---
title: "2026년 AI 고객 조사: 실증적 실무 가이드"
description: "2026년 AI 고객 조사에 대한 실증 기반 가이드입니다. 가상 페르소나를 검증하고 책임감 있는 하이브리드 조사 워크플로우를 구축하는 방법을 알아보세요."
canonical_url: "https://getminds.ai/research/ko/ai-customer-research-practices-2026"
last_updated: "2026-08-13T13:07:42.876Z"
---

# 2026년 AI 고객 조사: 실증적 실무 가이드

시장 및 고객 조사에 인공지능을 통합하는 것은 추상적인 신기술에서 구조화되고 실증을 중시하는 학문 분야로 전환되었습니다. 2026년의 연구자들은 더 이상 조사 프로세스에 AI가 필요한지 여부를 논쟁하지 않습니다. 대신 엄격한 검증 프레임워크를 구축하고, 가상 데이터(synthetic data)의 한계를 이해하며, AI의 속도와 대체 불가능한 인간의 깊이 있는 통찰력을 결합한 하이브리드 워크플로우를 설계하는 데 초점을 맞추고 있습니다.

이 가이드는 최신 학술 연구, 업계 벤치마크, 방법론적 표준을 종합하여 AI 지원 고객 조사에 대한 실용적이고 실증적인 개요를 제공합니다. AI가 뛰어난 부분과 한계를 보이는 부분, 그 결과를 검증하는 방법, 그리고 '그럴듯하지만 위험한' 부정확한 AI 생성 통찰력의 위험으로부터 조직을 보호하는 책임감 있는 하이브리드 워크플로우를 구현하는 방법을 설명합니다. AI가 제품 개발과 고객 통찰력을 어떻게 변화시키고 있는지 더 광범위하게 살펴보려면 [종합 가이드 개요](/guide/overview)를 참조하세요.

---

## 고객 조사에서 AI가 뛰어난 부분

AI 지원 고객 조사는 인간 참가자를 완전히 대체하기보다 촉진제로 사용할 때 매우 효과적입니다. 연구자들은 대규모 언어 모델(LLM)과 통계 모델링을 활용하여 조사 라이프사이클의 초기 단계를 간소화하고, 비용이 많이 드는 모집에 투자하기 전에 개념을 사전 검증하며, 조사 설계를 최적화할 수 있습니다.

### 1. 발견 및 가설 수립

조사의 초기 단계에서 AI는 예상되는 태도를 탐색하고 잠재적인 고객 세그먼트를 브레인스토밍하는 데 매우 유용합니다. 연구자들은 아무것도 없는 상태에서 시작하는 대신, AI 모델에 질문하여 특정 타겟 그룹이 가질 수 있는 잠재적 페인 포인트(pain points), 동기, 반대 의견을 식별할 수 있습니다.

AI를 사용하여 사용자 피드백을 시뮬레이션하는 이 프로세스는 흔히 [가상 조사](/blog/synthetic-research)라고 불립니다. 이러한 초기 결과물은 검증된 사실이 아닌 가설로 취급해야 하지만, 가치 있는 출발점을 제공합니다. 연구자들이 더 나은 질문을 던지고, 간과된 관점을 식별하며, 이후의 인간 중심 연구를 더 효과적으로 구성할 수 있도록 돕습니다.

또한 AI는 전통적인 정성 조사에서 모집하기에 너무 비용이 많이 들거나 어려운 니치 마이크로 세그먼트를 매핑하는 데 도움을 줄 수 있습니다. 수백 개의 다양한 페르소나를 동시에 생성함으로써, 팀은 더 넓은 범위의 관점을 탐색하고 발견 프로세스 초기 단계에서 잠재적인 예외 사례(edge case)를 식별할 수 있습니다.

### 2. 개념 테스트 및 신속한 프로토타이핑

새로운 제품 개념이나 가치 제안을 테스트하려면 전통적으로 몇 주 동안의 모집, 일정 조율, 인터뷰가 필요합니다. AI를 통해 제품 및 마케팅 팀은 신속하고 저렴한 사전 테스트를 실행할 수 있습니다. 일련의 가상 페르소나에게 개념을 제시함으로써, 팀은 명백한 결함, 혼란스러운 언어 또는 즉각적인 반대 의견을 빠르게 식별할 수 있습니다.

