리서처는 AI를 어떻게 받아들이고 활용할까?

데이터스페이스(Dataspace)가 AI 에이전트 기반으로 개편되었습니다. 리서치를 잘 아는 AI를 만드는 건 기술만의 문제는 아니었습니다. 오픈서베이가 2011년부터 쌓아온 리서치 전문가들의 노하우가 있었기에 가능한 일이었죠. 오픈서베이의 리서치 전문가들이 데이터스페이스 AI가 더 좋은 답변을 하도록 만드는 과정에 함께 했고, 론치 이후에는 업무에 적극적으로 활용하고 있습니다. 여전히 시장에는 ‘AI가 리서처를 대체하지 않을까?’라는 질문이 오가지만, 이미 리서치 업무에 AI를 활발하게 활용하는 오픈서베이의 리서치 전문가들 사이에서는 조금 다른 분위기가 펼쳐지고 있습니다.

19년차 리서처 산체스(임성준)와 13년차 리서처 쥰(김희연)을 만나 이야기를 들어봤습니다.

Part 1. AI 시대의 리서처가 일하는 방식

데이터스페이스 AI를 론치하고 알리면서 두 분을 모시게 되었어요. 간단하게 자기소개 부탁드려요.

산체스: 안녕하세요. 19년차 리서처 산체스입니다. 고객의 비즈니스 문제를 리서치 질문으로 전환하고, 실행 가능한 인사이트를 얻도록 지원하는 일을 합니다. 사업 그룹에서 리서치 프로세스 중 병목이 생긴 케이스가 있다면 이를 해소해주기도 하고, 팀이 일을 더 잘할 수 있도록 도와드리고 있어요.

쥰: 안녕하세요. 쥰입니다. 제가 리서치 업무를 맡은 지는 13년 정도 되었어요. 그간 많은 고객사들의 리서치 프로젝트를 진행했는데, 현재는 오픈서베이와 장기적으로 관계를 맺고 있는 기업들을 주로 만나고 있어요.

시니어 리서처의 업무가 궁금합니다. 일과를 간단히 소개해주실 수 있을까요?

쥰: 출근 후엔 고객사 커뮤니케이션을 위해 메일을 먼저 확인하고, 우선순위에 따라 직접 설문을 설계하거나 데이터를 분석하는 등 필요한 업무를 합니다. 그 외에는 대내외 미팅이 많은데 고객 미팅은 크게 두 가지예요. 리서치 프로젝트를 논의하는 자리와 데이터스페이스 구독 고객이 플랫폼을 더 잘 쓸 수 있게 지원하는 자리에 참석해요. 내부적으로는 세일즈나 제품 관련 미팅들인데 주로 제가 파악한 고객의 니즈를 데이터스페이스로 어떻게 해소할지 고민하고 해결 방안을 논의해요.

오픈서베이는 직무와 상관없이 AI를 적극적으로 활용하는 문화인데, 리서처인 두 분은 실제 업무에 AI를 어떻게 활용하고 계신가요?

쥰: 업무 전반에서 적극적으로 활용하고 있어요. 리서치 프로세스로 좀 더 구체적으로 설명 드리면, 설문 설계는 제가 처음부터 직접 하지만, 문항 워딩이나 보기 구성 같은 세부 작업에서 AI 도움을 받는 편이에요. 수집된 데이터를 클리닝할 땐 데이터스페이스 AI 기능을 적극적으로 활용하고요. 분석할 때에는 AI 답변을 참고해 데이터 전반을 파악하고, 교차 분석이나 보고서 정리처럼 손이 많이 가는 부분에서도 많이 씁니다.

산체스: 쥰은 비교적 빠르게 기술을 받아들인 편인데 저는 사실 초반엔 잘 쓰지 않았어요. AI가 준 산출물에 오류가 많았거든요. 그러다 모델 성능이 크게 발전한 이후로는 AI 없이 업무하기 어려울 정도로 잘 쓰고 있습니다. 리서치 프로젝트에 대해선 쥰과 비슷한 방식으로 쓰고 있고, 이밖에도 제 업무 특성상 AM들에게 어드바이스를 드리는 일이 많아 그때도 잘 활용해요. 고객 고민이 설문에 잘 반영되었는지 검토할 때, 예전엔 직접 하나하나 봐야 하니 복잡한 설문은 반나절 이상 걸리기도 했어요. 이제는 AI를 통해 문항 구조를 1차 분류해 파악한 후 검토를 시작하니 훨씬 빠르게 처리할 수 있어요.

