🎙️ 다섯 명과 함께한 유저 리서치와 AI에 대한 이야기

다섯 명과 함께한 유저 리서치에 대한 이야기

팁스터 뉴스레터는 올해, 유저 리서치와 관련된 내용을 총 4회 발행했어요. 이 과정에서 총 3명의 메이커와 2명의 리서처와 이야기를 나눌 수 있었는데요. 오늘은 다섯 명이 이야기하는 유저 리서치에 대한 내용을 인터뷰 형식으로 편집, 다시 한번 주요 내용을 살펴볼 수 있는 시간을 준비했어요.

먼저, 유저 리서치가 왜 그렇게 중요한지 간단히 설명해 주시겠어요?

유저 리서치는 제품과 서비스가 올바른 방향으로 나아갈 수 있도록 돕는 아주 중요한 과정이에요. 실제 사용자의 니즈와 문제를 정확히 파악해서 잘못된 가설이나 불필요한 기능 개발을 방지하고, 자원을 효율적으로 활용할 수 있게 해주죠. 또한, 사용자 경험(UX)과 인터페이스(UI)를 개선하고, 경쟁 제품과 차별화되는 핵심 가치를 발굴하는 데도 크게 기여한다고 생각해요.

유저 리서치를 기획할 때 가장 중요하게 고려해야 할 요소는 무엇인가요?

메이커들은 '목표를 명확히 설정하는 것'이 가장 중요하다고 입을 모아 말했어요.

리서처 나나님은 단순히 "왜 북마크를 사용하지 않을까?"처럼 추상적인 질문보다는 "유저가 북마크를 처음 접할 때 이해를 못 해서 안 쓰는 걸까?", "필요하지만 귀찮아서 안 쓰는 걸까?"와 같이 명확한 가설을 세우고 질문을 설계해야 구체적인 피드백을 얻을 수 있다고 강조했어요.

PM 세비지님은 전반적인 선호도를 조사하는 것인지, 특정 페르소나를 도출하려는 것인지, 신규 기능 검증인지 등을 분명하게 정해야 적절한 조사 방식을 선택하고 신뢰할 수 있는 결과를 얻을 수 있다고 말했고요. PM 하이님은 '누가, 무엇을, 어떻게' 등 3요소를 포함한 목표 문장을 작성하는 것이 중요하다는 이야기를 여러 번 언급했어요.

유저 리서치에서 자주 범하는 실수나 피해야 할 함정은 무엇인가요?

리서처 나나님과 PM 세비지님 모두 '내가 듣고 싶은 대답을 유도하는 것'을 가장 흔한 실수로 꼽았어요. 나나님은 "북마크 기능이 불편하다고 생각하시나요?" 같은 질문은 "네, 불편해요."로 대답이 끝나버려 '왜?'라는 본질적인 질문을 놓치게 된다고 해요. 대신 "북마크 기능을 마지막으로 사용한 게 언제인가요?"와 같은 개방형 질문을 통해 실질적인 문제를 파악하는 것이 중요하다고 말했죠.

세비지님은 이를 '확증 편향'이라고 설명하며, 자신이 이미 가진 신념을 강화하는 방향으로 정보를 선택하고 해석하는 인지적 오류를 경계해야 한다고 했어요. 또한, '표본 편향'도 주의해야 할 함정인데, 피드백을 자주 주는 적극적인 사용자(헤비 유저)만 인터뷰하면 평균적인 사용자의 경험과 괴리가 발생할 수 있으니 다양한 사용자 그룹을 대상으로 리서치해야 한다고 강조했어요.

마지막으로 PM 하이님은 리서치를 통해 개선 방안이 나왔다고 해서 리서치를 종료하는 것이 가장 많이 범하는 실수라고 지적했어요. 지속적인 리서치를 통해 개선 방안이 실제로 잘 작동하는지 확인해야 한다고 해요.

효과적인 유저 리서치를 위해 어떤 도구나 방법을 사용하시나요?

