제품 FGI 견적을 받아보면 좌담회 한 그룹에 350만 원부터 시작하는 경우가 많죠. 이 숫자 앞에서 조사를 통째로 접고 감으로 컨셉을 정한 경험, 작은 브랜드라면 한 번쯤 있으실 거예요.
그런데 최근 한 글로벌 생활용품 회사가 사람 대신 AI로 만든 합성 소비자에게 같은 질문을 던져봤는데, 결과가 생각보다 쓸 만하게 나왔어요. 실제 응답자 수천 명이 남긴 답과 거의 붙는 수준이었거든요.
다만 같은 연구에서 확실히 빗나가는 구간도 함께 드러났어요. AI로 FGI를 돌릴 때 어디까지 믿어도 되는지, 정확도를 끌어올리려면 무엇을 손봐야 하는지 하나씩 정리해 볼게요.
FGI 정의와 350만 원짜리 견적
FGI, 그러니까 포커스그룹인터뷰는 소비자 6~10명을 한자리에 모아놓고 진행자가 대화를 이끌면서 제품이나 컨셉에 대한 속마음을 꺼내는 정성조사예요. 설문처럼 숫자만 받는 게 아니라 왜 그렇게 느꼈는지까지 들을 수 있다 보니, 신제품 개발 단계에서 특히 많이 쓰는 편이고요.
가장 먼저 걸리는 건 비용이에요. 국내 조사 대행사들이 공개한 가격대를 보면 개별 인터뷰가 200만 원대부터, 좌담회 한 그룹이 350만 원대부터 시작하고, 두 그룹 이상 돌리면 500만 원을 넘기는 경우가 많아요. 여기에 대상자 모집과 진행 가이드 작성, 모더레이터, 녹취 정리, 보고서까지 붙으면 견적은 더 올라갈 수밖에 없고요.
비용을 감당하기로 해도 일정이 또 남아요. 조건에 맞는 참가자를 모으고 날짜를 맞추는 데만 몇 주가 걸리다 보니, 컨셉을 이번 달 안에 확정해야 하는 상황이라면 조사 일정 자체가 안 맞는 경우도 생기죠.
그러다 보니 작은 브랜드가 실제로 택하는 건 조사를 아예 건너뛰는 쪽인 경우가 많아요. 대표의 감과 지인 몇 명 의견으로 컨셉을 정하고 곧장 출시로 넘어가는 거죠. 문제는 이렇게 가면 여러 후보 중 뭐가 나은지 한 번도 좁혀보지 못한 채로 제품이 나가서, 시장에서 처음 반응을 받아보게 된다는 점이에요.
FGI 대신 AI에게 물어본 치약 회사 사례
앞에서 말한 회사는 치약과 칫솔로 익숙한 콜게이트파몰리브예요. 데이터 분석 기업 PyMC Labs와 함께 실험 결과를 논문으로 공개했는데, 2025년 10월에 나온 자료고 콜게이트 소속 연구자도 공동 저자로 이름을 올렸어요.
실험 방식 자체는 단순한 편이에요. 구강 관리 제품으로 이미 돌렸던 소비자 설문 57건을 꺼내 왔는데, 여기에 실제 응답자 9,300명의 구매 의도 답변이 들어 있었거든요. 똑같은 질문을 AI가 연기하는 합성 소비자에게 던진 다음, 사람이 낸 답과 얼마나 붙는지를 맞대어 본 거예요.
사람끼리도 답이 달라진다는 기준선
결과부터 보면 합성 소비자의 답과 실제 응답의 상관은 0.72로 나왔어요. 1에 가까울수록 두 답이 붙는다는 뜻인데, 0.72라는 숫자만 떼어놓고 보면 어중간해 보이죠.
그런데 비교 상대를 AI가 아니라 사람으로 바꿔보면 얘기가 달라져요. 같은 설문을 같은 사람에게 다시 물어봐도 상관은 0.80에서 0.85 정도에 그치거든요. 사람도 며칠 지나 같은 질문을 받으면 그날 기분에 따라 다르게 답하니까요.
