EY와 Aaru가 공식 파트너십을 체결했습니다. 2026년 9월 30일, EY는 AI 행동 시뮬레이션 기업인 Aaru와 Ernst & Young LLP (EY US) 간의 얼라이언스를 발표하며, 고객이 실제 행동에 나서기 전에 시뮬레이션된 모집단을 대상으로 의사결정을 테스트할 수 있도록 지원한다고 밝혔습니다 (EY newsroom). 이번 얼라이언스는 Aaru가 30개 이상의 시장에서 3,600명의 부유층 투자자를 대상으로 6개월간 진행했던 EY의 2025 글로벌 자산 리서치 보고서를 단 하루 만에 재현하고, 53개 단일 선택 질문 전반에서 0.90의 스피어만 상관계수 중앙값을 기록한 블라인드 테스트 이후에 성사되었습니다 (EY insight). 아래 제시된 사실 관계는 2026년 10월 EY 및 Aaru 공식 페이지를 기준으로 검증되었습니다.
리서치 구매자 입장에서 실질적으로 짚어봐야 할 질문은 실제로 무엇이 측정되었는지, 이번 얼라이언스로 무엇이 달라지는지, 그리고 매니지드 시뮬레이션 파트너와 셀프서브 툴을 어떻게 비교 평가해야 하는가입니다. 이 글에서는 마케팅 수사를 배제하고 공식 발표된 사실만을 객관적으로 다룹니다. Minds는 합성 리서치 플랫폼이자 Aaru의 대안입니다. 본문에서는 Aaru의 모델이 더 적합한 영역 역시 가감 없이 밝힙니다.
2025년 8월, EY의 자산 및 자산운용(Wealth & Asset Management) 팀은 Aaru에 결과 데이터를 사전에 공개하지 않은 상태에서 2025 EY 글로벌 자산 리서치 보고서를 재현해보라는 과제를 제시했습니다. 원본 연구는 30개 이상의 시장에서 3,600명의 부유층 투자자를 조사했으며 필드워크에만 6개월이 소요되었습니다. Aaru의 케이스 스터디에 따르면 필드워크 비용만 7자리 수(수백만 달러 규모)에 달했습니다 (Aaru case study).
Aaru는 인구 센서스, 금융 기관, 소셜 미디어 등에서 수집한 인구통계, 행동 및 정서 데이터를 바탕으로 시뮬레이션 가상 투자자들을 구축했으며, 전체 실행에는 하루가 걸렸습니다. 이후 EY는 세 가지 지표를 사용해 53개의 일치된 단일 선택 질문에서 두 데이터셋을 비교했습니다:
| 지표 | 발표된 결과 | 지표의 의미 |
|---|
| 스피어만 상관계수 중앙값 | 0.90 | 답변 보기의 순위가 매우 유사한 순서로 정렬됨 |
| 질문당 평균 오차 (RMSE) | 7.1 percentage points | 시뮬레이션 응답 점유율과 실제 설문 응답 점유율 간의 일반적인 격차 |
| 평균 유클리드 거리 | 12.9 | 다중 선택 답변 패턴 전반에 걸친 거리 |
| 가장 높은 일치도 | 신뢰도, 가치 인식, 개인화 | 시뮬레이션이 설문조사 결과를 잘 추적한 주제 |
| 가장 큰 불일치 | 상속 계획 (상관계수 −37.82%), 추천 가능성, 포트폴리오 검토 주기 | 시뮬레이션과 설문조사 간 의견이 엇갈린 주제 |
출처: EY insight, 2025년 10월.
EY와 Aaru는 이러한 불일치가 사람들이 말하는 것과 실제로 행동하는 것 사이의 괴리를 반영한다고 설명합니다. 부모의 금융 자문사를 그대로 유지할 것인지 묻는 질문에 대해, 설문조사에서는 상속인의 82%가 그렇다고 답했습니다. 반면 시뮬레이션은 43%로 예측했으며, EY가 인용한 업계 연구에 따르면 실제 유지율은 20%에서 30% 수준입니다. 마찬가지로 설문 응답자의 69%는 단일 금융 회사를 선호한다고 답했으나 시뮬레이션은 37%로 예측했고, EY는 실제로 단일 자문사를 이용하는 고액 자산가의 비율이 33%라고 인용했습니다.
이 결과를 해석하는 방법
- 이 테스트는 독립적인 동료 평가(peer-review)를 거치거나 제3자에 의해 독립적으로 검증된 것이 아니라, 관련 두 회사가 직접 설계하고 발표한 결과입니다.
- 단일 선택형 질문만을 대상으로 진행되었으며, 서술형 추론, 가격 절충(trade-off), 신제품 콘셉트 등은 비교 대상에 포함되지 않았습니다.
