AI로 고객 조사를 했다면 먼저 찾아낸 원문과 그 맥락을 확인하고, 아직 모르는 부분을 실제 고객에게 물어볼 가설로 바꿔야 한다. AI가 모은 리뷰와 게시물은 인터뷰의 출발점이 될 수 있지만 그 자체로 우리 제품에 대한 수요를 증명하지는 않는다.
예를 들어 작은 팀이 업무 인수인계 도구를 구상하고 있다고 하자. 온라인에서 오래된 문서 때문에 곤란했다는 이야기를 찾아도 글쓴이가 목표 고객인지, 문제가 얼마나 자주 생기는지, 이미 어떤 대안을 쓰는지는 따로 확인해야 한다. 아래 사례는 이 과정을 설명하기 위해 만든 가상 사례다.
온라인 자료는 고객에게 물어볼 질문을 좁혀준다
Michael Fruhling은 LinkedIn 게시물에서 공개 리뷰와 불만, 제품 비교, 우회 방법을 살펴본 뒤 고객 인터뷰에 가져갈 가설을 정교하게 만들자는 의견을 제시했다. 그는 AI를 활용해 이런 단서를 정리하는 접근을 제안했지만 그 글만으로 특정 팀의 조사 효과가 입증된 것은 아니다.
공개된 글은 적극적으로 의견을 남긴 사람의 목소리다. 만족한 사람은 글을 쓰지 않을 수도 있고, 불만이 큰 사람만 눈에 띌 수도 있다. 게시 날짜가 오래됐거나 작성자의 상황이 우리 목표 고객과 다를 수도 있다. 같은 문장이 여러 곳에 나타나더라도 원글 하나가 복사된 것이라면 독립된 고객 사례 여러 건으로 세면 안 된다.
조사 결과에 원문 링크, 작성 시점, 사용자가 설명한 상황을 남겨두자. AI가 만든 문장이 원문을 충실히 요약했는지도 다시 읽는다. 원문을 열 수 없다면 그 내용은 확인되지 않은 단서로 두고 판단 근거에서 빼는 편이 낫다. 개인을 식별할 수 있는 정보나 비공개 고객 자료는 사용 권한과 도구의 데이터 처리 조건을 확인하기 전까지 입력하지 않는다.
불만 하나를 가설과 질문으로 바꾸기
가상의 팀이 업무 인수인계에 관한 공개 글을 살펴본다고 해보자. ‘인수인계 문서가 오래돼서 애를 먹었다’는 문장을 단서로 삼을 수 있다. 이 문장은 실제로 수집한 고객 발언이 아니라 아래 판단 과정을 설명하는 예시다.
팀은 ‘담당자가 바뀔 때 최신 정보를 찾기 어렵다’는 가설을 세울 수 있다. 이어서 ‘최근 업무를 넘겨받았을 때 필요한 자료를 어떻게 찾았나요?’라고 묻는다. 답변을 들은 뒤에는 찾지 못한 정보가 무엇이었는지, 어디서 다시 확인했는지, 그 일 때문에 무엇이 늦어졌는지 이어서 물어볼 수 있다. 반대로 별다른 어려움이 없었다면 어떤 방식이 잘 작동했는지도 기록한다.
‘이 도구가 있으면 쓸 건가요?’라는 질문에는 호의적인 대답이 나올 수 있다. 그러나 실제로 어떤 문제가 있었고 어떤 자원을 썼는지는 알기 어렵다. Strategyzer의 고객 인터뷰 안내는 미래의 의향만 묻기보다 최근에 겪은 구체적인 일을 물어보라고 제안한다. 과거 행동에 대한 인터뷰 답변도 당사자의 기억과 설명이므로 직접 관찰한 행동이나 결제와 구분해서 보자.
인터뷰 전에 반대되는 결과를 정해두자
가설을 세울 때는 무엇을 들으면 생각을 바꿀지도 함께 적는다. 예컨대 인수인계 자료를 찾기 어렵다는 가설이라면 ‘최근 자료를 찾지 못해 동료에게 다시 물었다’는 경험은 가설을 더 살펴볼 단서다. 반면 ‘문서가 오래됐지만 담당자와 바로 확인해서 업무에 지장이 없었다’는 답은 다른 문제를 찾아야 한다는 신호일 수 있다. 어느 쪽도 답변 한 번만으로 시장 전체의 결론이 되지는 않는다.
| 기록 항목 | 인수인계 도구의 가상 예시 |
|---|---|
| 누구의 문제인가 | 최근 다른 사람의 업무를 넘겨받은 팀원 |
| 무슨 일이 일어나는가 | 필요한 최신 자료를 찾기 어려울 수 있다 |
| 현재 어떻게 처리하는가 | 확인 필요: 문서 검색, 동료에게 질문 등 |
| 가설을 살펴볼 단서 | 최근 사례에서 자료를 찾지 못해 다시 확인한 과정 |
| 생각을 바꿀 단서 | 기존 방식으로 쉽게 해결했고 지연도 없었던 사례 |
| 다음 행동 | 업무를 넘겨받은 사람에게 최근 경험과 기존 방법을 묻는다 |
빈칸을 채우기 위해 AI에게 고객의 답을 추측하게 하지 말자. 답을 아직 듣지 못한 항목은 ‘확인 필요’로 둔다. Steve Blank의 고객 발견 설명도 창업팀의 생각을 검증되지 않은 가설로 보고 잠재 고객과의 대화 및 실험으로 확인하는 접근을 소개한다.
