합성 사용자 Synthetic User

합성 사용자(Synthetic User)는 AI 퍼소나, 합성 퍼소나, 합성 패널, 디지털 트윈 등 사용자의 특성을 AI에 부여해 그 사람처럼 생각하고 행동하는 방식을 묻는 다양한 접근을 포괄하는 넓은 개념이다. 이름은 제각각이지만 서로 다른 문제에 답하고 있어 경계가 뚜렷하지 않으며 빠르게 변화하고 있다. 이런 혼란 속에서 다양한 합성 사용자를 하나의 기준으로 비교·평가하기 위해 저자는 AAA 프레임워크, 즉 Anchor(근거), Align(정합), Act(행동)라는 세 가지 축을 제안한다.

Anchor는 합성 사용자가 실제 사용자 데이터에 얼마나 깊이 닿아 있는지, 즉 근거의 직접성을 묻는다. 프롬프트만으로 그럴듯한 정보를 채우는 가정 기반(Assumption)에서 시작해, 센서스·서베이 등을 반영하는 인구 통계 기반(Population-anchored), 인터뷰·CRM·NPS 등 실제 고객 데이터를 근거로 삼는 고객 데이터 기반(Customer-anchored), 클릭스트림·이탈·에러 등 행동 로그를 반영하는 고객 행태 기반(Behavior-anchored), 그리고 현실 변화에 맞춰 모델이 계속 갱신되는 업데이트 기반(Living Evidence)까지 5단계 스펙트럼으로 구분된다. 뒤로 갈수록 모델의 상상이 아니라 실제 관찰에 기반하게 된다.

Align은 그렇게 만들어진 합성 사용자의 반응이 실제 사용자와 얼마나 일치하는지를 다룬다. 사람처럼 들리는 그럴듯함(Plausible)과 실제로 일치하는 정합(Aligned)은 전혀 다른 문제라는 것이 핵심이다. 사람이 읽고 그럴듯하다고 느끼는 수준인 그럴듯함, UX 리서처·도메인 전문가가 응답 패턴을 검토하는 전문가 검토(Expert-reviewed), 동일 질문을 실제 사용자와 합성 사용자에게 던져 응답을 비교하는 응답 일치(Human response-aligned), 동일 태스크에서 성공률·경로·소요시간 등 행동을 비교하는 행동 일치(Human behavior-aligned), 시간이 지나며 변화하는 사용자의 생각과 행동을 다시 관찰해 반영하는 변화 일치(Continuous alignment)로 이어지는 5단계다. 뒤로 갈수록 현실과의 대조가 직접적이고 반복적이다.

Act는 합성 사용자가 실제로 어디까지 행동할 수 있는지를 묻는 자율성 축이다. 질문에 대답만 하는 답변(Answer), 프로토타입을 직접 조작해 클릭 패스·히트맵 같은 행동 데이터를 남기는 사용(Interact), 주어진 태스크가 아니라 목표만 주어졌을 때 스스로 경로를 정해 탐색하는 자율 탐색(Explore)의 3단계로 구성된다. 저자는 이 세 축(Anchor, Align, Act)이 서로 독립적이면서도 유기적으로 맞물려 있으며, 이를 도달해야 할 성숙도 단계로 오해해서는 안 된다고 강조한다. 모든 합성 사용자가 세 축의 끝까지 갈 필요는 없고, 아이데이션용인지 실제 제품 행동 예측용인지 등 사용 목적에 맞는 수준의 Anchor·Align·Act를 갖추는 것이 중요하다는 것이 시리즈 전체의 결론이다.

핵심 내용

  • 합성 사용자는 AI 퍼소나·합성 퍼소나·디지털 트윈 등을 아우르는 넓은 개념이며 경계가 유동적이다
  • AAA 프레임워크: Anchor(근거) · Align(정합) · Act(행동)의 세 축으로 합성 사용자를 평가
  • Anchor: 가정 기반 → 인구 통계 기반 → 고객 데이터 기반 → 고객 행태 기반 → 업데이트 기반(5단계)
  • Align: 그럴듯함 → 전문가 검토 → 응답 일치 → 행동 일치 → 변화 일치(5단계)
  • Act: 답변 → 사용 → 자율 탐색(3단계)
  • 세 축은 독립적이면서 유기적이며, 성숙도 위계가 아니라 용도에 맞는 수준을 갖추는 것이 핵심 주장
  • ReOpsAI, Synthetic Users, Simile, Cresta, Sentia Labs, NVIDIA Nemotron-Personas-Korea, Userbrain, 닐슨노만그룹(NN/g), 스탠퍼드 생성 에이전트(Smallville) 연구, 퀄트릭스 등 실제 서비스·연구 사례로 각 단계를 예시
  • pxd 일본 스마트홈·모빌리티 프로젝트: Anchor 가정 기반·Act 답변 수준의 AI Persona를 아이데이션 관점 확장 용도로 실전 활용한 사례