- 순위 상관계수 중앙값 0.90은 답변의 순서가 대체로 일치했음을 의미합니다. 개별 백분율 수치가 얼마나 차이 날 수 있는지를 파악하려면 7.1-point의 평균 오차를 기준으로 삼는 것이 더 적절합니다.
- "시뮬레이션이 실제 행동에 더 가까웠다"는 주장은 극히 일부의 문항과 제3자 업계 통계에 기반한 것이므로, 이를 확정적인 증거라기보다는 유의미한 가능성의 신호 정도로 해석해야 합니다.
2026년 9월 30일에 발표된 얼라이언스는 Aaru의 시뮬레이션 엔진과 EY US의 산업 및 기능별 전문 팀을 결합합니다. EY에 따르면 Aaru는 정의된 잠재 고객군을 대변하는 AI 에이전트 모집단을 생성하고, EY US는 고객사가 그 결과를 전략으로 전환할 수 있도록 지원합니다. 첫 번째로 명시된 집중 대상 분야는 금융 서비스로, 양사는 마케팅 메시지, 제품 및 가격 책정 오퍼, 영업 및 서비스 전략, 인수합병(M&A)의 영향 등을 테스트하고 있습니다 (EY newsroom).
구매자 입장에서 실질적인 변화는 도입 경로입니다. 이제 기업은 Aaru와 직접 계약하는 방식 외에도, 시뮬레이션 전후를 아우르는 EY의 산업 데이터 및 자문 팀이 결합된 EY US 컨설팅 프로젝트를 통해 Aaru의 기술을 활용할 수 있습니다.
Aaru는 실제 환경에서의 행동 결과를 학습한 행동 시뮬레이션 플랫폼을 표방합니다. EY 연구에서 Aaru는 의사결정 특성을 모델링하는 행동 아키텍처를 갖춘 에이전트를 구축하고, 이들을 시뮬레이션 환경에 배치한 뒤 설문 질문을 제시했습니다. Aaru 측은 금리 변동이나 경쟁사의 전략 변화와 같은 특정 사건이 발생했을 때 동일한 시뮬레이션 모집단을 다시 실행하여 24시간 이내에 정서의 변화를 예측할 수 있다고 설명합니다 (Aaru case study).
Aaru는 셀프서브 요금제를 공개하지 않으며, 엔터프라이즈 영업이나 이번에 발표된 EY US 얼라이언스를 통해서만 도입할 수 있습니다. Aaru와 셀프서브 옵션 간의 비교는 Minds vs Aaru 및 폭넓은 Aaru 대안 솔루션 가이드에서 확인할 수 있습니다.
어떤 합성 리서치 플랫폼이든 객관적으로 평가하려면 합성 모집단이 지닌 통계적, 방법론적 한계를 명확히 이해해야 합니다. 합성 데이터 결과는 방향성을 제공할 뿐입니다. 통계적 대표성이나 인과적 증명을 확립하지 못하며, 수요를 예측하거나 지불 의향을 정밀하게 산출할 수 없고, 최종적인 고위험 의사결정 검증을 위한 실제 모집 참가자를 대체하지 못합니다.
시뮬레이션된 에이전트는 학습 데이터의 패턴, 인구통계적 사전 정보, 그리고 제공된 맥락을 기반으로 응답을 생성합니다. 여러 시나리오 옵션에 걸쳐 실행하면 상대적인 절충점, 잠재적인 메시지 마찰 요소, 정성적 근거를 파악하는 데 유용합니다. 이러한 방향성 신호는 본조사 예산을 본격적으로 투입하기 전에 광범위한 아이디어 풀을 좁히는 데 기여합니다.
그러나 합성 시뮬레이션은 다음 영역에서 실증적 현실을 대체할 수 없습니다:
- 대표성: 언어 모델 페르소나는 타깃 모집단의 인구통계학적, 심리통계학적 분포를 통계적으로 대표성을 갖춘 방식으로 재현하지 못합니다.
- 인과적 증명: 격리된 자극에 대한 반응을 시뮬레이션한다고 해서 인과 메커니즘이 분리되거나 실제 환경의 교란 변수가 통제되는 것은 아닙니다.
- 수요 예측: 시뮬레이션에서 표명된 선호도는 실제 채택률, 시장 침투율, 구매량을 정확하게 예측할 수 없습니다.
- 지불 의향: 합성 에이전트는 실제 재정적 제약을 받지 않으므로 가격 시뮬레이션으로 절대적인 가격 탄력성을 결정할 수 없습니다.
- 최종 고위험 검증: 중요한 전략적 전환, 대규모 자본 배분, 대외 공개 사안의 경우 여전히 실제 모집된 인간 참가자를 통한 검증이 필수적입니다.
합성 결과물을 확정적 예측이 아닌 반복적이고 탐색적인 인풋으로 다룰 때, 경영진의 의사결정 과정에서 합성 데이터에 과도하게 의존하는 위험을 방지할 수 있습니다.