리서처 나나님은 목표에 따라 방법이 달라지지만, 특히 '유저 다이어리(사용자 기록 연구)' 방식을 자주 활용한다고 해요. 사용자가 특정 행동을 할 때마다 직접 기록하게 하는 이 방법은 일회성 인터뷰보다 실제 사용 패턴과 맥락을 더 정확하게 파악할 수 있다고 하는데요. 예를 들어, 북마크 기능 개선을 위해 일주일 동안 '보고 싶은 콘텐츠' 저장 과정을 기록하게 했더니, 메모장이나 카톡 '나에게 보내기' 등을 활용하는 사용자가 많았고, 북마크 후에도 어디서 확인하는지 몰라 다시 검색하는 문제점을 발견했다고 해요.

PM 세비지님은 정량적 조사는 Google Forms를, 정성적 조사는 1:1 대면 인터뷰를 활용하고, 신규 기능 평가를 위해 Figma 프로토타입을 제작하여 사용자 조작 과정을 관찰하고요. PM 하이님은 정량적 조사는 A/B 테스트를, 정성적 조사는 유저 대응 채널을 통한 설문조사와 인터뷰 조사를 활용한다고 해요. 특히 인터뷰 시에는 주제에 맞는 타겟 유저를 그룹화하여 대표 사용자를 선정하고 질문지를 제작하되, 유도 질문이 아닌지 팀 전체가 확인하는 과정을 거친다고 강조했어요.

유저 리서치 결과를 실제 프로덕트 개선에 어떻게 활용하고 있나요?

나나님은 북마크 기능 개선 사례를 들며, 북마크는 많지만 실제 확인하는 비율이 낮은 문제를 발견하고, 유저 인터뷰를 통해 "그냥 나중에 볼 거라고 생각해서 저장했어요"라는 답변을 얻었다고 해요. 이 인사이트를 바탕으로 '북마크한 콘텐츠를 소비하는 경험까지 연결해주자'는 목표를 설정하고, '자동 리마인드 알림' 기능을 실험하여 시청률을 23% 증가시키는 성과를 얻었다고 합니다.

세비지님은 유저 리서치 결과를 바탕으로 페르소나를 정의하고 고객을 세분화하며, 가장 큰 페인포인트를 해결할 수 있는 기능들을 우선적으로 반영하여 MVP(최소 기능 제품)를 설계한다고 해요. 또한, 사용자 피드백을 반영하여 채팅 기반 인증 방식 대신 직관적인 체크리스트 기능을 추가하는 등 지속적으로 기능을 개선하고 있다고 말했어요.

마지막으로 하이님은 프로덕트 개선 외에도 CEO 보고 및 설득 용도로 리서치 결과를 많이 활용했다고 해요. 회사의 목표를 위한 액션 플랜이 사용자에게 부정적인 영향을 미칠 경우, 2차 리서치를 통해 다른 방향성을 제안하고 설득하는 데 활용하는 방법이죠.

리서치 결과가 기존의 제품 방향이나 팀의 가설과 상충했던 경험이 있다면, 이를 어떻게 해결했나요?

나나님은 내부에서 "이건 무조건 필요해!"라고 확신하던 기능이 실제 유저들에게는 전혀 필요하지 않은 경우가 많았다고 해요. 예를 들어, 팀에서 북마크 폴더 기능을 제안했을 때, 유저들은 "정리되면 좋죠"라고 표면적으로는 답했지만, 실제로는 "귀찮아서 안 해요", "대충 스크롤하면서 봐요"라고 답하며 폴더 관리의 필요성을 느끼지 못했대요. 이 경우 무작정 폴더 기능을 추가하기보다는, 유저가 직접 정리하지 않아도 자동으로 분류될 수 있는 '태그 기반 분류' 방식을 제안하여 해결했다고 해요. 리서치를 통해 유저 행동을 관찰하고 작은 실험으로 검증하면, 내부의 잘못된 가설을 빠르게 수정할 수 있다는 것이죠.

