사용자를 읽는 방법이 바뀌고 있다 — 데이터와 AI로 확장되는 UX 리서치

최승환 마크로밀엠브레인 상무이사

2026년 9월 16일 한국디자인진흥원 AX사업실 초청으로 마크로밀엠브레인 최승환 상무가 발표하고 토론을 나누었던 내용을 바탕으로, 실제 기업에서 새롭게 시도되고 있는 새로운 사용자조사 방법이 어떻게 변화를 맞이하고 있는지 살펴본다. 전체 내용은 주제별로 총 3편으로 구성하였다. 1편에서는 사용자에게 묻는 조사에서 행동을 읽는 조사로의 변화, 2편에서는 AI가 사람의 행동 속에서 우리가 미처 발견하지 못했던 니즈를 찾아내는 방법, 3편에서는 다시 첫 질문으로 돌아가 ​합성사용자가 실제 사용자를 대신할 수 있는가를 다룬다. 1편은 ‘변화’, 2편은 ‘발견’, 3편은 ‘대체 가능성에 대한 판단’이다.
 

③ AI는 사용자를 대신할 수 있을까

      합성사용자의 가능성과 한계, 그리고 AI로 발견하고 사람으로 검증하는 리서치

       -> 발표자료 보기

1편에서는 합성된 인간 데이터가 늘어나는 시대일수록 실제 인간의 행동과 그 의미, 맥락을 담은 Real Human Data가 중요해질 수 있다고 보았다.
합성 소비자는 실제 인간을 어디까지 대신할 수 있을까? 수백만 명의 가상 한국인이 있다면, 우리는 실제 사용자를 만나지 않고도 사용자조사를 할 수 있을까?

2026년 엔비디아가 공개한 한국형 Nemotron Personas 데이터셋에는 한국의 실제 인구 분포를 반영해 합성한 대규모 페르소나가 담겨 있다. 나이, 성별, 직업, 교육 수준, 거주지역뿐 아니라 관심사와 성격 등의 특성을 조합해 만들어진 가상의 사람들이다.[1]

예를 들어 새로운 공기청정기를 개발한다고 해보자. 실제 영유아 자녀를 둔 부모 수백 명을 모집하지 않아도 데이터셋에서 조건에 맞는 합성사용자를 골라 새로운 콘셉트를 보여주고 평가를 요청할 수 있다. 무엇이 마음에 들고 무엇이 불편한지, 구매할 의향이 있는지, 어떤 점을 개선해야 하는지도 물어볼 수 있다. 시간도 빠르다. 참가자를 모집하고 일정을 잡고 조사하는 대신 짧은 시간 안에 수백 명에게 질문을 던질 수 있다.

최승환 마크로밀엠브레인 상무는 최근 합성 소비자를 대상으로 설문뿐 아니라 인터뷰와 사용성 평가까지 시도되고 있다고 설명한다.[2] 여기까지만 보면 사용자조사의 오랜 숙제가 한꺼번에 해결된 것처럼 보인다. 그런데 문제가 하나 있다. 그들의 대답을 믿어도 되는 것일까?

가상의 소비자와 실제 소비자에게 같은 질문을 해봤다

마크로밀엠브레인은 합성 소비자와 실제 소비자에게 같은 질문을 던져 결과를 비교하는 실험을 진행했다. 차이는 생각보다 분명했다.

예를 들어 평소 먹는 비스킷을 물었을 때 합성 소비자는 오래된 유명 브랜드를 상대적으로 많이 선택했지만, 실제 패널의 응답에서는 다른 결과가 나타났다. 최 상무는 그 원인 가운데 하나로 AI가 학습한 정보와 현재 소비시장 사이의 시간차를 지적한다.[3]

AI가 참고하는 정보에는 오랫동안 시장에 존재했던 브랜드와 제품에 관한 내용이 많이 축적돼 있다. 반면 최근 등장한 브랜드와 빠르게 변화하는 소비행동은 상대적으로 적게 반영될 수 있다.

