The $2B AI Startup Simulating Human Behavior with 85% Accuracy

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

The $2B AI Startup Simulating Human Behavior with 85% Accuracy를 중심으로, 사람다운 답변에서 실제 사람과의 일치도로 평가 기준이 이동했다. Smallville은 기억·계획·성찰을 갖춘 에이전트 25명의 공를 핵심 판단 포인트로 압축 정리한다.

📌 핵심 요점

1. 사람다운 답변에서 실제 사람과의 일치도로 평가 기준이 이동했다. Smallville은 기억·계획·성찰을 갖춘 에이전트 25명의 공동체를 시험했고, 후속 연구는 특정 개인의 응답과 행동을 얼마나 충실하게 재현하는지 검증했다.
2. 미국 인구의 대표성을 고려해 모집한 1,000명을 인터뷰하고 개인별 에이전트를 만들었다. 참가자가 2주 뒤 수행한 설문·행동 연구·반응 과제의 응답을 예측했으며, 회사 측은 이 실험의 정확도가 85% 이상이었다고 설명했다.
3. 행동 예측에는 개인의 성향과 현실의 선택 조건이 함께 필요하다. 운동 의향이 실행으로 이어지지 않듯, 설문 응답만으로는 부족하며 대안·기회비용·주변 환경을 모델에 반영해야 한다.
4. 초기 사업은 고객 조사와 실험의 속도를 높이는 데 집중한다. 콘셉트 테스트·컨조인트 분석·맥스디프 분석 등을 시뮬레이션으로 수행하며, CVS와는 소비자 이해 및 매장 배치·메시지·장식 개선을 위한 시뮬레이션에 협력했다.
5. 활용의 핵심은 데이터 품질과 결과 검증이다. 대표성 있는 표집, 응답 품질 관리, 충분한 설명에 근거한 동의가 필요하며, 제품은 개별 응답의 신뢰도도 추정한다. 이 신뢰도와 초기 실험의 정확도 85%는 서로 다른 지표다.

🧩 배경과 문제 정의

• 사람다운 답변을 생성하는 것과 실제 사람의 행동을 정확히 예측하는 것은 서로 다른 과제다. Simile의 연구는 가상 인물의 그럴듯함을 평가하는 단계에서 실제 사람과의 일치도를 검증하는 방향으로 발전했다.
• 사람의 설문 응답과 실제 행동 사이에는 차이가 있다. 행동을 예측하려면 개인의 성향뿐 아니라 선택 가능한 대안, 기회비용, 주변 환경까지 반영해야 한다.
• 기업은 고객을 더 잘 이해하려 하지만 의사결정이 필요할 때마다 모든 고객에게 질문하기는 어렵다. Simile은 실제 사람의 데이터에 기반한 시뮬레이션으로 조사와 실험을 빠르게 수행하려 한다.
• 사회의 다양한 집단을 충실히 재현하려면 대표성 있는 표본, 응답 품질 관리, 충분한 설명에 근거한 동의가 필요하다.

🕒 시간순 섹션별 상세정리

1. 시뮬레이션은 사회가 자신을 이해하기 위한 재현이다

• 시뮬레이션 속에 사는지에 관한 철학적 질문에서 중요한 기준은 경험이 당사자에게 실제처럼 느껴지고 자신의 정체성에 부합하는지다 [01:44]
• 인간과 사회에는 자신을 이해하려는 욕구가 있으며, 대상을 재현하는 것은 이해의 한 방법이다. 문명이 시뮬레이션을 만들 것이라는 추론을 바탕으로 우리가 시뮬레이션에 살 가능성도 있다는 관점이다 [01:55]

2. 개인의 특성을 재현한 뒤 상호작용으로 사회를 구성한다

• 개인의 위험 감수 성향, 미적 취향, 고유한 특성은 사회를 구성하는 기초 요소다. 개인 시뮬레이션은 이러한 인물의 특성과 행동을 충실하고 정확하게 재현하는 데서 출발한다 [03:02]
• 사회 규모의 시뮬레이션은 재현한 개인들을 같은 환경에 놓고 상호작용하게 만드는 방식이다. 그 상호작용에서 새롭게 발생하는 현상이 복잡성과 혼돈을 만든다 [03:40]