세비지님은 리서치 결과가 기존 방향과 충돌할 때, 즉시 방향을 수정하기보다는 '실험을 통해 검증하는 과정'이 필요하다고 강조했어요. 예를 들어, 특정 기능의 필요성이 리서치로 확인되었지만 개발팀의 우려가 있을 경우, 해당 기능을 바로 전체 적용하지 않고 일부 사용자에게만 프로토타입 형태로 제공하여 행동 패턴을 관찰하고 분석한 후 기능 확장 여부를 결정했다고 해요. 리서치 결과는 주관적인 해석이 개입될 수 있으므로, 다양한 방법을 활용해 데이터를 최대한 객관적으로 검증하는 과정이 필요하다고 덧붙였어요.

하이님은 모든 프로덕트가 유저의 니즈로만 진행될 수 없기에, 유저의 반발이 예상되는 경우에도 오히려 리서치를 통해 어느 부분이 반발감이 클지 미리 파악하는 용도로 사용하기도 했다고 해요. 이를 통해 프로덕트가 '소프트 랜딩'할 수 있도록 여러 장치를 미리 준비할 수 있다고 생각하기 때문이라고 하네요. 결국 리서치는 모든 일의 정답이 아니므로, 팀이 하고자 하는 목표와 벗어나는지 '가설과 목표 검증'을 계속 진행하는 것이 중요하다고 볼 수 있죠.

AI가 실무에서 기존 유저 리서치를 어떻게 보완하고 있나요?

UX 리서처 은희님은 AI를 '대체자'가 아닌 '보완자' 또는 '반복 작업을 함께 해주는 실무 파트너'로 인식하고 있다고 해요. 특히 한정된 인력과 자원 안에서 효율적이고 의미 있는 리서치를 수행하기 위해 반복 작업은 도구에 맡기고, 사람이 해야 할 일에 집중하는 방향으로 업무 구조를 바꿔왔다고 말했는데요. AI는 인터뷰 전사, 감성 분석, 반복적인 키워드 정리, 설문이나 질문 초안 생성, 리포트 요약이나 시각화 같은 작업들을 빠르게 처리해 주면서 리서처가 기획, 해석, 전략에 더 집중할 수 있는 시간을 벌어준다고 해요.

UX 리서처 레드버스백맨님도 AI가 리서치의 시간 소모적인 작업을 자동화하여 생산성을 높인다고 설명했어요. 특히 Raw Data 분석(74%), 인터뷰 녹취록 작성(58%), 리서치 질문 작성(54%)에서 AI 활용이 생산성 향상에 기여한다고 강조했죠. 이를 통해 리서처는 파인딩스(Findings)에서 인사이트(Insight)를 찾아내는 데 더 집중할 여유가 생기고, 빠른 의사결정을 지원할 수 있다고 언급했어요. 하지만 두 분 모두 AI가 리서치 속도를 높여주더라도, 데이터를 해석하고 의미를 찾아 방향을 쥐는 것은 여전히 리서처의 역할이라고 강조했어요.

제한된 예산과 시간 내 AI를 활용해 효과적인 리서치를 진행하는 팁이 있나요?

은희님은 AI를 '모든 것을 대신해 주는 기술'이 아니라, '정확하게 쓸 수 있는 지점에 잘 배치해야 효과를 발휘하는 도구'로 생각해야 한다고 조언했어요. 또한, AI가 내놓은 결과를 검토하고 해석할 수 있는 사람이 필요하며, 그렇지 않으면 오히려 혼란을 초래할 수 있다고 덧붙였는데요. 가장 먼저 해볼 수 있는 팁으로는 '꼭 사람이 직접 하지 않아도 되는 반복 작업부터 AI에 맡길 수 있는 구조를 만드는 것'을 제안했어요. 그리고 도구를 도입할 때는 '많이' 쓰기보다 '하나'의 도구를 정확하게 써보는 것이 더 중요하며, 한국어 지원, 분석 신뢰도, 인터페이스, 가격 등을 기준으로 신중하게 선택해야 한다고 했어요.

