합성 패널(Synthetic Panel)이란 과거에 수집된 실제 응답자 데이터를 AI에 학습시켜, 새로운 질문에 대해 마치 그 사람들이 실제로 응답한 것처럼 개인별 응답 데이터셋을 생성하는 기법입니다. 오픈서베이 역시 합성 패널을 만들고 연구하고 있습니다. 시장과 구성원, 고객으로부터 많은 질문을 받고 그 질문에 대한 답을 찾아가는 중입니다. 그리고 지금의 배움이 빠르게 낡아지길 바라며 그 과정을 공유하고 기록하려 합니다.
오픈서베이 역시 합성 패널을 만들고 연구하고 있습니다. 시장과 구성원, 고객으로부터 많은 질문을 받고 그 질문에 대한 답을 찾아가는 중입니다. 그리고 지금의 배움이 빠르게 낡아지길 바라며 그 과정을 공유하고 기록하려 합니다.
이번 아티클에서는 합성 패널에 대한 정의와 기준을 공유합니다. 아래 아티클 시리즈는 오픈서베이의 ‘Research with AI’ 웨비나를 기반으로 합니다.
① 합성 패널이란? 개념, 작동 원리, 상용 LLM과의 차이 총정리 📌
② 합성 패널 활용법, 어디에 써야 효과적일까? 실전 가이드
③ 합성 패널 신뢰도, 믿어도 될까? 판단 기준 3가지와 LLM의 한계
오픈서베이가 만든 합성 소비자와 대화를 나눠보고 싶다면, 아래 링크에서 데이터스페이스를 시작해 보세요.
합성 패널(Synthetic Panel)의 정의
2026년이 시작되자마자 오픈서베이에는 합성 패널 혹은 합성 소비자 관련 문의가 부쩍 증가했습니다. 그리고 문의와 함께 합성 패널이 무엇인지에 대한 질문이 따라왔습니다. ‘Research with AI’ 웨비나 등록자를 대상으로 한 사전 조사에서, 응답자의 55.9%가 합성 패널에 대해 들어본 적 있다고 답했습니다. 그러나 이들 중 75.7%는 합성 패널을 단순히 AI를 활용해 가상 응답자를 만드는 것 정도로만 이해하고 있었습니다(출처: 오픈서베이 합성 패널 관련 내부 조사 2026년 4월, n=138).
모든 시작은 정확하게 아는 것에서부터 출발합니다. 합성 패널이 무엇인지, 비슷해 보이는 개념들이 서로 어떻게 다른지, 그리고 어떻게 만들어지는지를 차근차근 정리해 드립니다.
합성 패널로 리서치 자동화가 가능할까? 시장의 기대와 전제
합성 패널에 대해 관심을 가지는 분은 AI를 통해 리서치를 완전히 자동화할 수 있지 않을까, 하는 공통적인 기대를 가집니다. 설계부터 분석, 보고까지 이미 리서치 과정의 많은 부분을 AI가 자동화하고 있기 때문에, AI가 실제 소비자처럼 설문에 대한 응답을 해줄 수 있다면 리서치 자동화의 마지막 퍼즐이 맞춰지는 게 아닐까 생각합니다.
이 기대는 반은 맞고 반은 틀립니다. 합성 패널이 제대로 작동하려면 한 가지 전제가 필요한데요, 여전히 근거가 되는 데이터가 필요합니다. 제대로 활용할 수 있는 데이터 없이, 상용 LLM에게 ’30대 여성 패널은 이 제품을 어떻게 생각할까요?’라고 질문하면 학습 데이터 안의 평균적인 패턴이나 그럴듯하게 만들어진 이야기가 답으로 돌아옵니다. 합성 패널의 진짜 가치는 신뢰할 수 있는 데이터가 있을 때, 그 데이터를 더 쉽고 빠르게 활용하게 해주는 것에 있습니다. 합성 패널은 응답을 받는 과정을 없애는 도구가 아니라, 축적된 데이터 자산을 더 잘 쓸 수 있게 해주는 도구에 가깝습니다.
합성 데이터 vs 합성 페르소나 vs 합성 패널 vs 디지털 트윈, 차이점 비교
이미 시장에는 AI가 패널을 대신해 생성하는 응답을 가리키는 다양한 용어들이 등장했고 혼용되어 쓰이고 있습니다. 합성 데이터, 합성 페르소나, 합성 패널, 디지털 트윈. 각각이 정확히 무엇을 가리키는지 현재 시점의 개념을 정리해 드립니다.
합성 데이터(Synthetic Data)
가장 넓은 개념입니다. 여러 소스를 집계해 인사이트를 도출하거나, AI가 생성한 데이터 전반을 아우릅니다. 합성 패널은 합성 데이터의 한 유형이라고 볼 수 있습니다.