3. Smallville은 기억·계획·성찰을 갖춘 에이전트 공동체를 시험했다

• 2022~2023년 초기 연구에서는 GPT-3와 GPT-3.5 같은 언어모델에 담긴 인간 관련 지식을 활용해 새로운 행동을 생성할 수 있는지 탐색했다. 목표는 한 사람을 시뮬레이션한 뒤 공동체 전체로 확장하는 것이었다 [04:10]
• Smallville은 게임 마을에 이름·성격·생애가 다른 에이전트 25명을 배치했다. 언어모델에 기억·계획·성찰 구조를 결합해 일상생활, 출근, 관계 형성이 가능하게 했다 [05:15]

4. 초기 검증 기준은 경험에 근거한 답변의 그럴듯함이었다

• 초기 평가는 에이전트에게 이름과 생애, 함께 시간을 보내고 싶은 사람, 그 사람에게 줄 선물을 묻는 방식이었다. 질문들은 기억·계획·성찰 능력이 답변에 반영되는지 확인하기 위한 것이었다 [07:03]
• 인간 평가자는 마을에서 겪은 경험을 바탕으로 에이전트의 답변이 사람다운지 판단하고, 사람이 작성한 답변과 비교했다. 단순히 자주 마주친 사람보다 특별한 관계와 대화를 나눈 사람을 선택하는지가 중요한 판단 사례였다 [08:00]

5. 실제 사람 1,000명의 디지털 트윈으로 행동 예측을 검증했다

• 후속 실험은 성별·인종·민족 등을 고려해 미국 인구를 대표하도록 모집한 1,000명을 대상으로 진행했다. 음성 대화형 AI가 성장 배경, 어려운 결정, 중요한 인간관계를 인터뷰하고 그 데이터로 각 사람을 재현하는 에이전트를 학습시켰다 [09:21]
• 참가자는 2주 뒤 실험실로 돌아와 설문, 행동 연구, 자극에 대한 반응 과제를 수행했고, 에이전트는 이들의 응답을 예측했다. 회사 측이 제시한 2024년 말 실험 결과는 행동 예측 정확도 85% 이상이었다 [10:13]

6. 말과 행동의 차이를 학습하는 것이 핵심 모델링 과제다

• 학습에는 사람의 발언뿐 아니라 실제 행동에 관한 지식과 비합리적 행동도 반영한다. 경제적 행동 게임과 무작위 대조 실험 등은 이러한 경향을 다루는 근거가 된다 [11:28]
• 위험 감수 성향처럼 쉽게 변하지 않는다고 보는 특성을 파악하면 예측 가능한 요소가 생긴다. 핵심 과제는 관찰된 태도와 행동에서 근본적인 성향을 추론하고, 자기 인식과 실제 행동 사이의 차이를 학습하는 것이다 [11:52]

7. 행동은 가능한 대안과 기회비용에 좌우된다

• 객관식이나 1~7점 척도의 설문은 선택지가 제한된 추상적 상황이다. 실제 행동은 현실에서 어떤 선택지에 접근할 수 있는지에 따라 달라진다 [14:07]
• 운동 대신 한 시간 더 자거나 회의를 하나 더 할 수 있다면 각 선택의 기회비용이 발생한다. 대안의 존재와 종류가 행동을 좌우하므로, 특정 행동에 대한 선호만으로 실행 여부를 판단하기 어렵다 [15:02]

8. Simile은 행동 파운데이션 모델로 조사와 실험을 수행한다

• Simile의 모델은 개인이나 집단에 대한 설명을 입력받아 서로 다른 상황에서 어떤 행동을 할지 시뮬레이션한다. 초기 활용 분야는 설문과 실험 등 고객 인사이트 조직의 조사 업무다 [15:55]
• 콘셉트 테스트, 컨조인트 분석, 맥스디프 분석처럼 기존에 많은 비용과 시간이 들던 연구를 시뮬레이션에서 빠르게 실행한다. 회사 측은 수십만~수백만 달러와 수년이 필요할 수 있는 분석을 거의 즉시 수행할 수 있다고 주장한다 [16:29]