AI 덕에 리서치 업무 효율이 많이 높아지겠네요. 그럼에도 불구하고 AI에게 절대 맡기지 않는 일도 있나요?

쥰: 고객사에 어떤 조사를 제안할지 결정하는 단계에서는 AI를 전혀 쓰지 않아요. 단순히 조사 주제만 고려해서 프로젝트 방향을 제안하는 게 아니라 고객사의 비즈니스 상황이나 내부 의사결정 방식, 회사 내 조직의 역할, 견적 등을 모두 고려해서 제안을 하거든요. 예를 들어 RFP만 보면 정성 조사가 필요하지만, 고객사 조직 특성상 정성 조사를 진행하기 어려운 경우도 있어요. 그런 맥락을 AI에게 일일이 설명하는 것보다 제가 아는 배경으로 바로 판단하는 게 훨씬 빠르고 정확해요. 이 단계는 사람만 할 수 있는 영역이라고 생각합니다.

특정 영역을 제외하면 AI 활용에 강점이 많다보니, 한편으론 리서처 직무에 대한 고민도 하실 것 같아요.

쥰: 저는 AI를 쓰기 전에 한 발 앞서 리서처라는 직업에 대해 고민하고 어느 정도 결론을 지었어요. 데이터스페이스의 전신인 피드백(Feedback.io)이 출시되던 무렵에 고민을 시작했어요. 기업에서 직접 리서치를 할 수 있는 제품을 개발한 거니까, 저 같은 기업 밖에 있는 리서처는 앞으로 어떻게 해야 할까 하는 생각이 들더라고요.

그런데 제품 출시 후 운영하면서 두 가지를 깨달았고 고민이 정리됐어요. 첫 번째는 제품이 있더라도 전문가가 꼭 필요한 영역은 분명히 있다는 것이에요. 직접 데이터를 다뤄본 기업은 데이터를 더 많이 활용하게 되고, 나아가 더 복잡한 리서치까지 시도하게 된다는 점이에요. 리서처가 필요한 지점이 다시 생기는 거죠. 두 번째는 제품이 고도화되고 완성도가 높아지려면 전문가의 인풋이 계속 필요하다는 점이에요. AI도 양질의 데이터와 지식을 계속 학습시켜야 하잖아요. 결론은 리서치의 허들이 낮아지더라도 전문가는 전문가로서 쓰임이 있다는 생각을 하게 됐고, AI도 비슷한 맥락이라고 느껴져서 큰 걱정 없이 자연스럽게 받아들였어요.

산체스: 저는 조금 달랐어요. 분석 과정을 돕던 오픈애널리틱스(현재 데이터스페이스의 분석 기능으로 흡수)나 피드백을 쓰면서는 ‘좋다, 혁신적이다’ 라고만 생각했거든요. 그런데 데이터스페이스를 AI 에이전트 기반으로 개편하고 리서치 노하우를 내재화하는 걸 가까이에서 보면서, 시니어 리서처로서의 역할을 더 진지하게 고민하게 됐어요.

솔직히 그 고민이 완전히 끝난 건 아직 아닙니다. 다만 AI와 일하는 게 익숙해지니 이제는 AI에게 시킬 것과 시니어 리서처인 제가 할 것을 명확하게 분류하게 됐고, AI가 아무리 일을 잘 해도 결국 판단은 사람이 해야 한다는 걸 느껴요. ‘좋은 산출물인가’를 알아보는 안목이 그 어느 때보다 중요해졌고, 이건 경험에서 나오잖아요. 이런 부분이 앞서 쥰이 이야기한 ‘리서처가 필요한 지점’ 중 하나일 것 같아요.

Part 2. 나의 노하우가 녹아든 AI를 직접 쓴다는 것

데이터스페이스 AI에는 오픈서베이가 축적해온 리서치 암묵지와 노하우가 지식 베이스로 학습되어 있는데요. 내 전문성이 제품에 녹아드는 과정을 직접 함께하시며 어떤 감회가 드셨나요?