이러한 신속한 피드백 루프는 필터 역할을 하여, 팀이 몇 분 만에 취약한 아이디어를 걸러내고 유망한 아이디어를 실제 고객에게 제시하기 전에 개선할 수 있도록 합니다. 또한 팀은 [AI 포커스 그룹](/blog/ai-focus-group)을 운영하여 제안된 솔루션에 대해 서로 다른 페르소나가 어떻게 상호작용하고 토론하며 반응하는지 관찰함으로써 협업 역학을 시뮬레이션할 수 있습니다.

### 3. 메시지 및 카피 테스트

마케팅 및 크리에이티브 팀은 AI를 사용하여 다양한 오디언스 세그먼트가 카피 변형, 헤드라인, 행동 유도 문구(CTA)에 어떻게 반응할지 시뮬레이션할 수 있습니다. 특정 전문적 배경, 가치관, 페인 포인트를 가진 가상 페르소나에게 프롬프트를 제공함으로써, 팀은 어떤 메시지 관점이 가장 공감을 얻을 가능성이 높은지에 대한 방향성 있는 피드백을 수집할 수 있습니다.

예를 들어, 예산에 민감한 소규모 비즈니스 소유자를 대변하는 AI 에이전트는 엔터프라이즈 IT 디렉터를 대변하는 에이전트와 프리미엄 등급 가격 제안에 대해 당연히 다르게 반응할 것입니다. 이러한 시뮬레이션에 적합한 플랫폼을 찾으려면 현재 사용 가능한 [최고의 AI 타겟 그룹 시뮬레이션 도구](/blog/best-ai-target-group-simulation-tools)에 대한 분석을 검토해 보세요.

### 4. 조사 설계 반복 개선

가장 실용적이지만 아직 충분히 활용되지 못하고 있는 AI 애플리케이션 중 하나는 조사 도구를 시범 운영하고 개선하는 것입니다. 대규모 정량 설문조사를 시작하거나 수십 개의 정성 인터뷰를 진행하기 전에, 연구자들은 AI를 사용하여 설문지와 인터뷰 가이드를 테스트할 수 있습니다.

AI는 다음과 같은 사항을 식별하는 데 도움을 줄 수 있습니다.

- 인간의 응답을 왜곡할 수 있는 유도 질문이나 편향된 질문.
- 참가자가 이해하지 못할 수 있는 혼란스러운 용어나 전문 용어.
- 설문 흐름 또는 건너뛰기 로직의 논리적 공백.
- 참가자의 피로도를 높이는 중복 질문.

가상 응답자를 대상으로 설문조사 파일럿을 실행함으로써, 연구자들은 실제 인간 모집에 예산을 쓰기 전에 조사 설계가 고도로 다듬어지고 최적화되었는지 확인할 수 있습니다.

---

## AI의 한계: 인간 조사가 대체 불가능한 경우

AI 지원 조사의 속도와 비용 효율성은 매우 매력적이지만, 가상 데이터에만 의존하는 것은 상당한 위험을 초래합니다. 학술 연구와 업계 평가는 AI가 모집된 인간 조사를 대체할 수 없는 몇 가지 중요한 한계를 강조해 왔습니다.

### 가상 페르소나의 오류

가상 조사에서 근본적인 위험은 연구자들이 '가상 페르소나의 오류(synthetic persona fallacy)'라고 부르는 것입니다. 이는 LLM이 인간의 심리, 자아 인식 또는 진정한 감정적 깊이에 상응하는 것을 가지고 있다는 잘못된 믿음입니다. LLM은 실제 경험이나 메타 인지가 아니라 단어 간의 통계적 관계를 기반으로 텍스트를 생성합니다. LLM은 인간의 의미로 '생각'하거나 '느끼지' 않으며, 학습 데이터를 기반으로 가장 가능성이 높은 다음 단어를 예측할 뿐입니다.

이 때문에 가상 페르소나는 사려 깊고 미묘하며 놀라울 정도로 인간처럼 들리는 답변을 생성할 수 있지만, '위험할 정도로 그럴듯하다'는 마지막 문구는 실제 위험을 강조합니다. 즉, 결과물이 종종 얕고, 정형화되어 있으며, 아첨하는 경향이 있다는 점입니다.

### 폴리애나 원칙과 과도한 동조

LLM은 사용자의 프롬프트에 대해 과도하게 동조하고 예의 바르며 긍정적으로 반응하는 경향인 폴리애나 원칙(Pollyanna Principle)에 시스템적으로 취약합니다. 조사 맥락에서 이는 가상 페르소나가 귀사의 가치 제안에 자주 동의하고, 제품 개념을 칭찬하며, 실제 고객이라면 거부할 아이디어에 대해 열정을 표명할 것임을 의미합니다.