9. 실제 구매를 예측하려면 사람과 환경을 함께 모델링해야 한다

• 고객의 요구는 기존 조사의 속도를 높이는 데서 더 나아가, 사람들이 실제 자극에 어떻게 반응할지 예측하는 방향으로 확장된다. 이를 위해서는 개인뿐 아니라 환경의 모델도 필요하다 [16:56]
• 물 공급원이 하나뿐인 가정과 여러 곳에서 물을 구할 수 있는 현실에서는 가격 선택의 조건이 다르다. 물의 가격 수용도를 예측하려면 다른 공급원과 대안, 포장 등 주변 맥락을 함께 반영해야 한다 [17:18]

10. 유통·금융 등 고객사는 고객 이해와 의사소통에 활용한다

• 유통은 주요 고객 산업 중 하나이며, CVS는 소비자를 이해하고 매장 배치·메시지·장식을 개선하기 위한 시뮬레이션에 협력했다 [20:12]
• 금융기관은 정책과 메시지가 고객에게 회사의 가치를 어떻게 전달할지 파악하려 한다. 엔터테인먼트와 소비재 기업도 고객 기반을 더 잘 이해하려는 공통 수요를 갖는다 [20:40]

11. 산업별 에이전트 패널과 추가 데이터로 고객 고유 집단을 구성한다

• Simile은 주요 산업별로 에이전트 뱅크를 유지해 신규 고객이 즉시 사용할 수 있는 시뮬레이션 패널을 제공한다. 고객 고유의 대상 집단이 필요하면 데이터를 추가 수집해 모델의 범위를 확장한다 [21:48]
• 패널 제휴를 통해 전 세계 실제 사람 4,000만 명 이상과 연결돼 있으며, 매주 수만 명에서 수십만 명의 실제 사람과 접촉한다고 한다. 새로운 패널 구성원에 대한 수요는 보통 24시간 안에 충족할 수 있다는 설명이다 [22:26]

12. 대표성은 참여자 수보다 표본을 뽑는 방식에 달려 있다

• 데이터 제공자는 조사 참여를 선택한 일반 사람들이다. 대표성 확보의 핵심은 이들을 어떻게 추출하느냐이며, 무작위 표본과 확률표집 같은 사회과학 방법을 활용한다 [23:16]
• 일부 패널 회사는 전국의 다양한 사람들과 장기적인 관계를 구축한다. 전략적 제휴사인 Gallup은 수십만 명 규모의 패널을 보유하고 있으며, 참여자들과 10년 또는 20년 이상 관계를 쌓아왔다 [23:46]

13. 응답 피로와 부주의는 참여 간격과 주의력 검사로 관리한다

• 조사를 매주 반복하면 참여자가 피로해지거나 보상을 받기 위해 성의 없이 응답하는 문제가 생길 수 있다. 관계를 유지하면서도 조사 참여 간격을 충분히 확보하는 방식으로 이를 관리한다 [24:34]
• 신규 참여자와 과거 질문에 여러 번 답한 참여자를 비교해, 높은 응답 품질을 유지할 수 있는 조사 간격을 측정한다. 핵심 측정과 별개인 주의력 확인 질문도 포함한다 [25:29]

14. 참여 제한의 기준은 충분한 설명에 근거한 동의다

• 참여자는 데이터 수집 목적을 적어도 큰 틀에서 이해하고 동의해야 하며, 동의를 철회할 기회도 가져야 한다. 이러한 동의를 할 수 없는 사람은 참여 대상에서 제외한다 [27:50]
• 미성년자 데이터는 수집하지 않으며, 이를 모델의 사각지대로 인정한다. 같은 제한은 충분한 설명에 근거한 동의를 할 수 없는 다른 집단에도 적용된다 [28:15]

15. 좋은 조수보다 사회의 다양한 행동을 재현하는 모델을 지향한다

• 동의가 불가능한 경우를 제외하면 사회를 대표하는 모습을 만들기 위해 특정 집단을 피하지 않고 다양한 인구집단을 이해하려 한다 [28:32]
• 코딩·수학·추론을 잘하는 챗봇이나 조수와 달리, Simile의 목표는 사람들의 다양한 관점·가치·선호·취향을 재현하는 것이다. 좋은 행동뿐 아니라 나쁜 행동도 포착해야 한다 [28:52]

16. Sorcery 파일럿은 주제 매력도와 제목을 각각 시험했다

• Sorcery를 위한 파일럿에서는 콘텐츠 주제의 매력도와 제목을 대상으로 서로 다른 두 가지 시험을 진행했다 [29:30]

