Webinar: AI Agent Simulation of Human Behavior with Michael Bernstein

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

Webinar: AI Agent Simulation of Human Behavior with Michael Bernstein를 중심으로, 실행 전에 대안과 실패 경로를 탐색한다. 제품·정책·조직 전략을 바꾸기 전에 사람들의 반응을 시험하는 ‘만약에’ 도구가 연를 핵심 판단 포인트로 압축 정리한다.

📌 핵심 요점

1. 실행 전에 대안과 실패 경로를 탐색한다. 제품·정책·조직 전략을 바꾸기 전에 사람들의 반응을 시험하는 ‘만약에’ 도구가 연구의 목표다. 개인에게 합리적인 선택도 서로 영향을 주고받으면 예상 밖의 집단 결과로 이어질 수 있다.
2. 기억·성찰·계획이 지속적인 행동을 만든다. 에이전트는 관찰과 대화를 기억하고, RAG로 최근성·중요도·관련성이 높은 경험을 검색한다. 성찰로 경험에서 성향과 목표를 추론하고, 하루 계획을 세분화하며 새로운 상황에 맞춰 수정한다.
3. 스몰빌은 사회적 행동의 가능성을 보여준다. 25명의 에이전트에게서 정보 전파, 파티 초대, 협력과 불참이 나타났다. 파티 소식을 들은 12명 중 5명이 참석했고, 전염병 방송을 추가한 조건에서는 소식을 듣지 못한 한 명만 참석했다. 이러한 결과의 그럴듯함이 실제 인간 행동의 정확한 재현을 뜻하지는 않는다.
4. 개인별 인터뷰가 단순 페르소나보다 높은 재현 성과를 보였다. 미국인 1,000명의 면담을 기반으로 만든 에이전트는 일반사회조사에서 사람 자신의 2주 뒤 응답 일관성 대비 약 85% 수준에 도달했다. 페르소나·인구통계 기반 접근은 약 70%였다. 인터뷰의 80%를 무작위 삭제해도 약 79%를 유지했지만, 남은 정보가 예측 주제와 관련돼 있어야 한다.
5. 활용 수준에 따라 검증 부담이 커진다. 가능한 사건 탐색과 정성적 반응 추정에서 정량적 분포 예측, 도시·시장 전체의 다중 에이전트 시뮬레이션으로 갈수록 가정과 오류 위험이 늘어난다. 발표자는 다중 에이전트 결과를 의사결정에 직접 활용하기에는 준비가 부족하다고 평가한다.

🧩 배경과 문제 정의

• 제품 출시, 조직 개편, 정책 변경은 사람들의 반응에 관한 불완전한 정보를 바탕으로 결정된다. 실제 실행과 피드백의 기회가 제한되어 최선의 추정도 실패할 수 있다.
• 사람들은 서로의 행동에 영향을 주므로 개인의 의도만으로 집단의 결과를 예측하기 어렵다. 혼잡을 피하려는 사람들이 같은 장소로 몰리는 상황이 그 예다.
• 기존 인간 행동 시뮬레이션은 소수의 변수나 미리 작성한 행동 규칙에 의존해 행동의 다양성을 충분히 표현하지 못했다.
• 생성형 AI로 사람들의 반응을 미리 실험할 가능성이 열렸지만, 그럴듯한 행동과 실제로 정확한 예측은 구분해야 한다.

🕒 시간순 섹션별 상세정리

1. 불완전한 반응 예측이 의사결정 실패로 계속된다

• 고객이 제품에 어떻게 반응할지, 관리 방식이나 조직 구조를 바꾸면 무엇이 좋아지거나 나빠질지 판단할 때 필요한 정보는 대체로 불완전하다. 최선의 데이터를 모아도 잘못된 결정을 내릴 수 있다 [03:27]
• 프로젝트를 한 번만 출시할 수 있는 상황에서는 사전 피드백이 제한된다. 소비재, 개인 금융, 제품 설계, 정책, 관리, 교육 모두 이런 불확실성을 안고 큰 결정을 내린다 [03:53]