저당 제품에서도 비슷한 현상이 나타났다. 실제 소비자에게 저당 제품을 살 때 무엇을 고려하는지 묻자 맛과 당 함량뿐 아니라 브랜드도 구매 판단에 영향을 주었다. 하지만 합성 소비자의 응답에서는 브랜드의 영향이 잘 나타나지 않았다. 저당 제품 시장 자체가 비교적 최근 빠르게 형성됐기 때문에 AI가 참고할 만한 브랜드 관련 정보가 충분히 축적되지 않았을 가능성이 있다는 것이 최 상무의 해석이다.[4] 합성사용자는 현재를 살고 있는 것처럼 말하지만, 그 판단의 재료는 상당 부분 과거에 축적된 세계에서 온다.

통계적으로 그럴듯한 사람과 실제 사람은 다르다

이 문제는 합성사용자의 구조적 특성과도 관련된다. 엔비디아의 한국형 Nemotron Personas는 실제 통계를 활용해 한국의 인구학적·지리적 분포에 가깝도록 합성한 것이기에[1] ‘서울에 거주하는 30대 직장인’, ‘농촌지역에 사는 고령자’처럼 특정 집단을 통계적으로 그럴듯하게 재현하는 것에는 강점이 있다. 그러나 실제 인간은 인구통계 변수의 합보다 훨씬 복잡하다. 30대, 여성, 직장인, 서울 거주라는 조건이 같더라도 최근에 겪은 경험, 가족관계, 좋아하는 브랜드, 어제 본 광고, 친구의 권유, 그날의 기분에 따라 판단은 달라진다.

엔비디아 역시 데이터셋 설명에서 공개 통계의 시의성과 데이터 가용성에 한계가 있으며, 일부 변수의 관계를 구성할 때 독립성 가정을 사용했다고 밝히고 있다.[1]

인구 분포를 정교하게 재현했다고 해서 개인의 실제 삶까지 재현되는 것은 아니다. 이 차이는 UX 리서치에서 특히 중요하다. 사용자경험은 평균적인 사람이 무엇을 선호하는지만 다루는 것이 아니라 특정 상황에서 사람이 왜 멈추고, 망설이고, 우회하고, 때로는 자신도 설명하지 못하는 선택을 하는지를 이해하는 일이기 때문이다.

그렇다면 합성사용자는 쓸모가 없는 것일까? 그렇지는 않다. 최 상무는 이를 ‘발견’과 ‘검증’의 차이로 설명했다. 마크로밀엠브레인의 비교 실험에서는 질문의 성격에 따라 합성 소비자가 실제 소비자와 비슷한 방향을 보이는 경우도 있었다. 특히 새로운 콘셉트를 보여주고 구매 의향처럼 여러 조건을 종합해 판단하도록 했을 때 실제 소비자와 합성 소비자의 응답 경향이 비교적 비슷하게 나타나는 경우가 있었다고 한다.[5]

반면 현재의 실제 행동이나 구체적인 인식, 최신 시장상황을 정확하게 재현하는 데에는 한계가 나타났다. 이 차이를 보면 합성사용자를 어디에 활용해야 할지가 조금 더 명확해진다.

“어떤 문제가 있을 수 있는가?”, “무엇을 더 조사해야 하는가?”, “우리가 놓치고 있는 질문은 무엇인가?” 를 빠르게 찾는 데는 유용하다. 하지만 그중 무엇이 실제 사용자에게 가장 중요한지, 얼마나 많은 사람이 같은 문제를 겪고 있는지, 실제 행동으로도 나타나는지를 판단하려면 결국 실제 사람에게 돌아가야 한다.[6]

정답을 묻기보다 질문을 찾는 데 사용한다

이 관점에서 보면 합성사용자의 가장 흥미로운 용도는 조사를 대신하는 것보다 조사를 준비하는 것에 있다.

