합성 사용자(Synthetic User)를 보는 세 가지 기준

합성 사용자(Synthetic User)를 보는 세 가지 기준 - Anchor

2026. 9. 7. 02:39ㆍAI 이야기
Seungyoon Lee

합성 사용자(Synthetic User)를 보는 세 가지 기준
1. Overview [바로가기]
2. Anchor
3. Align [바로가기]
4. Act [바로가기]

Anchor

AI가 생성한 사용자의 많은 특성은 실제 고객에게서 관찰된 것이 아니라 모델이 이미 학습한 사람에 대한 일반적인 패턴에서 채워집니다. ‘30대 직장 여성’이라는 조건만 있어도 AI는 수많은 다양한 합성 사용자를 생성할 수 있습니다. 우리가 입력하지 않은 정보가 자연스럽게 채워지면 어느 순간 이 모든 것들이 근거 있는 실제 데이터처럼 느껴집니다. 그래서 합성 사용자를 볼 때 다음 질문을 합니다.

이 사용자는 실제 무엇에 근거하고 있는가? (What is this synthetic user anchored in?)

사용자의 실제 데이터에 닻을 내린다는 의미로, Anchor라고 부르려고 합니다.

Anchor가 닿는 위치

모든 합성 사용자가 동일한 수준의 근거를 가지고 만들어지는 것은 아닙니다. 얼마나 현실의 데이터에 깊게 닿아 있는지에 대한 스펙트럼이 존재합니다.

가정 기반 (Assumption)

일단 프롬프트만으로 만들어진 합성 사용자가 있습니다. 우리가 성별, 나이, 목적 정도의 정보를 프롬프트로 입력하면 나머지는 AI가 채우는 방식입니다.

예를 들어, “40대 일본 남성, EV 구매를 고민 중, 새로운 충전 환경 구축 프로젝트에 필요”라고 정의하면 AI는 그에 맞는 관심사, 걱정, 구매 기준 등을 척척 생성해 냅니다. (아래 더보기에서는 ChatGPT가 바로 생성한 합성 사용자 프로필을 볼 수 있습니다.)

합성 사용자 타카시 사토

이름: Takashi Sato / 佐藤隆志
나이: 46세
거주지: 일본 요코하마시
직업: 중견 제조기업 영업기획 매니저
가족: 아내, 고등학생 자녀 1명
주거: 약 12년 된 분양 맨션, 지하 공용주차장 이용
차량: 7년 된 하이브리드 SUV 보유
연간 주행거리: 약 10,000–12,000km
평일 출퇴근은 전철 중심, 자동차는 주말·가족 이동·장보기·여행에 주로 사용

현재 상황
다음 차량으로 EV를 진지하게 검토하고 있다. 자동차 자체에 대해서는 긍정적이다. 정숙성, 유지비, 최신 기술, 집에서 충전할 수 있다는 점에 매력을 느낀다. 하지만 현재 거주하는 맨션에는 자신의 주차구역에 개인 충전기가 없으며, 향후 충전기가 설치되더라도 “실제로 내가 필요할 때 사용할 수 있을까?”에 대한 확신이 없다. 그에게 EV 구매의 가장 큰 문제는 차량 가격보다 오히려 충전 환경의 불확실성이다.

EV에 대한 태도
“EV 자체는 이제 충분히 괜찮다고 생각해요. 문제는 차가 아니라, 충전을 얼마나 신경 쓰면서 살아야 하느냐인 것 같아요.”
신기술을 좋아하지만 얼리어답터는 아니다. 기술적으로 새롭다는 이유만으로 구매하지 않고, 이미 충분히 안정적으로 작동한다는 확신이 생긴 뒤 구매하는 편이다.

충전과 관련한 핵심 니즈

충전을 별도의 일로 만들고 싶지 않다.
귀가해서 주차하면 자연스럽게 충전되고, 다음에 차를 사용할 때 필요한 만큼 충전되어 있기를 원한다.
충전 가능 여부를 미리 알고 싶다.
집에 도착한 뒤 “충전기가 다 사용 중”이라는 사실을 발견하는 상황을 싫어한다. 필요하다면 예약이나 자동 배정 기능을 선호한다.
매번 완충할 필요는 없다.
자신의 다음 이동 일정에 필요한 만큼만 충전되어 있으면 된다고 생각한다.
충전 비용을 통제하고 싶다.
심야 전력이나 저렴한 시간대를 자동으로 활용해 전기요금을 최소화해 주기를 기대한다.
문제가 생겼을 때 자신이 해결하고 싶지 않다.
충전기 고장, 결제 오류, 다른 차량의 장시간 점유 같은 문제를 관리사무소나 시스템이 알아서 처리해 주기를 원한다.