2. ‘만약에’ 시뮬레이션으로 실행 전 대안을 시험한다

• 조직의 전략을 바꿨을 때 고객이 어떻게 반응할지, 실패한다면 어떤 메커니즘이 원인일지 미리 탐색하는 ‘만약에’ 도구가 의사결정을 도울 수 있다 [05:04]
• 정책, 제품, 전략을 적용하기 전에 사람들의 반응을 시뮬레이션할 수 있다면 더 나은 결정을 반복해서 내릴 가능성이 있다. 이를 위해 인간처럼 행동하는 AI 에이전트를 만들 수 있는지가 핵심 연구 질문이 된다 [05:54]

3. 인간 시뮬레이션은 정책·게임·출시 전 설계에 연결된다

• 토머스 셸링의 에이전트 기반 모델처럼 인간 행동을 알고리즘으로 표현하는 접근은 오래전부터 존재했다. 전염병 확산을 줄이는 개입을 평가하는 현대 모델도 여전히 상당 부분 수학적 규칙에 의존한다 [06:27]
• 게임 ‘심즈’ 역시 주변 공간을 바꾸거나 인물에게 개입할 수 있는 인간 시뮬레이션이다. 업무에 참여하는 AI 동료도 자신의 행동에 사람이 어떻게 반응할지 고려해야 한다 [07:11]

4. 소수의 변수와 사전 작성 규칙으로는 행동의 풍부함을 담기 어렵다

• 인간을 몇 개의 매개변수로 표현하는 모델은 일부 특성을 설명할 수 있어도 인간 행동의 풍부함을 충분히 설명하지 못한다 [08:14]
• 특정 사건에 대한 반응을 미리 작성하는 방식도 설계자가 상상한 상황에 한정된다. 기존 연구에서는 모델의 과도한 단순화와 제한적인 영향력이 주요 한계로 지적됐다 [08:41]

5. 언어모델에 서로 다른 사람의 관점을 부여한다

• 대규모 언어모델은 인간 행동에 관한 연구와 소셜미디어 등 다양한 자료로 학습했다. 이런 학습을 바탕으로 배경, 경험, 특성이 다른 사람들의 관점을 취하도록 유도할 수 있다는 가능성이 제기된다 [09:45]
• 인물의 이름과 설명을 제공하고 특정 상황에서 어떻게 행동할지 묻는 방식으로 개인을 구성한다. 여러 인물 설명을 결합하면 서로 다른 사람들이 같은 상황에 놓였을 때의 반응을 시뮬레이션할 수 있다 [10:12]

6. 스몰빌은 25명의 생성형 에이전트가 생활하는 실험 환경이다

• 가상 마을 스몰빌에는 서로 다른 인물을 맡은 생성형 에이전트 25명이 있다. 각 에이전트는 독립적으로 행동하며 마을의 일상을 구성한다 [10:45]
• 예술가는 일어나 그림을 그리고, 대학생은 늦게 일어나 수업에 가거나 과제를 한다. 이런 환경은 인간 행동과 개입의 영향을 관찰할 수 있는 구체적인 실험 공간을 제공한다 [11:09]

7. 인물의 정체성과 관계를 초기 지식으로 설정한다

• 픽셀 캐릭터와 게임 화면은 시뮬레이션을 이해하기 위한 시각화다. 핵심은 각 인물의 특성을 구성하는 것이며, 작은 게임 환경을 반드시 만들 필요는 없다 [12:48]
• 약국 주인 존 린에게는 직업과 성향뿐 아니라 아내 메이 린, 음악이론을 공부하는 아들 에디 린과의 관계도 알려줘야 한다. 초기 관계를 제공하지 않으면 함께 사는 가족조차 모르는 상태로 시작한다 [13:28]

8. 자연어 행동을 구현하고 대화와 환경 변화로 개입한다

• 에이전트의 행동은 주로 자연어로 생성된다. ‘커피를 마신다’는 텍스트를 의자로 이동하는 동작과 행동을 나타내는 이모지로 연결해 게임 환경에 구현한다 [15:28]
• 사용자는 에이전트에게 시장 선거 출마자처럼 알고 있는 정보를 물을 수 있다. 내면의 목소리처럼 출마 의도를 주입하면 가족과 중요한 결정을 상의하려는 반응도 나타난다 [16:01]

