AI를 활용한 UI 생성은 종종 디자인의 '불쾌한 골짜기' 문제를 겪는다. 레이아웃은 전문적으로 보일지라도 구성 요소가 지나치게 일반적이고, 사용된 데이터가 가상에 불과해 실무 적용에 한계가 있기 때문이다. 이에 따라 Figma는 AI 결과물의 구조적 완성도와 데이터 기반의 현실성을 강화하기 위해 'Make kits'와 'Make attachments'라는 두 가지 핵심 기능을 선보였다.

Make kits를 활용하면 디자인 팀은 NPM 패키지나 Figma 라이브러리를 통해 자사 고유의 디자인 시스템을 AI 생성 과정에 직접 동기화할 수 있다. 이는 AI가 제작한 초안이 단순한 시각적 이미지를 넘어, 실제 제품 코드에서 사용하는 컴포넌트와 스타일을 그대로 반영한 기능적 레이아웃이 되도록 보장한다. 특히 기업 특유의 디자인 언어를 AI에게 학습시킴으로써, AI 시안을 내부 표준에 맞추기 위해 거쳐야 했던 번거로운 수동 수정 작업을 획기적으로 줄여준다.

이와 더불어 프로젝트별 구체적인 맥락을 제공하는 Make attachments 기능이 시너지를 더한다. 사용자는 이제 데이터 분석용 CSV 파일이나 법규가 담긴 PDF 등 다양한 문서를 업로드하여 AI가 실제 업무 제약 조건 내에서 결과물을 도출하도록 설정할 수 있다. 그 결과 AI는 단순히 이상적인 화면을 그려내는 수준을 넘어, 긴 텍스트나 특정 데이터 필드, 브랜드 가이드라인까지 정교하게 반영한 실질적인 프로토타입을 생성하게 된다.

AI를 활용한 UI 생성은 종종 디자인의 '불쾌한 골짜기' 문제를 겪는다. 레이아웃은 전문적으로 보일지라도 구성 요소가 지나치게 일반적이고, 사용된 데이터가 가상에 불과해 실무 적용에 한계가 있기 때문이다. 이에 따라 Figma는 AI 결과물의 구조적 완성도와 데이터 기반의 현실성을 강화하기 위해 'Make kits'와 'Make attachments'라는 두 가지 핵심 기능을 선보였다.

Make kits를 활용하면 디자인 팀은 NPM 패키지나 Figma 라이브러리를 통해 자사 고유의 디자인 시스템을 AI 생성 과정에 직접 동기화할 수 있다. 이는 AI가 제작한 초안이 단순한 시각적 이미지를 넘어, 실제 제품 코드에서 사용하는 컴포넌트와 스타일을 그대로 반영한 기능적 레이아웃이 되도록 보장한다. 특히 기업 특유의 디자인 언어를 AI에게 학습시킴으로써, AI 시안을 내부 표준에 맞추기 위해 거쳐야 했던 번거로운 수동 수정 작업을 획기적으로 줄여준다.

이와 더불어 프로젝트별 구체적인 맥락을 제공하는 Make attachments 기능이 시너지를 더한다. 사용자는 이제 데이터 분석용 CSV 파일이나 법규가 담긴 PDF 등 다양한 문서를 업로드하여 AI가 실제 업무 제약 조건 내에서 결과물을 도출하도록 설정할 수 있다. 그 결과 AI는 단순히 이상적인 화면을 그려내는 수준을 넘어, 긴 텍스트나 특정 데이터 필드, 브랜드 가이드라인까지 정교하게 반영한 실질적인 프로토타입을 생성하게 된다.