합성 페르소나(Synthetic Persona)
특정 타겟 세그먼트의 심리적·인구통계학적 특성을 대표하도록 설계된 AI 기반 가상 인물입니다. “30대 초반, 건강에 관심 많은 직장 여성”처럼 속성을 정의하고, 이 가상 인물과 인터뷰하거나 설문을 진행하는 방식으로 활용됩니다.
합성 패널(Synthetic Panel)
합성 페르소나에서 한 발 더 나아갑니다. 과거에 수집된 실제 응답자들의 데이터를 AI에 학습시키고, 새로운 질문에 대해 마치 그 사람들이 실제로 응답한 것처럼 개인별 응답 데이터셋을 생성하는 기법입니다. 단순히 페르소나를 설정하는 것이 아니라, 설문조사처럼 실제 응답 데이터의 분포를 재현하는 것이 목표입니다.
디지털 트윈(Digital Twin)
현실에 존재하는 특정 개인을 정확하게 복제한 AI를 의미합니다. 데이터 신뢰성 측면에서는 이론적으로 가장 정밀할 수 있지만, 특정 개인을 그대로 재현한다는 점에서 개인정보 보호 리스크가 큽니다.
같은 사전 조사에서 응답자의 30%가 합성 패널을 디지털 트윈과 유사한 개념으로 이해하고 있었습니다(출처: 오픈서베이 합성 패널 관련 내부 조사 2026년 4월). 결정적인 차이는 하나입니다. 합성 패널은 특정 개인을 복제하는 것이 아니라, 실제 데이터 기반으로 개인 수준의 응답을 새롭게 생성하는 것입니다. 이 때문에 리서치를 목적으로 AI를 사용하는 오픈서베이는 디지털 트윈 방향을 지양하고, 합성 패널 방식으로 접근하고 있습니다.
합성 패널 만드는 방법: LLM Wrapper, RAG, 알고리즘 결합, 파인튜닝
기술 구현 방식은 크게 네 가지로 나눌 수 있습니다. 어떤 방식을 쓰느냐에 따라 결과물의 품질과 한계가 달라집니다.
1. LLM Wrapper 방식
ChatGPT나 Claude 같은 범용 모델 위에 페르소나 설정을 프롬프트로 주고 활용하는 방식입니다. 별도 개발 없이 누구나 시도해볼 수 있다는 장점이 있지만, 모델 자체의 편향이 그대로 결과에 반영된다는 한계가 있습니다.
2. RAG(Retrieval-Augmented Generation) 방식
LLM이 처음부터 학습하지 않은 데이터를 추가로 제공하고, 그것을 참조해 응답을 생성하는 방식입니다. 최신 데이터나 특정 도메인 데이터를 보강해 응답 품질을 높일 수 있습니다.
3. 알고리즘과 LLM을 결합하는 방식
기계학습 모델과 LLM을 함께 활용합니다. 핵심 정보를 기반으로 응답자의 다른 속성을 예측하는 알고리즘을 추가해, 원본 데이터의 분포를 더 충실하게 재현하는 것이 목표입니다. 오픈서베이가 현재 취하고 있는 방향이기도 합니다.
4. 파인튜닝 방식
처음부터 데이터를 학습시켜 전용 모델을 구축하는 방법입니다. 구축 비용과 시간이 크고, 새로운 데이터가 수집될 때마다 갱신하기가 어렵다는 점에서 유연성이 떨어집니다.
합성 패널, 상용 LLM인 ChatGPT나 Gemini와 어떻게 다를까?
합성 패널을 처음 접하는 분들이 가장 많이 하는 질문입니다. 결론부터 말하면, 합성 패널을 사용하는 목적이 시장을 대표하는 패널의 응답을 예측하는 것이라면 상용 LLM만으로는 부족합니다. 네 가지 이유가 있습니다.
첫째, 대표성 문제입니다. 상용 LLM의 학습 데이터는 기본적으로 웹에 존재하는 텍스트 중심이고, 서구권·고학력층의 목소리가 과도하게 반영되어 있습니다. 반면 오픈서베이의 합성 패널은 실제 패널 인구 분포를 반영한 패널 데이터를 기반으로 만들어집니다.
둘째, 구조화된 데이터의 부재입니다. 상용 LLM과의 대화는 비정형 텍스트로 이루어지기 때문에, “누가, 언제, 어떤 맥락에서” 응답했는지 추적이 어렵습니다. 반면, 인구통계, 라이프스타일, 과거 응답 패턴 등 구조화된 메타데이터를 기반으로 페르소나가 구성된 합성 패널은 특정 타겟 조건에 맞는 분석이 가능합니다.