9. 대화에서 얻은 기억이 다른 사람에게 전달된다

• 에디가 음악 수업용 곡을 작업한다고 말하면 존은 대화를 통해 처음 그 사실을 알게 된다. 에이전트는 이후 행동과 대화에 활용하기 위해 새 정보를 기억해야 한다 [17:09]
• 에디가 떠난 뒤 메이가 아들의 행방을 물으면 존은 앞서 들은 작업 내용을 전달한다. 한 사람의 대화에서 얻은 정보가 다른 사람에게 전해지며 마을 안에서 확산된다 [17:30]

10. 단일 파티 목표에서 초대·협력·불참이 발생한다

• 카페 운영자 이사벨라에게 밸런타인데이 파티를 준비한다는 목표를 넣고 2월 13일 아침부터 14일 말까지 시뮬레이션했다. 별도의 파티 기획 모듈 없이 초대가 입소문으로 퍼지고, 이사벨라는 마리아에게 카페 장식을 도와달라고 요청했다 [18:59]
• 25명 중 12명이 파티 소식을 들었고, 그중 5명이 참석했다. 3명은 바쁘다고 했으며 4명은 관심을 보였지만 오지 않았다. 결과는 대체로 그럴듯하지만 실제 상황에서도 정확히 같을지는 확인하기 어렵다 [19:38]

11. 전염병 정보가 파티 참석 결과를 바꾼다

• 다른 연구자들은 같은 시뮬레이션에 새로운 전염병을 알리는 라디오 방송을 추가했다. 이 조건에서는 질병 소식을 듣지 못한 클라우스만 파티에 참석했다 [20:35]
• 위협 정보가 없거나 당뇨병 합병증 같은 비전염성 질환의 방송이 나오는 경우에는 파티가 정상적으로 열렸다. 정보의 내용을 바꾸는 개입으로 서로 다른 결과를 탐색할 수 있다 [20:53]

12. 기억 흐름과 검색으로 현재 상황에 필요한 경험을 꺼낸다

• ‘기억 흐름’은 에이전트가 관찰한 사물과 자신의 행동을 기록하는 사건 로그다. 침대나 책상을 본 일부터 일기 쓰기, 휴식, 주방 청소까지 다양한 경험이 쌓인다 [21:44]
• 긴 기록을 모두 언어모델에 넣으면 주의가 분산될 수 있어 검색 증강 생성인 RAG를 사용한다. 최근 관찰하거나 떠올린 기억, 파티 초대처럼 중요한 기억, 현재 상황과 관련된 기억을 우선 검색한다 [22:44]

13. 성찰로 개별 경험을 성향과 목표에 관한 이해로 바꾼다

• 사건을 나열하는 일화 기억만으로는 인물의 정체성, 취향, 관심사, 목표를 충분히 표현하기 어렵다. 에이전트가 기억에서 상위 수준의 해석을 만들어내는 성찰 기능이 필요하다 [23:52]
• 일정 간격으로 기억을 꺼내 성찰하게 하면 도시 재생과 도시 설계에 관한 독서 기록에서 ‘클라우스는 독서에 많은 시간을 쓴다’는 추론을 생성할 수 있다 [24:25]

14. 계층적 계획과 재계획으로 장기 행동을 유지한다

• 장기간 그럴듯한 행동을 유지하려면 계획이 필요하다. 하루 전체의 계획을 세운 뒤 시간 단위, 분 단위로 세분화해 구체적인 행동을 구성한다 [25:30]
• 새로운 상황을 관찰하면 인물의 배경에 비춰 반응이 필요한지와 적절한 대응을 판단한다. 존이 일터에서 에디를 발견하는 경우처럼 예상 밖의 관찰이 생기면 필요에 따라 계획을 수정한다 [25:55]

15. 그럴듯함과 정확성을 구분하고 고정관념을 점검한다

• 스몰빌의 행동이 설득력 있어 보여도 실제 인간 행동을 정확히 재현한다는 뜻은 아니다. 의사결정에 활용하려면 정확도를 경험적으로 검증해야 하며, 기존 연구의 재현 결과도 서로 엇갈린다 [27:22]
• 나이, 거주지, 직업 같은 정보로 인구통계형 에이전트를 만들거나, 스몰빌처럼 서술형 페르소나를 구성할 수 있다. 두 접근 모두 행동을 지나치게 단순화하거나 고정관념에 의존할 위험이 있다 [28:17]

