AI와 생성형 모델 기술이 발전하면서, 사용자 경험(UX) 연구와 테스팅 현장에서 가상 퍼소나를 활용해 테스트 데이터를 수집하거나 사용성을 평가하려는 시도가 급격히 늘고 있습니다. 이를 흔히 '합성 사용자(Synthetic Users)'라고 부릅니다.
하지만 막연히 "AI에게 사용자 역할을 시켜 테스트를 돌린다"고 할 때, 그 가상 사용자가 어떤 방식과 데이터로 생성되었는지 명확히 구분하지 않으면 자칫 왜곡된 결과에 빠질 위험이 있습니다.
UX 및 사용성 리서치 분야의 권위 있는 기관인 MeasuringU에서 이 합성 사용자의 개념을 명쾌하게 분류한 아티클을 공개했습니다. 바로 "What Are the Different Types of Synthetic Users?"라는 글입니다.
(출처: MeasuringU - What Are the Different Types of Synthetic Users? / Jeff Sauro, PhD & Jim Lewis, PhD)
https://measuringu.com/what-are-the-different-types-of-synthetic-users/
Jeff Sauro와 Jim Lewis 박사는 합성 사용자를 단순히 하나의 개념으로 뭉뚱그리지 않고, 생성 기술의 근거와 데이터 기반에 따라 크게 5가지 유형으로 깔끔하게 정리해 줍니다.
첫째는 규칙 기반(Rule-Based) 합성 사용자입니다. AI 모델이 아니라 사전 정의된 조건문, 정규식, 시나리오 스크립트에 따라 움직이는 전통적인 형태의 가상 사용자입니다. 예측 가능하고 정확하지만, 인간 사용자의 복잡한 정서나 미묘한 변수를 반영하진 못합니다. Selenium, Playwright, K6 같은 도구를 통해 지정된 경로대로 버튼을 누르고 데이터를 입력하는 방식을 들 수 있습니다.
둘째는 퍼소나 기반 LLM(Persona-Based LLM) 합성 사용자입니다. 생성형 AI에게 "너는 50대 비테크놀로지 사용자이고 금융 앱을 처음 써보는 사람이야"와 같이 특정 퍼소나와 제약조건을 프롬프트로 부여하여 인터랙션을 모사하도록 만드는 방식입니다. 프롬프트 입력만으로 서베이나 인터뷰 반응을 예측해 주는 정량/정성 UX 리서치 전용 SaaS 서비스들이 이 방식을 채택하고 있습니다. 대표적으로 Synthetic Users나 Askable AI가 여기에 속합니다.
셋째는 행동 데이터 학습 기반(Behavioral Data-Trained) 합성 사용자입니다. 실제 인간 사용자들이 남긴 로그, 마우스 클릭 궤적, 과업 수행 시간, 눈동자 추적(Eye-tracking) 데이터 등을 대량으로 학습하여, 특정 UI 인터페이스에서 인간이 보일 법한 확률적 행동 패턴을 수학적으로 재생성해 내는 모델입니다. 유저의 클릭 히트맵, 마우스 이동 경로, 화면 내 시선 분산을 AI가 학습해 디자인의 시선 집중도와 이탈 지점을 시뮬레이션합니다. 대표적인 AI 히트맵 예측 도구로 3M VAS, Attention Insight, Hotjar AI 등이 활용됩니다.
넷째는 심리/특성 기반(Psychometric/Attribute-Based) 합성 사용자입니다. 사용자의 기술 친화도, 성격 5대 요소(Big Five), 독해력 수준, 작업 기억 용량(Working Memory) 등 인지 심리학적 특성을 변수로 입력하여, 해당 인지 특성을 가진 사람이 시스템에서 겪을 법한 인지적 과부하나 오류를 시뮬레이션합니다. 우울증 치료용 디지털 치료제(DTx)나 항공 관제·차량 인포테인먼트 등 고위험군 UI를 설계할 때 필수적입니다. 인간의 피로도, 주의력 감소, 작업 기억 용량 한계를 정밀하게 함수화한 인지 아키텍처 모델(ACT-R)이나, 에이전트에 인지적 특성을 직접 이식하는 멀티 에이전트 프레임워크(Generative Agents)가 사용됩니다.
다섯째는 혼합형(Hybrid) 합성 사용자입니다. 앞서 언급한 실제 행동 데이터와 심리적 특성, 프롬프트 기반 퍼소나를 결합하여 상황에 맞게 상호작용 능력을 극대화한 가상 사용자입니다. 대규모 이커머스/핀테크의 결제 절차 개편이나 자율주행 차량의 음성+터치 UX 테스트에 활용됩니다. Microsoft의 AutoGen이나 CrewAI 같은 프레임워크를 활용해 실제 유저의 행동 로그 데이터를 학습 데이터로 피딩(Feeding)하고, 여러 인지적 특성을 가진 AI 에이전트 패널을 동시에 구동하여 시뮬레이션합니다.
저 역시 개인적으로 무언가를 만들 때 제 자신을 기준으로 AI에게 부여하고 가상의 사용성 테스트를 시도해 본 적이 있습니다. 확실히 빠르게 초기 허점을 잡아내거나 엣지 케이스 시나리오를 도출하는 데는 쓸모가 있었지만 실제 제가 구현된 제품을 사용할 때는 예상하지 못한 문제가 발생하고는 했습니다.
결론적으로 아직은 합성 사용자가 진짜 인간 사용자를 완전히 '대체'하는 존재가 될 수는 없습니다.
합성 사용자가 내놓는 반응은 결국 과거 데이터나 LLM의 확률적 예측 결과일 뿐이며, 실제 인간이 새로운 화면을 마주했을 때 느끼는 정서적 당혹감이나 독특한 맥락상의 미숙함까지 완벽히 복제할 수는 없기 때문입니다.
결국 합성 사용자의 진짜 가치는 '인간 대상 테스트를 진행하기 전, 시스템의 치명적인 결함과 논리적 구멍을 빠르게 솎아내는 전처리 도구(Pre-screening Tool)'로 활용할 때 빛을 발합니다.
합성 사용자로 1차 경계선을 빠르게 점검하고, 거기서 살아남은 시나리오를 바탕으로 진짜 인간 사용자를 인터뷰하고 관찰하는 2단계 검증 구조를 세우는 것이 좋습니다.
기술이 만들어낸 가상의 유저에 안주하여 인간의 실제 맥락을 놓치는 '자동화 편향'을 경계하고, 정교하게 분류된 합성 사용자 유형을 적재적소에 배치하는 지혜가 필요한 시점입니다.
댓글
댓글 쓰기