17. 투자자·기술 경영진 청중에게 강했던 제목과 관심사

• 진행자의 청중을 대상으로 한 시뮬레이션에서는 ‘실제 사람의 AI 시뮬레이션을 만드는 20억 달러 기업’이라는 제목이 가장 강한 반응을 얻었다. 해당 청중은 주로 투자자와 기술 기업 경영진으로 구성돼 있다 [30:06]
• 디지털 트윈, 시뮬레이션을 이용한 고객 테스트, 개인정보 보호가 주요 관심 주제로 나왔으며, 주제 사이에 뚜렷한 우열은 없었다. 진행자는 AI의 사이버 보안과 개인정보 위험에 대한 우려가 이러한 결과와 맞닿아 있다고 봤다 [30:23]

18. 질문 생성보다 중요한 결과의 신뢰도와 사용 기준

• 사용자는 SaaS 웹 화면에서 대화할 대상과 질문을 지정하고 응답을 받는다. 현재 질문 수에는 제한이 없다 [31:00]
• Simile은 고객이 결과를 언제·어떻게 사용하고, 어디에서 데이터를 보충하며, 어떤 방식으로 검증할지 함께 조정한다. 시뮬레이션 모델과 함께 정확도를 예측하는 모델도 훈련해, 학습 데이터와 질문을 바탕으로 개별 응답의 신뢰도를 0~100 범위로 산출한다 [31:32]

19. 전기차 홍보의 성공이 다른 차량 판매에는 손해가 될 수 있다

• Simile 설립 전 자동차 기업들과 진행한 연구에서는 전기차 진입 시점과 방식, 신차 메시지에 대한 소비자 반응을 시뮬레이션했다. 목적은 고객에게 가치를 효과적으로 전달하는 메시지를 찾는 것이었다 [33:47]
• 전기차 홍보에서는 유리해 보였던 메시지가 비전기차에 대한 인식까지 바꾸면서, 시뮬레이션상 해당 시장 전체의 판매를 낮추는 파급효과를 보였다. 이 연구 결과는 의사결정의 입력 자료로 활용됐지만, Simile 고객이 실제로 얼마의 손실을 피했는지는 제시되지 않았다 [34:47]

20. 기후변화와 기본소득을 정책 시뮬레이션으로 탐색할 가능성

• 토머스 셸링이 인종 분리의 인과 메커니즘을 시뮬레이션으로 탐구했던 사례처럼, 오늘날의 세대적 문제에도 같은 접근을 적용할 수 있다는 구상이다. 기후변화는 물리 현상뿐 아니라 서로 다른 유인을 가진 행위자들의 조정 문제이므로, 정책별 결과를 반복적으로 탐색하는 도구가 유용할 수 있다 [37:30]
• AGI가 이미 도래했거나 임박했다고 가정한다면, 기본소득 같은 대응책이 어디에서 효과를 내고 어디에서 실패할지 시뮬레이션할 수 있는지가 연구 과제가 된다. 5년짜리 연구를 대신할 수 있겠느냐는 질문은 향후 가능성으로 제시됐다 [38:38]

21. 인터뷰 준비에도 활용한 개인별 대화 시뮬레이션

• 출연자는 진행자의 온라인 활동을 바탕으로 인터뷰 전에 대화를 시뮬레이션했다. 그 결과에는 진행자가 ‘우리가 시뮬레이션 속에 사는가’를 물을 수 있다는 경고가 포함돼 있었다 [39:15]
• 모든 인터뷰어가 묻는 질문이 아니라는 점에서, 이 사례는 진행자 개인에 관한 정보를 반영한 예상 질문의 예로 제시됐다. 다만 전체 예상 질문의 적중률이나 평가 결과는 공개되지 않았다 [39:48]

22. 투자자 기반을 만든 연구 인연과 인간 이해에 대한 수요

• 진행자는 누적 투자 유치액이 3억 달러이고 기업가치는 보도 기준 20억 달러라고 언급했다. 투자자 구성에는 그린오크스와 인덱스뿐 아니라 AI 연구자 개인들도 포함돼 있다 [40:09]
• 이러한 투자자 기반에는 공동창업자들의 오랜 연구 인연이 작용했다. 스탠퍼드 동료 관계와 박사학위 논문 심사 인연이 있었고, 안드레이 카파시는 2023년 연구 논문을 초기에 널리 알린 인물 중 하나였다 [40:35]