가령 새로운 서비스 콘셉트가 있다고 해보자. 기존 방식이라면 연구자가 먼저 가설을 세우고 조사문항을 만든 뒤 사용자를 모집한다. 그런데 연구자가 미처 생각하지 못한 문제가 있다면 질문 자체가 만들어지지 않는다. 합성사용자 수백 명에게 먼저 콘셉트를 보여주면 상황이 달라진다. 여러 합성사용자가 지적하는 불편과 우려를 모은다. 비슷한 문제를 묶는다. 새로운 가설을 만든다. 그리고 그중 검증해야 할 질문을 골라낸다. 그다음 실제 사용자를 만난다. 이렇게 하면 조사 과정은 다음과 같이 바뀐다.

합성사용자 탐색 → 문제 후보 발견 → 가설과 조사문항 정교화 → 실제 사용자 조사 → 중요도와 맥락 검증

최 상무는 이를 하이브리드 리서치의 한 방향으로 보고 있다. 합성 소비자를 먼저 활용해 조사 디자인과 가설을 정교화하고, 실제 소비자를 대상으로 다시 검증하는 순차적 방식이다.[6] 사용자를 AI로 바꾸는 것이 아니라 AI와 실제 사용자를 서로 다른 단계에 배치하는 것이다.

정책과 공공서비스에서도 같은 원리가 적용될 수 있다

이 접근은 제품개발뿐 아니라 정책이나 공공서비스에서도 생각해볼 수 있다. 새로운 정책 초안이나 서비스를 실제 시민에게 보여주기 전에 다양한 조건의 합성사용자에게 먼저 검토하게 할 수 있다.

고령자라면 어떤 부분이 어려울까. 육아 중인 맞벌이 가구라면 무엇이 문제일까. 지역에 따라 이용조건이 달라지지는 않을까. 정보를 이해하지 못할 가능성은 어디에 있을까…

짧은 시간 안에 많은 문제 후보를 찾는 데에는 도움이 될 수 있다. 그러나 합성사용자가 “이 문제가 가장 중요하다”고 답했다고 해서 정책 우선순위를 그대로 결정해서는 곤란하다.

최 상무도 큰 문제의 흐름을 발견하는 데에는 합성 소비자가 유용할 수 있지만, 무엇이 실제로 더 중요한지 판단하려면 실제 사람에게 검증해야 한다고 강조했다.[6]

공공서비스디자인에서는 이 구분이 더욱 중요하다. 정책의 대상인 시민은 조사 데이터의 원천이기 전에 그 결정의 영향을 실제로 받는 사람이기 때문이다. AI가 시민의 목소리를 대신하는 것이 아니라, 시민에게 무엇을 물어봐야 할지 더 잘 준비하는 데 사용하는 편이 합리적이다.

실제 사람을 닮은 ‘디지털 트윈 소비자’도 등장하고 있다

한편 합성사용자를 실제 인간에 더 가깝게 만들려는 시도도 시작되고 있다. 엔비디아의 페르소나가 주로 공개 통계를 기반으로 한국인의 분포를 합성한다면, 마크로밀엠브레인은 자사가 보유한 약 180만 명의 소비자 패널 데이터를 활용하는 다른 가능성을 연구하고 있다. 실제 패널의 프로파일과 행동·인식 데이터를 학습시켜 특정 실제 소비자의 특성을 보다 정교하게 반영한 ‘디지털 트윈 소비자’를 만들 수 있지 않을까 하는 것이다.

최 상무는 이를 현재 R&D 단계의 시도로 소개했으며, 아직 결과가 검증된 방법론은 아니다.[7] 하지만 방향은 흥미롭다. 오늘의 합성사용자가 ‘통계적으로 그럴듯한 사람’이라면 앞으로는 지속적으로 축적되는 실제 행동데이터를 바탕으로 특정 인간에 가까운 디지털 모델이 만들어질 가능성이 있기 때문이다. 그렇게 되면 사용자조사에서 AI와 인간의 경계는 지금보다 훨씬 더 복잡해질 것이다.