Typical Scenario
금요일 오후, 회사에서 집으로 돌아가는 전철 안에서 주말 가족 일정이 확정된다.
토요일 오전에는 자녀를 학원에 데려다주고, 오후에는 쇼핑몰, 일요일에는 가족과 약 150km 떨어진 곳으로 당일 여행을 갈 예정이다.
Takashi는 차량 앱을 확인한다.
현재 배터리는 38%.
시스템은 그의 캘린더와 평소 이동 패턴을 기반으로 다음 날 오전까지 약 80% 충전이 필요하다고 판단한다. 하지만 현재 맨션 충전기는 다른 차량들이 사용 중이다.

Takashi가 원하는 경험은:
“충전기를 찾아서 예약하고 충전 시간을 계산하는 것”이 아니라
“일요일 여행을 위해 필요한 충전이 준비되어 있습니다.”
라는 결과만 확인하는 것이다.
시스템이 알아서 충전 가능한 시간을 찾아 배정하고, 전력 사용량이 낮은 새벽 시간에 충전을 시작해 비용까지 최적화해 주기를 기대한다.

Pain Points
현재 내연기관 차량

주유소 방문은 귀찮지만 5분이면 끝난다는 확신이 있음
장거리 여행에서도 어디서 주유할지 크게 고민하지 않음

EV로 바꿀 경우 예상되는 불안

맨션 충전기를 다른 주민과 공유해야 하는 문제
충전기 설치 후 이용자가 늘어났을 때의 대기
다른 사람이 충전 후 차량을 이동하지 않는 상황
충전기 고장 여부를 출발 직전에 알게 되는 상황
급하게 차량을 사용해야 할 때 충전량 부족
여러 충전 사업자별 앱과 결제 방식
“오늘 밤 충전해야 하나?”를 계속 판단해야 하는 정신적 부담

그가 가장 피하고 싶은 것은 Range Anxiety보다 Charging Management Anxiety에 가깝다.

Decision Criteria for Buying an EV
Takashi가 EV 구매를 결정하려면 다음 질문에 모두 어느 정도 확신이 필요하다.
“집에 돌아오면 충전할 수 있는가?” → 충전기 숫자보다 충전 접근성의 예측 가능성
“내가 충전에 대해 계속 생각해야 하는가?” → 가능하면 자동화
“여러 사람이 사용해도 공정하게 운영되는가?” → 예약·우선순위·사용시간 관리
“전기요금이 예상 가능한가?” → 비용 가시성과 자동 최적화
“갑자기 차가 필요해도 괜찮은가?” → 최소 필요 배터리 확보 또는 긴급 충전

아이데이션 단계에서는 가정 기반 합성 사용자의 의견도 충분히 유용합니다. 새로운 관점이 필요하거나 아이디어를 생성하기 위한 목적이라면 반드시 실제 사람과 꼭 같은 합성 사용자의 의견까지는 필요 없을 것입니다. 저도 얼마 전 끝난 스마트홈 프로젝트에서 생성형 AI로 간단히 만든 합성 사용자를 생성하여 새로운 아이데이션을 평가하여 큰 도움을 받은 적이 있습니다.

스마트 홈 관련 아이데이션에서 퍼소나가 평가하고 의견을 제시하는 과정을 통해 프로젝트 팀의 아이디어를 확장하고 새로운 관점을 얻을 수 있었습니다.

인구 통계 기반 (Population-anchored)

다음 단계는 특정 인구집단의 구조와 분포를 반영하는 것입니다.

인구 센서스, 인구통계, 서베이, 시장 조사 데이터 등을 특정 인구 집단 안에 어떤 특성을 가진 사람들이 얼마나 존재하는지를 근거로 하여 사용자를 만들어 냅니다. 예를 들어 NVIDIA의 Nemotron-Personas-Korea처럼 한국의 인구, 지역, 사회적 분포를 반영해 대규모 합성 퍼소나를 생성한 사례가 있습니다.

실제 인구 통계 정보를 기반하여 합성 사용자를 만들었지만, 고객/사용자의 세세한 취향, 태도, 지식을 반영하고 있지는 않습니다. 예를 들어 일본 EV 잠재 구매자를 실제 인구 통계에 맞춰 구성했다고 해도,’늘 붐비는 공용 충전기’에 대해 어떤 의견을 가지고 있는지에 대해서는 명확한 의견을 가지고 있다고 하기 어렵습니다. 물론 AI는 상당 부분 필요한 의견을 생성해 낼 수 있기는 합니다.

그래서 이 인구 분포에 있는 사용자들의 구체적인 특성을 드러내기 위해서 좀 더 사용자의 실제 정보를 바탕으로 합성 퍼소나를 생성해야 할 필요성을 느끼게 됩니다.

고객 데이터 기반 (Customer-anchored)

일반적인 인구집단의 특성만 반영하는 것이 아니라, 실제 사용자나 고객이 과거에 무엇을 말하고 어떻게 반응했는지, 직접 관찰된 사용자 데이터를 활용할 수도 있습니다.

