모든 가능성을 검증하는
초정밀 디지털 샌드박스
몇 달씩 걸리던 고객 인터뷰와 시장 검증을, 몇 초 만에 끝냅니다. 진짜 사람처럼 생각하고 대답하는 AI 고객 1,000명이 당신의 신제품을 가장 솔직하게 평가합니다.
KOSIS 공공 데이터 기반 설계
AI에게 "30대 직장인 역할을 해"라고만 시키면, 뻔하고 천편일률적인 가짜 사람이 만들어집니다. Alterverse는 이를 허용하지 않습니다. 통계청(KOSIS)의 실제 소득·가구·주거 데이터를 먼저 고정시켜서, 대한민국 인구 구조와 완벽히 일치하는 현실적인 고객 집단을 만듭니다.
가계동향조사 매핑
소득 수준별로 실제 쓸 수 있는 돈이 얼마인지를 미리 계산해서 넣어줍니다. 예를 들어 저소득층 가구는 월 소득 112만 원에서 세금과 이자를 빼면 실제로 쓸 수 있는 돈이 극히 적습니다. 이런 사람에게 "월 5만 원짜리 구독 서비스 어때요?"라고 물으면, AI가 알아서 현실적으로 거절합니다.
인구주택총조사 비례 할당
혼자 사는지, 가족과 사는지, 자기 집인지, 전세인지, 월세인지를 정확히 반영합니다. 예컨대 '서울에 사는 30대 월세 세입자'에게는 주거 불안과 보증금 걱정이 자동으로 반영되어, 보안 서비스에 대한 관심이 완전히 달라집니다.
7대 거주지 세그먼트 분류
모든 페르소나는 아래 7가지 실제 거주 환경 중 하나에 배정됩니다. 같은 30대라도 오피스 밀집 지역에 사는 사람과 고령화 농촌에 사는 사람은 완전히 다른 소비 패턴을 보입니다.
단순 인구통계를 넘어선 심층 변수 설계
나이·성별·소득 같은 기본 정보 외에, 아래와 같은 심리·행동·생활 변수까지 DB에 정밀하게 설계되어 있습니다.
life_narrative인생 서사1,500자 이상의 생애 전체 이야기trauma트라우마IMF, 전세 사기, 투자 실패 등desire핵심 욕망안정, 인정, 탈출 등 내면 동기consumption_values소비 가치관가성비 vs 가심비 판단 기준digital_familiarity디지털 숙련도앱 활용 수준과 기기 태도has_pet반려동물 유무실거주 형태 기반 확률 배정housing_household주거·가구 형태자가/전세/월세 + 1인/다인pain_point핵심 불편사항서비스별 맞춤 고충 포인트현재 운용 중인 총 페르소나 규모
3개의 독립 데이터베이스에 용도별로 분리 관리됩니다.
AI가 만든 결과를
또 다른 AI가 검증합니다
AI가 사람을 만들면 3명 중 1명은 불합격입니다. 비슷한 이야기가 반복되거나, 20대한테 IMF 트라우마를 넣는 등 시대적 오류가 자주 발생하기 때문입니다. Alterverse는 이 문제를 2가지 자동 검증 시스템으로 원천 차단합니다.
calculateContext-Aware Combinatorial Seeds
사람을 만들기 전에, [어떤 가정에서 자랐는지] × [그 나이대에 실제로 겪었을 사건] × [최근에 무슨 일이 있었는지]를 조합표로 미리 정해둡니다. 이렇게 하면 20대에게는 전세 사기·코인 폭락 같은 요즘 사건만, 50대에게는 IMF·부동산 폭등 같은 과거 사건만 배정됩니다. 시대가 안 맞는 엉터리 인생은 만들어질 수가 없습니다.
smart_toyMulti-Agent QA Adversarial Loop
만들어진 사람은 곧바로 검증 전담 AI(QA Agent)에게 넘어갑니다. 다른 사람과 이야기가 조금이라도 겹치면 즉시 탈락시킵니다. 탈락한 사람은 '식별번호 58319에서 영감 받은 독특한 소지품을 추가하라'는 식의 무작위 지시를 받아 완전히 새로운 인생으로 다시 태어납니다. 이 과정을 3번 반복하면 1,000명 전원이 겹치지 않는 고유한 사람이 됩니다.
Live Logging Console
한 사람의 인생을 통째로 설계합니다
"까다로운 소비자 역할을 해줘"라는 한 줄 지시로는 진짜 사람처럼 행동하지 않습니다. Alterverse는 유년기 기억, 경제적 트라우마, 월급에서 실제로 쓸 수 있는 금액, 브랜드를 바꾸는 계기까지 수백 줄에 걸쳐 한 사람의 인생 전체를 설계합니다. 아래는 실제 사용되는 설계도의 일부입니다.
AI가 헛소리하지 않도록
두 겹으로 잠급니다
아무리 잘 만든 가상 고객도, 아직 세상에 없는 신제품을 모르면 엉뚱한 대답을 합니다. 이를 막기 위해 Alterverse는 실제 조사 데이터를 학습시키는 방법과 제품 설명서를 직접 주입하는 방법, 두 가지를 동시에 적용합니다.
