합성 소비자(합성소비자)는 실제 인구의 성별·연령·지역·직업 분포를 본떠 만든 가상 인물의 입장에서 언어모델이 설문이나 인터뷰에 답하게 만든 AI 응답자입니다. 상품기획과 시장조사에서는 사람 조사 전에 후보안을 비교하고 무엇을 물을지 좁히는 데 쓰며, 사람 조사를 대신하지는 않습니다.
이 글의 결론
합성 소비자는 가상 인물 정보 + 언어모델 + 질문 세 가지로 만들어지는 AI 응답자입니다.
많은 가상 응답자에게 같은 설문을 물으면 합성 패널, 한 인물과 대화하며 이유를 들으면 합성 페르소나입니다.
후보 비교와 가설 좁히기에는 쓸 수 있지만, 응답 비율이나 수요 같은 숫자는 사람 조사로 확인해야 합니다.
AI 합성 소비자란 무엇인가요?
언어모델은 사람이 쓴 많은 글로 학습했기 때문에, 「30대·서울·회사원」 같은 인물 정보를 주고 질문하면 그 사람이 할 법한 답을 만들어 냅니다. 이 성질을 조사에 쓰는 방법은 학계에서 활발히 연구돼 왔습니다. 인물 조건을 주면 언어모델이 여러 인구 집단의 응답 분포를 상당 부분 흉내 낸다는 연구(Argyle 외, 2023)와, 언어모델을 경제 실험의 가상 참가자로 써 본 연구(Horton 외, 2023, 프리프린트)가 대표적입니다.
합성 소비자는 세 가지 재료로 만들어집니다.
합성 소비자의 재료와 쓰임을 정리한 예시 그림입니다.
재료
하는 일
예
가상 인물 정보
누가 답하는지 정합니다
성별·연령·지역·직업·가족 형태·관심사
언어모델
그 인물의 입장에서 답을 만듭니다
범용 대규모 언어모델
질문
무엇을 묻는지 정합니다
콘셉트 평가, 구매의향, 가격 반응 문항
가상 인물 정보는 실제 인구 분포를 따르도록 만든 공개 데이터를 쓰기도 합니다. 예를 들어 NVIDIA가 2026년 4월 공개한 Nemotron-Personas-Korea는 우리나라의 인구통계·지리 분포를 바탕으로 합성한 가상 인물 100만 명의 데이터셋이며, CC BY 4.0 라이선스로 상업적 이용이 가능합니다(데이터셋 안내). 모든 인물은 인공적으로 만든 것이고 실존 인물이 아닙니다.
합성 패널과 합성 페르소나는 무엇이 다른가요?
같은 합성 소비자라도 어떻게 묻느냐에 따라 부르는 이름과 얻는 결과가 달라집니다. 업계에서 쓰는 말은 회사마다 조금씩 다르지만, 대체로 아래처럼 나눕니다.
구분
합성 패널
합성 페르소나
묻는 방식
많은 가상 응답자에게 같은 설문
한 명 또는 한 유형의 가상 인물과 대화
얻는 결과
응답 분포, 후보 간 순서, 집단 간 방향
반응의 이유, 쓰는 말, 걸리는 점
잘 맞는 일
콘셉트 A·B·C 비교, 사람 조사에 올릴 후보 좁히기
인터뷰 질문 다듬기, 가설 떠올리기
조심할 점
비율·평균 같은 절대 수치를 그대로 쓰지 않기
한 인물의 말을 그 집단 전체의 의견으로 읽지 않기
「디지털 트윈」이라는 말도 함께 쓰입니다. 이 말은 특정 실제 고객의 데이터를 바탕으로 그 사람을 본뜬 모델을 가리킬 때도 있고, 합성 인구 전체를 가리킬 때도 있어 뜻이 넓습니다. 디지털 트윈 실험실은 NVIDIA가 공개한 합성 인구 데이터셋 Nemotron-Personas를 기반으로 만든 가상 소비자에게 콘셉트 비교·구매의향·가격 민감도·컨조인트 설문 실험을 하는 제품입니다. 제품 페이지에서는 가상 소비자 한 명 한 명을 합성 페르소나라고 부르지만, 많은 가상 소비자에게 같은 설문을 묻는 쓰임은 이 글의 합성 패널에 해당합니다.
