AI Persona Interview로 UX 검증 속도 향상

이 통신사는 요금제, 멤버십, 앱 서비스, 고객센터 연계 기능, 가입·해지·변경 프로세스 등 다양한 디지털 접점에서 사용자 반응 기반 개선이 중요한 기업입니다. 작은 문구 수정이나 흐름 변경도 세그먼트별 반응 차이를 만들 수 있어, 기획 단계에서 사용자 관점을 얼마나 자주 확인하느냐가 서비스 경쟁력과 직결됐습니다.

연령대, 디지털 숙련도, 이용 패턴, 고객센터 접점 경험이 매우 다양해 같은 기능이라도 고객군마다 반응이 크게 달랐습니다. 특히 통신 서비스는 상품 구조가 복잡하고 절차가 길어, 특정 고객군에게는 쉬운 흐름이 다른 고객군에게는 불안하거나 번거롭게 느껴질 수 있었습니다.

그러나 실제 인터뷰는 비용과 일정 제약이 컸습니다. 고객을 다시 모집하고 시나리오를 설계하고 인터뷰를 진행한 뒤 인사이트를 정리하기까지 시간이 오래 걸려, 초기 단계에서 작은 가설을 자주 검증하기 어려운 구조였습니다.

핵심 문제는 사용자 조사가 불가능하다는 점이 아니라, 실제 인터뷰를 자주 반복하기에는 비용과 리드타임이 너무 크다는 점이었습니다. 기획 단계에서는 고객 유형별 반응을 빠르게 확인하고 싶어도, 조사 대상을 다시 모집하고 질문지를 설계하고 인터뷰를 정리하는 과정이 길어 작은 가설을 자주 실험하기 어려웠습니다.

이 때문에 일부 핵심 세그먼트나 대표 고객군에만 검증이 집중되는 경향이 생겼고, 실제로는 더 다양한 고객 반응을 살펴봐야 할 시나리오가 뒤로 밀리곤 했습니다. 그 결과 기획 초반에는 충분히 걸러질 수 있었던 혼란 포인트가 실제 인터뷰나 출시 직전 단계에서 뒤늦게 발견되기도 했습니다.

또한 필요한 것은 단순한 답변 생성이 아니라, '50대 저숙련 사용자라면 이 가입 흐름을 어떻게 느낄까', '멤버십 혜택 문구가 과장으로 받아들여질까', '고객센터 경험이 좋지 않았던 사용자는 이 설명을 신뢰할까'처럼 맥락이 강한 반응 시뮬레이션이었습니다. 일반 챗봇 수준의 응답으로는 이런 리서치 보조 역할을 수행하기 어려웠습니다.

결국 실제 인터뷰를 대체하지 않으면서도, 그 이전 단계에서 더 자주 시도하고 더 빨리 버릴 수 있게 해주는 사전 검증 레이어가 필요했습니다.

프로젝트 팀은 통신사가 보유한 고객 세그먼트 정의, 기존 인터뷰 인사이트, VOC, 상담 컨텍스트, 사용 패턴 데이터를 바탕으로 Persona Simulation 레이어를 구축했습니다. 목표는 실제 사용자를 그대로 복제하는 것이 아니라, 조사 준비 단계에서 충분히 믿고 활용할 수 있는 '가설 검토용 페르소나'를 만드는 것이었습니다.

각 페르소나는 단순히 연령이나 요금제 기준으로만 나누지 않았습니다. 서비스 이해도, 디지털 숙련도, 불안 포인트, 의사결정 성향, 표현 습관, 고객센터 경험 같은 신호를 함께 반영해 반응 성격을 설계했습니다. 이를 통해 같은 40대 사용자라도 서비스 이해도가 높은 사람과 낮은 사람의 반응이 다르게 나타나도록 구성했습니다.

실무자는 이렇게 설정된 페르소나를 대상으로 특정 화면, 메시지, 플로우를 질의할 수 있었고, 시스템은 해당 사용자 입장에서 예상 반응과 질문, 거부감, 혼란 포인트를 대화 형태로 반환했습니다. 예를 들어 신규 가입 플로우, 멤버십 혜택 설명, 요금제 변경 안내 같은 시나리오를 실제 인터뷰 전에 여러 버전으로 시험해볼 수 있었습니다.

자유 질의 외에도 인터뷰 가이드를 기반으로 한 Scenario-based Interview Framework를 제공해, 동일한 조건에서 페르소나별 반응을 반복 비교할 수 있게 했습니다. 덕분에 기획자는 특정 문구나 화면 구조를 바꿨을 때 어떤 세그먼트에서 반응 차이가 생기는지 더 체계적으로 확인할 수 있었습니다.

출력 결과는 단순 대화 로그로 끝내지 않았습니다. 시스템은 응답을 혼란 포인트, 오해 요인, 설득력 있는 문구, 신뢰 저하 원인, 후속 검증 필요 항목 등으로 구조화해 실무자가 바로 검토 포인트로 활용할 수 있도록 했습니다.

무엇보다 이 시스템은 실제 인터뷰의 대체재가 아니라 사전 검토 도구라는 점을 전제로 설계했습니다. Human Review / Calibration Loop를 통해 실제 사용자 조사 결과와 AI 응답의 편차를 지속 비교했고, 특정 세그먼트에서 과도하게 단순화되거나 비현실적인 반응이 나타나면 페르소나 정의와 응답 로직을 다시 조정했습니다. 이 보정 과정을 통해 실무에서 신뢰할 수 있는 수준까지 품질을 높였습니다.