아이데이션 단계 가정 기반 AI Persona 활용 사례 (일본 스마트홈·모빌리티 프로젝트)

일본 시장을 대상으로 스마트홈·모빌리티 신규 서비스 아이디어를 발굴하던 pxd 프로젝트팀은 데스크 리서치만으로 아이데이션을 진행하다 한계에 부딪혔다. 실제 사용자를 만나지 못한 채 팀원끼리 같은 자료를 반복해서 보다 보니 시드 아이디어가 점점 비슷한 방향으로 수렴했고, 그렇다고 프로젝트 중간에 새로 일본 사용자 조사를 진행할 수도 없는 상황이었다. 팀은 이 공백을 사용자 조사의 대체물이 아니라, 팀의 사고를 확장하고 다른 관점에서 아이디어를 점검하는 도구로 AI Persona를 활용해 메웠다 — AAA 프레임워크로 보면 Anchor: 가정 기반(Assumption), Act: 답변(Answer) 수준에 해당하는 합성 사용자를 의도적으로 선택한 사례다.

퍼소나 설계 단계에서는 나이·성별·직업 같은 인구통계 정보 대신, "맞벌이를 하며 혼자 귀가하는 자녀의 안전을 걱정하는 사람"처럼 서로 다른 삶의 조건과 구체적 생활 스토리를 부여했다. 답변 방식도 "좋다/싫다" 같은 결론이 아니라 판단의 근거가 된 구체적 생활 장면과 과거 경험까지 함께 설명하도록 프롬프트를 설계했다. 이는 Align 축이 강조하는 "그럴듯함(Plausible)과 정합(Aligned)은 다른 문제"라는 문제의식과 맞닿아 있다 — 팀은 답변의 그럴듯함이 아니라, 그 답변이 드러내는 판단 맥락 자체를 활용 대상으로 삼았다.

실제 활용에서는 세 가지 힌트를 얻었다. ① 아이 귀가를 순찰 로봇이 에스코트하는 아이디어에 맞벌이 부모 퍼소나가 "딸이 로봇 옆에서 걷는 걸 친구들이 놀릴까 봐 부끄러워할 것"이라고 반응하면서, 서비스 가치를 보호자 안심에만 두고 실제 이용자(아이)의 수용성을 놓쳤던 점을 발견했다. ② 같은 퍼소나가 GPS 오차로 인한 오인 알림 경험을 이야기하면서, 잦은 실시간 알림이 오히려 부모의 불안을 자극할 수 있다는 점을 짚어 상태 중심 정보 제공 방식으로 아이디어를 조정했다. ③ 지불 의사를 물었을 때 "개별 구독은 부담스럽지만 공동주택 공용 인프라라면 수용 가능"이라는 답변에서, 서비스를 구독형으로 제공할지 인프라형으로 제공할지에 대한 새로운 질문을 얻었다.

팀이 정리한 세 가지 교훈은 합성 사용자 프레임워크의 결론—세 축을 최대치로 끌어올리는 것이 아니라 목적에 맞는 수준을 갖추는 것이 중요하다—을 실전에서 검증한다. 첫째, 가정 기반 퍼소나는 시드 아이디어 단계에서 사고를 확장하는 데는 유용하지만, 그 의견이나 지불 의사를 실제 사용자 데이터처럼 받아들여 방향을 결정하는 것은 위험하다 — Anchor 수준이 낮은 합성 사용자를 Align이 검증된 것처럼 오용하지 말아야 한다는 경고다. 둘째, 단순 호불호 평가보다 판단의 배경(생활 맥락)까지 드러나도록 설계하는 것이 아이디어 고도화에 훨씬 유용했다. 셋째, AI Persona가 우려를 제기했다고 기능을 바로 추가하거나 삭제하지 않았다 — 결과를 참고자료로만 쓰고 최종 판단은 팀이 내렸다. 이는 Act 축에서 답변(Answer) 수준의 합성 사용자가 갖는 역할의 한계선을 실무자 시점에서 명확히 보여준다.

관련 개념

  • 데이터 기반 퍼소나 — 실제 사용자 데이터를 근거로 퍼소나를 구축하는 접근으로, 합성 사용자의 Anchor 축(고객 데이터 기반)과 맞닿아 있다
  • 사용자 인터뷰 기법 — 인터뷰·서베이 데이터는 합성 사용자의 Anchor(고객 데이터 기반)와 Align(응답 일치) 검증에 활용되는 원천 자료다
  • 래피드 퍼소나 워크숍 — 사람이 직접 반나절 만에 만드는 가정 기반 퍼소나로, AI가 생성한 가정 기반 합성 사용자와 "빠르게 관점을 넓힌다"는 목적을 공유하지만 제작 주체가 다르다

출처

최종 업데이트: 2026-09-22 | 출처 5개