합성 리서치를 도입할 때 기업 구매자는 대체로 두 가지 운영 모델 중 하나를 선택합니다. 매니지드 컨설팅 서비스와 셀프서브 시뮬레이션 플랫폼입니다.
EY US와 Aaru의 얼라이언스와 같은 매니지드 컨설팅 서비스는 전담 외부 팀이 맞춤형 에이전트 모집단을 구성하고, 기업의 독점 데이터를 입력하며, 시뮬레이션을 보정하고 정제된 전략 보고서를 제공합니다. 이러한 접근 방식은 조직 차원에서 모델링 관리를 외부 자문 파트너에게 일임하고자 하는 대규모 기업 트랜스포메이션, 시나리오 플래닝, 복잡한 전략 이니셔티브에 적합합니다.
셀프서브 소프트웨어 플랫폼은 사내 프로덕트 매니저, UX 리서처, 브랜드 마케터가 시뮬레이션을 직접 실행할 수 있게 해줍니다. 내부 팀이 직접 Audience를 구성하고, 필요에 따라 콘셉트를 즉시 테스트하며, 컨설팅 일정을 기다릴 필요 없이 구조화된 연구를 수행합니다. 이 모델은 제품 수명 주기 전반에 걸친 속도, 자율성, 지속적인 반복 테스트를 최우선으로 합니다.
올바른 선택은 조직의 팀 구조에 따라 달라집니다. 메시지나 기능을 매일 반복 개선하는 사내 리서처를 보유한 조직이라면 셀프서브 방식이 유리합니다. 반면 프로젝트 단위로 전략 자문을 외주화하려는 조직은 매니지드 자문 방식을 선호하는 경우가 많습니다.
| 평가 기준 | 매니지드 컨설팅 | 셀프서브 플랫폼 |
|---|
| 주요 사용자 | C-레벨 스폰서, 외부 전략 컨설턴트 | 사내 마켓 리서처, 프로덕트 매니저 |
| 실행 주기 | 프로젝트 기반, 수 주 단위 전략 사이클 | 상시 온디맨드 리서치 반복 |
| 워크플로우 통제권 | 외부 팀이 설정 및 분석 전담 | 리서처가 Audience 및 Study 직접 제어 |
| 가장 적합한 활용 사례 | 시나리오 분석, 전사적 트랜스포메이션 | 콘셉트 스크리닝, 메시지 테스트, 우선순위 평가 |
Minds는 상업적 합성 리서치를 위한 엔드투엔드 플랫폼입니다. 사내 프로덕트, UX, 서비스 디자인, 마켓 리서치, 고객의 소리(VoC), 마케팅, 이노베이션 팀 및 에이전시가 타깃 오디언스 생성과 조사 기획부터 자극물 테스트, 정성 및 지원되는 정량 조사 방법론, 비교 분석, 데이터 내보내기까지 전 과정을 직접 제어할 수 있습니다. 지원되는 자극물에는 Figma 입력값(활성화된 경우), 웹사이트 및 앱 플로우, 이미지, 비디오, 카피, 프레젠테이션 덱, 설문지, 콘셉트 등이 포함됩니다.
Minds 내에서 팀은 Minds라 불리는 AI 페르소나의 재사용 가능한 Audience를 구축하고 주관식, 단일 선택, 다중 선택, 척도형 질문으로 Study를 진행할 수 있습니다. 리서처는 개별 Mind를 심층 인터뷰하거나 전체 Audience로부터 동시에 피드백을 수집할 수 있으며 세션 전반에 걸쳐 맥락이 유지됩니다.
구조화된 정량 테스트를 위해 Study에서는 상대적 우선순위를 평가하는 MaxDiff, 다속성 절충을 파악하는 컨조인트, 기능 카테고리를 분류하는 Kano, 가격 책정을 위한 Van Westendorp 및 Gabor-Granger 방법론을 실행할 수 있습니다. EY의 테스트와 마찬가지로 Minds 역시 시뮬레이션 응답을 실제 설문 결과와 비교합니다. Audience Validation 기능은 공개된 설문조사나 보유 중인 설문 데이터 파일과 비교하여 각 Audience를 평가하며, 100점 만점 기준 점수와 95% 신뢰 구간, 제외된 질문 목록을 함께 제공합니다.
Minds는 결과가 통계적 대표성을 띤다고 주장하지 않습니다. 필요한 경우 인간 관찰 조사, 물리적 또는 감각적 테스트, 규제 증거 데이터, 최종적인 고위험 검증을 워크플로우에 결합할 수 있으며, 이러한 보완 절차가 Minds의 가치를 단편적인 포인트 솔루션으로 제한하지는 않습니다. Minds는 종량제(응답당 $0.12) 및 Pro 플랜을 제공하는 셀프서브 플랫폼입니다. 대규모 전략적 결정을 위해 컨설팅 기반의 매니지드 시뮬레이션이 필요한 경우에는 Aaru가 더 적합한 선택입니다.
