AI 합성 페르소나는 실제 고객을 대신할 수 있을까?

신제품 출시 전, 고객의 반응을 AI로 미리 탐색할 수 있다면 리서치는 빨라질 수 있습니다. 하지만 ‘사람처럼 답한다’는 것과 ‘실제 고객을 대표한다’는 것은 전혀 다른 주장입니다. 연구 결과를 근거로 두 방법의 역할을 구분해 봅니다.

1. 합성 페르소나는 무엇을 생성하나

합성 페르소나(Synthetic Persona)는 사용자가 지정한 상황·고객 속성·의사결정 맥락을 언어모델에 제공해 가상의 소비자 관점과 응답을 생성하는 방식입니다. 같은 제품을 두고 ‘편의성을 중시하는 사람’, ‘월 구독료에 민감한 사람’, ‘데이터 처리에 불안이 큰 사람’이 어떤 반대 논리를 제시할지 탐색하는 데 활용할 수 있습니다.

다만 그럴듯한 발언은 관측한 고객 증언이 아니라 모델이 생성한 텍스트입니다. 응답 100개를 생성했다고 실제 소비자 100명을 조사한 것이 아니며, 평균값이나 비율을 그대로 시장통계로 해석할 수 없습니다.

2. 실측 연구에서는 어떤 문제가 발견됐나

미국 Pew Research Center(2026)는 실제 패널 조사 3개 회차를 AI 합성 응답으로 재현해 비교했습니다. 연구에 사용한 설정에서 인간 조사 결과와 합성 결과 사이의 평균 절대 차이는 약 12%포인트였습니다. 이 결과는 해당 미국 여론조사와 실험 조건에 한정되며, 모든 브랜드 리서치나 모든 모델의 오차가 12%포인트라는 뜻은 아닙니다.

같은 연구의 모델 비교에서는 응답 생성에 사용한 모델에 따라 선택지의 중간값과 극단값을 고르는 경향이 달라졌습니다. 따라서 단일 모델에서 얻은 합성 응답을 ‘객관적인 소비자 분포’라고 가정하면 의사결정에 편향이 들어갈 수 있습니다.

또한 NeurIPS 2024 연구는 43개 언어모델의 설문 응답에서 보기 순서·레이블 등의 영향을 검토했습니다. Nature Machine Intelligence(2025) 연구 역시 특정 집단의 경험을 모델이 단순화하거나 왜곡할 위험을 지적합니다. 이는 페르소나의 다양성과 답변 일관성을 검사하더라도 사람을 대표한다는 근거가 자동으로 생기지는 않는다는 점을 보여 줍니다.

3. 제품팀은 언제 어떤 방법을 써야 하나

표는 실무적 연구 설계 권고이며, 어느 방법도 모든 상황에서 자동으로 정확한 결론을 보장하지 않습니다.

4. 한정된 예산에서 권장하는 4단계

1. 결정할 질문부터 정의합니다. 예: ‘기능 A와 B 중 무엇을 출시할까?’ 대신 ‘다음 사용자 테스트에서 무엇을 먼저 검증할까?’라고 구체화합니다.
2. 합성 탐색으로 반론을 수집합니다. 각 고객군의 우려, 대안, 사용 맥락을 탐색하되 모든 결과에 ‘가상 응답’이라는 출처를 표시합니다.
3. 검증 편향을 점검합니다. 같은 문항의 표현을 바꾸고, 보기 순서를 뒤섞고, 다른 모델이나 반복 생성 결과를 비교해 흔들림을 기록합니다.
4. 핵심 가설은 실제 고객에게 검증합니다. 구매·가격·시장규모처럼 의사결정의 손실이 큰 쟁점은 독립 실측 자료를 확보한 뒤 판단합니다.

5. 보고서에 반드시 구분해 적을 것

결과표를 읽는 의사결정권자가 오해하지 않도록 ① 사람으로부터 관측한 정보 ② 공개자료에서 인용한 정보 ③ AI가 추론·생성한 정보 ④ 아직 검증하지 않은 가정을 분리하는 것이 좋습니다. 또한 질문지 버전·모델 버전·표본 설계 가정·반복 횟수·검증 결과를 함께 남겨야 결과를 추적하고 재실행할 수 있습니다.

모티닉도 이 기준을 제품 설계의 방향으로 삼고 있습니다. 현재 설명한 내용은 연구 방법론과 제품 개발 원칙이며, 모티닉 자체 엔진이 사람의 응답을 어느 정도 예측한다는 성능 검증 결과를 의미하지 않습니다.

모티닉 인사이트 더 보기 · 모티닉 연구 방법론