본문으로 건너뛰기

아이디어를 사전에 검증해 드려요 - ‘이거 어때?’ 개발기

김용태

2026.08.12

아이디어를 사전에 검증해 드려요 - ‘이거 어때?’ 개발기 본문 이미지

소개

새로운 사업 아이디어가 떠올랐을 때 가장 어려운 것은 “이게 정말 고객에게 통할까?”를 확인하는 일입니다. 주변 사람이나 LLM에게 물어보면 좋은 이야기만 듣기 쉽고, 정식 시장조사나 FGI를 진행하려면 시간과 비용이 많이 듭니다.

그래서 이번에는 사업 아이디어를 실제 시장에 내놓기 전에 다양한 고객 반응을 먼저 시뮬레이션해보는 서비스를 만들어보기로 했습니다. 서비스명은 ‘이거 어때?’​입니다.

<이거어때? 랜딩페이지 히어로 섹션>

사용자가 사업 아이디어나 콘텐츠, 제안서 등을 입력하면 가상의 고객 패널이 이를 검토합니다. 단순히 “좋다/싫다”를 말하는 것이 아니라, 고객마다 다른 상황과 판단 조건을 적용해 반응이 어떻게 달라지는지 살펴봅니다.

서비스의 핵심 구조는 세 단계입니다.

첫째, NVIDIA의 Nemotron-Personas-Korea 데이터를 기반으로 서로 다른 배경을 가진 8명의 시뮬레이션 패널을 구성합니다. 엔비디아가 한국 인구 통계를 기반으로 만든 100만 건, 700만 페르소나 규모의 한국어 합성 인물 데이터셋

둘째, 각 패널에게 가격 민감도, 시간 압박, 신뢰 조건, 정보 탐색 방식 등 서로 다른 조건을 적용해 두 가지 상황에서 독립적인 1:1 심층인터뷰를 진행합니다. 같은 8명이지만 조건을 달리해 총 16개의 반응 경로를 살펴보는 방식입니다.

셋째, 1:1 인터뷰에서 나온 대표 관점을 다시 8명이 함께 보는 FGI 방식의 토론으로 연결합니다. 토론에서 어떤 의견이 충돌하는지, 어떤 저항이 끝까지 남는지, 새로운 쟁점이 등장하는지를 확인하고 필요한 사람은 다시 1:1 재인터뷰합니다.

<이거어때? '어떻게 검증하나요' 섹션>

마지막에는 이렇게 얻은 관찰 결과를 제가 오랫동안 연구해온 융합마케팅 철학과 LLMwiki 지식을 해석 렌즈로 활용해 사업적으로 의미 있는 인사이트 리포트가 만들어집니다.

즉, 단순히 LLM에게 “이 사업 아이디어 어때?”라고 묻는 것이 아니라,

고객 프로필 → 조건 변화 → 독립 반응 → FGI → 관찰 고정 → 철학 기반 해석 → 인사이트 리포트

이라는 하나의 비즈니스 시뮬레이션 구조를 만드는 것이 목표였습니다.

진행 방법

개발은 ChatGPT와 Codex를 함께 사용했습니다.

ChatGPT에서는 전체 서비스 구조와 조사 방법론을 설계하고, 각 단계에서 무엇을 구현해야 하는지 정리했습니다. Codex에는 작업 범위와 완료 조건을 자세하게 작성한 지시문을 전달해 실제 코드를 구현하도록 했습니다.

개발 과정은 한 번에 전체 서비스를 만드는 방식이 아니라 작은 Slice로 나누어 진행했습니다.

초기에는 사용자의 아이디어를 받아 실행 ID를 만들고, 그다음 실제 LLM이 아이디어를 분석하도록 연결했습니다. 이후 Nemotron 데이터에서 실제 패널 8명을 구성하고, 각 사람에게 두 가지 조건을 적용해 16개의 독립 반응을 생성했습니다.

그다음 같은 사람의 두 반응을 비교해 “어떤 조건에서 생각이 움직였는가?”​를 분석했습니다. 16개의 의견을 그대로 토론에 넣지 않고 각 사람의 대표 관점 하나씩을 골라 8명이 FGI를 진행하도록 했습니다.

FGI에서는 단순히 차례대로 의견을 말하게 하지 않고 서로의 주장에 동의하거나 반박하도록 만들었습니다. 실제 테스트에서는 29개의 대화가 오갔고, 다른 참여자의 말을 직접 참조해 의견을 주고받는 토론이 만들어졌습니다.

FGI 후에는 다시 확인할 가치가 있는 사람만 골라 1:1 인터뷰를 진행했습니다. 예를 들어 “관심은 있지만 지금 당장 필요하지 않으면 행동하지 않는 사람”, “새로운 교육을 계속 추가하는 것 자체에 반대하는 사람”, “체크리스트가 아이를 감시하는 도구가 될 수 있다고 우려하는 사람”을 다시 인터뷰해 그 이유를 더 깊게 확인했습니다.

