신뢰를 쌓아가는 과정
우리는 완벽한 정확도를 약속하지 않습니다. 대신 신뢰성을 높이기 위해 하는 모든 일 — 해온 것, 하고 있는 것, 그리고 일부러 하지 않는 것 — 을 있는 그대로 기록합니다. 이 페이지는 그 진행 기록이고, 시간이 지나며 계속 갱신됩니다.
누구에게 물어보나요
결과를 믿을지 판단하려면, 그 답을 한 사람들이 누구인지 먼저 알아야 합니다.
가상 소비자는 실제 사람의 응답 기록이 아닙니다. 동시에, AI가 질문을 받을 때마다 지어내는 인물도 아닙니다.
NVIDIA가 공개한 Nemotron-Personas-Korea 데이터셋입니다. 국가통계포털(KOSIS) 공표자료, 대법원 성명 분포, 국민건강보험공단, 한국농촌경제연구원의 실제 공공통계에 정박해 확률모형으로 생성한 100만 명의 합성 프로필이며, 네이버클라우드가 시드 데이터와 도메인 자문을 제공했습니다.
저희는 이 100만 명 중 조건에 맞는 사람들을 뽑아 질문합니다.
이 100만 명 중 한 명은 이렇게 생겼습니다
아래는 저희 코퍼스에서 그대로 꺼낸 실제 레코드 한 건입니다. 다듬거나 고쳐 쓰지 않았습니다.
37세 · 남자 · 부산 강서구 · 금속코팅·광택 및 래미네이팅기 조작원 · 고등학교 졸 · 배우자와 거주 · 아파트
강수민 씨는 부산 강서구 공단에서 정밀 금속 코팅을 담당하며, 주말에는 전포동 빵집 투어를 즐기는 다정하고 현실적인 37세 가장입니다.
일주일의 절반 이상을 집 밖에서 해결하며, 특히 두툼한 삼겹살과 숯불 갈비를 파는 한식당에서 시간을 보내는 일이 잦습니다. 배달 앱을 켜는 일보다는 직접 매장에 가서 갓 구운 바게트나 페이스트리 빵을 골라 담는 쇼핑 과정을 즐깁니다.
유명한 맛집이 몰려 있는 지역을 중심으로 동선을 짜고, 그곳의 대표 음식을 직접 맛보는 식도락 여행을 떠납니다. 전국의 숨은 고기집을 찾아다니며 지역마다 다른 육질과 양념의 차이를 확인하는 여행 방식을 고집합니다.
인구통계 조건만으로는 “37세 남성”까지가 전부입니다. 이 사람이 배달 앱보다 직접 매장에 가는 걸 즐기고 주말마다 빵집을 돈다는 건 그다음 줄에서 나옵니다 — 사업 가설은 대개 그 줄에서 갈립니다.
그래서 답이 어떻게 나오나요
“AI에게 한국 소비자가 어떻게 생각할지 물어보는 것”과는 다릅니다. 실제로는 이렇게 동작합니다.
조건에 맞는 사람을 뽑습니다
“30~40대 · 서울 거주 · 자녀 있음” 같은 조건으로 100만 명 중에서 추립니다. 여러 명을 평균 낸 가상의 “평균 소비자” 한 명을 만드는 것이 아닙니다.
각자 자기 프로필로 답합니다
뽑힌 사람들은 자신의 직업·가족·소비 습관을 근거로 같은 질문에 답합니다. 서로 다른 사람이므로 답도 갈립니다.
답을 하나하나 셉니다
보여드리는 비율은 그 개별 응답을 실제로 센 숫자입니다. AI에게 “한국 30대는 어떻게 생각할까?”라고 요약을 시키지 않습니다.
이 구분이 중요한 이유 — AI에게 집단을 요약시키면 다양성이 사라진 “평균적인 한 사람”이 나오고, 소수 의견은 통째로 지워집니다. 개별 응답을 세는 방식은 그 붕괴를 막기 위한 것입니다.
