AI로 고객을 만들었다. 실제 고객도 같은 생각일까?

답변은 천 개. 물어본 고객은 없다.

새 서비스를 준비하는 회의다. 화면에는 고객 반응 천 개가 정리돼 있다. 가격을 어떻게 느끼는지, 어떤 설명을 좋아하는지, 왜 선택할 것인지. 그런데 실제 고객에게는 아무것도 묻지 않았다. AI에게 고객 역할을 맡겨 받은 답이다. 이 장면은 문제를 설명하기 위한 가정이다.

빠르고 편리하다. 문제는 그다음이다. 이 자료를 “고객 조사 결과”라고 부르는 순간, 우리가 만들어 낸 답이 고객에게서 들은 답처럼 취급될 수 있다.

고객의 답을 분석하는 것과 만들어 내는 것은 다르다.

실제 인터뷰나 설문을 AI로 정리하는 일과, AI에게 가상의 고객이 되어 답하게 하는 일은 다르다. 후자를 합성 응답자, 또는 가상 응답자를 이용한 조사라고 부른다. 실제 사람의 정보를 바탕으로 디지털 트윈을 만들기도 한다. 그래도 새 질문에 답한 주체는 그 사람이 아니라 모델이다.

이 구분은 내가 제안하는 자료 읽기 기준이다. 사람에게 물었다고 모든 조사가 정확해지는 것도 아니다. 누구를 어떻게 골랐고 무엇을 물었는지 따져야 한다. 다만 실제 응답의 한계와 생성한 응답의 한계는 같지 않다.

고객은 “잘 모르겠다”고 말할 수 있다.

Pew Research Center가 2026년 9월 30일 공개한 실험에서, “잘 모르겠다” 선택지가 있는 의견 문항의 응답 중 실제 사람은 16%, 합성 응답자는 4%가 이를 골랐다. 실제 미국 패널의 정보를 제공하고 같은 질문에 답하게 한 비교다. 기본 보고 결과는 Claude Opus 4.6을 사용했다. 한국 고객이나 구매 행동을 조사한 수치는 아니다. [1]

여기서 나는 브랜드가 놓칠 수 있는 한 가지를 본다. 아직 관심이 없다는 말. 차이를 모르겠다는 말. 지금 쓰는 것으로 충분하다는 말. 이런 반응은 설명이 부족하다는 신호일 수도, 우리가 해결하려는 문제가 그 사람에게 중요하지 않다는 신호일 수도 있다. 이것은 연구의 직접 결론이 아니라 내 해석이다.

가상 고객이 유창하게 이유를 설명하면, 실제 고객도 그만큼 관심을 갖고 비교할 것처럼 느껴진다. 하지만 매끄러운 설명은 관심의 크기를 증명하지 않는다. 고객이 아직 생각하지 않은 문제를 우리가 대신 깊이 생각하고 있을 수도 있다.

쓸모가 없다는 뜻은 아니다.

NIM Marketing Intelligence Review의 2026년 브랜드 조사 관련 글은 가능성과 한계를 함께 보여 준다. 디지털 트윈의 답은 큰 흐름을 재현하고 개인 응답을 우연보다 잘 예측했다. 그러나 긍정적인 브랜드 태도를 과대평가했고 사람들 사이의 차이는 더 작게 나타났다. 특히 잘 알려진 브랜드에서 편향이 두드러졌다. [2]

평균이 비슷해 보여도, 누구는 좋아하고 누구는 무관심한지가 지워지면 다른 시장을 보고 있는 셈이다. 브랜드는 평균적인 한 사람을 위해 존재하지 않는다. 어떤 사람에게 왜 필요한지 알아야 한다.

AI는 우리가 빠뜨린 질문을 찾아보거나 인터뷰에서 확인할 가설을 넓히는 데 활용할 수 있다. NIM의 별도 방법론 글도 질문 구성과 응답 순서에 따른 변화, 실제 사람의 자료와 비교하는 검증을 강조한다. [3] 나는 여기서 AI를 조사 준비에 활용하되, 생성한 답만으로 시장의 결론을 내리지 않는 접근을 제안한다.

더 많은 답보다, 다른 증거가 필요하다.

새 구독 서비스를 가상 고객에게 보여 줬더니 반응이 좋았다고 가정해 보자. 그 답을 더 많이 생성하면 표는 풍성해진다. 하지만 실제 고객이 지금 무엇에 돈을 쓰고 있는지, 서비스를 바꿀 이유가 있는지, 어느 가격에서 망설이는지는 아직 확인하지 못했다.

생성 건수를 늘렸다는 사실만으로 실제 고객을 대표하는 표본이 되지는 않는다. 모델이 우리 설명에 잘 반응하는지와 시장이 우리 제안에 반응하는지는 따로 확인해야 한다. 설문에서 좋다고 말한 것과 실제로 선택한 것 역시 구분해야 한다.

다음은 이 글에서 제안하는 점검 질문이다. 효과가 입증된 표준이나 특정 기업의 성공 사례는 아니다.

• 자료에 “AI 생성 응답”이라고 분명히 표시했는가? 실제 고객 응답과 섞어 집계하지 않았는가?
• 모델·버전·생성 날짜·입력 정보·질문을 남겼는가? 같은 조건에서 다시 비교할 수 있는가?
• 실제 목표 고객에게 확인할 질문은 무엇인가? 관심이 없거나 사용하지 않는 사람의 반응도 확인할 계획이 있는가?
• 어떤 실제 관찰이나 응답이 나오면 지금의 가설을 바꿀 것인가?

우리가 듣고 싶은 답과 고객의 답.

좋은 반응을 얻기는 쉬워질 수 있다. 좋은 질문은 여전히 불편하다. 우리가 믿는 필요가 고객에게도 중요한가. 설명을 이해했지만 원하지 않는 것은 아닌가. 거절하는 사람에게서 무엇을 배울 것인가.

AI는 고객을 이해하기 위한 연습 상대가 될 수 있다. 연습 상대의 동의를 시장의 동의로 바꾸어 부르면 안 된다.

고객의 답을 만드는 것과 고객에게 답을 듣는 것은 다르다.

자료와 해석의 범위.

[1] Pew의 미국 여론조사 실험이다. 2026년 상반기 조사들을 재현했고 9월에 발표했다. 16%와 4%는 해당 의견 문항의 응답 비율이지 구매율이나 정확도가 아니다. 모든 모델·산업에 일반화하지 않는다.

[2] Kaiser 외(2026), NIM Marketing Intelligence Review 18(1), 48–53쪽. 브랜드 조사 실험을 소개한 글로, 한국 시장의 수요나 실제 매출을 입증하지 않는다. [3] Sarstedt 외(2026), 같은 학술지 18(1), 24–29쪽. 조사 활용의 방법론 지침이다. 이 글의 사례·표·점검 질문은 저자의 제안이며, AI 조사 사용을 금지하거나 성과를 보장하는 주장이 아니다.