AI-FLOW: 공항은 좁은 게 아니라, 쏠려 있다

DATA SCOPE

무엇을, 얼마나 분석했나

아이디어보다 데이터가 먼저였다. 수집 전에 "이 정보는 어떤 주장의 근거가 되는가"를 항목별로 설계하고, 직접 수집한 데이터와 출처를 검증해 인용한 데이터를 구분해 관리했다.

45,792

1일 출국 여객
전수 분석

출국장
× 시간대 전수

차트
직접 제작

분산
시뮬레이션

공공 API
실현성 검증

기록된
의사결정

T1 출국장별·시간대별 여객 수 직접 수집·계산

인천공항 공식 예상혼잡도 페이지, 2026.3.22(일) 1일치. 쏠림 진단(40%)과 분산 시뮬레이션의 원자료. 가족 여행객 비중이 높아 쏠림이 가장 뚜렷한 일요일을 의도적으로 선택.

공공데이터 API 3종 명세 직접 검증

승객예고·입국장 현황·운항 현황. 자동 승인 여부와 호출 한도(운영 계정 일 100만 건)를 확인해, 아이디어가 아니라 "데이터 공급이 가능한 시스템"임을 먼저 증명.

여객 실적·T2 이전 영향 출처 검증·인용

연간 국제선 여객 7,067만 명, T1:T2 분담률 65:35→50:50 등. 문제의 규모와 시의성 근거. 모든 수치는 원문·URL·산출 과정을 별도 문서로 기록.

기존 서비스 이용자 평가 출처 검증·인용

인천공항+ 앱 평점 3.1점(구글 플레이, 2026.3 기준). 혼잡 "표시"만으로는 이용객의 페인 포인트가 풀리지 않는다는 근거.

26.3%는 어떻게 나온 숫자인가

숫자를 쓰는 것보다, 숫자가 만들어진 과정을 보여주는 쪽을 택했다. 버튼을 누르면 계산 과정이 단계로 펼쳐진다.

STEP 1T1 하루 출국 여객 45,792명 중 4번 출국장에 18,297명 = 40.0% 집중

STEP 2피크(08~09시) 총 3,740명, 그중 4번 출국장이 1,268명 처리

STEP 3분산 가능한 출국장 4곳(1번은 교통약자 전용, 5·6번은 통합 집계)에 균등 분배하면 한 곳당 935명

RESULT(1,268 − 935) ÷ 1,268 = 26.3% 감소. 단, 100% 균등은 비현실이므로 "이론적 상한"으로 명시하고 보수 추정 8~10%를 병기

출국장별 하루 여객 막대 그래프: 2번 23.1%, 3번 32.6%, 4번 40.0%(빨강 강조), 5·6번 4.3%

직접 작성한 Python 분석 차트. 전체 차트와 코드는 아래 '데이터 분석' 문서에 있다. 그래프를 누르면 크게 볼 수 있다.

PROBLEM

한 곳은 터지고, 한 곳은 비어 있다

이용객의 페인 포인트는 "어디로 가야 하는지 아무도 알려주지 않는다"는 것. 운영 주체의 과제는 특정 출국장 쏠림과 유휴 용량의 공존. 쏠림은 체크인 카운터와의 거리가 만드는 구조적 현상이다. 둘은 같은 뿌리의 문제다. 핸들을 좌우로 끌면 피크타임 T1의 현재와 분배 적용 후가 전환된다.

AI-FLOW 적용 후: 4개 출국장이 935명씩 균등 분산된 T1 도면

현재: 4번 출국장에 1,268명이 몰려 혼잡(빨강), 5·6번은 199명으로 여유인 T1 도면

◂ 현재 · 4번 1,268명 혼잡적용 후 · 935명 균등 분산 ▸

"이용률이 낮으면 효과도 없지 않나?"

가장 먼저 예상한 반박. 그래서 효과를 단일 수치가 아니라 이용률의 함수로 제시했다. 슬라이더를 움직이면 감소 폭이 그대로 계산된다. TMAP을 쓰지 않는 운전자도 TMAP 사용자 덕에 덜 막히는 길을 달리는 것과 같은 원리다.

7.9%

이용률 30% 가정 시 피크 부하 감소

0%이용률 30% = 보수 추정100% = 이론적 상한 26.3%

SOLUTION

내비게이션이 아니라, 관제탑

기존 앱은 "3번이 빠릅니다"라고 모두에게 알려준다. 그 순간 모두가 3번으로 몰린다. 풍선효과다. AI-FLOW는 정보를 주는 서비스가 아니라 흐름을 배분하는 시스템이다.

기존 방식 내비게이션

모두에게 같은 답을 준다. "지금은 3번이 빠릅니다." 정보는 정확하지만, 정보를 받은 모두가 움직이는 순간 그 정보는 틀린 답이 된다.

AI-FLOW 관제탑

사람마다 다른 답을 배분한다. A에게 2번을 안내하면, B에게는 그 부하를 반영해 3번을 안내한다. 추천이 다음 추천의 입력값이 되는 분배 알고리즘이다.