16. 풍부한 면담 자료로 실제 개인을 나타내는 에이전트를 구성한다

• 더 풍부한 질적 정보를 활용하기 위해 미국인 대표 표본 1,000명과 각각 2시간의 면담을 진행했다. 미국 중심의 연구이며 다른 지역에서도 같은 접근을 시도할 수 있다. 다만 에이전트를 만드는 데 반드시 2시간이 필요한 것은 아니라는 설명도 계속된다 [29:21]
• 데이비드 그루스키가 이끄는 스탠퍼드의 ‘American Voices’ 프로젝트 면담 틀은 ‘당신의 인생 이야기를 들려달라’는 질문에서 시작한다. 공동체, 직업, 재정, 건강, 정치적 견해를 폭넓게 다뤄 개인을 이해할 기반을 만든다 [29:43]

17. 자기 응답의 일관성을 기준으로 한 정확도

• 참여자 1,000명에게 같은 설문을 두 번 실시해 사람 자신의 응답 일관성을 측정한다. 정규화 점수 1.0은 에이전트가 그 사람의 응답을 재현하는 정확도가 본인이 2주 뒤 자신의 응답을 재현하는 정확도와 같다는 뜻이다. [33:03]
• 일반사회조사에서 무작위 추측은 이 기준의 약 3분의 1, 페르소나나 인구통계 정보 기반 에이전트는 약 70%, 전체 인터뷰 기반 에이전트는 약 85%에 도달했다. 이는 단순한 정답률이 아니라 사람 자신의 응답 일관성에 대비한 수치다. [33:47]

18. 풍부한 개인 정보가 집단 간 편향을 줄이는 효과

• 정치적 성향만 알려주면 모델이 고정관념에 의존하기 쉽지만, 인터뷰로 개인 정보를 더 제공하면 정확도가 높아지고 집단 간 격차가 줄어든다. 정치 성향은 특히 모델링이 어려웠으며, 최고·최저 성과 집단의 정규화 정확도 차이는 약 8%였다. [34:37]
• 가장 낮은 성과는 극우 보수 성향 집단에서 나타났다. 모델의 가치 정렬 때문에 일부 응답을 꺼렸을 가능성과 참여자가 인터뷰에서 실제 견해를 덜 드러냈을 가능성이 제기됐다. 성별·인종의 초기 격차는 예상보다 작았고, 인터뷰 적용 후 성별 집단 간 정확도 차이는 약 1% 이내로 줄었다. [35:15]

19. 기존 실험의 재현과 효과 크기 예측

• 실제 참여자 1,000명과 에이전트가 기존 연구 다섯 건을 반복했으며, 에이전트는 네 건의 결과를 재현했다. 나머지 한 건은 실제 참여자에게서도 원래 결과가 재현되지 않았고, 시뮬레이션 역시 그 효과가 나타나지 않을 것으로 예측했다. [36:06]
• 스탠퍼드의 롭 윌러가 참여한 연구에서는 총 10만 명이 포함된 미공개 사전등록 연구들의 효과 크기를 시뮬레이션으로 예측했다. 예측과 실제 효과 크기의 상관계수는 0.85~0.9였다. [36:30]

20. 조직의 질문에 맞는 에이전트 모집단 구성

• 동의한 미국 참여자 1,000명의 데이터베이스는 양극화 완화나 기후변화 등의 질문을 시험하는 데 활용할 수 있다. 조직에서는 현재 고객과 잠재 고객 중 누구를 대표할지 먼저 정하고, 기존 마케팅·사용자 인터뷰 자료를 에이전트 데이터베이스로 전환할 수 있다. [37:20]
• 보수주의자나 공화당원처럼 단일 특성으로 에이전트를 정의하면 고정관념이 강화되고 변동성이 과소평가돼 결과가 지나치게 확실해 보인다. 인구통계 변수 다섯~여섯 개를 사용한 접근은 사람 자신의 응답 일관성 대비 약 70% 수준의 재현 성과를 보였다. [37:52]

