AI 기반 사용자 리서치 synthesis 워크플로우 구축(Build an AI-powered user research synthesis workflow)

문제

당신의 받은편지함에는 사용자 인터뷰 10개가 쌓여 있습니다. 각각 45분 분량의 풍부한 정성 데이터입니다. 팀은 2주 동안 신중하게 리크루팅하고, thoughtful한 discussion guide를 준비하고, 진심 어린 공감으로 인터뷰를 진행했습니다. 그런데 지금은 방치되어 있습니다. synthesis가 인터뷰 자체보다 더 오래 걸리기 때문입니다.

이것이 사용자 리서치의 불편한 진실입니다. User Interviews의 2023 연구에 따르면 정기적으로 사용자 인터뷰를 수행하는 팀도 그중 40% 미만만 실행 가능한 인사이트로 synthesis합니다. 나머지는 공유 드라이브 안에서 서서히 퇴색하고, 불완전하게 기억되고, 선택적으로 인용되다가 결국 잊힙니다.

문제는 의지가 아닙니다. 처리량(throughput)입니다. 인터뷰 하나만 해도 8,000-12,000단어의 transcript가 생깁니다. 열 개를 synthesis하려면 10만 단어를 가로질러 패턴을 맞춰야 하고, 동시에 각 참가자의 맥락도 보존해야 합니다. 이 일은 인지적으로 매우 고되고, 대부분의 팀에는 이를 전담할 리서처가 없습니다.

Nielsen Norman Group는 단 5번의 사용자 테스트만으로도 usability issue의 85%를 식별할 수 있다고 말합니다. 다만 그 테스트들이 제대로 synthesis되었을 때만 그렇습니다. synthesis가 없으면 다섯 번의 테스트는 다섯 개의 데이터 포인트가 아니라, 다섯 개의 일화에 머뭅니다.

synthesis 병목

synthesis 없는 리서치는 결국 대화에 불과합니다. 가치는 인터뷰 한 건에 있는 것이 아니라, 여러 인터뷰를 가로질러 떠오르는 패턴에 있습니다. synthesis가 느리면 로드맵은 전체 증거 체계가 아니라, PM이 마지막으로 기억하는 인터뷰 한 건 위에 세워집니다. 그래서 한 명의 목소리 큰 사용자를 위해 만드는 팀이 생기고, 실제 시장 니즈를 놓치게 됩니다.

이 프롬프트의 작동 방식

이 프롬프트는 정성 데이터의 뉘앙스를 잃지 않으면서 interview transcript를 구조화된 인사이트로 바꾸는 AI 기반 리서치 synthesis 워크플로우를 만듭니다.

워크플로우는 네 단계로 작동합니다.

• Transcript ingestion: 원본 transcript나 인터뷰 노트를 시스템에 넣습니다. AI는 각 인터뷰에서 verbatim quote, 행동 관찰, pain point, 미충족 니즈를 추출합니다.
• Code generation: AI는 모든 transcript에 걸쳐 thematic coding을 적용해 반복되는 테마, 모순, outlier를 식별합니다. 리서치 질문에서 나온 deductive code와 데이터에서 떠오른 inductive code를 함께 사용합니다.
• Pattern synthesis: 코딩된 데이터는 insight statement로 묶이며, 각 인사이트는 구체적 증거에 기반합니다. 모든 인사이트는 이를 뒷받침하는 참가자와 quote로 다시 연결됩니다.
• Opportunity mapping: 인사이트는 Teresa Torres의 Opportunity Solution Tree 프레임워크와 호환되는 opportunity statement로 번역되어, 바로 우선순위화할 수 있게 됩니다.

결과물은 provenance를 잃어버린 AI 요약이 아니라, 증거 사슬(evidence chain)을 갖춘 구조화된 synthesis 문서입니다.

언제 사용할까

• 처리되지 않은 인터뷰 backlog가 쌓여 있고 따라잡아야 할 때
• 팀이 인터뷰는 꾸준히 하지만 roadmap input으로 바꾸는 데 어려움을 겪을 때
• 전담 리서처를 채용하지 않고도 research synthesis를 확장하고 싶을 때
• 이해관계자에게 리서치 결과를 보여줘야 하고, 엄밀한 evidence chain이 필요할 때

흔한 함정

• AI를 맹신하기. AI는 pattern matching에는 강하지만 sarcasm, social desirability bias, 문맥 의존 의미를 감지하는 데는 약합니다. 코딩된 데이터를 실제 대화 기억과 반드시 대조하세요.
• 원본 검토를 건너뛰기. synthesis를 돌리기 전에 transcript의 최소 20%는 직접 읽으세요. AI가 만든 패턴이 진짜인지 판단하려면 데이터에 대한 감이 필요합니다.
• 너무 일찍 synthesis하기. 최소 다섯 건의 인터뷰가 쌓일 때까지 기다리세요. 다섯 건 미만이면 패턴이 아니라 노이즈에서 의미를 읽고 있을 가능성이 큽니다.

더 읽어보기

• The State of User Research Report - User Interviews
• How Many Test Users in a Usability Study - Nielsen Norman Group
• Continuous Discovery Habits: Opportunity Solution Trees - Product Talk