23. 데이터의 양보다 질문의 질과 인과관계가 중요하다

• 사람을 이해하는 데는 얼마나 많은 데이터를 모으느냐보다 어떤 데이터를 얻느냐가 중요하다. 좋은 인터뷰어가 한두 시간의 대화로 상대를 깊이 이해하는 데서 착안해, 특정 주제에 관한 질문과 생애 이야기를 함께 수집한다 [42:42]
• 거래·이동 같은 관찰 데이터도 활용하지만, 제품 기능이나 메시지 하나를 바꾸고 행동 변화를 관찰하는 무작위 대조 실험 자료를 특히 중시한다. 이러한 자료가 변화의 원인을 파악하는 데 도움이 되기 때문이다 [43:39]

24. 인간 행동 연구와 기업용 제품을 함께 만드는 조직

• 팀은 약 100명이며, 약 20%는 연구실 동료나 학문적 연결 관계가 있는 인력이다. 프런티어 연구소를 거친 연구자들과 사회과학 배경의 방법론 전문가가 함께 인간 행동 기반 모델을 개발한다 [45:03]
• 모델링·평가·시뮬레이션 연구를 담당하는 과학 부문은 회사의 약 20~25%다. 대형 기업 고객에게 기술을 제공하기 위해 엔지니어링과 제품 조직도 운영하며, 최근에는 도어대시 출신 리더를 영입했다 [45:54]

25. 고객 현장 배치가 경쟁력이 된다는 전략과 성숙도 전망

• Simile은 데이터와 모델의 발전뿐 아니라 고객 현장에서 기술을 적용하는 배치 조직과 시장 공략을 중요하게 본다. 출연자는 시뮬레이션이 이미 영향을 줄 수 있지만 매달 빠르게 변하는 단계라고 평가했다 [46:54]
• 코딩 에이전트 분야에서는 고객 현장에 깊이 들어간 기업들이 더 지속적이고 방어력 있는 관계를 만들었다는 판단이다. 시뮬레이션도 약 1년 반~2년 뒤에는 현재 코딩 에이전트 산업 수준의 성숙도에 이를 것이라고 전망했다 [47:40]

26. 소비자 이해에서 직원 유지와 채용 메시지로 확장

• 인사 분야에서도 일부 고객과 협력하며, 고객사 구성원의 충분한 설명에 기반한 동의와 자율성을 전제로 한다. 주요 활용 사례는 특히 성과가 높은 구성원들이 회사에 계속 몰입하도록 만드는 조건을 시뮬레이션하는 것이다 [48:34]
• 스탠퍼드·MIT 등의 우수 학생을 채용하려는 기업은 해당 집단에 어떤 메시지로 접근해야 하는지도 시험할 수 있다. 활용 대상은 외부 소비자뿐 아니라 조직 내부를 포함한 다양한 이해관계자로 넓어진다 [49:14]

27. 성과를 책임지는 태도와 상반된 강점을 함께 가진 동료들

• 출연자가 존중하는 사람들의 첫 번째 특징은 환경이 달라져도 스스로 성공의 공통 요인이 되겠다고 책임지는 태도다. 이는 자신을 새롭게 바꾸는 능력과 깊은 주인의식으로 연결된다 [50:48]
• 두 번째 특징은 한 사람 안에 공존하기 어려워 보이는 강점의 조합이다. 공동창업자들의 사례로 엄격한 과학적 방법론과 놀이 같은 창작의 즐거움, 일상적인 위기감과 성공에 대한 확신, AI 연구와 피아노 연주가 제시됐다 [51:21]

28. 여러 시대에 걸친 영향력은 계속 도전할 동력에서 나온다

• 샌디 펜틀런드는 물리학자, AI 연구자, 계산사회과학자로 활동 영역을 바꾸면서 각 시기에 영향력을 발휘한 사례다. 출연자는 한 분야의 성취를 넘어 시대마다 자신을 새롭게 만드는 능력을 높이 평가했다 [52:24]
• 그 지속성의 바탕으로 강한 헌신, 지구력, 계속해서 흥미를 느끼는 능력을 꼽았다. 현재의 성공이 주는 가장 큰 보상을 다음 도전에 참여할 기회로 여기는 태도가 핵심이라는 설명이다 [53:31]