누구에게 물었는지도 함께 남긴다
찾기 쉬운 지인 몇 명의 의견만 모으면 실제로 이 일을 자주 겪는 사람을 놓칠 수 있다. 인터뷰 대상이 어떤 역할을 맡고 있으며 언제 관련 업무를 했는지 기록해 보자. 구매를 결정하는 사람과 매일 사용하는 사람이 다를 수 있으므로 각각 무엇을 걱정하는지도 나눠 듣는다.
답변을 정리할 때는 고객이 직접 말한 내용과 팀의 해석을 따로 적는다. ‘문서가 낡았다’는 답에서 곧바로 ‘자동 요약 제품을 구매할 것이다’라는 결론을 내리면 중간 단계가 빠진다. 자료를 찾는 데 드는 노력, 지금 쓰는 대안, 문제를 해결하기 위해 실제로 한 행동을 더 살펴볼 필요가 있다.
비슷한 답변이 나와도 누가 무엇을 겪었는지 확인한다. 같은 팀의 구성원들이 한 사건을 각자 이야기했다면 사건 여러 건으로 중복 집계하지 않는다. 의견이 다른 사례도 보관하고, 인터뷰를 진행한 경로와 아직 만나지 못한 사람을 적어두면 다음 대상을 고르기 쉽다.
관심과 수요를 구분해 다음 실험을 고른다
인터뷰에서 문제가 확인됐다면 다음에는 해결 방식이 실제로 도움이 되는지 작게 시험해 볼 수 있다. 예를 들어 고객이 제공에 동의한 자료로 사람이 직접 인수인계 목록을 정리해 보여주고, 필요한 항목이 빠졌는지 확인하는 방식이다. 고객이 자료를 제공하거나 시간을 내는 행동은 관심을 이해하는 데 도움이 되지만, 그것만으로 유료 구매가 확정된 것은 아니다.
결제 의사를 알아볼 때는 실제 조건과 가격을 명확하게 설명하고 상대방이 어떤 약속을 하는지 구분한다. 불편함을 겪는다는 답, 시연을 보고 싶다는 답, 실제 비용을 지불한 행동은 서로 다른 근거다. 각 단계에서 무엇을 관찰했는지 남기면 제품을 더 만들지, 대상 고객을 좁힐지 결정하기 쉬워진다.
이미 제품이 있다면 고객에게 MVP를 보여줄 때 확인할 내용과 연결해 생각할 수 있다.
자주 묻는 질문
AI에게 고객 역할을 맡겨 인터뷰하면 안 되나요?
질문을 연습하거나 빠진 관점을 찾는 데 사용할 수 있다. 닐슨 노먼 그룹은 실제 사용자로 진행했던 세 연구에서 AI가 만든 가상 사용자의 인터뷰를 비교한 뒤, 가상 답변을 향후 조사에 사용할 가설로 다루라고 권했다. 다만 AI의 응답은 실제 고객이 그 문제를 겪었거나 비용을 지불한다는 증거가 아니다. 가상 답변과 실제 고객의 답변은 따로 보관한다.
불만이 많은 리뷰부터 제품에 반영하면 되나요?
그 불만이 목표 고객에게도 해당하는지, 실제 업무에서 얼마나 불편한지부터 확인한다. 공개된 리뷰가 전체 고객의 비율을 대표한다고 가정하기 어렵고 허위나 중복 게시물도 있을 수 있다.
가설과 다른 답변이 나오면 아이디어를 바로 접어야 하나요?
먼저 답변자의 상황과 질문이 가설에 맞았는지 살핀다. 다른 조건의 고객에게 다시 묻거나 문제와 대상을 더 좁힐 수도 있다. 어떤 결과가 생각을 바꾸게 했는지 기록하고 다음 실험을 고르면 된다.
출처
- Michael Fruhling의 AI 활용 고객 발견에 관한 제안 · LinkedIn
- Strategyzer의 고객 인터뷰에서 의견과 사실 구분하기 · 2018년 1월 8일
- Strategyzer의 가설과 근거 강도 설명
- Steve Blank의 고객 발견과 가설 검증 설명 · 2020년 4월 7일
- 닐슨 노먼 그룹의 AI 가상 사용자 평가 · 2024년 6월 21일
자료 확인일 2026년 11월 2일
답글 남기기