그다음 단계에서는 AI가 마음대로 의미를 부여하지 못하게 하는 장치를 만들었습니다. 지금까지 나온 인터뷰와 토론에서 실제로 관찰된 것만 먼저 고정하는 Observation Lock입니다.

반복된 욕구, 반복된 저항, 조건에 따라 달라진 반응, 조건이 달라져도 유지된 반응, 토론에서 발생한 충돌 등을 각각 실제 인터뷰 문장과 연결했습니다. 실제 Golden Case에서는 총 40개의 관찰이 만들어졌고 102개의 근거가 연결됐습니다.

마지막으로 이 관찰 결과를 제가 기존에 Obsidian과 LLMwiki로 정리해둔 융합마케팅 지식체계와 연결해서 인사이트 리포트를 생성합니다.

한국어로 된 웹사이트의 홈페이지

<결과리포트 데모 버전>

융합마케팅 지식 역시 AI가 새로 만들어내지 않도록 했습니다. 기존 저서와 강의, 기고문에서 만들어둔 LLMwiki 문서를 별도의 Knowledge Pack으로 구성하고 GitHub에 고정했습니다. 원문에 직접 존재하는 내용과 여러 원문을 연결해 해석한 내용을 source_fact와 synthesis_interpretation으로 구분했습니다.

개발 인프라는 GitHub와 Cloudflare Workers·Workflows·D1을 사용했고, 실제 AI 응답에는 OpenAI API를 연결했습니다. 중간에 프로그램이 멈추거나 다시 시작되더라도 이미 완료된 인터뷰를 다시 호출해 API 비용을 낭비하지 않도록 결과를 단계별로 저장하는 구조도 만들었습니다.

사용한 프롬프트 예시

Codex에는 단순히 “비즈니스 시뮬레이터 만들어줘”라고 요청하지 않고, 작업 범위와 금지사항을 명확히 지정했습니다. 예를 들어 Observation Lock 단계에서는 다음과 같이 지시했습니다.

이번 작업은 Slice 6 — Observation Lock만 진행합니다.

현재 실제 엔진은:

SimulationBrief
→ Nemotron Panel[8]
→ ScenarioPlan[8]
→ Reaction[16]
→ ReactionDelta[8]
→ SelectedViewpoint[8]
→ PanelDiscussion
→ Recheck[2~4]

까지 완료되어 있습니다.

Slice 6에서는 더 이상 패널에게 질문하지 않습니다.

지금까지 생성된 결과에서 실제로 관찰할 수 있는 사실만
구조화해 고정합니다.

Reaction / Delta / Discussion / Recheck
        ↓
Observation extraction
        ↓
근거 ID 검증
        ↓
LockedObservationSet

이번 Slice에서는 현상만 기록하고 의미를 해석하지 마세요.

허용:
“P03은 A/B 모두 교육적 근거를 요구했고,
Discussion에서도 근거 부족에 대한 우려를 유지했다.”

금지:
“이는 고객 가치가 정보에서 판단 지원으로 이동하고 있음을 의미한다.”

두 번째 문장은 Interpretation입니다.

모든 Observation은 최소 하나 이상의 실제 evidenceId를 가져야 합니다.
근거 없는 Observation은 저장하지 마세요.

융합마케팅 철학, LLMwiki, Golden Case의 결론은
Observation 생성에 사용하지 마세요.

철학은 Observation이 고정된 이후에만 들어갑니다.

이번 Slice의 성공 기준은 좋은 인사이트를 만드는 것이 아닙니다.

지금까지 패널이 실제로 보여준 반응·변화·충돌·저항을
해석 없이 증거와 함께 고정하여,
다음 단계의 철학적 해석이 원래 현상을 바꿀 수 없도록 만드는 것이 핵심입니다.

이런 식으로 각 단계마다 해야 할 일뿐 아니라 하지 말아야 할 일까지 명시한 것이 개발 과정에서 특히 중요했습니다.

결과와 배운 점

  1. 가장 인상적이었던 것은 AI에게 단순히 아이디어 평가를 시키는 것과 사람·상황·토론의 구조를 만들어 시뮬레이션하는 것은 전혀 다른 결과를 만든다는 점이었습니다.

예를 들어 골드 케이스(AI 시대의 자녀교육법 책쓰기) 테스트 과정에서 처음에는 예상하지 못했던 세 가지 쟁점이 FGI에서 새롭게 등장했습니다.

첫 번째는 체크리스트입니다. 부모에게 AI 활용 체크리스트를 제공하면 실용적일 것이라고 생각했지만, 어떤 패널은 이것이 잘못 사용되면 아이를 돕는 도구가 아니라 부모가 아이를 감시하는 도구가 될 수 있다고 지적했습니다.

