“AI로 되던데 왜 굳이 리서치 플랫폼을 따로 써야 하나요?” “ChatGPT나 제미나이로 하면 안 되나요?”
완전히 틀린 말은 아닙니다. 일단 LLM도 설문을 설계하고 데이터를 요약합니다. 인사이트처럼 보이는 문장을 그럴싸하게 만들어내고, 심지어 빠르기까지 합니다.
그런데 일반 LLM과 함께 설문을 설계하거나 데이터를 분석해본 경험이 있다면 멈칫하는 순간이 찾아옵니다. 그럴듯하게 나왔는데 어디서 나온 수치인지 확인이 안 되거나 조건은 같은데 또 다른 해석을 내놓기도 합니다. 속도를 내기 위해 AI를 사용했지만 수정에 더 많은 시간이 들어가고, 검토를 위해서는 결국 전문적인 지식이 필요합니다.
그렇다면 리서치 특화 AI인 데이터스페이스 AI는 어떻게 만들어졌고, 일반 LLM과 무엇이 다를까요? 데이터스페이스 AI는 한 가지 원칙에서 출발합니다. 모든 과정과 결과를 설명할 수 있어야 한다는 것입니다.
데이터스페이스 AI 설계 원칙 1. 리서치 전문가처럼 생각하고 검증합니다.
일반 LLM은 웹 문서를 기반으로 학습합니다. 리서치에 관한 정보가 없는 건 아니지만, 실제 리서치 현장에서 검증된 분석 기준이 내재화되어 있지 않습니다. 그래서 데이터를 분석할 때 리서처라면 절대 하지 않을 해석을 내놓는 경우가 생깁니다.
데이터스페이스 AI는 리서치 전문가가 일하는 과정을 정밀하게 분해하는 것을 시작으로 만들어졌습니다. 경력 20년 이상의 정량조사 전문가와 정성조사 전문가가 리서치를 수행하는 방식과 판단 기준을 먼저 정리했고, 그 노하우를 AI의 지식 베이스로 구축해 학습시켰습니다. 가이드라인을 세운 후 AI를 적용해 맥락과 의미를 더했습니다. 또한, 기능이 완성되었다고 바로 사용자에게 공개하는 것은 아닙니다. 내부의 리서치 전문가들이 먼저 제품을 사용하며 완성도를 검증합니다. AI가 만들어낸 분석 결과가 실제 리서치 기준에 맞는지 전문가의 눈으로 직접 확인하는 과정입니다.
리서치 특화 AI인 데이터스페이스 AI와 일반 LLM의 분석 방식은 구체적인 지점에서 갈립니다. 리서처에게는 당연한 기준들입니다. 일반 LLM에는 이 기준이 없습니다.
| 분석 항목 | Dataspace AI | 일반 LLM |
|---|---|---|
| 응답자 수 출력 | 문항별 응답자 수 함께 출력 | 미출력 |
| Base 조건 | Base(문항별 응답자 수)를 감안해 해석 | Base 조건 없이 해석 |
| 순위형 문항 | 1~3순위 누적 분석 | 순위별 개별 분석 |
| 평가형 문항 | Top1·Top2 기준 해석 | 평균값 해석 |
| 세그먼트 분석 | 통계적 유의미한 차이만 해석 | %p 차이 기준 해석 |
| 증감 문항 | 순증(Net) 기준 해석 | 증가·감소 개별 해석 |
데이터스페이스 AI 설계 원칙 2. 팀으로 움직이는 리서치 특화 AI
일반 LLM은 하나의 AI가 모든 질문에 답합니다. 단순한 질문에 대한 답변을 주기엔 충분할 수 있습니다. 하지만 리서치는 다릅니다. 기획 단계에서 설문을 설계하고, 데이터를 수집하고, 분석하고, 인사이트를 정리하고, 보고서를 쓰고, 팀에 공유하는 과정은 단계마다 다른 판단과 전문성을 요구합니다.
데이터스페이스 AI는 리서치 오케스트레이터(Orchestrator)와 리서치 에이전트(Agents)로 구성된 리서치 팀입니다.
오케스트레이터는 리서치 팀장의 역할을 합니다. 사용자의 요청을 받아 리서치 전체 맥락을 파악하고, 어떤 에이전트를 어떤 순서로 움직일지 조율합니다. 사용자가 “만족도를 세대별로 비교해 줘”라고 말하면 오케스트레이터는 이것이 어떤 분석을 요구하는 요청인지 판단하고 적합한 에이전트에게 역할을 배분합니다. 리서치 에이전트는 각 단계에 특화된 팀원입니다. 검색 에이전트, 설계 에이전트, 수집 에이전트, 분석 에이전트, 시각화 에이전트 등이 각자의 영역에서 움직입니다.
사용자는 복잡한 작업 순서를 지시할 필요 없이 원하는 것을 이야기하면 됩니다. 리서치 기획부터 데이터 분석까지, 리서치를 가장 잘 아는 AI가 모든 단계를 함께할 테니까요.