레드버스백맨님은 리서치의 본질적 목적에 집중하고, 나머지는 과감히 거절할 줄 아는 '거절할 책임'이 중요하다고 강조했어요. AI 활용 팁으로는 첫째, 리서치 목적에 맞게 질문을 구체적이고 명확하게 설정하는 것. 둘째, 계속 늘어나는 AI 도구를 익히기보다 업종과 조직 특성에 맞는 2-3개의 핵심 도구만 선별하여 깊이 있게 활용하는 것. 셋째, AI로 할 수 없는 영역에 선을 긋는 것이라고 했어요. 즉, 사용자 인터뷰, 현장 관찰, 맥락 이해와 같은 핵심 활동은 리서처가 직접 수행해야 하며, AI는 데이터 정리, 키워드 도출, 놓친 가설 반박 용도로 활용할 때 가장 효과적이라는 것이죠.

현재 활용 중이거나 사용해본 것 중 가장 유용한 AI 관련 리서치 툴은 무엇인가요?

은희님은 실무형으로는 Condens를, 실험형으로는 ChatGPT 기반 분석 시스템을 꼽았어요. Condens는 2021년부터 꾸준히 사용하고 있는 도구로, 전사, 태깅, 요약, 공유 등 리서치 워크플로우 전체를 지원하며, 녹화된 사용자 화면과 발화를 자동으로 매핑해 주는 기능이 특히 유용하다고 설명했어요. ChatGPT 기반 분석은 정성 인터뷰 데이터를 바탕으로 요약, 테마 클러스터링, 인사이트 도출 가능성을 실험하고 있는데, 입력 데이터의 구조화 수준에 따라 분석 품질이 크게 달라진다는 점을 강조했어요.

레드버스백맨님은 3가지 도구 활용법을 추천했는데요.

1. 리서치 준비 및 데이터 분석 단계에서 Claude를 활용하여 구체적인 요청으로 적확한 1차 결과물을 얻는다고 해요. 다만, AI가 제안한 인사이트는 반드시 원데이터와 대조 검증하는 습관이 중요하다고 덧붙였어요.

2. 이해관계자와 협업 시 Miro의 AI 기능을 활용하여 스티키 노트로 기록된 피드백을 키워드나 감정별로 자동 그룹화하여 패턴을 쉽게 발견한다고 해요. 하지만 한국어 데이터 처리 정확도는 주의할 필요가 있다고 합니다.

3. 빠른 원격 사용성 테스트(Usability Testing)에는 Maze를 사용하는데, Figma 프로토타입을 연동해 A/B 테스트를 진행하고 AI 분석 기능으로 히트맵과 User Flow를 시각화할 수 있다고 해요. 그러나 단순 현상 분석일 뿐, 사용자의 멘탈모델이나 맥락 이해를 위해서는 심층 인터뷰가 필요하다고 조언했어요.

리서치에 AI를 도입하면서 직면한 가장 큰 도전과 그 해결책이 있나요?

은희님은 가장 큰 도전으로 'AI가 복잡한 맥락을 단순화해 버릴 때 생기는 한계'와 '도구에 대한 과도한 의존이 리서치 차별성을 약화시킬 수 있다는 점'을 꼽았어요. AI는 전사, 자동 태깅, 간단 요약에는 강하지만, 사용자의 감정, 말의 뉘앙스, 문맥 파악에서는 흔들린다고 해요. 예를 들어 '괜찮아요'를 긍정 발화로 분류하지만, 실제로는 불편함을 억누른 표현일 수 있다는 것이죠. 해결책으로는 '사람 중심 구조로 역할을 명확히 나누는 것'을 제안했어요.

즉, 전사는 AI에 맡기고, 자동 태깅이나 요약은 AI가 초안을 만들면 사람이 검토하고 수정하며, 해석 및 인사이트 도출은 반드시 사람이 해야 한다는 것이죠. 또한, 구조화된 리서치 raw data가 AI 분석의 핵심이며, AI가 제대로 작동하도록 데이터를 어떻게 설계할 것인가가 리서처의 핵심 역량이라고 보았어요.