이 기준선을 놓고 보면 0.72는 사람이 낼 수 있는 최고치의 90%쯤 되는 숫자예요. 조사에는 애초에 아무도 못 넘는 천장이 있는데, 합성 소비자가 그 천장 바로 아래까지 따라붙은 셈이죠. 응답이 몰리는 분포 모양까지 봐도 실제와 85% 넘게 겹쳤고요.
5만 달러짜리 설문과 프롬프트 여덟 번
비용을 나란히 놓으면 격차가 더 선명해져요. 이 회사가 설문 한 건에 쓰던 돈은 5만 달러였는데, 설문마다 실제 응답자를 150명에서 400명씩 새로 모집해야 했으니 그만한 견적이 나올 수밖에 없었고요.
반면 합성 소비자로 같은 수준까지 가는 데 들어간 건 프롬프트를 여덟 번에서 열 번쯤 고쳐 쓰는 작업이었어요. 물론 처음 던진 질문부터 잘 나온 건 아니고, 묻는 방식을 바꿔가며 계속 조율한 끝에 나온 숫자죠.
실제로 AI에게 1점에서 5점 중 하나를 고르라고 시켰을 때는 상관이 0.66에 그쳤는데, 자유롭게 문장으로 답하게 한 뒤 그 문장을 점수로 환산하자 0.72까지 올라갔어요. 도구를 바꾼 게 아니라 묻는 방식만 바꿔서 벌어진 차이라, 이 실험에서 가장 눈여겨볼 대목이기도 하고요.
AI FGI를 돌리는 합성 소비자란
합성 소비자는 실제 사람 대신 AI로 만들어낸 가상의 소비자 집단을 말해요. 우리 타깃과 비슷한 조건을 가진 페르소나를 몇 명 만들어두고, 거기에 컨셉이나 네이밍 후보를 던져 반응을 받아보는 방식이죠.
사람 조사와 가장 크게 다른 점은 속도와 반복이에요. 컨셉을 넣으면 반응이 바로 돌아오고, 같은 대상에게 표현만 바꿔가며 몇 번이든 다시 물어볼 수 있거든요. 한 번 모집한 참가자를 다시 불러 열 번씩 되묻기는 현실적으로 어렵지만, 합성 소비자에게는 그런 제약이 없는 편이죠.
해외 얘기만도 아니에요. 오픈서베이가 2026년 7월 자사 플랫폼에 합성 소비자와 대화하는 기능을 공개했는데, 트렌드 리포트나 설문 데이터로 세그먼트를 잡고 그 세그먼트를 대표하는 페르소나와 직접 인터뷰하는 방식이에요. 대화가 끝나면 정량 데이터와 인터뷰 내용을 묶은 보고서를 주고, 데이터가 없는 항목은 페르소나 프로필을 근거로 추론해 답하는 구조고요.
정리하면 합성 소비자는 조사를 없애주는 도구라기보다, 예산 결재가 난 다음에야 시작할 수 있던 스크리닝을 결재 앞단으로 당겨주는 도구에 가까워요. 없던 답을 만들어주는 게 아니라 답을 구하는 순서를 바꿔주는 셈이죠.
AI FGI에서 주의할 구간
앞의 숫자만 보면 웬만한 건 다 맡겨도 될 것 같지만, 같은 연구들에서 확실히 빗나가는 구간도 함께 잡혔어요. 어디까지 맡기고 어디서 멈출지는 이 선을 알아야 정할 수 있고요.
가격과 변화 추적에서 벌어지는 오차
조사 그룹 Strat7이 2026년 7월 공개한 검증 연구를 같이 보면 좋아요. 실제 응답자 3,000명으로 꾸린 전국 대표 표본과, 합성 데이터 회사 두 곳이 내놓은 결과를 나란히 맞대어 본 조사거든요.
겉으로 드러나는 기본 지표는 그럭저럭 따라왔어요. 평균 2~3%포인트 차이라, 큰 방향을 잡는 데는 무리가 없는 수준이죠.
벌어지는 건 그 아래였어요. 합성 응답자가 매긴 가격은 실제 사람보다 16% 높게 나왔고, 가격을 순서대로 배열하는 과제에서는 논리적 순서가 68% 확률로 깨졌거든요. 그나마 실제 데이터를 일부 섞자 32.8%까지 내려갔고요.