이 데이터가 못 하는 것 — 그리고 그래서 저희가 하지 않는 것
데이터셋이 스스로 밝힌 한계와, 저희가 직접 재본 편향입니다. 각 한계는 제품에서 지키는 규칙과 한 쌍으로 묶여 있습니다.
성별·소득·학력·전공이 각각 독립적으로 생성됐습니다. 항목별 분포는 국가통계와 맞지만, 그 조합까지 맞는다는 근거는 데이터셋 자체에 없습니다.
→ “디자인 전공 30대 여성의 X%” 같은 교차 세그먼트 수치를 만들지 않습니다.
이 데이터셋을 다룬 피어리뷰 논문이나 공식 기술보고서는 존재하지 않습니다. 공개된 것은 데이터셋 카드와 제작사 문서뿐입니다.
→ “피어리뷰된 데이터”라고 표기하지 않습니다.
국가통계 분포와 실제로 얼마나 맞는지에 대한 적합도 검정도, 제3자 감사도 공개된 적이 없습니다.
→ 제작사의 주장을 그대로 옮기지 않고, 저희가 직접 대조합니다 — 아래가 그 결과입니다.
저희가 직접 재보니 평균 연령이 50.7세였고, “학생” 직업 라벨은 아예 없습니다.
→ 청년·학생 타겟 결과는 더 보수적으로 읽도록 안내합니다.
제작사는 이 데이터가 한국 인구통계에 정박했다고 말합니다. 하지만 그게 실제로 맞는지 확인한 결과는 어디에도 공개돼 있지 않습니다.
그래서 저희가 직접 확인했습니다. 이미 발표된 한국의 공표 조사에 같은 문항·같은 인구 구성으로 이 100만 명을 붙여보고, 얼마나 맞았고 얼마나 틀렸는지를 전부 기록했습니다. 아래가 그 결과입니다.
지금 검증된 것 — 한눈에
13개 시장 분야에서 저희 자체 발굴 알고리즘의 신호 강도를 보여드립니다 — 이 등급은 저희 내부 측정치이며, 외부 검증과는 별개입니다.
고객 발굴 신호가 뚜렷한 분야
기본 신호는 있지만 계속 보완하는 분야
아직 신호가 약해 다른 방식으로 보완하는 분야
왜 이 페이지가 있나요
신뢰를 주장하는 대신, 신뢰를 쌓기 위해 하는 일을 — 실패까지 — 공개합니다.
가상 고객의 신뢰성은 “얼마나 정확한가” 한 문장으로 증명되지 않습니다. 어떤 문항은 실제 조사와 잘 맞고, 어떤 문항은 체계적으로 빗나갑니다. 정직한 답은 그 경계를 드러내는 것이라, 잘 맞는 것과 빗나가는 것을 같은 비중으로 기록합니다.
지금까지 한 일
신뢰성을 높이기 위해 실제로 구축하고 바꾼 것들입니다. 제목을 누르면 자세한 내용이 열립니다.
2026.07공개 조사와 직접 대조하는 검증 체계 구축▸
이미 발표된 실측 조사(학술 논문·정부기관 국가승인통계)를 같은 문항·같은 모집단으로 재현해 시뮬 결과와 맞대보는 백테스트 하네스를 만들고, 한국의 공표 조사 12건(정부기관 국가승인통계 7건 · 학술 논문 4건 · 조사기관 발표 1건, 응답자 249~74,000명)과 대조했습니다. 잘 맞는 문항만 고르지 않고 전부 기록합니다.
2026.07모든 수치에 "기준선" 병기▸
“정확도 91%” 같은 단독 숫자는 의미가 없습니다. 아무 정보 없이 찍는 예측기(동전 던지기·균등분포)가 몇 점인지 항상 나란히 적어, 우리 성적이 그 기준선을 실제로 넘는지 아닌지 스스로 드러나게 했습니다.
2026.07"안 되는 영역"을 유형별로 공개▸
실패를 뭉뚱그리지 않고 서로 다른 메커니즘으로 나눠 기록합니다 — 상징과 실제의 역전을 못 잡는 경우, 경험·의향 비율을 낮게 보는 경향, 예/아니오 문항의 쏠림 등. 원인이 미확정인 것은 미확정이라고 씁니다.