21. 짧은 인터뷰의 효용과 주제 관련성의 한계

• 인터뷰 내용의 80%를 무작위로 삭제해도 정확도는 85%에서 79%로 낮아지는 데 그쳤다. 이 결과는 인터뷰의 일부만으로도 유용한 개인 정보를 확보할 가능성을 보여준다. [38:20]
• 남은 정보가 예측 대상과 관련돼 있어야 한다. 패션 취향만으로 기후변화 태도를, 스포츠팀 이야기만으로 은퇴 계획을 예측하려 하면 일반화할 근거가 부족하며, 소득 같은 정보가 일부 추론에 도움을 주더라도 관련 자료의 필요성을 없애지는 못한다. [39:05]

22. 비슷한 분포 모양이 정량적 정확도를 보장하지 않는 사례

• 한 기업의 은퇴계획 수수료 인지도 시뮬레이션에서, 18~35세 중 수수료를 충분히 안다는 비율은 1.2%로 나타났다. 비교 대상인 퓨의 실제 자료에서는 같은 비율이 13%였다. [40:07]
• 응답 범주의 상대적 크기 순서가 비슷해도 13%와 1.2%의 차이는 의사결정을 바꿀 수 있다. 해당 집단을 무시할지, 관심을 기울여야 할 상당한 소수로 볼지가 달라지므로 분포의 모양만으로 결과를 신뢰해서는 안 된다. [40:32]

23. 활용 수준에 따라 달라지는 신뢰 조건

• 시뮬레이션의 활용은 가능한 사건 탐색, 정성적 태도 추정, 정량적 분포 예측, 도시나 시장 전체의 다중 에이전트 시뮬레이션으로 확장된다. 단계가 높아질수록 더 많은 가정이 필요하고 오류 위험도 커진다. [41:43]
• 가능한 사건을 탐색할 때는 발생 확률을 확정하기보다 결과에 이르는 사건의 연결이 그럴듯한지 확인한다. 악성 이용자의 조작 경로를 발견하면 이를 막을 보호 장치를 설계하는 데 활용할 수 있다. [42:07]

24. 정량적 검증과 다중 에이전트 의사결정의 한계

• 정량적 활용에는 기존 시장조사 설문을 실제로 재현하는지 측정하는 검증이 필요하다. 아이디어 100개를 시뮬레이션으로 유망한 다섯 개로 줄인 뒤, 남은 후보를 실제 사람에게 시험하는 방식이 제안된다. [43:08]
• 다중 에이전트 시스템을 의사결정에 직접 활용하기에는 아직 준비가 부족하다는 판단이다. 개별 에이전트의 정확성뿐 아니라 결합된 상호작용과 결과도 검증해야 하며, 복잡계의 전환까지 고려하면 맞는 시뮬레이션과 틀린 시뮬레이션을 구별하기 어려울 수 있다. [43:38]

25. 플랫폼 정책을 출시 전에 점검하는 시뮬레이션

• ‘Look Before You Leap’ 도구는 온라인 플랫폼의 게시물이나 정책이 예상치 못한 반응을 일으키는 경로를 시험하는 데 쓰인다. 운영자는 단순한 게시물과 악성 이용자의 반응이 결합해 생길 문제를 발견하고 출시 전에 수정할 수 있었다. [45:14]
• 플랫폼 설계 수업에서도 학생들의 시스템에 악성 이용자 시뮬레이션을 적용한다. 이러한 사전 점검이 더 나은 프로젝트로 이어진다는 평가다. [45:28]

26. 갈등·협상 연습이 실제 행동에 미치는 효과

• 스탠퍼드 경영대학의 갈등·협상 전문가와 개발한 도구는 생성형 에이전트를 연습 상대로 활용한다. 사용자는 연봉 협상 같은 상황을 실제로 겪기 전에 시뮬레이션에서 연습할 수 있다. [46:05]
• 무작위 배정 실험에서 강의만 들은 집단과 강의에 갈등 시뮬레이션을 추가한 집단의 이론 시험 성적은 비슷했다. 그러나 시뮬레이션 집단은 이후 실제 갈등 상황에서 더 나은 성과를 보였고, 반사회적 전략을 사용할 가능성이 3분의 2만큼 줄었다. [46:45]

27. 연구 성과의 상업화와 가상 실험의 활용

• 스탠퍼드 연구에서 분사한 회사 Simile은 관련 기술의 상업적 활용과 연결된다. 시장조사를 비롯한 여러 사업적 응용 가능성이 제기되는 한편, 이 분야에는 공개 연구도 다수 존재한다. [47:43]
• 가상 실험 도구의 핵심 효용은 실행에 앞서 어떤 일이 일어날 수 있는지 검토하고, 그 과정에서 의사결정에 필요한 정보를 얻는 데 있다. [47:59]