합성 소비자의 답은 실제 사람이 한 말이 아니라 언어모델이 만든 응답입니다. 모델이 학습한 글에 덜 나타나는 집단, 새로 생긴 제품 범주, 최근에 바뀐 소비 습관은 더 크게 어긋날 수 있습니다. 같은 질문이라도 문구와 순서에 따라 답이 흔들릴 수 있다는 점에도 주의해야 합니다. 이 문제를 다루는 방법은 합성 페르소나 설문, 같은 질문에 답이 흔들린다면에 정리했습니다.
가상 응답자는 사람 조사를 대신하지 않습니다. 사람 조사에서 무엇을, 누구에게 물을지 좁히는 도구로 쓸 때 쓸모가 있습니다.
다음 단계
후보안이 여러 개라 무엇을 사람 조사에 올릴지 정해야 한다면, 합성 소비자로 상대 비교부터 해 보세요.
Argyle, L. P., Busby, E. C., Fulda, N., Gubler, J. R., Rytting, C., & Wingate, D. (2023). Out of one, many: Using language models to simulate human samples. Political Analysis, 31(3), 337–351. arxiv.org/abs/2209.06899
D’Ecclesiis, E. A. R., Castellacci, F., & Ahmadi, A. (2026). Validating LLM-generated synthetic survey samples: A use-dependent multi-dimensional framework for social-science applications. arXiv preprint arXiv:2611.00256. arxiv.org/abs/2611.00256
Horton, J. J., Filippas, A., & Manning, B. S. (2023). Large language models as simulated economic agents: What can we learn from Homo silicus? arXiv preprint arXiv:2301.07543. arxiv.org/abs/2301.07543
Kim, H. (2026). Partial pooling beats synthetic respondents as estimators, not as covariates: a preregistered small-sample tournament. arXiv preprint arXiv:2611.14526. arxiv.org/abs/2611.14526
Kumagae, Y., & Kaneko, M. (2026). Silicon samples match the answers but not the respondents. arXiv preprint arXiv:2610.30900. arxiv.org/abs/2610.30900
가상 인물 데이터의 출처는 NVIDIA Nemotron-Personas(CC BY 4.0)입니다.
자주 묻는 질문
AI 합성 소비자란 무엇인가요?
합성 소비자는 실제 인구의 성별·연령·지역·직업 분포를 본떠 만든 가상 인물의 입장에서 언어모델이 설문이나 인터뷰에 답하게 한 AI 응답자입니다. 실제 사람의 응답이 아니라 모델이 만든 응답이므로, 상품기획에서는 사람 조사 전에 후보를 비교하고 물을 것을 좁히는 데 씁니다.
합성 패널과 합성 페르소나는 무엇이 다른가요?
합성 패널은 많은 가상 응답자에게 같은 설문을 물어 응답 분포와 후보 간 순서를 보는 방식입니다. 합성 페르소나는 한 명 또는 한 유형의 가상 인물과 대화하며 반응의 이유와 표현을 듣는 방식입니다. 둘 다 합성 소비자를 쓰지만 보는 결과가 숫자와 말로 다릅니다.
합성 데이터로 설문조사를 해도 되나요?
문항 점검, 후보 비교, 조사 대상 좁히기처럼 사람 조사 앞단의 일에는 쓸 수 있습니다. 하지만 합성 응답만으로 응답 비율이나 시장 규모 같은 숫자를 확정하면 안 됩니다. 합성 소비자 조사는 사람 조사를 대신하지 않고 보완하는 용도로 씁니다.
NEXT STEP
우리 제품 콘셉트로 직접 해 보고 싶다면
담당자가 귀사의 제품·대상 시장에 맞춘 데모 실험을 함께 설계해 드립니다. 실제 조사 전에 무엇을, 누구에게 물을지 먼저 확인해 보세요.