산체스: 다른 조직에 있을 때부터 제 경험을 나누는 시도는 꾸준히 해왔습니다. 예전엔 사람에게 전파했다면 이제 대상이 AI죠. 사내에서 베스트 프랙티스를 공유하는 세미나를 열거나 매뉴얼을 공유하는 일련의 활동들이 결국 노하우를 전파하는 일이잖아요. 그런데 이런 노력은 일회성이고 휘발된다고 느껴졌어요. 1:1 과외처럼 알려주거나 프로젝트를 함께 하는 게 아니라면, 다수에게 체화시키는 건 사실상 불가능하더라고요.

데이터스페이스 AI를 쓰기 전에 림(송경림 COO)께서 저를 포함한 사내 리서치 전문가들이 문서와 슬랙으로 남긴 리서치 노하우들을 학습시킨 ‘산체스봇’을 만드셨고 오픈서베이 내부적으로 활용했었어요. 주니어 리서처들이 간단한 질문을 산체스봇을 통해 1차 해결하면서 저는 더 본질적인 질문에 집중할 수 있었어요. 마찬가지로 데이터스페이스 AI도 고객의 1차적인 고민을 풀어주고 간단하지만 손이 많이 가던 일을 맡으니까 오픈서베이 내부 전문가들은 더 심층적인 질문이나 비즈니스 고민에 시간을 쏟을 수 있어요. 리서처 입장에서 긍정적인 부분이 크다고 생각합니다.

고객 입장에서도 오픈서베이가 15년 넘게 리서치 도메인에서 쌓은 노하우를 데이터스페이스 AI에 연결시켰다는 건 큰 이점이에요. 의도적으로 지식을 찾지 않아도 데이터스페이스 AI를 쓰는 과정에서 자연스럽게 체득할 수 있잖아요. 리서치나 데이터 활용에 대한 지식이 그 어느 때보다 탄탄해질 거라고 생각합니다.

한편으로는 개인의 노하우가 데이터스페이스 AI로 옮겨 가니 리서처로서 다른 역량을 더 강화해야겠다 느끼기도 했어요. ‘나는 어떤 역할을 해야 하는가’를 더 적극적으로 고민하게 되고, 현재에 안주하지 않으려고 리서치 방법론과 트렌드에 촉을 더 세우는 계기도 됐고요. 통계를 잘 알고 설문지와 보고서를 잘 작성하는 데 그치는 게 아니라, 고객의 비즈니스 문제를 어떻게 리서치로 풀 것인가를 더 깊게 고민하게 됐고, 이 과정에서 AI를 더 효과적이고 효율적으로 활용하는 게 리서처인 제게 더 중요해질 역량 같아요.

많은 시행착오와 내부 검증을 거쳐 2026년 4월 데이터스페이스 AI가 세상에 나왔는데요. 현업 리서처로서 업무에 직접 써보셨을 때 어떠셨나요? 실무에서 가장 유용하게 쓰이는 순간도 궁금합니다.

쥰: 가장 크게 바뀐 건 설문을 설계하고 분석하는 업무 동선이에요. 이제는 설문을 만들 때 엑셀을 굳이 안 쓰고 편집 페이지에서 데이터스페이스 AI 창을 옆에 띄우고 일해요. 가장 좋은 건 스페이스에 이미 진행한 설문이 있다면 참조해서 새 설문을 만들 수 있다는 거예요. 예전에 만든 문항이 어떤 설문에 있는지 기억해낼 필요 없이, 데이터스페이스 AI에게 물으면 바로 찾아줘요.

분석도 데이터스페이스 AI를 잘 쓰고 있어요. 출시 초반의 일인데, 제가 담당하던 프로젝트가 결과 페이지에서 직접 분석하기 불편할 정도로 문항이 정말 많았어요. 이때 여러 데이터를 비교 분석하는 데에 데이터스페이스 AI를 쓰니 별도의 병합 작업 없이도 바로 비교할 수 있어서 정말 유용하다고 느꼈어요. 데이터스페이스 AI에 일을 엄청 많이 시켰는데 다 하고 나니 제가 유료 구독 계정 6개월치 크레딧을 썼더라고요. 덕분에 PT까지 잘 마쳤어요.