28. 고객 서비스 자동화와 인공 인격의 책임·위험

• 고객 서비스 AI는 조직의 정책과 다른 약속을 할 위험이 있다. 항공사 챗봇이 사별한 고객에게 환불을 약속한 사례에서는 회사가 챗봇의 응답을 이유로 책임을 부인하려 했지만, 캐나다 법원은 그 약속을 이행해야 한다고 판단했다. [49:58]
• 고객이 서비스 AI와 나눈 마지막 접점의 경험은 조직 전체에 대한 경험으로 계속된다. 고객 서비스에서 AI 사용은 예상되지만, 이러한 책임과 경험을 고려해 신중하게 적용해야 한다는 판단이다. [50:18]

29. 행동 해석은 인간 모사의 구성 요소

• 에이전트는 인지하거나 생각하는 생명체가 아니라 인간 행동을 모사하는 시스템으로 규정된다. 정확한 모사를 위해서는 다른 사람의 행동, 인터뷰와 관련 정보를 해석해야 하므로 해석은 시뮬레이션을 위한 핵심 단계다. [52:02]
• 개별 에이전트는 어느 정도 정확하게 모사할 수 있지만, 환경 전체의 재현은 열린 연구 과제다. 초기 모형에 문이 없어 에이전트가 다른 사람의 화장실 이용 중 들어갔던 사례처럼, 환경의 누락은 행동의 부정확성으로 계속된다. [53:04]

30. 사회적 영향이 만드는 불확실성과 반복 시뮬레이션

• 1만 4,000명 이상이 참여한 음악 선택 실험에서는 인기도 정보를 볼 수 있는지에 따라 조건을 나누고, 16개의 평행한 음악 서비스 환경을 구성했다. 인기도 정보가 보이면 환경마다 인기곡이 달라졌으며, 가장 좋은 곡의 실패와 가장 나쁜 곡의 성공은 드물었지만 그 사이에서는 다양한 결과가 가능했다. [54:51]
• 인간 사회 자체가 완전히 예측 가능하지 않으므로 세계를 정확하게 모사해도 단일 결과가 보장되지는 않는다. 몬테카를로 방식으로 여러 번 실행해 상대적으로 더 가능성 높은 결과와 낮은 결과를 탐색할 수 있지만, 특정 사건이 반드시 발생한다고 단정할 수는 없다. [55:17]

31. UX 시뮬레이션의 신뢰도를 높이는 위험 우선순위

• 페르소나 기반 UX 에이전트의 검증에서는 틀렸을 때 전략 전체가 무너질 위험부터 찾아 불확실성을 줄인다. 이후 다음으로 중요한 위험을 검증하고 새 위험이 나타나면 반복하는 애자일·린 스타트업 방식이 제안된다. [56:19]
• 모든 질문을 포괄하는 고정된 목록보다는 정확한 답이 얼마나 중요한지를 기준으로 위험을 정렬해야 한다. 추론 모델에 핵심 위험을 질문해 검토할 아이디어를 얻는 방법도 보조적으로 제안된다. [56:50]

32. 모델의 가치 정렬과 장기 시뮬레이션의 편향

• 기반 언어모델의 편향은 에이전트 행동에 영향을 줄 가능성이 높다. 극우 보수 성향을 재현하기 어려웠던 현상에는 모델이 인종차별이나 성차별적 표현을 피하려는 성향이 일부 작용했을 수 있다. [57:39]
• 장기 시뮬레이션에서는 갈등 회피가 주요 편향으로 나타날 수 있다는 전망이다. 시연 속 에이전트들이 서로 매우 친절하고 다투지 않았던 모습은 유용하고 해롭지 않은 응답을 지향하는 모델의 성향과 연결된다. [58:04]

33. AI를 활용한 긍정적인 경험을 만드는 교육 내용

• 사례 연구와 실용적인 전략을 통해 AI를 활용한 긍정적인 경험을 만드는 방법을 다룬다 [1:00:06]
• 추가 질문이 있거나 교육 과정이 자신의 경력 목표에 어떻게 부합하는지 알고 싶다면, 학술팀 상담 담당자와 통화 일정을 잡도록 문의할 수 있다 [1:00:16]

