AI 에이전트로 다시 태어난 데이터스페이스 AI 개발기

그간 리서치는 소수의 전문가들만을 위한 영역이었습니다. 설문을 어떻게 설계해야 하는지, 수집한 데이터를 어떻게 분석해야 하는지, 리서치를 해보지 않았다면 어디서부터 어떻게 첫 발을 내딛어야 할지 알기 어려웠습니다. 오픈서베이는 이 벽을 낮추기 위해 2026년 4월 컨슈머 인텔리전스 플랫폼 '데이터스페이스(Dataspace)'를 AI 에이전트[1] 기반으로 전면 개편했습니다.

이제는 비즈니스 질문만 있으면, AI가 조사 목적을 정의하고 설문을 설계해 데이터 수집을 돕고 결과를 분석해줍니다. 소비자 데이터가 필요한 누구나 전문가 수준의 인사이트를 얻을 수 있고, 이를 위한 소요 시간과 비용까지 대폭 줄어들었죠.

그 뒤에는 치열했던 개발의 시간이 있었습니다. 데이터스페이스 AI를 만든 개발자 LG(정해용), 미키(최민제), 윤(정지윤)을 만나 그 이야기를 들어봤습니다.

Part 1. 리서치 비전문가도 데이터로 의사결정할 수 있도록

최근 데이터스페이스가 AI 에이전트 기반으로 개편되었어요. 이 프로젝트에서 각자 어떤 역할을 맡으셨나요?

윤: 프로젝트의 전체적인 문제 정의를 담당했어요. '왜 지금 데이터스페이스에 AI가 필요한가'라는 질문에서 출발해, 어떤 사용자가 어떤 가치를 얻어갈 수 있을지 정의하고 이에 필요한 기능을 구체화해 팀과 함께 제품을 만들어 나가는 역할을 했습니다.

미키: 저는 쉽게 말해 데이터스페이스 AI의 몸통을 만드는 일을 했어요. 우리 플랫폼에 LLM을 붙이면서도 설문 설계 도구, 분석 도구 등 다양한 기능들을 유기적으로 엮어 잘 돌아가게 만드는 오케스트레이터[2]를 구축했습니다. 그리고 그중에서도 데이터스페이스 AI가 데이터를 분석하고 차트를 생성하거나 보고서를 작성하는 부분도 담당했습니다.

LG: 데이터스페이스를 AI 플랫폼으로 전면 개편하는 과정에서 전체적인 AI 기술 검토와 도입을 총괄했습니다. 아키텍처 전반의 설계를 살피고, 자연어로 설문을 설계하고 수정하는 '설문 엔진', 그리고 보유한 데이터를 자연어로 검색하는 '검색 엔진' 구축을 주도했습니다.

데이터스페이스는 2023년에 출시했는데, 이 시점에 AI를 접목하게 된 결정적 계기가 있었나요?

윤: 데이터스페이스 곳곳에 이미 AI 기술은 적용되어 있었어요. 그런데 최근에 드디어 리서치 전 과정에 AI를 엮게 된 거죠. LLM의 등장과 발전, 그리고 대중화된 것이 저희에게는 데이터스페이스의 강점을 전할 기회로 다가온 것 같아요.

사실 데이터스페이스를 시장에 내놓으면서 그리고 출시한 이후에도 '이 제품을 정말 잘 쓰게 만드려면 어떻게 할까?'라는 고민이 늘 있었어요. 리서치 지식을 갖추고 경험도 충분히 있는 분들은 데이터스페이스를 잘 쓰셨는데, 그렇지 않은 경우도 있었거든요. 어떻게 보면 당연한 것 같아요. 리서치 데이터를 의사결정에 활용하려면, 먼저 비즈니스 문제 정의부터 시작해서, 이를 리서치 문제 정의로 연결하고, 정의된 리서치 문제를 해결할 방법론을 찾는 등 여러가지 과정을 단계적으로 실행해나가는 것이 필요한데 이 모든 것이 쉽지 않으니까요.