셋째, 응답 일관성입니다. 상용 LLM은 문항마다 독립적으로 응답을 생성하기 때문에, 같은 페르소나가 설문 전반에 걸쳐 일관된 관점으로 답한다는 보장이 없습니다. 합성 패널은 한 명의 가상 패널이 일관된 가치관과 행동 패턴으로 응답하도록 설계됩니다.
넷째, 검증 가능성입니다. 상용 LLM은 결과가 실제 집단의 행동을 얼마나 잘 설명하는지 검증하는 체계가 없습니다. 합성 패널은 실제 설문 결과와 비교·검증하는 프로세스를 함께 운영합니다.
오픈서베이 합성 패널: Aggregated Insight부터 개인 수준 응답 생성까지
오픈서베이는 합성 패널을 단일 기능이 아닌 세 가지 레이어로 구성하고 있습니다.
가장 먼저 제공되는 것은 Aggregated Insight입니다. 오픈서베이가 보유한 트렌드 리포트, 푸드 다이어리, NPS 벤치마크 등의 데이터를 기반으로, 자연어 질문에 대한 인사이트를 즉시 제공하는 기능입니다. 2026년 하반기부터 기존 고객을 대상으로 순차적으로 제공해나갈 예정입니다.
다음은 합성 페르소나 인터뷰입니다. 기업이 보유한 데이터 또는 오픈서베이가 보유한 데이터를 기반으로 타겟 페르소나를 생성하고, 대화형 환경에서 그 페르소나와 상호작용하며 인사이트를 탐색하는 방식입니다.
마지막으로 Individual Level 합성 패널은 개인별 응답 데이터셋을 생성해 실제 정량 조사처럼 분석할 수 있는 형태입니다. 현재 식음료 도메인을 중심으로 실험을 거쳐 순차적으로 도메인을 확장해 나갈 예정입니다.
Research with AI – 오픈서베이의 AI 소비자를 만나보세요
합성 패널은 아직 개념도, 활용 방법도, 평가 지표도 정의가 진행 중인 영역입니다. 그래서 지금 당장 업무에 도입해야 한다고 주장하기도 어렵고, 몇 번의 경험으로 합성 패널의 가능성을 판단하기도 이릅니다. 그러나 기술의 발전 속도만큼 합성 패널에 대한 연구 역시 훨씬 더 빠르게 진행될 것입니다. 그리고 분명한 것은, 알고 있는 것과 모르는 것, 경험해본 것과 경험해보지 않은 것의 차이가 크다는 점입니다.
오픈서베이 역시 소비자 데이터가 필요한 고객이 더욱 빠르고 깊은 인사이트를 얻고 시장을 예측할 수 있도록 합성 패널에 대한 연구와 제품화를 지속해나갈 예정입니다.
지금 바로 오픈서베이의 합성 소비자와 대화를 나눠볼 수 있습니다.
자주 묻는 질문
Q. 합성 패널이란 무엇인가요?
A. 합성 패널(Synthetic Panel)은 과거에 수집된 실제 응답자들의 데이터를 AI에 학습시키고, 새로운 질문에 대해 마치 그 사람들이 실제로 응답한 것처럼 개인별 응답 데이터셋을 생성하는 기법입니다. 실제 응답 데이터의 분포를 재현하는 것이 목표입니다.
Q. 합성 패널과 디지털 트윈은 어떻게 다른가요?
A. 디지털 트윈은 현실에 존재하는 특정 개인을 정확하게 복제한 AI로, 개인정보 보호 리스크가 큽니다. 합성 패널은 특정 개인을 복제하는 것이 아니라 실제 데이터 기반으로 개인 수준의 응답을 새롭게 생성한다는 점에서 다릅니다.
Q. 합성 패널과 합성 페르소나는 어떻게 다른가요?
A. 합성 페르소나는 타겟 세그먼트의 특성을 대표하도록 속성을 정의한 AI 기반 가상 인물입니다. 합성 패널은 여기서 한 발 더 나아가, 실제 응답자 데이터를 학습해 설문조사처럼 실제 응답 데이터의 분포를 재현하는 개인별 응답 데이터셋을 생성합니다.
Q. ChatGPT 같은 상용 LLM만으로 합성 패널을 만들 수 있나요?
A. 시장을 대표하는 패널의 응답을 예측하는 것이 목적이라면 상용 LLM만으로는 부족합니다. 대표성 문제, 구조화된 데이터의 부재, 응답 일관성 부족, 검증 체계 부재라는 네 가지 한계가 있기 때문입니다.
소비자 데이터 플랫폼