정보 표시 → 행동 지시

"3번이 빠릅니다"가 아니라 "면세품은 나중에, 식사를 먼저 하세요."

정적 안내 → 역순 타임라인

탑승 마감에서 역산해 활동 순서를 배치하고, 돌발 시 실시간 재구성.

개인 안내 → 시스템 최적화

사용자별 다른 경로 분배로 풍선효과를 원천 차단.

시스템 아키텍처 도면 보기 · 데이터 → AI → 관제 → 인터페이스

AI-FLOW 시스템 아키텍처: Data layer(공공 API 3종·CCTV 에지)와 AI engine(혼잡도 예측·경로 배분), 관제 핵심인 Orchestration layer(역순 타임라인·부하 밸런서·개인화), User interface와 Ops dashboard, 그리고 전체를 관통하는 Privacy layer(에지 컴퓨팅·즉시 폐기)

데이터 출처가 바뀌어도 상위 층이 흔들리지 않도록 층을 분리했고, 개인정보 보호(영상 즉시 폐기·비식별)는 별도 계층으로 처음부터 설계에 포함했다. 도면을 누르면 크게 볼 수 있다.

DEMO

풍선효과, 직접 만져보기

결선작 분석에서 얻은 교훈 하나: "작동하는 데모가 말보다 세다." 그래서 분배 알고리즘의 핵심 원리를 이 자리에서 작동시킨다. 출국장 막대는 피크타임 실측 비율로 시작한다.

DEPARTURE GATE LOAD — LIVE

출국장 분배 시뮬레이터

내비 모드: 모두가 "지금 가장 빠른 곳" 정보를 받고 그곳으로 간다. 관제 모드: 단체가 와도 한 명 단위로 배분한다. 매 배정이 다음 추천의 입력값이 된다.

PEAK GATE LOAD · 최대 혼잡 게이트

—

지금: 내비 모드. 모두가 같은 정보를 받아 가장 한가한 출국장으로 향한다. 추천된 곳이 다음 혼잡지가 되는 풍선효과가 그대로 나타난다.

SCENARIO

가족 여행객의 3시간 30분

시스템은 평균이 아니라 한 사람의 동선에서 증명된다. 세 페르소나 중 가장 깊게 설계한 가족 시나리오다. 특히 09:50의 돌발 대응이 "관제탑"의 정체를 보여준다.

SAT 09:00 · 4인 가족 (부부 + 5세, 8세) · 캐리어 3 · 유모차 1 · 12:30 다낭행

09:00

공항 도착

AI-FLOW에 편명 입력. 유모차·대형 수하물 옵션 선택.

09:15

체크인

L카운터 안내(대형 수하물 벨트 인접), 대기 3팀.

09:30

보안검색 이동

4번(22분) 대신 2번 출국장(8분) 배분. 엘리베이터 경유 동선.

09:50

⚠ 돌발 — 단체 30명 유입

면세 인도장 대기 12명 → 40명 급증. 계획대로 가면 40명 뒤에 선다.

예정 순서: 인도장 → 식사

09:50 직후

AI 즉시 재구성

변경된 안내: "식사를 먼저 하세요. 10:30 복귀 시 대기 8명 예상."

혼잡이 풀리는 시점을 역산해, 경로가 아니라 행동의 순서를 뒤집었다.

10:00

식사 (순서 변경)

B식당, 대기 0, 유모차 공간 확보.

10:30

면세품 수령

대기 8명, 5분 소요. 피크 회피 성공.

10:50

게이트 도착

탑승 마감 70분 전 여유 도착.

−14분같은 가족, 같은 공항에서 순서만 바꿔 절약한 시간 설계 시나리오 기준

실제 화면 시안 보기 · 사용자 앱 4화면

AI-FLOW 앱 4화면: 온보딩(편명·옵션 입력), 역순 타임라인, 09:50 실시간 변경 알림(계획이 변경되었습니다), 완료 화면(14분 절약·게이트 121)

Screen 3이 위 시나리오의 09:50 장면이다. "계획이 변경되었습니다"라는 알림과 함께 면세→식사 순서가 뒤바뀐다. 화면을 누르면 크게 볼 수 있다.

RESULT & ANALYSIS

결과, 그리고 결선작 20팀의 해부

결선 진출 실패→ 여기서 분석이 시작됐다

결과는 아쉬웠다. 그래서 곧장 통과작 20팀을 열었다. 결과물을 페이지 단위로 전부 살펴 5개 카테고리로 분류했고, 직접 경쟁한 "여객 동선·시간 최적화" 4개 작품은 정밀 비교했다. 떨어진 이유보다, 통과한 작품들의 공통 패턴이 더 궁금했다.

카드를 열면 각 패턴이 펼쳐지고, 셋을 모두 열면 그 너머의 공통점이 나타난다.

패턴 3개를 모두 열면, 셋을 관통하는 진짜 공통점이 나타난다.