예를 들면 다음과 같은 실제 고객의 데이터를 활용합니다. 인터뷰 스크립트, 서베이 응답, 고객의 소리, NPS 등의 코멘트, 기존에 만들었던 퍼소나 등 말입니다.

제품을 직접 운영하는 기업이라면 실제 고객의 인터뷰, CRM, 고객센터 기록, 제품 사용 데이터 등을 활용할 수 있고, 반대로 자체 제품을 보유하지 않은 리서치 회사라면, 실제 패널이 여러 조사에서 남긴 반복 응답과 행동 데이터를 축적하여 이를 근거로 합성 사용자를 만들 수도 있습니다.

예를 들어, 리서치 준비부터 AI 퍼소나로 UX 검증까지 리서치를 돕는 ReOpsAI는 pxd가 다년간 금융 프로젝트를 수행하며 만난 사용자의 생생한 목소리를 근거로 만든 퍼소나를 제공합니다.

Synthetic Users는 고객사가 보유한 인터뷰, 고객 상담 기록 등의 고유 데이터를 합성 사용자가 참고하도록 연결합니다. 또한 센서스와 사회조사 등 인구집단 데이터도 합성 사용자의 근거로 활용한다고 설명합니다.

가령 자체 패널을 장기간 운영하는 회사의 5,000명의 패널에 대해 EV 구매 의향, 가격 민감도, 충전 불안, 주거 형태, 보유 차량, 브랜드 선호, 실제 구매 여부 등이 축적되어 있다면, 합성 사용자는 단순히 “40대 남성은 아마 이렇게 생각할 것이다”라고 가정하기보다 실제로 비슷한 특성을 가진 사람들이 과거에 어떻게 응답했는지를 바탕으로 새로운 응답을 생성하게 됩니다.

이렇게 만들어진 합성 사용자는 인터넷에 존재하는 평균적인 소비자를 흉내 내는 대신 우리 조직이 실제로 관찰해 온 사용자의 의견과 행동을 바탕으로 새로운 질문에 대답하게 됩니다.

합성 사용자는 이제 조직이 축적해 온 고객에 대한 지식을 미래 지향적인 모델로 바꿀 수 있다는 것입니다. 예를 들어 지난 수백 건의 인터뷰, 서베이, FGI, 사용성 평가의 결과가 축적되어 있다면 이제 아카이브에서 꺼내 살아 숨 쉬는 사람으로 만들어 낼 수 있습니다.

고객 행태 기반 (Behavior-anchored)

인터뷰와 서베이에는 사용자가 ‘말한’ 것이 들어 있습니다. 그런데 ‘말한 것’만으로 충분할까요?

UX 리서처가 사람을 직접 관찰하는 이유는 사람들이 자신이 하는 행동을 항상 정확하게 설명하지 못하기 때문입니다. 예를 들어, 사용자는 “저는 EV를 구매할 때 충전 가능 시간”이 제일 중요해요”라고 이야기할 수 있지만 실제로는 디자인을 보고 구매할 수도 있으니까요.

“서술”에서 “행동”으로 Anchor를 확장시키는 것이 필요합니다.

이 단계에서는 클릭 스트림, 내비게이션, 스크롤, 검색, 구매 이력, 태스크 실패로 백하기, 이탈, 에러 등 실제 사용자의 행동 데이터가 필요합니다.

이 데이터는 “사용자가 무엇을 중요하게 생각한다고 말하는가”보다 특정 상황에서 실제로 무엇을 했는가를 보여줍니다. 우리가 원하는 것은 인터뷰에 그럴듯하게 답하는 사용자가 아니라 이 화면에서 무엇을 먼저 보고, 어떤 옵션을 선택하고, 무엇을 놓치고, 어디에서 멈추고, 어떤 실수를 하고, 언제 포기하는지를 재현하는 사용자이기 때문입니다.

업데이트 기반 (Living Evidence)

사람은 변합니다. 시장도 변하고, 제품도 변하고, 기술도 변합니다. 2년 전 사용자가 AI 기능을 받아들이던 방식과 지금 사용자가 받아들이는 방식이 다를 수 있습니다.

실제 데이터를 바탕으로 합성 사용자를 만들었다고 해서 그 합성 사용자가 계속 현실을 반영한다고 볼 수는 없습니다. 그래서 Anchor의 가장 오른쪽에는 지속적인 업데이트로 근거를 생생하게 만드는 업데이트 기반의 합성 사용자가 있습니다. 실제 사용자 변화와 함께 변화하는 모델인 것입니다.

예를 들어 Cresta의 합성 사용자는 기업의 실제 고객 상담 데이터를 바탕으로 고객의 행동 패턴을 모델링하고, 이를 “진화하는 고객 퍼소나 (evolving customer personas)”로 설명합니다. 고객이 실제 상담에서 어떤 언어를 사용하고, 어떤 상황에서 불만을 제기하거나 재확인하고, 어떻게 반응하는지를 지속적으로 반영함으로써 고객 모델을 최신 상태로 유지하려는 접근입니다.