가장 눈여겨볼 대목은 변화 추적이에요. 두 시점 사이에 수치가 어느 방향으로 움직였는지 맞힌 비율이 동전 던지기와 다를 바 없는 47%에 머물렀거든요. 지난 분기보다 우리 브랜드 선호가 올랐는지 내렸는지를 합성으로 확인하려 했다면, 그 답은 절반쯤 반대로 나올 수 있다는 뜻이죠.
조건을 비우면 반토막 나는 정확도
앞서 본 콜게이트의 0.72에도 조건이 붙어 있었어요. 페르소나에서 나이와 소득, 성별 정보를 빼자 같은 실험의 상관이 0.72에서 0.39로 주저앉았거든요. 누구에게 묻는지를 흐릿하게 두면 정확도가 반토막까지 날 수 있다는 얘기죠.
조건을 다 채워도 아예 성립하지 않는 영역은 따로 있고요. 의료나 희귀질환처럼 실제 데이터가 드문 주제는 AI가 참고할 재료 자체가 없다 보니, 답변이 그럴듯한 허구로 채워지기 쉬워요.
그래서 현장에서 잡는 기준선은 대체로 한 지점으로 모이는 편이에요. 미국 대행사 크로울리웹의 데이터 분석 총괄도 합성 데이터만으로는 프로젝트를 80%까지만 끌고 갈 수 있고 나머지 20%는 실제 사람이 검증해야 한다고 선을 그었고요.
AI 응답에 기본으로 깔린 편향 3가지
정확도와 별개로, AI 응답에는 처음부터 깔려 있는 습관 같은 게 있어요. 이걸 모르고 화면에 뜬 답만 읽으면 결과를 반대로 해석할 수도 있거든요.
첫째는 평균 회귀예요.
응답이 가운데로 몰리는 성향이라, 실제 소비자 사이에 있던 극단적인 호불호나 편차가 밋밋하게 지워질 수 있어요.
둘째는 동조예요.
질문이 원하는 답을 눈치채고 거기 맞춰주는 성향이라, 이 컨셉 괜찮지 않냐고 물으면 괜찮다는 답이 돌아오기 쉽고요.
셋째는 순서 편향이에요.
여러 선택지를 한꺼번에 보여주면 마지막에 제시된 쪽을 더 고르는 식이죠. 앞서 본 가격 순서 붕괴도 여기서 비롯된 것으로 보이고요.
세 가지가 겹치면 결과가 한 방향으로 쏠리기 쉬워요. 어떤 컨셉을 물어도 다 괜찮다는 답이 돌아오는 상태가 되거든요. 그 화면을 그대로 보고서에 옮겨 적으면, 실제 시장과 동떨어진 결론을 검증된 데이터처럼 들고 가게 될 수도 있고요.
AI FGI 정확도를 올리는 4단계
그래서 결과를 좌우하는 건 도구 자체보다 쓰는 방법에 가까워요. 콜게이트 실험에서도 묻는 방식 하나 바꿨을 뿐인데 0.66이 0.72가 됐으니까요. 실무에서 정확도를 끌어올릴 때 손대볼 만한 순서를 4단계로 정리했어요.
1단계 : 페르소나를 우리 데이터로 채우기
가장 먼저 손볼 건 페르소나예요. 우리 타깃 소비자 5명 만들어줘 정도로 막연하게 시작하면, AI는 인터넷 어딘가에서 평균을 낸 소비자를 만들어 놓거든요. 앞서 상관이 0.39까지 떨어졌던 상태가 딱 이 경우고요.
다행히 넣을 재료는 이미 우리 손에 있는 경우가 많아요. 자사몰 리뷰 원문, CS로 들어온 문의와 불만, 반품 사유, 주문 데이터에 남은 재구매 주기, 예전에 돌린 설문 결과, 커뮤니티 반응 같은 것들이죠. 이런 실제 목소리를 페르소나의 근거로 깔아주면 평균값 소비자가 아니라 우리 고객에 가까운 인물이 나올 가능성이 높아져요.