고객 입장에서는 리서치에 익숙하지 않다면 리서치를 시작하는 데 도움을 많이 받으실 것 같고, 리서치에 익숙하면 분석 영역에서 효익을 크게 느끼실 것 같아요. 예전에는 꼭 담당 AM을 거쳐야만 가능했던 분석이 이젠 데이터만 있으면 데이터스페이스 AI와 바로 가능하기도 하거든요. 설문 작성도 분석도 데이터가 쌓일수록 활용도가 더 높아지고 더 똑똑하게 쓰실 수 있을 거예요.

범용 LLM을 리서치 업무에도 활용할 수 있을 텐데, 데이터스페이스 AI를 쓰게 되는 특별한 이유가 있으신가요?

쥰: 다른 것보다 워크플로우에 붙어 있다는 것이 가장 큰 것 같아요. LLM 성능이 상향 평준화된 이후로는 접근성이 중요하더라고요. 예를 들어 구글 문서(Google Docs)에 뭔가 작성할 땐 자연스럽게 제미나이(Gemini)를 쓰게 되는데 리서치도 마찬가지인 거 같아요. 데이터스페이스 편집에서 설문을 만들고 결과 페이지에서 데이터를 분석할 때는 여기에 붙어 있는 데이터스페이스 AI를 쓰는 게 가장 효율적이라고 느껴요. 저도 클로드(Claude) 같은 범용 LLM을 쓰기도 하는데 데이터스페이스 AI가 지원하지 않는 일부 분석 방법이 필요할 때뿐이에요.

산체스: 저는 비중으로 보면 범용 LLM을 조금 더 많이 쓰는 것 같아요. 고객의 고민을 듣고 적합한 리서치 방법론을 찾거나 초기 탐색을 하는 일이 많은데, 이러한 목적에서는 다양한 정보를 살필 수 있는 범용 LLM을 많이 쓰게 됩니다. 이외의 영역에서는 데이터스페이스 AI를 찾아요. 오픈서베이와 리서치 히스토리가 있는 고객은 기존 리서치를 참고해야 하거나 과거 인사이트를 바탕으로 다음 리서치를 진행해야 하는 경우도 있는데, 이때 데이터스페이스 AI가 정말 큰 도움이 됩니다. 설문지, 결과 데이터, 인사이트 보고서 등을 기반으로 답변을 주잖아요. 결과 데이터를 훑어보거나 보고서 쓰면서 분석하는 각도가 좀 고민이 될 때, 다시 말해 데이터를 기반으로 뭔가를 해야 할 때는 데이터스페이스 AI를 쓰는 것 같아요.

많은 고객들이 데이터스페이스의 분석 기능을 좋아하시잖아요. 혹시 데이터스페이스 AI로 데이터를 분석할 때 느낀 범용 LLM과의 차별점도 있나요?

산체스: 데이터스페이스 AI는 정말 정직해요. 데이터를 확대 해석하지 않고 보수적인 면도 있죠. 예를 들어 범용 LLM은 통계적으로 유의한 차이가 없는데도 자신 있게 스토리를 만들어버리는 경향이 있어요. 리서치를 잘 모르고 데이터 분석을 어려워하는 실무자 입장에선 검증하기 어려우니 위험한 답변이죠. 데이터스페이스 AI로 분석하면 그런 게 없어요. 이러한 특징 덕분에 분석 출발점을 잡는 나침반 역할을 잘 해준다고 생각해요.

쥰: 맞아요. 데이터스페이스 AI는 과장하거나 억지로 기승전결을 만들지 않아요. 고객사 프로젝트로 주관식 문항을 분석했던 경험이 있어요. 범용 LLM에서는 ‘제품 모델별로 만족과 불만족 사유가 다르다’는 분석을 해주더라고요. 동일한 데이터로 데이터스페이스 AI가 분석했을 땐 나오지 않았던 내용이었거든요. 그래서 데이터스페이스 AI에 다시 교차 검증을 해보니 ‘답변에서 정확하게 모델을 언급하며 평가한 응답은 3개뿐이기 때문에 만족/불만족 사유가 모델에 따라 다르다고 해석할 수는 없다’고 답했어요.