많은 실무자가 리서치 경험이 없고, 그러니 무언가 시작하기가 두렵거든요. 그런데 데이터스페이스를 처음 접하면 플랫폼까지 익혀야 하니 할 일이 한가득인거예요. 그래서 리서치를 잘 몰라도, 심지어 데이터스페이스를 잘 몰라도 '질문'만 있으면 목표를 달성하게 만들고 싶었어요. 리서치가 쉬워진다면 실무자들의 업무 일상에 데이터스페이스가 녹아들 수 있을테니까요.

이번 개편으로 데이터스페이스 사용자가 리서치 비전문가(Non-researcher)까지 확장될 수 있게 되었겠네요. 이러한 사용자를 위해 기능을 개발하고 제품 경험을 설계할 때 제품팀이 우선적으로 고려한 부분은 어떤 건가요?

윤: 핵심 원칙은 '아웃풋 퍼스트(Output-first)'였습니다. 설문 설계할 때 어떤 문항 유형을 선택할지, 응답자 타겟을 어떻게 구성할 것인지 등 리서치 단계별로 필요한 의사결정마다 매번 승인을 요구하면 어떨까요? 리서치를 잘 모르는 사람 입장에서는 잘 모르니까 AI에 물어본 건데 전문 지식이 필요한 의사결정을 요구받으면 어렵다고 느끼고 결국 포기하지 않을까 생각했어요. 반면 눈에 보이는 산출물에 대해서는 '좋다', '이런 내용이 보완되면 좋겠다' 하는 피드백을 주기는 좀 쉬울 거고요. 제가 사업그룹에서 리서치 경험이 적은 고객을 마주했을 때 그랬거든요. 'Yes' or 'No' 질문과 비교해 개방형 질문이 더 답하기 어려운 거죠. 설문조사에 참여해 봐도 그렇잖아요.

그래서 저희는 전문가들의 방법론을 학습시켜 AI가 알아서 의사결정하며 산출물을 내도록 하고, 사용자의 의사결정 포인트를 최소화했어요. 사용자는 현재 처한 비즈니스 질문에만 집중하게 만들고, 전문가 수준의 브리프 작성이나 설문 설계, 분석 결과물을 AI가 먼저 보여준 뒤 유저가 이를 피드백하며 조율해가도록 유도했습니다.

Part 2. 리서치 전문 지식과 노하우, 암묵지를 AI에 이식하다

비전문가도 전문가 수준의 아웃풋을 얻게 하기 위해선 데이터스페이스 AI가 리서치 전문가가 되도록 만드는 작업이 핵심이었을 것 같습니다. 오픈서베이가 15년 간 쌓아온 전문 지식과 노하우를 AI가 어떻게 흡수하게 만들었나요?

윤: 데이터스페이스에 구현은 제품개발팀이 했지만, 근본적으로 받쳐줘야 하는 전문 지식은 사내 리서치 전문가들의 자산에서 나왔어요. 리서치 업계엔 암묵지가 정말 많거든요. 오픈서베이 내부에서 암묵지를 구조화해둔 지식 정보, 슬랙·구글 드라이브에 축적된 전문가들의 자문 문서나 피드백을 지식화하고, 설문 설계나 보고서 생성 등 각 과정에서 전문가가 준수하는 원칙들을 프롬프트 레이어에 직접 심었습니다. 데이터를 분석하는 방식이나 보고서 역시 저희 사내 전문가들을 따랐어요. 대표적으로는 하이(황희영 대표의 사내 닉네임)가 보고서 쓸 때 선호하시는 스타일을 프롬프팅해주셨거든요. 현업에서 검증하고 선호하는 방식을 프롬프트에 업데이트하고 다듬으며 고도화했습니다. 사실 제품을 만드는 입장에서 사내에 전문가 집단이 있다는 건 정말 든든하고 감사한 환경이라고 생각해요. 30년 이상 경력의 리서처에게 노하우를 엿듣거나 많은 경험에서 나온 피드백을 데일리로 듣고 제품에 반영할 수 있는 회사는 많지 않을 거라고 생각해요.

범용 AI로 설문을 설계하는 것과 데이터스페이스 AI로 하는 것 사이에서 실제로 차이가 있나요?