29. 단일 성과보다 장기적인 참여와 사회 변화가 목표다

• 특정 투자 유치, 고객 확보, 최우수 논문 같은 하나의 결과에 지나치게 집중하면 목표를 달성한 뒤 흥미를 잃을 수 있다. 다만 이후 활동이 줄어든 삶을 반드시 실패로 볼 수는 없으며, 당사자에게는 큰 성공일 수도 있다는 판단을 남겼다 [54:04]
• 여러 세대와 시대에 걸쳐 영향을 주려는 사람에게는 장기적 관점과 활동을 계속할 이유가 중요하다. 회사의 목적 역시 빠른 매각인지, 사회가 작동하는 방식을 더 낫게 바꾸려는 것인지에 따라 달라진다 [54:59]

🧾 결론

• Simile의 목표는 다양한 사람의 관점·선호·행동을 재현하고, 상황이 달라질 때 어떤 반응이 나올지 탐색하는 것이다.
• 시뮬레이션은 개별 메시지의 효과뿐 아니라 시장 전체의 상호작용과 부작용을 살피는 데 의미가 있다. 자동차 연구에서는 전기차에 유리한 메시지가 비전기차 인식에도 영향을 줘 시뮬레이션상 전체 판매를 낮추는 결과가 나타났다.
• 실무 가치는 예측 결과를 실제 데이터와 대조하고, 무엇을 바꾸면 결과가 개선되는지 인과 메커니즘을 파악할 때 커진다.

📈 투자·시사 포인트

• 진행자는 누적 투자 유치액 3억 달러와 보도 기준 기업가치 20억 달러를 언급했다. 이 수치만으로 매출·수익성이나 고객의 실제 비용 절감 효과를 판단할 수는 없다.
• 회사가 제시하는 사업 기회는 고객 조사와 실험의 시간·비용 절감이다. 투자 관점에서는 분석 속도가 실제 의사결정 개선과 반복 사용으로 이어지는지 확인필요가 있다.
• 회사는 데이터·모델의 발전과 함께 고객 현장에 기술을 적용하는 조직을 중요하게 본다. 고객별 검증과 업무 적용 역량이 경쟁력으로 이어질지가 관찰 지점이다.
• 직원 유지·채용 메시지와 정책 시뮬레이션으로 활용 범위가 넓어질 가능성이 제시됐다. 다만 정책 효과나 장기 연구 대체 가능성은 향후 연구 과제이며, 실제 성과로 제시된 것은 아니다.

⚠️ 불확실하거나 확인이 필요한 부분

• 초기 실험의 정확도 85% 이상은 회사 측이 제시한 수치다. 제공된 설명에는 정확도의 구체적 계산 방식, 과제별 성능, 비교 기준과 오차 범위가 없어 모든 현실 행동에 적용되는 성능으로 해석하기 어렵다.
• 응답별 신뢰도 0~100과 고객이 활용 기준으로 삼았다는 85%·90%는 제품 전체의 실측 정확도가 아니다. 높은 신뢰도 점수가 실제 정답률과 얼마나 일치하는지 별도 검증이 필요하다.
• 조사 시간·비용을 크게 줄일 수 있다는 설명은 회사의 주장이다. 자동차 연구에서도 고객이 실제로 피한 손실액은 제시되지 않았다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 초기 1,000명 실험의 원자료나 평가 문서를 확보해 정확도의 정의, 비교 기준, 과제별 결과를 확인한다.
• 도입하려는 고객 집단과 의사결정을 정하고, 시뮬레이션 예측을 실제 설문·행동 결과와 비교하는 파일럿을 설계한다.
• 실험 정확도와 응답별 신뢰도를 구분해 기록하고, 중요한 의사결정에 사용할 기준과 추가 데이터 수집 조건을 정한다.
• 가격·대체재·접근성·기회비용 등 행동을 바꿀 환경 조건을 시나리오에 포함한다.

❓ 열린 질문

• 인터뷰 기반 에이전트의 예측력은 시간이 지나거나 개인의 환경이 크게 바뀐 뒤에도 유지되는가?
• 응답별 신뢰도는 새로운 집단과 학습 데이터가 부족한 질문에서도 실제 정확도에 맞게 산출되는가?
• 조사 속도 향상이 실제 구매·매출·직원 유지 같은 현장 성과 개선으로 얼마나 이어지는가?