여기에 지시를 하나 얹어두면 더 안전해요. 아는 사실과 추측을 구분해서 답하고, 근거가 없는 항목은 모른다고 말하라고 미리 못을 박아두는 거예요. 그래야 AI가 빈칸을 그럴듯한 상상으로 메우는 일을 줄일 수 있거든요.
2단계 : 점수 대신 문장으로 답하게 하기
두 번째로 볼 건 묻는 형식이에요. 콜게이트 실험에서 숫자를 고르라고 했을 때 0.66이던 상관이, 문장으로 답하게 한 뒤 그 답을 점수로 환산하자 0.72까지 올라갔으니까요.
실무에서도 그대로 적용해볼 수 있어요. 이 컨셉에 몇 점을 주겠냐고 묻는 대신 어떻게 느끼는지 문장으로 말해달라고 한 다음, 그 답을 읽고 등급은 우리가 매기는 거예요. 점수를 강요하면 AI는 무난한 가운데 값으로 도망가지만, 말로 풀게 하면 망설이는 지점이 문장에 드러나는 편이거든요.
3단계 : 고르는 데 말고 거르는 데 쓰기
세 번째는 역할을 나눠두는 거예요. 합성 소비자에게는 후보를 떨어뜨리는 일만 맡기고, 최종 선택은 사람 쪽에 남겨두는 편이 안전해요.
예를 들어 컨셉이나 네이밍 후보가 10개 있다면, 합성 소비자로 먼저 2~3개까지 줄여보는 거죠. 확실히 반응이 나쁜 후보를 떨어뜨리는 작업이라 오차가 조금 있어도 결론이 크게 흔들리지 않고요. 그렇게 살아남은 2~3개만 실제 소비자에게 붙여서 진짜 선택을 받으면 돼요.
대신 미리 못 박아둘 선이 하나 있어요. 합성 결과만으로는 출시를 결정하지 않는다는 원칙이죠. 특히 얼마까지 낼 의향이 있는지, 지불 의사 금액만큼은 합성 결과를 그대로 옮겨 쓰지 않는 게 안전해요. 앞서 본 16% 과대 응답이 튀어나오는 자리가 바로 여기니까요.
4단계 : 편향을 상쇄하는 질문 설계
마지막은 앞에서 본 편향을 질문 설계로 눌러주는 단계예요. 다 괜찮다고 답하는 성향을 그대로 두면 어떤 후보를 넣어도 비슷한 점수가 나오니, 일부러 반대 방향에서 물어보는 게 좋아요.
가장 손쉬운 방법은 좋은지를 묻는 대신 사지 않을 이유부터 묻는 거예요. 이 컨셉이 마음에 드는지가 아니라, 이걸 안 산다면 그 이유가 뭘 것 같은지를 먼저 꺼내는 거죠. 눈치껏 맞춰주는 성향을 거꾸로 이용하는 셈이고요.
선택지 순서를 섞어서 같은 질문을 여러 번 돌려보는 것도 도움이 돼요. 순서를 바꿨더니 답이 흔들린다면, 그건 진짜 선호가 아니라 순서 편향일 가능성이 높거든요. 여기에 페르소나 한 명에게 너는 이 컨셉에 회의적인 소비자라는 역할을 얹어주면, 밋밋하게 쏠리던 반응에 반대 목소리가 섞이기도 하고요.
FGI에서 사람이 꼭 필요한 20%
그래서 합성만으로 끝까지 가는 그림은 현실에서 잘 안 나와요. 해외 사례에서도 완전 합성 방식은 광고주 수용도가 낮아서, 조사에 참여한 광고주 전원이 합성과 사람을 섞은 하이브리드를 택했거든요. 그럼 사람으로 채워야 하는 20%는 어느 정도까지 줄일 수 있을까요.
최소 구성은 세 가지 정도로 잡아볼 수 있어요. 첫째는 기존 고객 5~8명과의 개별 인터뷰예요. 이미 우리 제품을 써본 사람들이라 모집이 상대적으로 수월하고, 합성으로 좁혀둔 후보를 그대로 붙여 확인받기에도 좋고요.
둘째는 소셜 리스닝이에요. 리뷰와 커뮤니티 원문을 직접 읽으면서 소비자가 실제로 쓰는 말과 맥락을 확인하는 작업이죠. 셋째는 소규모 온라인 설문인데, 항목을 잔뜩 넣지 않고 합성에서 살아남은 후보의 순위만 확인하는 용도라면 규모를 크게 잡지 않아도 되는 편이고요.
