 세부 일정(주제 정하기, 자료 수집 등)으로 쪼개어 iOS 기본 캘린더에 자동으로 연동해 줍니다.
2. 기술적 구현과 인공지능의 역할
- AI 코딩의 효율: 전체 코드 약 5만 5천 줄(테스트 코드 포함) 중 유효 코드 4만 5천 줄을 AI의 도움으로 작성했습니다. 이는 1인 개발자가 감당하기 어려운 규모를 가능케 한 핵심 동력이었습니다.
- 온디바이스 머신러닝(On-device ML): 개인정보 보호를 위해 사용자의 위치 데이터와 이동 패턴은 외부 서버로 보내지 않고 기기 내에서만 처리하며, 이를 통해 애플 지도보다 정확한 사용자 맞춤형 ETA를 계산합니다.
- 하이브리드 구조: 텍스트 분석 및 과업 분할 등 고차원 작업은 언어 모델 API를 활용하고, 반복적인 루틴 관리와 데이터 처리는 기기 내부의 머신러닝 모델을 사용합니다.
3. 상용화 과정의 현실적 한계
- 기초 지식의 필요성: AI가 코드를 짜주더라도 유지보수 과정에서 로직이 꼬이면 개발자가 구조를 이해하지 못할 경우 전체 프로젝트가 무너질 수 있습니다. 최소한 HTML/CSS, 모듈화, 레이어 구조에 대한 이해가 있어야 AI에게 정확한 지시를 내릴 수 있습니다.
- 행정적 비용: 코딩 시간보다 사업자 등록, 세금 처리, 앱스토어 가이드라인 준수를 위한 수정 작업 등 ‘출시를 위한 행정적 노동’에 훨씬 많은 시간이 소요됩니다.
핵심 데이터 / 비교표
플래퍼(Flapper) 프로젝트 코드 통계
| 항목 | 수치 / 내용 | |—|—| | 전체 코드 라인 수 | 약 55,133줄 | | 유효 코드 라인 수 | 약 44,105줄 (주석 및 빈 줄 제외) | | 주요 활용 언어 | Swift, Python, YAML, Shell, TOML 등 | | AI 기여도 | 코딩 시간 단축 및 기초 구조 설계 (약 80% 이상 추정) | | 데이터 처리 방식 | 개인정보(위치 등)는 온디바이스 처리 / 복잡한 로직은 LLM API 활용 |
타임스탬프별 핵심 포인트
| 시간 | 핵심 내용 |
|---|---|
| 00:05 | 인공지능을 이용한 상업용 코드 개발 도전 배경 설명 |
| 02:23 | ADHD 지원 앱 ‘플래퍼’ 소개 및 ‘걸리버 여행기’에서 유래한 명칭 설명 |
| 04:35 | ADHD 사용자가 생산성 앱을 포기하는 이유 분석 (일 쪼개기의 어려움) |
| 05:47 | 가상 데이터를 활용한 앱 시연: ADHD 약 복용 타이머 및 체크리스트 |
| 06:40 | 도착 예정 시간(ETA) 산출 로직: 애플 지도의 한계를 극복하는 맞춤형 알고리즘 |
| 08:38 | AI와의 대화를 통한 8일간의 과업 자동 분할 기능 시연 |
| 12:12 | 프라이버시 보호를 위한 온디바이스 데이터 처리 방식 강조 |
| 14:43 | 자동 일기 작성 및 약 부작용 리포트 생성 기능 소개 |
| 18:31 | 실제 코드 규모 공개 (4만 5천 줄) 및 AI 활용의 실제적 효용성 언급 |
| 20:02 | 출시 과정의 허들: 사업자 등록 및 앱스토어의 까다로운 심사 절차 |
| 22:42 | 수익화의 현실적 고민: 언어 모델 API 사용 비용과 구독제 도입의 필요성 |
| 24:45 | 결론: ‘AI 딸깍’ 환상 경계 및 기초 코딩 지식(HTML/CSS 등)의 중요성 강조 |
결론 및 시사점
- AI는 ‘도구 상자’이지 ‘대체제’가 아니다: 인공지능은 개발 속도를 획기적으로 높여주지만, 상업용 수준의 품질을 유지하기 위해서는 개발자의 논리적 설계 능력과 기초 지식이 뒷받침되어야 합니다.
- 수익화는 행정의 영역: 소프트웨어 완성 이후에도 사업자 등록, 세무, 플랫폼 심사 등 현실 세계의 행정적 절차를 해결하는 ‘직접 발로 뛰는 노동’이 필수적입니다.
- 문제 해결 중심의 기획: 본인의 ADHD 고충을 해결하려는 구체적인 목적의식이 4만 줄 이상의 방대한 코드를 일관성 있게 구현하게 만든 원동력이었습니다.
추가 학습 키워드
- 성인 ADHD 생산성: ADHD 환자의 특성에 맞춘 시간 관리 및 과업 분할 전략
- 온디바이스 머신러닝 (On-device ML): 데이터를 외부 서버로 전송하지 않고 사용자 기기에서 직접 처리하는 보안 기술
- LLM API 통합: 대규모 언어 모델을 앱 서비스 기능(스케줄링, 텍스트 요약 등)에 연동하는 방법
- 신경다양성(Neurodiversity): ADHD 등을 질병이 아닌 뇌의 다양성으로 보는 관점과 이를 보조하는 기술
- 노코드/로우코드의 한계: AI 보조 코딩 환경에서 전문 지식이 왜 여전히 유효한지에 대한 기술적 비평
기본 정보
| 항목 | 내용 | |—|—| | 채널 | 과학하고 앉아있네 | | 카테고리 | 과학기술 | | 게시일 | 2026-04-19 | | 영상 길이 | 32:36 | | 처리 엔진 | gemini-3-flash-preview | | 원본 영상 | YouTube에서 보기 |