2026.07사전등록 — 발표 전에 예측을 봉인▸
지나간 조사를 맞히는 것은 "모델이 답을 외웠다"는 반론이 남습니다. 그래서 아직 조사가 시작되지 않은 지표를 미리 예측하고, 그 예측을 변경 불가능한 기록(커밋 해시)으로 잠갔습니다. 결과는 좋든 나쁘든 전량 공개하기로 서약했습니다.
2026.07사업계획서 오용을 막는 출처 라벨▸
합성 응답을 “자체 설문조사 결과”처럼 옮겨 적으면 공식 서류에서 허위 근거가 됩니다. 제품이 생성하는 사업계획서에는 “자체 AI 소비자 시뮬레이션(가상 고객 N명) 중 X명” 형식의 출처를 본문과 문서 말미에 강제로 넣도록 바꿨습니다.
2026.07점수를 조작할 수 없는 구조▸
모든 성적표는 그 점수를 낸 시뮬레이션 설정(코드 커밋)에 묶여 기록됩니다. 프롬프트를 바꾸면 옛 점수를 덮어쓰지 못하고 새 기록이 나란히 남아, 점수를 좋게 만지면 그 사실 자체가 이력으로 드러납니다. 특정 벤치마크에 맞춘 튜닝은 금지입니다.
지금 하고 있는 일
아직 끝나지 않았고, 진척과 결과를 계속 여기에 기록합니다.
사전등록 1호 결과 채점
매월 발표되는 고정 지표의 7월호를 조사 시작 전에 예측해 봉인했습니다. 발표(7월 말~8월 초) 후 실측과 대조해 결과를 공개합니다 — 이 첫 채점이 사전등록의 실제 시험입니다.
대조군(카나리아) 내부 검증
설문에 "문제를 가졌다고 판정되지 않은" 합성 응답자 대조군을 함께 돌려, 신호가 진짜인지 프롬프트가 만든 착시인지 가려냅니다. 판정 규칙은 결과를 보기 전에 문서로 봉인했고, 회차마다 결과를 좋든 나쁘든 기록하고 있습니다.
예측 → 실제 결과 대조 축적
제품이 내놓은 예측(계속/피벗/중단 판정)을 시점과 함께 기록해, 실제 창업 결과가 돌아왔을 때 맞았는지 비교할 수 있는 토대를 쌓고 있습니다. 개별 사례 공개는 본인 동의를 전제로 합니다.
특허출원 2건
핵심 방법을 사내 노하우로만 두지 않고 공개 문서로 고정했습니다. 2026년 7월 23일 출원했으며, 등록 여부는 앞으로의 심사에서 결정됩니다.
검색 트렌드 API의 호출 간 교차보정과 문제 대리어 분해를 이용한 시장 수요 계측 방법 및 시스템
축소 직업명 사전에 대한 임베딩 검색과 코퍼스 정확매칭을 결합한 인물 레코드 후보 집합 구성 방법 및 시스템
출원은 등록이 아닙니다. 심사로 등록이 확정되기 전까지 제품과 홍보 어디에도 “특허 기술”로 표기하지 않습니다.
일부러 하지 않는 것
하지 않기로 한 것을 밝히는 것도 신뢰의 일부입니다. 아래는 유혹이 있어도 하지 않는 선입니다.
단일 숫자는 대부분 마케팅입니다. 문항 유형별로 강한 곳과 약한 곳을 나눠서만 말합니다.
선별 공개는 검증이 아니라 광고입니다. 실패한 벤치마크도 같은 비중으로 싣습니다.
벤치마크 점수를 올리려 프롬프트를 손대는 것은 금지이며, 손대면 버전 이력에 남습니다.
검증한 도메인은 식음료 소비자 조사뿐입니다. 검증하지 않은 영역까지 검증된 것처럼 보이게 하지 않습니다.
말이 아니라 숫자로 확인하고 싶으신가요? 실제 공표 조사와 대조한 성적표와 실패 사례를 전부 공개합니다.
검증 성적과 방법론 자세히 보기 →