두 번째는 교육의 방향이었습니다. AI 시대에 무엇을 새롭게 가르쳐야 하는지를 제안하는 것뿐 아니라, 부모에게는 현재 하고 있는 교육 중 무엇을 유지하고, 무엇을 바꾸고, 무엇을 중단할지를 판단하는 기준​이 필요하다는 의견이 나왔습니다.

세 번째는 정보의 수명입니다. AI 도구나 정책 같은 정보는 빠르게 바뀌지만 부모와 아이가 함께 판단하는 원칙은 비교적 오래 유지됩니다. 따라서 오래가는 판단 원칙과 계속 업데이트해야 하는 정보를 구분해야 한다는 새로운 관점이 등장했습니다.

이런 의견은 처음부터 제가 프롬프트에 넣어둔 결론이 아니라 1:1 인터뷰와 FGI 과정에서 새롭게 나타난 것이었습니다. 이 부분에서 “시뮬레이션을 하는 이유”를 체감했습니다.

  1. 또 하나 배운 것은 AI가 좋은 답을 만드는 것보다 AI가 함부로 답을 만들지 못하게 하는 구조가 중요하다는 점입니다.

처음에는 좋은 인사이트를 뽑아내는 것이 핵심이라고 생각했지만 개발을 진행하면서 오히려 중요한 것은 관찰과 해석을 분리하는 일이었습니다.

고객 반응을 먼저 생성하고, 그 결과를 근거와 함께 고정한 다음에야 철학적 해석을 허용하도록 했습니다. 이렇게 해야 제가 가진 융합마케팅 철학이 고객의 반응을 억지로 끌고 가지 않고, 실제 관찰 결과를 해석하는 렌즈 역할만 할 수 있기 때문입니다.

  1. 개발 과정에서 Obsidian에 축적해둔 저서·강의·칼럼 기반 LLMwiki가 단순한 개인용 세컨브레인에 그치지 않고 AI 서비스의 실제 해석 엔진에 들어가는 지식 자산이 될 수 있다는 가능성도 확인했습니다.

현재 ‘이거 어때?’는 아직 완성된 서비스가 아니라 Functional MVP를 만드는 단계입니다. 하지만 아이디어 하나를 입력하면 서로 다른 고객들이 반응하고, 조건을 바꾸어 다시 판단하고, 함께 토론하고, 그 결과를 증거와 철학을 기반으로 해석하는 전체 구조가 점차 실제 코드로 작동하고 있습니다.

이번 프로젝트를 통해 가장 크게 배운 점은 이것입니다.

생성형 AI의 진짜 가능성은 좋은 답을 한 번 만들어내는 데만 있는 것이 아니라, 여러 관점과 조건을 구조화해 우리가 아직 보지 못한 선택지를 먼저 시뮬레이션해보는 데 있을 수 있습니다.

  1. 향후 계획 : '이거어때?'에서 구축한 시뮬레이션 엔진과 융합 해석 엔진을 적용한 다양한 버전의 비즈니스 시뮬레이터를 개발하는 것입니다.

1

함께 이야기해요 1

로그인하고 댓글을 남겨 주세요

뽀짝이 프로필 이미지
뽀짝이2026.08.12

Observation Lock 개념이 이 글에서 가장 인상 깊었어요. "관찰과 해석을 분리하고, 관찰이 고정된 이후에만 철학적 해석을 허용한다" — AI한테 인사이트를 만들어달라고 하면 관찰과 해석이 섞이기 쉬운데, 그 경계를 코드 레벨에서 강제한 게 영리한 접근이에요.

FGI에서 나온 세 가지 쟁점도 인상적이었어요. 체크리스트가 감시 도구가 될 수 있다는 우려, 무엇을 중단할지의 기준, 오래가는 원칙과 빠르게 바뀌는 정보의 구분 — 이 세 가지는 처음부터 프롬프트에 넣어둔 결론이 아니라 구조 안에서 새로 등장한 것이라는 게 포인트예요. 시뮬레이션이 왜 필요한지를 스스로 증명한 셈이고요.

Codex에 지시할 때 해야 할 일뿐 아니라 하지 말아야 할 것(철학은 관찰 이후에만)까지 명시했다는 것도 — 저 지시문 예시만 봐도 배울 게 있어요.

Obsidian LLMwiki가 개인 세컨브레인에 그치지 않고 AI 서비스의 해석 엔진에 들어간다는 가능성, 직접 만들어서 확인하셨네요. 고롱고롱… 다음 버전도 기대돼요 ✨

필요한 AI 정보만
메일함에 쏙쏙 넣어드려요.

지금 핫한 AI 소식부터 직접 해 본 사례까지, 월요일마다 무료로 받아보세요

이런 사례도 있어요

사례 전체 보기