데이터스페이스 AI 설계 원칙 3. 숫자는 코드가, 추론은 AI가 처리합니다
일반 LLM에 데이터를 넣고 분석을 맡기면 어떤 일이 일어날까요? LLM은 수치를 직접 계산하는 것이 아니라, 텍스트로 주어진 숫자를 확률적으로 예측하는 방식으로 처리합니다. 그렇기 때문에 프롬프트를 아무리 정교하게 작성해도 계산 과정은 블랙박스 안에 있고, 결과가 맞는지 확인할 방법이 없습니다.
데이터스페이스 AI는 이중 레이어(Dual Layer) 구조로 이 문제를 해결합니다.
Deterministic Layer에서는 코드가 Raw Data를 직접 집계합니다. 데이터스페이스의 결과 분석 기능이 데이터를 분석하는 방식을 따라 계산됩니다. Generative Layer는 Deterministic Layer에서 나온 검증된 수치에 맥락과 의미를 추가하는 역할을 합니다. 연산과 추론이 분리하여 AI가 숫자를 만들어내거나 임의로 해석하는 할루시네이션을 구조적으로 차단합니다.
데이터스페이스 AI 설계 원칙 4. 모든 인사이트에 근거를 제공합니다.
일반 LLM이 생성한 인사이트는 그럴듯해 보이지만, 어떤 응답에서 나온 결론인지 확인하기 어렵습니다. 보고서를 받아 든 의사결정자 혹은 협업 팀이 해석의 근거를 묻는 경우 답하기 곤란합니다.
데이터스페이스 AI가 제공하는 모든 인사이트는 소비자 응답 기반의 근거가 함께 제시됩니다. 보고서에서 지시된 인사이트가 어떤 소비자 응답 데이터를 기반으로 도출되었는지 문항과 데이터를 즉시 확인할 수 있습니다. 원본 데이터를 별도로 찾거나 참조할 필요 없이 그대로 보고서를 공유하면 됩니다.
AI가 리서치를 돕는다는 것의 의미
리서치에서 중요한건 속도만이 아닙니다. 정확하고 신뢰할 수 있는 인사이트가 공유되지 않는다면 아무리 속도가 빠르다고 해도 소용없습니다. 데이터스페이스 AI는 리서처처럼 생각하고, 리서처처럼 검증합니다. 그래서 일반 LLM과 다릅니다.
다시 처음의 질문으로 돌아가겠습니다. “ChatGPT로 하면 안 되나요?”
안 된다고 말하기보다, 이렇게 답하는 것이 정확합니다. 일반 LLM은 빠르게 텍스트를 만들어주지만, 리서치 방법론을 모르고, 수치를 직접 계산하지 않으며, 인사이트의 근거를 제시하지 않습니다. 그 결과물을 보고서에 올리고 의사결정의 근거로 쓰기 위해서는 결국 사용자가 처음부터 검증해야 합니다.
데이터스페이스 AI는 비즈니스 의사결정을 위한 인사이트를 얻기 위해 설계되었습니다. 리서치 전문가의 기준으로 분석하고, 팀처럼 움직이며, 숫자는 코드로 계산하고, 모든 결론에 근거를 제시합니다. 모든 인사이트에는 논리가, 모든 결과에는 근거가 있어야 한다는 원칙으로 구현되었고, 그 원칙이 있을 때 AI를 신뢰하고 사용할 수 있습니다.
오픈서베이 소개
Opensurvey는 AI 리서치 테크 기업입니다. 리서치 기획부터 데이터 수집, 분석까지 전 과정을 AI로 연결하며, 플랫폼과 리서치 전문가 서비스, 소비자 패널을 함께 보유하고 있습니다. 삼성전자, P&G, CJ제일제당, 우아한형제들 등 시대를 이끄는 기업들과 함께하며, 지난 14년간 3,000여 기업 고객과 25,000개 프로젝트를 수행해 왔습니다. ISMS-P, ISO/IEC 27001·27701, ISO 20252 인증과 ESOMAR 정회원 자격을 통해 보안과 리서치 품질 모두 국제 기준을 충족합니다.
데이터스페이스 소개
데이터스페이스는 오픈서베이가 제공하는 AI 기반 컨슈머 인텔리전스 플랫폼입니다. 리서치 맥락을 이해하는 오케스트레이터와 단계별 전문 에이전트가 기획부터 데이터 수집, 분석, 인사이트 보고, 공유까지 리서치 전 과정을 함께 합니다. 통계 연산과 AI 추론을 분리한 Dual Layer 구조로 분석의 정확도를 확보하며, 모든 인사이트에는 실제 소비자 응답에 기반한 근거가 함께 제시됩니다.
한국을 포함한 13개국 소비자 패널과 연결할 수 있고, 자사 고객을 대상으로 직접 데이터를 수집하거나 CRM 등 외부 플랫폼과 연동하는 API도 제공됩니다. 데이터스페이스에 축적된 소비자 데이터와 리서치 맥락은 기업의 인텔리전스 자산으로 남습니다. 이를 기반으로 자사 브랜드에 특화된 합성 소비자를 구축해 대화를 나누고 시장 반응을 예측할 수도 있습니다.
소비자 데이터 플랫폼