비용을 더 눌러야 한다면 오프라인 좌담회 대신 온라인 정성조사로 돌리는 방법도 있어요. 장소를 빌리고 참가자를 한자리에 모으는 비용이 빠지다 보니, 앞서 본 견적에서 상당 부분을 덜어낼 수 있거든요.
대신 한 가지는 꼭 지키는 게 좋아요. 보고서에 어떤 결론이 합성 소비자에게서 나왔고 어떤 결론이 실제 사람에게서 나왔는지, 출처를 나눠서 적어두는 거예요. 둘을 섞어두면 몇 달 뒤 그 자료를 다시 꺼내 보는 사람이 합성 응답을 실제 조사 결과로 오해할 수 있거든요.
조사를 없애는 게 아니라 순서를 바꾸는 도구
정리하면 AI로 돌리는 FGI는 조사를 대체하는 도구가 아니에요. 달라지는 건 조사의 순서죠. 예산을 크게 쓰기 전에 합성으로 후보를 좁히고, 살아남은 후보만 사람에게 붙여서 확인하는 흐름이에요.
작은 브랜드가 얻는 실익도 여기서 나와요. 예전에는 견적과 일정에 막혀 조사를 통째로 건너뛰고 감으로 결정했다면, 이제는 적어도 후보를 좁혀놓고 들어갈 수 있으니까요. 컨셉 10개를 그대로 안고 출시하는 것과, 2~3개로 줄인 뒤 그중 하나를 사람에게 확인받고 내보내는 건 실패 확률부터 다를 수밖에 없고요.
다만 도구가 대신 해주지 못하는 일이 두 가지 남아요. 무엇을 물어볼지 정하는 일과, 합성과 실제가 어긋났을 때 그 차이를 읽어내는 일이죠. 콜게이트도 프롬프트를 여덟 번 넘게 고쳐 쓴 끝에 그 숫자를 얻었는데, 그 과정을 설계한 건 결국 사람이었고요.
그래서 이 방식을 제대로 굴리려면 무엇을 물을지 설계하고 결과를 해석해줄 사람이 한 명은 필요해요. 내부에 그런 경험을 가진 사람이 없다면, 필요한 기간만 검증된 마케터의 손을 빌리는 것도 방법이 될 수 있고요. 우리 브랜드가 지금 어느 단계에 있고 무엇부터 확인해야 하는지 정리하고 싶다면 성장 단계별 마케팅 실행 가이드를 먼저 받아보셔도 좋아요.
FGI 관련 자주 묻는 질문
AI FGI가 실제 FGI를 완전히 대체할 수 있나요
방향을 잡는 단계까지는 대체해볼 수 있지만, 결정을 내리는 단계까지는 아니에요. 현장에서 잡는 기준선도 합성으로 80%까지 끌고 가고 나머지 20%는 실제 사람이 검증하는 정도라고 보시면 좋아요.
우리 브랜드는 데이터가 별로 없는데 그래도 쓸 수 있나요
리뷰 몇십 건과 CS 문의 로그 정도만 있어도 시작해볼 수 있어요. 다만 나이나 소득 같은 기본 조건까지 비워두면 정확도가 절반 가까이 떨어질 수 있으니, 아는 정보는 최대한 채워 넣는 편이 좋고요.
AI FGI 결과를 투자 자료나 대표 보고에 써도 되나요
몇 퍼센트가 이렇게 생각한다는 식의 수치 주장에는 쓰지 않는 편이 좋아요. 근거가 필요한 자리라면 합성으로 후보를 좁힌 다음, 실제 조사에서 나온 수치를 붙이는 순서로 가는 게 안전하고요.
어떤 카테고리에서는 아예 쓰면 안 되나요
의료나 희귀질환처럼 표본이 희소한 영역은 성립하기 어려워요. 학습 데이터에 없는 완전히 새로운 카테고리도 답을 지어낼 수 있다 보니, 이런 주제는 처음부터 사람 조사로 가는 편이 나은 경우가 많고요.