윤: 범용 AI에게 '브랜드 선호도를 파악할 설문지를 만들어줘'라고 지시하면 겉보기엔 그럴듯한 설문지가 나와요. 그런데 실무 전문가 시선에선 편향을 유발하거나 데이터를 오염시키는 실수가 다반사로 일어나요. 앞서 말했듯 데이터스페이스 AI는 리서치 업계의 암묵적 지식을 프롬프트와 지식 베이스를 통해 학습시켰기 때문에 이러한 전문성이 토대가 되어 안정적인 설계를 보장해 줍니다.

LG: 개발 측면에서는 이렇게 잘 입력해둔 프롬프트를 기반으로 LLM이 안정적으로 설문 설계를 할 수 있게끔 집중했어요. 데이터스페이스 AI에서는 설문을 설계할 때 LLM을 한 번만 호출하는 것이 아니라, 4단계의 프로세스를 설계해 퀄리티를 관리하고 있어요. LLM을 호출해 설문 전체의 청사진을 그리고, 여기에 리서치 도메인에 맞는 맥락과 풍부한 어휘를 가미합니다. 그리고 블록별로 디테일한 문항들을 순차 생성한 뒤, 마지막으로 전체 설문을 보며 필요한 로직 규칙들을 적용합니다. 덧붙여서 설문 설계 단계에서 LLM을 활용할 때 공들였던 부분은 LLM을 믿지 않고 검증하게끔 하는 구조를 만드는 것이었어요. ChatGPT, Gemini, Claude 등 LLM을 많이 쓰시니 아시겠지만 자유분방한 존재거든요. 그래서 LLM의 자유로운 답변을 기대하지 않고, 규격화된 포맷을 강제해 구조화된 출력을 요구했습니다. 최종 산출물을 만들면 시스템 코드 레벨에서 다시 유효성을 검증하는 레이어를 덧대서 설계의 품질을 관리하고 있어요.

Part 3. 정확성과 불확실성을 통제하는 엔지니어링 구조

데이터 분석에서는 어떠한가요? 오픈서베이는 데이터 분석 기능의 강점을 강조해왔는데, AI가 결합되면서 어떤 고민이 있었는지 궁금합니다.

미키: 저희도 AI 제품을 개발하는 건 처음이라 정말 다양한 오류를 경험하게 됐어요. 분석 기능에 LLM을 붙이면서 경험했던 건 정확성에 대한 이슈였어요. LLM은 그럴듯한 문장을 참 잘 만들어내는데, 데이터스페이스 AI가 주는 결과는 정확한 산출물이어야 해요. 데이터 분석은 조금만 틀려도 신뢰도가 붕괴되니까요. 하지만 LLM은 정해진 답을 찾는 것이 아니라, 통계적으로 예측해 문장을 완성하는 확률적 모델이라 본질적으로 100% 정확도를 보장할 수 없어요.

데이터스페이스는 이 한계를 해결하기 위해 듀얼 레이어(Dual-layer) 구조를 도입해 역할을 확실하게 분리했어요. 숫자 연산과 계산은 LLM에 아예 맡기지 않고, 100% 완벽한 연산을 수행하던 우리 자체 서버 엔진에 계산을 전담시킵니다. 이 Deterministic Layer가 분석 과정 앞단에 붙고, 여기서 뽑은 정확한 데이터와 사용자의 비즈니스 질문 맥락을 바탕으로 LLM은 연산 부담 없이 오직 '해석과 인사이트 서술'에만 집중하게 만들었어요. 이건 그다음에 붙는 Generative Layer예요. 숫자는 틀리면 안 되기 때문에 이런 구조를 채택하게 되었고, 이게 데이터스페이스 AI의 차별화 포인트이기도 합니다. 범용 LLM은 숫자 잘 만들고 말도 잘 만들어주지만 자꾸 틀리거든요.

설문 생성부터 분석까지 전 과정이 AI 바탕으로 유기적으로 돌아가면서도 일정한 품질을 유지하는 건 개발 측면에서 복잡도가 굉장히 높은 작업인가봐요.