범용 LLM은 어떤 것을 물어봐도 답변을 풍부하게 해요. 언뜻 보면 다 그럴듯하죠. 그런데 리서치는 데이터 기반으로 의사결정을 내리는 일이기 때문에, 소비자 데이터 범위를 벗어나 이야기를 만들면 안 돼요. 어떤 시각에선 데이터스페이스 AI의 답이 범용 LLM에 비해 빈약하다 느낄 수도 있어요. 하지만 데이터라는 기준을 두고 절대 선을 넘진 않거든요. 저에게는 오히려 데이터스페이스 AI를 신뢰할 수 있는 이유에요.

Part 3. 대체재가 아닌, 역량을 확장하는 AI

오랜 기간 리서치 경력을 쌓아온 두 분에게 리서치를 잘 아는 데이터스페이스 AI는 어떤 존재인지 궁금해요.

쥰: 믿고 쓸 수 있는 조수예요. 방금 말씀드린 것처럼 범용 LLM은 숫자를 다룰 때 잘 틀려서 꼼꼼한 검증이 항상 필요해요. 반면 데이터스페이스 AI는 숫자가 틀린 수치가 있다는 걱정을 하지 않아요. 론치 초반에 분석을 요청할 때마다 검증했는데 한 번도 틀린 적이 없거든요. 그래서 제게는 신뢰도가 높은 조수예요. 이건 리서치에서, 특히 분석 단계의 툴로 아주 큰 강점이라고 생각해요.

산체스: 리서치의 동반자라고 느껴져요. 리서치 경험이 많은 사람도, 적은 사람도 소비자 리서치를 하는 데 있어서 필요한 지식과 절차의 장벽을 크게 낮춰주잖아요. 접근성을 크게 높이는 거죠. 누구나 비즈니스 고민을 데이터로 풀어가는 데 큰 도움이 될 거예요. 저희 사업 그룹의 AM들도 AI를 쓰면서 리서치 기본 스킬이 늘어나고 고민의 수준이 성장한 것처럼, 데이터스페이스 AI는 소비자를 데이터로 이해하는 수준을 높여줄 거라고 생각해요.

AI와 함께 일할 리서처, 그리고 리서치를 시작하려는 사람들에게 마지막으로 한 마디를 전한다면, 어떤 말씀을 전하고 싶으신가요?

산체스: 누구든 내 리서치의 데이터가 궁금하다면, 1% 용기만 더해 데이터스페이스 AI를 경험해보시면 좋겠어요. 실무자들이 데이터 활용을 어렵게 느끼시는데, 데이터스페이스 AI도 대화형으로 구현되어 범용 LLM을 쓰는 것처럼 간단합니다. 짧은 질문이라도 데이터스페이스 AI에게 던져보면 새로운 세상이 열릴 거예요.

쥰: 먼저, 리서처가 아닌데 리서치를 정기적으로 해야 해서 고민이 많은 담당자들은 데이터스페이스 AI로 체감하는 효용이 아주 클 거라고 생각해요. 전문 지식이 없어도 AI가 잘 이끌어주니까요. 숫자보다 글이나 차트로 데이터를 보는 게 익숙할 텐데, 데이터스페이스 AI가 복잡한 숫자를 대신 읽고 정리해주니 데이터 활용에 대한 허들이 훨씬 낮아지죠. 그리고 저와 같은 리서처에게는 최근 론치한 합성 소비자 기능이 와우포인트일 것 같아요. 세그먼트 프로필을 만들고, 그 페르소나와 직접 대화하며 탐색하는 건 데이터를 분석하는 것과는 다른 차원의 경험이에요. 더 많은 궁금증을 해소하고 새로운 생각을 펼칠 수 있더라고요. 직무와 관계없이 데이터로 소비자를 이해하고 싶다면 일단 데이터스페이스를 만나보는 걸 추천하고 싶어요.

AI가 리서처를 대체한다는 이야기가 나옵니다. 하지만 두 사람은 AI는 리서처의 자리를 뺏는 것이 아니라, 오히려 진짜 전문가의 판단이 필요한 영역이 더 선명해지게 한다고 말합니다. 리서치를 잘 아는 AI 덕분에 리서처들은 중요한 영역에 집중할 수 있고, 리서치가 필요한 비전문가들은 리서치의 저변이 넓어지면서 소비자 데이터를 더 적극적으로 활용할 수 있습니다. 이 변화의 한가운데에서 새롭게 나아가는 데이터스페이스 AI를 만나보세요.