레드버스백맨님은 '비용 대비 효율'과 '신뢰성 확보'가 가장 큰 도전이라고 했는데요. 특히 AI의 '환각(hallucination)' 현상으로 실제 데이터에 없는 내용을 생성할 수 있어 정확성 문제가 발생한다고 해요. 해결책으로 AI를 정답을 제공하는 도구가 아닌 '질문을 제기하는 도구'로 활용하고, AI가 제안한 내용을 가설로 삼아 실제 데이터로 검증해야 한다고 조언했어요.

또한, '프라이버시와 윤리적 문제'**도 중요한데, 데이터 익명화는 리서처의 책임이며, 패널 모집 시 AI 활용에 대한 명시적 동의를 받고, 데이터 보관 기간을 명확히 하는 등의 프로세스가 필요하다고 강조했어요. 마지막으로 'AI 과잉공급과 학습비용 사이의 효용성 문제'에 대해서는, 시장에 넘쳐나는 도구를 모두 익히기보다 리서치 목적과 조직 특성에 맞는 2-3개의 핵심 도구만 선별하여 깊이 있게 활용해야 한다고 했어요.

앞으로 AI 도구만으로 유저 리서치 전 과정을 진행할 수 있다고 보시나요?

은희님과 레드버스백맨님 모두 "AI 도구만으로 전 과정을 진행하는 것은 아직 어렵고, 앞으로도 전면 대체는 어렵다"고 단호하게 말했어요. 은희님은 AI가 반복적이고 구조화된 작업에는 뛰어나지만, 리서치의 본질인 "왜?"를 해석하는 것은 여전히 사람의 영역이라고 설명했어요. 사용자의 말과 행동, 감정, 뉘앙스를 종합하여 맥락을 해석하는 일은 지금의 AI로는 한계가 분명하기 때문이에요.

또한, 리서치의 핵심인 '예상치 못했던 사용자 반응' 즉 '놀라움'은 AI가 평균적인 행동을 바탕으로 작동하기 때문에 포착하기 어렵다고 지적했어요. 실제 사용자들은 우리가 설계한 시나리오를 벗어나고, 엉뚱한 방식으로 인터페이스를 해석하며, 생각지도 못한 방식으로 문제를 바라보는데, 이런 부분은 사람이 직접 만나고 관찰해야만 발견할 수 있다는 것이죠.

따라서 앞으로는 'Human-AI Symbiants'처럼 사람과 AI가 협업하는 구조가 기본이 될 것이며, AI는 도구, 리서처는 해석자 역할을 수행할 것이라고 보았어요. 레드버스백맨님도 '디자인 솔루션을 검증하는 리서치'는 AI가 대체 가능할 수 있지만, '문제를 발견하고 그 근본적인 원인을 정의하는 리서치'는 대체 불가능하다고 강조했고요.

사용자의 행동은 환경과 사람의 함수 관계로 고정되어 있지 않기 때문에, 현재진행형 사용자를 대상으로 리서치하여 제품 경험, 잘 쓰는 이유, 안 쓰는 이유를 알아보는 것은 여전히 사람의 몫이라고 봐야해요. 결론적으로 AI 도구는 리서처의 생산성 향상을 돕는 보조적 수단으로 존재할 것이며, UX 리서처나 UX 리서치 과정이 사라질 수는 없다고 볼 수 있어요.

🔬 AI와 유저 리서치, AIX 클럽 4기로 함께해요!

"한 달 만에 AI로 '진짜' 프로젝트를 완성했어요.”

AI와 가상 인터뷰를 진행하며 얻은 인사이트로 실제 와이어프레임까지 완성했습니다. 단순히 AI 사용법을 배우는 게 아니라, 아이데이션부터 문제 정의, 해결안 도출까지 이어지는 하나의 완전한 프로젝트 워크플로우를 경험한 것이 가장 큰 수확이에요.

물론 실제 유저 경험과는 차이가 있겠지만, 프로젝트 초기 방향성을 빠르게 검증하고 구체적인 산출물까지 만들어내는 경험은 실무에 즉시 적용 가능하겠다는 확신을 주었습니다. 한 달 동안 깊게 몰입하며 실무에 가까운 방식으로 연습한, 정말 의미 있는 시간이었습니다.