사용자를 없애는 기술이 아니라, 사용자를 만나는 순서를 바꾸는 기술

연재를 시작하며 던졌던 질문에 답해보자.

AI는 사용자를 대신할 수 있을까?

현재까지의 사례를 보면 일부 조사 과정은 대신할 수 있지만, 실제 사용자 자체를 대신한다고 보기는 어렵다. 합성사용자는 빠르다. 많은 가설을 만들고, 문제 후보를 찾고, 다양한 관점에서 콘셉트를 검토하는 데 유용하다. 하지만 실제 사람의 현재 행동, 새로운 문화와 유행, 상황에 따른 감정, 자신도 제대로 설명하지 못하는 망설임과 적응까지 재현하는 데에는 아직 큰 간극이 있다. 그래서 더 현실적인 방향은 대체가 아니라 역할 분담이다. AI로 넓게 탐색하고, 실제 사람에게 깊게 묻는다. AI로 문제를 발견하고, 사람으로 검증하는 것이다.

1편에서 살펴본 Real Human Data의 의미도 여기서 다시 드러난다. 합성 소비자가 더 정교해질수록 그것이 실제 인간을 얼마나 잘 재현하고 있는지를 판단할 기준이 필요하다. 실제 사람의 행동, 그 행동의 의미와 맥락을 담은 데이터가 없다면 합성된 인간이 얼마나 현실과 가까운지 검증하기 어렵다. 따라서 Real Human Data는 합성 소비자의 반대편에 있는 데이터가 아니다. 오히려 합성 소비자를 만들고, 학습시키고, 검증하기 위해 계속 참조해야 할 Ground Truth에 가깝다. 이렇게 보면 AI는 사용자조사를 없애는 기술이라기보다 사용자를 언제, 왜 만나야 하는지를 바꾸는 기술에 가깝다.

사용자를 읽는 방법이 바뀌고 있다

이번 연재에서 살펴본 변화는 세 단계로 정리할 수 있다.

1편에서는 사용자에게 묻는 조사에서 행동을 읽는 조사로 이동하는 변화를 살펴봤다. 설문과 인터뷰에 구매기록, 화면, 영상 같은 행동데이터가 더해지고 있었다.

2편에서는 AI가 많은 행동을 분석하면서 말과 행동 사이의 차이, 사용자가 스스로 명확히 인식하지 못한 문제까지 찾을 가능성을 살펴봤다.

3편에서는 한 걸음 더 나아가 실제 사용자를 만나기 전에 합성사용자와 먼저 대화하는 조사가 등장하고 있음을 확인했다.

변하지 않는 것도 있다. 사용자를 이해한다는 것은 데이터를 많이 모으는 것만을 의미하지 않는다. 무엇을 했는지 보고, 왜 그렇게 했는지 묻고, 그 행동이 일어난 맥락을 이해하는 일이다. AI는 그 과정을 훨씬 빠르고 넓게 확장하고 있다. 그러나 마지막에 남는 질문은 여전히 인간에게 있다. 이것이 실제 사람에게도 정말 중요한 문제인가? 사용자를 읽는 방법은 바뀌고 있지만, 사용자조사의 기준점은 아직 사람이다.

최승환

㈜마크로밀엠브레인 상무이사. 약 25년간 신제품 개발(NCD), UX·UI, 디자인 리서치, 정성조사와 에스노그래피 분야에서 활동해온 UX 리서치 전문가다.
삼성전자 Account Manager로 다양한 신제품 및 UX 리서치 프로젝트를 수행해왔다.
홍익대학교 산업디자인학 석사. 

