오픈서베이는 합성패널을 어떻게 만들었을까?

요즘 AI가 소비자 대신 설문에 답해준다는 이야기, 한 번쯤 들어보셨을 겁니다. 해외에서는 이미 합성 응답자(synthetic respondent), 합성패널이라는 이름으로 여러 서비스가 나와 있고, 학계에서도 LLM으로 여론조사를 시뮬레이션하는 연구가 활발합니다.

그런데 '합성패널'이라는 같은 단어로 불러도 어떻게 만들었는가에 따라 결과물의 성격은 완전히 달라집니다. 이 글에서는 시장의 일반적인 방식과 오픈서베이의 방식을 나란히 놓고, 오픈서베이 팀이 왜 지금의 방식을 선택했는지를 설명드리려 합니다.

시장의 방식들: 그럴듯한 가상 인물에서 출발하기

현재 시장에서 가장 널리 쓰이는 방식은 이렇습니다.

LLM에게 "당신은 30대 초반의 서울 거주 직장인 여성이고, 건강에 관심이 많습니다"처럼 인구통계와 몇 가지 성향 정보를 프롬프트로 부여합니다. 그리고 그 가상 인물에게 컨셉을 보여주고 반응을 묻습니다. 학계에서는 이를 '실리콘 샘플링(silicon sampling)'이라 부르기도 합니다. 빠르고 저렴하고, 어떤 주제든 즉시 물어볼 수 있다는 장점이 분명한 방식입니다.

물론 시장도 이 방식의 한계를 알고 있습니다. 그래서 최근에는 실제 설문 데이터나 고객사가 보유한 데이터를 결합해, 가상 인물에게 근거를 더하려는 시도들이 이어지고 있습니다. 분명한 진전입니다. 다만 이때 결합되는 데이터의 형태를 들여다보면, 대부분 "30대 건강 지향 소비자 집단은 이런 경향을 보인다"처럼 집단 단위로 요약된 정보를 프롬프트에 얹는 방식에 가깝습니다.

그래서 프롬프트만 쓰든, 집단 요약 데이터를 더하든, 질문이 생깁니다.

이 가상 인물은, 대체 '누구'일까요?

프롬프트 속 "30대 서울 거주 직장인 여성"에 대해 LLM이 아는 것은 인터넷이 학습시킨 그 집단의 평균적 통념입니다. 여기에 집단 요약 데이터를 더한다면 통념은 실제 데이터의 평균으로 교정될 뿐 여전히 평균이라는 사실은 달라지지 않습니다. 건강을 중요하게 말하면서도 실제로는 마라탕과 도넛을 즐기는, 실제 소비자의 복잡함은 평균 속에서 지워집니다.

또한, 개인들의 데이터는 합쳐서 평균을 낼 수 있지만, 평균으로 빚어낸 인물을 다시 개인으로 분해할 수는 없습니다. 평균에서 출발한 가상 인물 100명을 만들어도, 그것은 100개의 개인이 아니라 같은 평균의 100가지 변주일 뿐입니다.

오픈서베이의 방식: 지어내지 않고, 묘사합니다

오픈서베이는 문제를 다르게 정의했습니다. 그럴듯한 가상 인물을 만들어내는 문제가 아니라, 실존하는 응답자 한 명 한 명을 정확히 묘사하는 문제로요.

오픈서베이의 합성패널은 실제 응답자 한 명 한 명의 데이터에 기반해, 그 사람에 대응하도록 구성된 AI 가상 응답자입니다. 이 정의의 차이가 결정적인 이유는, 닮아야 할 대상이 실재하기 때문입니다. 평균으로 빚어낸 인물에게는 그럴듯한가,까지를 물을 수 있지만, 실제 사람에서 출발한 합성패널은 '그 사람과 얼마나 닮았는가'를 물으며 만들어지고 다듬어집니다. 실제로 오픈서베이의 합성패널은 만들 때 사용하지 않은 실제 응답 문항을 따로 남겨두고, 그 답을 얼마나 재현하는지 확인하는 과정을 거칩니다.

그리고 이 접근이 가능했던 배경에는 오픈서베이만의 데이터 자산이 있습니다.

① 재료의 차이, 말(설문)과 행동(푸드다이어리)을 함께

오픈서베이는 수년간 푸드다이어리로 소비자가 실제로 무엇을, 언제, 어떻게 먹었는지를 기록해 왔습니다. 여기에 같은 응답자의 프로필과 식품·구매 태도 설문이 더해집니다.

이 조합이 중요한 이유는, 의도치 않게 소비자의 말과 행동은 자주 다르기 때문입니다.

실제 사례를 하나 보여드리겠습니다. 설문에서 건강을 중요시한다고 답한 30대 후반 남성 응답자가 있습니다. 태도 설문만 보면 전형적인 '건강 지향형' 소비자로 분류될 사람입니다. 그런데 이분의 푸드다이어리를 열어보면, 현미밥과 프로틴바 옆에 불닭볶음면, 도넛, 햄버거가 공존합니다.