"반복 업무는 AI에게 맡기고, 저는 더 중요한 '전략'에 집중할 수 있었어요."

페르소나 설정부터 UX 시나리오, 솔루션의 강점 정리까지, 기획의 모든 단계에서 AI는 제 논리를 강화해 주는 든든한 파트너였습니다. 특히 인터뷰 요약, 표 작성 등 시간이 많이 소요되는 반복 업무를 AI가 빠르게 처리해 주니, 저는 아낀 시간만큼 더 중요한 전략 수립과 아이디어 구체화에 집중할 수 있었어요.

덕분에 기획의 완성도가 눈에 띄게 높아졌습니다. AI를 활용해 단순히 시간을 절약하는 것을 넘어, 기획의 퀄리티 자체를 높이는 경험을 할 수 있었습니다.

"혼자였다면 몰랐을 '프롬프트 설계법', 함께 배우니 성장이 배가 됐어요."

이전에는 ChatGPT 같은 단일 툴만 썼는데, 클럽에서는 Creatie, Clueify 등 다양한 AI 툴킷을 목적에 맞게 조합하며 유기적인 워크플로우를 만드는 법을 배웠습니다.

무엇보다 좋았던 건 다른 사람들의 접근법을 비교하며 배울 수 있었다는 점이에요. 똑같은 문제도 동료들은 어떤 프롬프트로 해결하는지 보면서, 혼자서는 절대 몰랐을 AI 활용법을 확장할 수 있었죠. 결국 AI를 잘 쓴다는 건, 더 좋은 질문을 던지는 것이라는 말을 실감했습니다. 함께 하니까 성장 속도가 곱하기 배가 되는 느낌이었어요.

7월 진행된 2기 분들의 솔직한 후기예요. 툴은 익숙해졌는데, 정작 내 일에 ‘진짜 도움’ 되는 순간은 많지 않죠. 이제는 프롬프트 팁을 모으는 게 아니라, 어떤 질문을 던지고, 어떤 문제를 정의하느냐가 중요해졌어요. 팁스터 AIXperience 클럽 4기는 그런 다음 스텝을 고민하는 사람들을 위한 모임입니다. 앱 업데이트를 연습 소재로 삼아, AI와 함께 사고를 확장하고, 아이디어를 뽑고, 실무 문제 해결까지 연결하는 훈련을 해요.

📚 IT 재직자의 바이블, [인스파이어드] 함께 읽어요!

1주차 : 성공한 제품, 기업의 Discovery 방법 찾기

국내외 서비스 중 성공한 사례를 하나 골라, 어떻게 사용자 문제를 발견하고 검증했는지 조사해보세요. 아티클·인터뷰 자료를 분석해 그들이 성공할 수 있었던 이유를 함께 작성해보세요.

2주차 : 좋은 {내 직군} vs 나쁜 {내 직군} 사례 조사

최근 본 기사나 블로그에서 내 직군의 역할이 드러나는 사례를 하나 찾아 공유하고, ‘Missionaries vs Mercenaries’ 관점에서 비교해봐요. 그리고 좋은 내 직군의 개인적인 정의를 내리고 그 이유를 함께 작성해보세요.

3주차 : 실패한 서비스 분석하기

실제 실패 사례(예: 스타트업 서비스 종료 기사)를 찾아, 책에서 강조하는 4대 리스크(가치·사용성·실현 가능성·비즈니스성) 중 어떤 부분을 검증하지 못했는지 예상해보고 작성해보세요.

4주차 : Outcome 기반 목표 문장 만들기

본인이 속한 팀이나 가상의 프로젝트를 떠올려, 기능 중심 목표(예: "검색 기능 추가")를 Outcome 중심 목표(예: "검색을 통한 상품 발견률 20% 향상")로 바꿔보도록 해요. 그리고 이 목표를 검증하기 위해 기법을 활용하면 좋을지와 그 이유도 함께 작성해보세요.

오픈채팅방을 통해 뉴스레터로 다 소개하지 못한 정보를 확인해보세요!