미키: 기본적으로 저희 시스템 전반에 AI가 엮여서 돌아가게 만드려면 저희 시스템만의 지식을 다 가르쳐야 돼요. 설문 설계에 지원하는 문항 타입이나 로직, 시스템이 지원하는 분석 방식 등이요. 그런데 LLM은 기본 지식을 갖춘 존재잖아요. 그러다보니 가르치지 않은 방법으로 일을 수행하기도 하고, 저희에게 있는 도구 대신 자체적으로 실행해보다가 틀리기도 하고요. 게다가 오픈서베이가 이제껏 개발해온 설문 편집 도구나 분석 도구가 단순한 구조는 아니에요. 구글 폼이나 네이버 폼보다 훨씬 복잡한 옵션을 지원하는데, 이걸 LLM이 우리 시스템 도구를 활용해 완벽히 수행하게 만드는 과정이 까다로웠죠.

LG: 이런 어려움은 LLM 특유의 불확실성 때문이기도 합니다. LLM은 데이터를 학습시켜 어떠한 답변을 하도록 확률을 높일 순 있지만 100%를 보장하지는 않아요. 그런데 저희는 제품으로서 100% 가까운 완성도를 가지고 출시해야 하니 그게 쉽지는 않았어요. AI가 없던 시절의 제품 개발은 0 또는 1이었습니다, 되느냐 안 되느냐. 그런데 AI를 도입하면 일단 되게끔 만들 수는 있는데, 품질에 대한 고민이 깊어졌어요. 높은 품질을 보장하기 위해 무엇을 해야하는지 방법론을 찾아가는 과정이 쉽진 않았던 것 같습니다.

Part 4. '0과 1의 세계'를 넘어 품질을 위한 고민

제가 직접 써보니 모든 과정이 정말 쉬워졌어요. 그렇게 하기 위해 많은 시행착오를 겪으셨을 것 같은데 기억에 남는 것이 있나요?

LG: 사용자가 그렇게 느낀다면, 기존의 데이터스페이스의 기능들을 AI가 충실히 잘 수행해준다는 뜻이니 다행이네요.

사실 저희가 지향한 건 '서브 에이전트들의 조합'이 아니라 리서치 전 과정을 아우르는 '통합 오케스트레이터' 구축이었습니다. 사용자가 도메인 지식과 제품 이용법을 몰라도 비즈니스 질문 하나로 충분한 가치를 얻도록 만들고 싶었거든요. 그러다보니 초기 기반 다지는 일부터 할 일이 정말 많았습니다. 오픈서베이 제품에 존재하던 '데이터 검색', '설문 생성', '데이터 수집', '데이터 분석', '보고서 작성' 등의 기능을 LLM이 모두 이해하고 활용할 수 있는 도구(MCP) 형태로 새로 정의해 구축해야 했어요. AI 서비스를 유지·보수·운영 방식까지 백지 상태에서 새롭게 정립해야 해서, 팀 전체가 치열하게 기술 스터디와 실험을 병행하며 정답을 찾아 나갔습니다.

윤: 맞아요. 데이터스페이스는 일상적 대화나 조언을 얻는 챗봇이 아니라, 사용자의 중요한 비즈니스 의사결정을 돕는 제품이잖아요. 단순히 시킨 일을 수행하는 걸 넘어서, 전문가가 직접 수행하는 수준의 산출물을 보장해야 했어요. 그러기 위해 평가 시스템과 파이프라인을 구축하고 이터레이션(Iteration)을 돌리며 산출물의 품질을 고도화하는 작업까지 모두 중요했죠.

이 과정에서 품질을 개선하는 과정이 정말 막막했던 기억이 나요. 결과물이 만족스럽지 않았을 때, 또는 전문가 수준의 품질이 아닌 경우에, 검색 도구 문제인지, 변수 추출 문제인지, LLM의 해석 문제인지 등 들여다 보고 개선해야 하는 곳이 많았거든요. '서브 에이전트를 만드는 방향으로 가야 하나', '몇몇 도구는 정말 필요한가? 그냥 뺄까?'하는 고민을 수도 없이 했지만, '리서치를 몰라도 비즈니스 질문만 있으면 전문가 수준의 인사이트를 주는 AI'를 만들자는 목표를 위해 타협하지 않았어요. 팀과 함께 우선순위를 정하고 끈기 있게 문제를 뽀개나가며 안정화해 나갔어요.