의외의 발견

처음엔 "개인 학부생 vs 4인 팀"의 자원 격차가 결정 변수라고 봤다. 그런데 결선작 중에는 결과물 칸에 빈칸(0000000)이 그대로 들어간 작품도 있었다. 그런데도 통과했다. 변수는 자원의 양이 아니라 "무엇 하나에 명확하게 집중했는가"였다. 20장을 끝까지 보기 전엔 보이지 않던 패턴이다.

관점	AI-FLOW	결선 통과작
문제 정의	시스템 전체 + 페르소나 3	단일 초점 (예: 출국장 하나)
구현 증거	설계 + UI 목업	작동 URL / 실측 결과
수치	26.3% 이론적 상한	12.63분 → 2.62분 (한 팀의 실측 개선치)

LESSONS

다음에 다르게 할 네 가지

"배웠다"로 끝나면 분석이 아니라 위안이다. 다음 프로젝트에 바로 적용할 수 있는 형태로 정리했다.

깊이를 한 명에 집중한다

페르소나 셋을 분 단위로 다루는 대신, 한 명의 행동·심리·돌발까지 파고든다. 범용성은 "한 명을 통해 원리를 보여주는 것"으로 충분하다.

작동하는 작은 데모를 먼저 만든다

첫 1주를 데모에 통째로 쓴다. URL 하나로 시연되는 상태를 만든 뒤 문서를 붙인다.

한 줄 의사결정을 첫 페이지에 박는다

"AI 관제 시스템"이라는 컨셉이 아니라, "4번 출국장 분산 알림 시범 도입" 같은 결정 가능한 문장을 맨 앞에 둔다.

강점을 후반부에 묻지 않는다

예상 반박 차단 FAQ와 글로벌 확장 비전. 강한 콘텐츠가 뒤에 묻혀 닿지 못했다. 강한 것은 앞으로.

HOW I WORKED

갈림길에서 무엇을 골랐나

4주 동안의 의사결정 21개 중, 결과물의 방향을 바꾼 다섯 갈림길.

FORK 01 — 서비스의 축

개인 맞춤 동선 안내가 먼저공항 전체 흐름 제어가 먼저

개인이 체감하는 가치가 먼저 서야 시스템 효과도 성립한다. 전체 흐름은 개인 안내가 누적되며 따라오는 효과로 배치.

FORK 02 — 핵심 비유

TMAP (친숙하지만 정보 제공형)관제탑 (본질이 같은 비유)

정보를 주는 내비와 흐름을 제어하는 관제는 본질이 다르다. TMAP은 도입부의 디딤돌로만 남기고 무게는 관제탑에.

FORK 03 — 외부 비판 3건

방어한다전부 수용한다

"26.3%는 비현실적 가정", "풍선효과 해법이 추상적", "고령층·외국인이 빠졌다". 셋 다 수용. 보수 추정 병기, 분배 원리 구체화, 고령자 페르소나·키오스크 추가. 비판 전과 후는 다른 문서가 됐다.

FORK 04 — 분석의 약점

언급하지 않는다한계를 명시한다

단일 날짜 데이터, 미반영 변수(항공사 배정 규칙 등)를 보고서에 직접 적었다. 추정치는 약해 보여도 "유휴 용량의 존재"라는 핵심은 흔들리지 않기 때문.

FORK 05 — 분량 규정 5p

감으로 맞춘다실제 양식에 붙여 실험한다

한글 파일에 직접 붙여 확인 → 반 페이지 여유 발견. 그 여유를 예상 반박 선제 답변과 가독성에 배분.

84문단 · 15,410자
전체 논리

→

37문단 · 11,390자
규정 압축

→

52문단
구조 + 밀도 합성

→

12,382자
관제탑 + 비판 반영

AI-FLOW.

무엇을, 얼마나 분석했나

T1 출국장별·시간대별 여객 수 직접 수집·계산

공공데이터 API 3종 명세 직접 검증

여객 실적·T2 이전 영향 출처 검증·인용

기존 서비스 이용자 평가 출처 검증·인용

26.3%는 어떻게 나온 숫자인가

한 곳은 터지고, 한 곳은 비어 있다

"이용률이 낮으면 효과도 없지 않나?"

내비게이션이 아니라, 관제탑

기존 방식 내비게이션

AI-FLOW 관제탑

정보 표시 → 행동 지시

정적 안내 → 역순 타임라인

개인 안내 → 시스템 최적화

풍선효과, 직접 만져보기

출국장 분배 시뮬레이터

가족 여행객의 3시간 30분

결과, 그리고 결선작 20팀의 해부

즉각 실행 가능한 "한 줄 의사결정"

이미 작동하는 데모

아무도 보지 않은 새 페르소나

다음에 다르게 할 네 가지

깊이를 한 명에 집중한다

작동하는 작은 데모를 먼저 만든다

한 줄 의사결정을 첫 페이지에 박는다

강점을 후반부에 묻지 않는다

갈림길에서 무엇을 골랐나

더 깊게 읽기

제출 제안서

데이터 분석 (코드 포함)

기획·실행 기록