🧾 결론

• 핵심은 캐릭터 화면보다 개인의 경험·관계·환경을 어떻게 구성하고 필요한 기억을 어떻게 활용하느냐에 있다.
• 약 85%라는 수치는 사람 자신의 응답 일관성을 기준으로 정규화한 성과다. 모든 인간 행동을 85% 정확도로 예측한다는 의미로 해석해서는 안 된다.
• 시뮬레이션은 후보와 위험을 좁히는 데 활용하고, 중요한 판단은 실제 사람의 설문·실험·상호작용으로 확인하는 접근이 제안된다.
• 사회적 영향과 환경 변화 때문에 하나의 미래가 보장되지는 않는다. 반복 실행으로 가능한 결과의 범위를 탐색하되, 발생 확률 자체의 신뢰성도 검증해야 한다.

📈 투자·시사 포인트

• 시장조사: 기존 고객 인터뷰를 에이전트 자료로 전환하고 다수의 아이디어를 소수 후보로 압축하는 활용이 제시된다. 상업적 효용을 평가할 때는 기존 조사 결과를 얼마나 재현하는지 확인필요가 있다.
• 플랫폼 운영: ‘Look Before You Leap’처럼 게시물·정책과 악성 이용자의 반응이 결합하는 경로를 출시 전에 탐색하는 도구가 구체적인 응용 사례다.
• 교육·협상: 갈등 시뮬레이션을 추가한 집단은 실제 갈등 상황에서 더 나은 성과를 보였고, 반사회적 전략을 사용할 가능성이 3분의 2만큼 줄었다. 지식시험 외에 실제 행동 변화가 효용 평가의 기준이 될 수 있다.
• 사업화와 책임: 스탠퍼드 연구에서 분사한 Simile이 상업화 사례로 소개된다. 고객 서비스 AI의 약속이 기업 책임으로 이어진 사례도 함께 제시돼, 사업 적용에서는 예측 성능과 고객 경험·책임을 함께 검토해야 한다.

⚠️ 불확실하거나 확인이 필요한 부분

• 정규화 성과의 적용 범위: 약 85%는 특정 표본과 평가 과제에서 사람 자신의 응답 일관성에 대비한 수치다. 한국 고객, 새로운 제품, 실제 구매 행동에도 같은 수준이 유지되는지는 확인되지 않았다.
• 집단·환경 재현: 개별 응답을 잘 모사해도 사람 간 상호작용과 환경 전체의 결과까지 정확하다는 보장은 없다. 장기 시뮬레이션에서는 모델의 갈등 회피 성향도 행동을 왜곡할 수 있다.
• 정량적 오차: 은퇴계획 수수료 인지도 사례에서는 시뮬레이션의 1.2%와 실제 자료의 13%가 크게 달랐다. 응답 분포의 순서가 비슷하다는 이유만으로 수치를 신뢰하기 어렵다.
• 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

• 시뮬레이션의 목적을 사건 탐색, 정성적 태도 추정, 정량적 예측 중 하나로 정하고 필요한 정확도와 오판의 영향을 명시한다.
• 현재 고객과 잠재 고객 중 누구를 대표할지 정한 뒤, 해당 질문과 관련된 인터뷰·경험·관계·환경 자료를 확보한다.
• 기존 설문이나 시장조사 결과를 재현하는지 확인하고, 전체 평균뿐 아니라 주요 집단별 오차도 비교한다.
• 전략을 무너뜨릴 수 있는 가정부터 실제 사람의 소규모 표본으로 검증하고, 시뮬레이션에서 추린 후보를 실제 실험으로 시험한다.

❓ 열린 질문

• 어떤 종류의 인터뷰 정보가 각 예측 과제에 필요한 최소한의 근거이며, 짧은 인터뷰의 효용은 주제별로 얼마나 달라지는가?
• 개별 에이전트의 정확도를 넘어 집단 상호작용과 환경 전체의 타당성을 어떻게 검증할 수 있는가?
• 인간 행동 모사에 특화된 모델은 기존 모델의 고정관념과 갈등 회피 편향을 얼마나 줄일 수 있는가?