AI 사용자 리서치 합성기(AI User Research Synthesizer)

당신의 사용자 리서치는 지금 Google Doc 묘지에 묻혀 있다

한 번은 PM이 분기 로드맵을 VP에게 발표하는 자리를 본 적이 있습니다. VP가 간단한 질문을 했습니다. "지난 인터뷰 라운드에서 사용자들이 이 문제를 뭐라고 했죠?" PM은 얼어붙었습니다. 그 분기에 인터뷰를 22건이나 했지만, 대본은 공유 드라이브 어딘가에 있었고, 인사이트는 머릿속에 조금 남아 있었을 뿐이었습니다. 기억 편향과 희망사항이 섞인 상태로요.

이런 일은 아주 흔합니다. 팀은 참가자 모집, 세션 진행, 녹화까지 포함해 리서치에 수천 달러와 많은 시간을 씁니다. 그리고 대본을 폴더에 던져두고 신호의 10% 정도만 겨우 뽑아냅니다.

합성 병목은 진짜다

계산해보면 이렇습니다. 45분짜리 사용자 인터뷰 하나는 대략 7,000단어의 transcript를 만듭니다. 일반적인 research sprint에는 8-15개의 인터뷰가 있습니다. 즉 56,000자에서 105,000자 수준의 raw data가 생깁니다. PM 한 명이 이걸 전부 읽고 coding하려면 20-30시간이 걸립니다. sprint commitment와 stakeholder fire 사이에서는 거의 존재하지 않는 시간입니다.

Dovetail의 2024 State of Research에 따르면 제품팀의 67%가 분석 가능한 양보다 더 많은 research data를 갖고 있다고 답했습니다. 인사이트는 이미 거기 있습니다. 다만 아무도 찾을 시간이 없습니다.

이것이 중요한 이유는 부분적 합성이 위험한 blind spot를 만들기 때문입니다. Interview #3의 감정적인 quote와 Interview #11의 feature request는 기억나지만, 더 깊은 unmet need를 가리키는 #5, #8, #14 사이의 패턴은 놓치게 됩니다. 나머지는 confirmation bias가 채웁니다.

Teresa Torres는 Continuous Discovery 작업에서 이 점을 강조합니다. 목표는 더 많은 리서치가 아니라 더 나은 합성입니다. 이제 누구나 사용자 데이터를 어느 정도는 갖고 있습니다. 경쟁우위는 데이터 접근이 아니라, 그것을 얼마나 빠르고 정확하게 해석하느냐에 있습니다.

이 프롬프트가 돕는 방식

이 프롬프트는 interview transcript, survey response, support ticket 같은 raw research data를 받아 theme extraction, sentiment mapping, prioritized recommendation이 포함된 구조화된 분석으로 바꿉니다. 수작업 coding에서는 놓치기 쉬운 패턴도 잡아냅니다. 사용자가 말한 것과 한 것의 모순, 기존 카테고리에 맞지 않는 emergent theme, 정중한 표현 속에 숨은 severity signal 같은 것들입니다.

언제 꺼내 쓸까

• research sprint를 막 마쳤고 다음 planning cycle 전에 10개 이상의 transcript를 합성해야 할 때
• support ticket volume이 너무 많아 수작업 분석이 불가능하지만, 그 안에 제품 신호가 있다는 걸 알고 있을 때
• NPS comment, interview transcript, app review처럼 여러 출처의 데이터를 합쳐 하나의 시각으로 봐야 할 때
• leadership에 발표하기 전에 수작업 synthesis가 놓친 것이 없는지 검증하고 싶을 때
• 지저분한 정성 데이터를 엔지니어링 팀이 실제로 행동할 수 있는 형태로 바꾸고 싶을 때

좋은 결과물의 모습

좋은 output은 데이터셋 전체를 가로지르는 근거와 함께 5-8개의 theme를 드러내고, positive/negative를 넘어서 frustration, confusion, delight 같은 구체 감정 단위의 sentiment breakdown을 보여주며, 인사이트를 실제 제품 결정에 연결하는 recommendation 섹션을 포함해야 합니다. 또한 데이터 품질 이슈도 표시해야 합니다. 예를 들어 "12개 인터뷰 중 3개가 power user라 advanced feature 쪽으로 theme weighting이 치우쳤을 수 있다" 같은 식입니다.

참고 자료

• State of Research in Product 2024 — Dovetail
• Continuous Discovery Habits — Teresa Torres / Product Talk
• When Research Goes to Waste — Harvard Business Review