2026년 4월 산업단지정책해커톤에 서비스디자이너·퍼실리테이터로 참여했으며, 그가 참여한 ‘붕어빵’ 팀의 ‘온통(On-通)이음 정류장’이 최고상인 산업통상부장관상을 수상했다.

주석

[1] NVIDIA, Nemotron Personas (ko_KR), NVIDIA NGC, 2026. 한국형 데이터셋은 KOSIS, 대법원, 국민건강보험공단, 한국농촌경제연구원 등의 통계를 활용해 실제 한국의 인구학적·지리적 분포를 반영하도록 합성되었다. 공식 페이지의 ‘Dataset Quantification’은 100만 레코드에 총 700만 개의 persona descriptions라고 설명하지만, 같은 페이지의 ‘Dataset Details’에는 1,000만 personas라고 표기되어 수량 표현에 차이가 있다. 또한 공개 데이터의 시의성·가용성과 변수 간 독립성 가정을 데이터셋의 한계로 밝히고 있다.

[2] 최승환, 한국디자인진흥원 발표, 2026.9.16. 합성 소비자를 대상으로 설문, 인터뷰, 사용성 평가 등의 시도가 확대되고 있으며, 새로운 콘셉트의 문제점 탐색과 사전 가설 설정에 활용할 수 있다고 설명했다.

[3] 같은 발표. 실제 패널과 합성 소비자의 비스킷 관련 응답을 비교했을 때 상당한 차이가 나타났으며, 발표자는 AI가 학습한 정보와 현재 시장 사이의 시간차 및 오래된 브랜드 정보의 누적을 원인 가운데 하나로 해석했다. 자동 녹취에서 일부 제품명이 불명확해 본문에서는 구체적인 브랜드명을 생략했다.

[4] 같은 발표. 저당 제품 구매 시 실제 소비자는 브랜드를 주요 고려요소 가운데 하나로 응답했지만 합성 소비자에서는 브랜드가 잘 나타나지 않았으며, 발표자는 비교적 최근 형성된 제품군에 대한 학습정보 부족 가능성을 제시했다.

[5] 같은 발표. 마크로밀엠브레인의 내부 비교에서는 콘셉트 구매 의향과 같은 일부 항목에서 실제 소비자와 합성 소비자의 응답이 비슷한 방향성을 보였다고 소개했다. 다만 발표 당시 비교 표본 수를 발표자가 정확하게 확인하지 못했으므로, 이를 합성 소비자 전반의 정확도를 입증하는 결과로 일반화해서는 안 된다.

[6] 같은 발표 및 질의응답. 합성 소비자를 먼저 활용해 문제와 가설을 탐색하고 실제 소비자에게 중요도와 우선순위를 검증하는 하이브리드 조사 방식을 설명하면서 “발견과 검증은 좀 차이가 있다”고 강조했다.

[7] 같은 발표. 마크로밀엠브레인은 약 180만 명의 소비자 패널 프로파일을 활용해 합성 소비자의 정확도를 높이는 ‘디지털 트윈 소비자’ 접근을 R&D 차원에서 연구하고 있다고 설명했다. 아직 연구 중인 접근으로, 성과가 검증된 방법론으로 소개된 것은 아니다.

-----

사용자를 읽는 방법이 바뀌고 있다 — 데이터와 AI로 확장되는 UX 리서치

최승환 마크로밀엠브레인 상무이사

1편 사용자에게 묻는 시대에서, 행동을 읽는 시대로 - 설문과 인터뷰를 넘어 구매기록, 화면, 영상에서 실제 사용자를 이해하는 방법

2편 AI는 우리가 보지 못했던 사용자를 발견할 수 있을까 - 행동과 인식의 차이에서 잠재 니즈를 찾아내는 새로운 사용자조사

3편 AI는 사용자를 대신할 수 있을까 - 합성 소비자의 가능성과 한계, 그리고 AI로 발견하고 사람으로 검증하는 리서치

발표자료