합성 데이터로 리서치를 대체할 수 있을까?

합성 데이터 얘기가 요즘 많이 나오죠. AI 페르소나, 시뮬레이션 응답, 합성 소비자 패널. 그러다 보니 "그럼 이제 실제 사람한테 리서치 안 해도 되는 거 아닌가요?"라는 질문이 나와요.

결론부터 말하면, 그건 안 돼요. 어디까지 되고, 어디서부터 안 되는지를 오늘 정리해볼게요.

합성 데이터로 할 수 있는 것

이건 진짜 돼요.

방향 확인. "우리가 만들려는 이 기능, 타겟 고객이 원하는 방향이 맞을까?" 를 초기에 빠르게 확인하는 것. 합성 데이터로 "아 이 방향은 아닌 것 같다"가 나오면 실제 리서치 전에 설계를 바꿀 수 있어요.

가설 우선순위. 검증하고 싶은 가설이 다섯 개 있는데, 모두 실제 리서치로 가져가기에 예산과 시간이 부족할 때요. 합성 데이터로 "이 두 개는 합성 응답에서도 일관되게 나오는데, 이 세 개는 불확실하다"를 보고 우선순위를 잡을 수 있어요.

초기 설계 검증. 설문 문항을 짰는데, 이 문항이 이해하기 어려운지, 응답 선택지가 자연스러운지를 합성 응답으로 먼저 돌려볼 수 있어요. 실제 참여자한테 가기 전 초안 검토예요.

이 세 가지는 합성 데이터가 실제로 쓸 만해요.

합성 데이터로 절대 안 되는 것

그리고 이건 진짜 안 돼요.

진짜 유저의 감정. 참여자가 이 서비스를 처음 봤을 때 느끼는 당혹감, 기대감, 실망감. 이게 표정에서, 목소리에서, 말을 멈추는 타이밍에서 나오거든요. 합성 데이터는 이걸 만들어낼 수 없어요.

맥락에서 나오는 반응. 생활 환경 안에서 제품을 쓸 때 나오는 것들이요. 예를 들어볼게요. 인도 소도시에서 침대에 앉아서 습식 면도를 한다는 사실, 이게 현장 방문을 했기 때문에 나온 거잖아요. 합성 데이터로는 이런 게 절대 안 나와요. AI는 "보편적인" 것을 기반으로 만들어지거든요. 예외적이고 맥락적인 것, 그게 리서치에서 제일 가치 있는 발견인 경우가 많은데, 그건 실제 현장에서만 나와요.

예상 못 한 반응. 리서처가 질문하지 않은 것에서 나오는 인사이트요. 참여자가 인터뷰 중에 전혀 다른 얘기를 꺼냈는데 거기서 핵심 발견이 나오는 경우. 이게 정성 리서치의 가장 큰 가치인데, 합성 데이터는 이미 설정된 질문 범위 안에서만 나와요.

보완재로 쓰는 거예요

합성 데이터를 제일 잘 쓰는 방법은 이거예요. 실제 리서치 앞 단계에 놓는 것.

초기 가설 → 합성 데이터로 방향 확인 → 실제 리서치 설계 → 참여자 모집 → 실제 조사.

이 흐름에서 합성 데이터는 실제 리서치를 더 잘 설계하기 위한 준비 단계예요. 대체하는 게 아니라 앞에 붙는 거예요. 이렇게 쓰면 리서치 전체의 품질이 올라가고, 시간도 줄어요.

반대로 "합성 데이터로 다 했으니까 실제 리서치 안 해도 된다"로 가면 위험해요. 그 데이터로 만든 의사결정이 현장과 완전히 다른 방향을 가리키고 있을 수 있거든요.

AI는 보편적인 것에 강하고, 예외적인 것에 약해요. 그리고 리서치에서 가장 중요한 발견은 대부분 예외적인 곳에서 나와요. 이게 핵심이에요.