Track A: 실제 조사 데이터 학습 (Chroma DB) 지속 확장 중
AI가 대답할 때 "상상"이 아닌 "사실"에 근거하도록, 검증된 리서치 데이터를 통째로 학습시킵니다. 현재 1차 투입이 완료된 데이터 소스는 아래 3종이며, 산업·도메인별로 지속 확장할 계획입니다.
trending_upRAG 데이터 확장 로드맵
투입 데이터가 많아질수록 AI의 대답이 더 정밀해집니다. RAG는 Alterverse의 핵심 경쟁 기술입니다.
Track A-1: 데이터 꼬임 방지 (Metadata Lock)
30대 1인 가구가 인터뷰할 때, 엉뚱하게 60대 주부의 답변이 섞여 들어오면 안 됩니다. 이를 막기 위해 데이터를 검색할 때마다 {domain: "target_service", segment: "1인가구"}처럼 조건 자물쇠를 걸어, 해당 페르소나와 딱 맞는 데이터만 가져오도록 강제합니다.
Track B: 제품 설명서 직접 주입 (Concept Board)
아직 세상에 없는 신제품을 AI가 제대로 이해하지 못하면 엉뚱한 대답을 합니다. 이를 막기 위해 평가할 제품의 핵심 특징을 AI의 기억 최상단에 직접 심어서, 제품을 정확히 이해한 상태로 대답하게 만듭니다.
데이터 주입 흐름도
실제 사람과 비교한 결과,
솔직히 공개합니다
실제 서비스 수용도 조사에서, 타사 AI 솔루션과 Alterverse의 결과를 진짜 사람 120명의 응답과 비교했습니다. 압도적으로 앞서는 지표도 있지만, 아직 개선이 필요한 영역도 있습니다. 우리는 이 결과를 있는 그대로 공개합니다.
전체 응답 분포 비교
AI는 정답을 미리 학습하지 않은 상태(Zero-Shot)에서 테스트되었습니다.
| 검증 지표 | 타사 AI 솔루션 | Alterverse (V6) |
|---|---|---|
| JS Similarity 응답 분포의 형태가 사람과 얼마나 같은가 | 0.643 | 0.915 ✓ 압도적 우위 |
| 1-RMSE 엉뚱한 대답(이상치)을 얼마나 안 하는가 | 0.835 | 0.983 ✓ 98.3% 적중 |
| 1-MAE 전체 문항 평균 정확도 | 0.871 | 0.986 ✓ 압도적 우위 |
| Spearman 상관 문항 간 순위 상관성 | 0.802 | 0.636 ▼ 개선 필요 |
| Pearson 상관 점수 간 선형 상관성 | 0.785 | 0.640 ▼ 개선 필요 |
thumb_up우리가 압도적으로 앞서는 것
"5점 만점에 4점을 준 사람이 몇 %, 3점을 준 사람이 몇 %"와 같은 응답 분포의 모양 자체가 실제 사람과 거의 동일합니다. 타사 대비 +42.3% 우위.
사람이라면 절대 안 할 엉뚱한 대답이 거의 없습니다. 100점 만점에 98.3점으로, 사실상 사람과 구별 불가능한 수준의 일관성입니다.
기능별 호불호를 묻는 핵심 문항에서는 오히려 타사(0.360)보다 2배 이상 높은 상관계수를 기록했습니다. 기능 간 우선순위를 더 정밀하게 판별합니다.
construction솔직히, 아직 부족한 것
"A 문항에 높은 점수를 준 사람이 B 문항에도 높은 점수를 주는" 패턴을 타사(0.802)만큼 정밀하게 따라가지 못합니다. RAG 데이터 정제가 핵심 과제입니다.
정답에 가까운 RAG 문서에 의존할수록 상관성이 올라가는 것을 확인했습니다(V5에서는 0.896). 도메인별 특화 데이터 투입으로 개선 가능한 영역입니다.
AI가 추정한 평균 지불 의향 금액은 약 49,000원으로, 실제 사람의 응답(약 10,000원)과 큰 괴리가 있습니다. RAG에 투입된 고관여자 데이터가 AI의 가격 판단에 편향을 일으킨 것으로 분석되며, 데이터 정제를 통해 반드시 교정해야 할 영역입니다.
rocket_launch개선 로드맵: 약점을 없애기 위한 계획
투입 데이터에서 고관여자/헤비유저 데이터를 분리 격리하여 WTP 과대 추정 문제를 교정합니다.
산업별 전문 리서치 보고서를 추가 투입하여 Pearson/Spearman 상관성을 V5 수준(0.8+)으로 복구합니다.
지불 의향(WTP) 추정에 특화된 별도 추론 로직을 개발하여, 가격 민감도를 현실적으로 반영합니다.
본 기술 검증 PoC는 외부 벤치마크 솔루션 발굴 및 비교 테스트를 지원해 주신 문샷TF와 함께 진행되었습니다. Thanks to 문샷TF 🙏