합성 리서치 소프트웨어나 매니지드 시뮬레이션 업체를 검토할 때 조달 및 인사이트 팀은 다음 4가지 핵심 운영 축을 바탕으로 프레임워크를 적용해야 합니다.
| 평가 축 | 핵심 검증 요건 |
|---|
| 1. 매니지드 컨설팅 vs 셀프서브 플랫폼 | 내부 인력 역량, 외부 서비스 필요 여부, 요구되는 소요 시간 정의 |
| 2. 방법론 및 조사 설계 | MaxDiff 및 컨조인트 지원 여부, 구조화된 조사 설계, 단순 채팅과 방법론 실행의 분리 확인 |
| 3. 근거 검증 및 감사 가능성 | 에이전트 프롬프트, 전체 응답 분포, 버전 관리되는 페르소나 정의의 검사 가능 여부 |
| 4. 인간 검증 경로 | 최종 확인을 위한 모집 프로세스 구축 및 실데이터 기반의 고위험 결정 검증 관문 설정 |
1단계 축: 딜리버리 모델의 적합성
구매자는 전략적 자문 서비스가 필요한지, 아니면 자체적인 상시 리서치 역량 강화가 필요한지 명확히 판단해야 합니다. 매니지드 서비스는 경영진 스폰서가 완결된 보고서 형태의 결과물을 원하는 일회성의 상위 레벨 평가에 적합합니다. 반면 셀프서브 플랫폼은 콘셉트 스크리닝, 내러티브 개선, 페르소나 상호작용을 지속적으로 반복해야 하는 실무 팀에 가장 적합합니다.
2단계 축: 구조화된 리서치 방법론
정량적 절충 의사결정을 내리는 데 단순한 탐색적 대화만으로는 충분하지 않습니다. 플랫폼이 기능 중요도 순위를 매기는 MaxDiff나 복합 속성 패키지를 분석하는 컨조인트와 같은 정규 방법론을 지원하는지, 그리고 비정형 질의와 실험 설계를 명확히 분리하여 운영하는지 확인해야 합니다.
3단계 축: 근거 검증 및 감사 가능성
엔터프라이즈 거버넌스를 충족하려면 합성 결론이 도출된 방식을 투명하게 파악할 수 있어야 합니다. 페르소나 프롬프트, 인구통계학적 가설, 원본 스크립트를 직접 확인할 수 있는지, 그리고 EY가 스피어만 상관계수, RMSE, 유클리드 거리를 명시한 것처럼 벤더가 정확도 지표의 산출 방식을 명확히 공개하는지 검증해야 합니다.
4단계 축: 인간 검증 프로토콜
합성 시뮬레이션은 실제 조사를 완전히 대체하는 수단이 아니라 퍼널 상단의 필터로 접근해야 합니다. 어떤 조사 결과를 방향성 중심의 합성 데이터만으로 진행하고, 어떤 사안을 인간 패널을 통해 필히 검증해야 하는지 기준을 문서화해야 합니다. 위험도가 높은 신제품 출시, 규제 기관 제출용 데이터, 주요 가격 변동은 반드시 실제 모집된 인간 패널의 검증 절차를 먼저 거쳐야 합니다.
성숙한 리서치 조직은 단 하나의 벤더나 단일 방법론에 의존하지 않습니다. 합성 리서치를 초기 속도를 높이는 업스트림 가속기로 배치하여, 다운스트림에서의 인간 패널 모집을 훨씬 더 정밀하고 효율적으로 만듭니다.
탐색 단계에서 리서처는 AI 페르소나를 활용해 고객의 실제 언어를 파악하고, 예상되는 반론을 정리하며, 가치 제안을 브레인스토밍합니다. 콘셉트 스크리닝 단계에서는 합성 Audience를 대상으로 MaxDiff나 컨조인트 같은 구조화된 방법론을 실행하여 수십 개의 콘셉트를 유력한 후보군으로 신속하게 압축합니다.
이렇게 선별된 최종 후보군은 실제 모집된 인간 패널을 통한 본조사로 전달됩니다. 초기 단계에서 비효율적인 대안과 모호한 메시지가 이미 걸러졌기 때문에, 인간 대상 필드워크에 소요되는 비용은 절감되고 결과 검증에 집중할 수 있습니다.
명확한 방법론적 한계를 인지하고 Minds와 같은 셀프서브 툴을 엄격한 인간 검증 프로세스와 결합함으로써, 인사이트 팀은 의사결정의 신뢰도를 지키면서도 리서치 속도를 획기적으로 개선할 수 있습니다. 구조화된 합성 조사를 직접 경험해보고자 하는 팀은 등록을 통해 이용할 수 있습니다.