오픈서베이의 합성패널은 이 말과 행동의 괴리까지 담아냅니다. 이 응답자에게서 생성된 페르소나에는 "건강을 의식하되 절제는 하지 않는" 모순이 그대로 남고, 그래서 "이 사람에겐 절제를 요구하는 메시지보다 죄책감을 덜어주는 메시지가 유효할 것"이라는 결이 살아 있는 해석이 가능해집니다. 인구통계 프롬프트만으로 지어낸 가상 인물에서는 나오기 어려운 입체성입니다.

이 모든 과정에서 이름·연락처 같은 개인 식별 정보는 사용되지 않고, 페르소나에도 특정 개인을 알아볼 수 있는 정보는 담기지 않습니다. 합성패널의 페르소나는 특정 개인의 복제가 아니라, 한 실제 응답자가 보여준 식습관 패턴에 대한 묘사입니다.

② 만드는 방식의 차이, 핵심 설계 원칙

① 통계 모델과 LLM이 역할을 나눕니다. 사실 처음부터 이 구조였던 것은 아닙니다. LLM에게만 맡겨도 봤고, 반대로 통계 모델만으로 직접 예측도 해봤습니다. LLM에게만 맡기면 앞서 말한 평균적 통념으로 되돌아갔고, 통계 모델만으로는 정확한 숫자는 얻어도 대화할 수 있는 '사람'은 얻을 수 없었습니다. 각각의 실패가 지금 구조의 근거가 되었습니다. 통계 모델이 '이 사람의 응답을 실제로 움직이는 신호'만 정량적으로 골라내고, LLM이 그 신호를 모순과 호불호가 살아 있는 '사람'으로 통합합니다. 응답자의 데이터로 거대한 모델을 새로 훈련시키는 것이 아니라, 검증된 신호를 재료로 한 사람 한 사람의 페르소나를 짓는 방식입니다.

② 응답자 개개인 단위로 만듭니다. 세그먼트의 평균적 대표가 아니라, 응답자 한 명 한 명에 대응하는 페르소나를 만듭니다. 그래야 전체 평균만이 아니라 성별·연령 등 세부 집단별 반응까지 들여다보는 분석이 가능해집니다.

예를 들어 '동물 복지 계란 샌드위치'라는 컨셉이 있다고 해보겠습니다. 같은 컨셉에 긍정적으로 답한 두 사람도, 한 사람은 '동물 복지'라는 가치에, 다른 한 사람은 '간편하게 먹을 수 있다'는 점에 반응했을 수 있습니다. 세그먼트 평균으로 접근하면 이렇게 서로 다른 이유는 하나의 숫자로 뭉뚱그려지지만, 응답자 단위로 접근하면 개개인이 왜 그렇게 판단했는지까지 들여다볼 수 있습니다. 그리고 그 '이유'가 곧 컨셉을 어떻게 발전시킬지에 대한 힌트가 됩니다.

한눈에 비교하는 시장과 오픈서베이 합성패널 차이

오픈서베이 합성패널, 어디까지 만들었고, 무엇을 조심해야 할까

솔직하게 말씀드리면, 합성패널이 모든 설문에 곧바로 답할 수 있는 것은 아닙니다. 원리상 어떤 설문에든 답할 수 있는 구조지만 모든 것을 한 번에 잘하기는 어렵습니다. 그래서 우리는 잘할 수 있고 가치가 분명한 문제부터 시작했습니다. 바로 식음료 도메인의 신제품 아이디어 선호도 테스트(스크리닝)입니다.

식음료를 첫 도메인으로 고른 이유는 두 가지입니다. 아이디어를 충분히 많이 만들고 유망한 것을 고르는 일이 식품사의 명확한 병목이라는 점, 그리고 푸드다이어리라는 행동 데이터 자산이 이를 뒷받침한다는 점입니다. 이 도메인에서 방법론을 검증한 뒤 다른 카테고리로 확장해 나갈 계획입니다.

분명히 해두고 싶은 것도 있습니다. 합성패널은 휴먼 패널과 다른 문제를 풉니다. 실제 소비자에게 물어야 할 질문은 여전히 실제 소비자에게 물어야 하고, 합성패널은 그 앞 단계, 그러니까 무엇을 물어볼지 추리고 거르는 단계의 의사결정을 빠르게 만드는 도구입니다.

이렇게 써보실 수 있습니다

오픈서베이의 합성소비자는 두 가지 형태로 만나보실 수 있습니다. 지금은 데이터스페이스(DS)의 AI 기능 흐름 안에서 합성 페르소나와 대화하며 소비자 이해를 넓혀보실 수 있고, 신제품 아이디어를 생성하고 합성패널로 선호도를 스크리닝하는 컨셉 스튜디오가 있습니다. 컨셉 스튜디오에서 합성 패널은 수백 개의 후보 아이디어 중 무엇을 컨셉으로 만들어 진짜 소비자에게 검증할지를 시뮬레이션 하는 역할을 맡고 있습니다.