미키: 통합 오케스트레이터가 사용자 의도를 명확히 이해하고 해야할 일과 도구 사용 순서를 정의한 뒤, 오류 없이 수행하게 만드는 과정 자체가 커다란 엔지니어링 챌린지였어요. 특히 개발 초기에 모델이 예상하지 못한 버그를 낼 때가 제일 힘들었어요. 한번은 내부 테스트하는 과정에서 확률로 단어 유추하는 LLM 특유의 원리 때문에 프롬프트 전문을 고스란히 화면에 노출하는 상황이 있었고, 메인 LLM의 과부하로 내부 시스템 필드명을 노출하기도 했습니다.

이런 시행착오를 겪으면서 '꼭 필요한 통제는 예측 불가능한 LLM에게 지시하지 않고, 시스템 코드로 보호막을 씌우자'는 답을 얻었고, 현재의 컴파운드 AI 시스템[3]을 만들게 되었어요. 제약이나 검증, 보안 등 중요한 영역은 시스템 코드가 확실하게 잡고, LLM은 자유롭게 인사이트를 서술하는 영역에 집중하도록 만들어서 AI의 이점은 누리면서도 품질을 동시에 확보할 수 있게 된거죠.

지금 시점에 제품개발팀에서 가장 집중하고 있는 것은 무엇인가요?

윤: 올 하반기 데이터스페이스에서 가장 중요한 포인트는 '합성 소비자'예요. 합성 페르소나 인터뷰 기능과 합성 패널 기반의 컨셉 스튜디오 기능이 출시되어 있는데요. 이 기능들을 고도화할 예정이에요. 데이터스페이스 사용자는 이제 AI를 리서처나 분석가의 역할로 활용하는 걸 넘어서 가상의 소비자와 직접 대화하고 실무 아이디어를 뾰족하게 다듬어나가는 새로운 경험을 하실 수 있을 거예요.

LG: 엔지니어링 측면에서는 이제 새로운 기능을 단순히 구현하는 단계를 넘어, 품질 개선, API 비용 절감, 그리고 운영 안정성을 확보하는 데 집중할 계획입니다.

미키: 맞아요, 품질 개선이 가장 중요한 포인트죠. 이제 못하는 일은 별로 없거든요. 이 플랫폼 안에서 할 수 있던 대부분을 AI 에이전트가 할 수 있게 됐는데, 아직 좀 깔끔하게 처리하지 못하는 일들은 꽤 있어요. 데이터스페이스 AI가 더 잘 일할 수 있도록 품질을 개선해나갈 예정입니다.

데이터스페이스 AI는 지금 이 순간에도 계속해서 진화하고 있습니다. AI 답변과 산출물의 품질을 정교하게 높이고, 합성 소비자 기능을 고도화하며, 더 많은 사람이 데이터로 의사결정할 수 있는 환경을 만들어가고 있죠. 리서치를 잘 아는 AI와 함께, 새로워진 리서치 과정을 데이터스페이스에서 직접 경험해보세요.

참고 자료

[1] AI 에이전트(AI Agent): 단순히 질문에 응답하는 수준을 넘어서, 사용자의 목적이나 지시에 따라 스스로 계획을 세우고, 필요한 도구를 활용해 업무(설문 설계, 데이터 분석 등)를 주도적으로 수행하는 인공지능 시스템

[2]오케스트레이터(Orchestrator): 여러 개의 AI 모델과 내부 시스템(설문 편집기, 통계 분석 엔진 등)이 유기적으로 협력하여 작동하도록 중간에서 흐름을 제어하고 관리하는 프레임워크

[3]컴파운드 AI 시스템(Compound AI System): 단일 LLM에 모든 업무를 의존하는 것이 아니라, 검증 코드·보안 장치·내부 시스템 등 여러 소프트웨어 구성요소를 결합해 복잡한 작업을 처리하는 통합적 구조