예를 들어, 한 주목할 만한 업계 실험에서 기본 GPT 모델에 가상의 팬케이크 맛 치약에 대해 질문했습니다. 실제 상황에 대한 맥락이 없고 동조 편향에 이끌린 이 모델은 소비자들이 그 참신함을 좋아할 것이라고 예상했습니다. 실제로는 인간 소비자가 본능적인 거부감 때문에 그러한 제품을 거의 확실히 거부할 것입니다. AI는 감각적 경험과 인간의 혐오감이 결여되어 있기 때문에 이러한 반응을 예측하지 못했습니다.

### 다양성의 압축 및 고정관념화

LLM은 인터넷의 통계적 평균을 반영하는 방대한 데이터셋으로 학습됩니다. 결과적으로 특정 인구통계학적 그룹을 시뮬레이션하도록 요청받았을 때, 해당 그룹 내의 진정한 다양성과 미묘한 차이를 포착하지 못하고 고도로 일반화되고 정형화된 응답을 생성하는 경향이 있습니다.

이러한 한계는 주로 두 가지 방식으로 나타납니다.

1. **평균화 효과:** AI는 응답을 '평균화'하여 인간을 독특하게 만드는 특이하고 모순되며 예측 불가능한 행동을 무디게 만드는 경향이 있습니다. 이는 소비자 행동의 '롱테일(long tail)'을 포착하는 데 어려움을 겪게 합니다.
2. **소외 계층의 잘못된 묘사:** 주요 LLM의 학습 데이터가 서구의, 교육받은, 산업화된, 부유하고 민주적인(WEIRD) 인구를 불균형하게 대변하기 때문에, 모델은 소외되거나 취약하거나 고도로 전문화된 그룹을 정확하게 대변하는 데 종종 어려움을 겪습니다. 진정한 대변 대신, AI는 종종 얕고 표면적인 고정관념에 의존합니다.

### 실제 인간을 모집해야 하는 경우

결함이 있거나 얕은 데이터를 기반으로 고위험 전략 결정을 내리는 것을 피하기 위해, 조직은 인간 조사가 절대적으로 대체 불가능한 시점을 인식해야 합니다. 다음과 같은 경우에는 실제 인간 참가자를 모집해야 합니다.

- **획기적인 혁신 검증:** AI는 참고할 수 있는 역사적 학습 데이터가 없기 때문에 세상에 완전히 새로운 제품 카테고리에 대한 반응을 예측할 수 없습니다.
- **새로운 행동 연구:** 급격히 변화하는 문화적 트렌드, 경제적 충격 또는 새로 나타나는 소비자 습관은 AI의 학습 데이터에 반영되지 않습니다.
- **고위험 전략 결정:** 상당한 자본 지출, 브랜드 리포지셔닝 또는 시장 진입과 관련된 결정은 실제 검증만이 제공할 수 있는 최고 수준의 신뢰도를 필요로 합니다.
- **실제 시장 행동 측정:** 사람들이 하겠다고 말하는 것과 실제로 하는 것은 종종 다릅니다. AI는 표명된 선호도를 시뮬레이션할 수 있지만, 실제 구매 행동, 예산 제약 및 감정적 절충안을 복제할 수는 없습니다.
- **진정으로 새로운 신호 탐색:** AI는 알려진 정보를 종합하는 데는 뛰어나지만, 완전히 예상치 못한 통찰력, 명확히 표현되지 않은 니즈, 또는 실제 사용자가 발명한 창의적인 해결 방법을 찾아낼 수는 없습니다.

우리가 이러한 과제에 어떻게 접근하고 이러한 경계를 존중하는 도구를 구축하는지 이해하려면 [Minds](/guide/minds)의 핵심 철학에 대해 읽어보세요.

---

## AI 결과물 검증: "가상 학습, 실제 테스트" 프레임워크

고객 조사에서 AI를 책임감 있게 사용하려면 조직은 맹목적인 신뢰에서 벗어나 실증적인 검증 프레임워크를 채택해야 합니다. 가상 조사를 검증하기 위한 가장 두드러진 방법론은 '가상 학습, 실제 테스트(Train-Synthetic, Test-Real, TSTR)'로 알려져 있습니다. 이 접근 방식에서 연구자들은 실제 데이터의 하위 집합으로 AI 모델을 학습시키거나 그 기반(grounding)을 다진 다음, 가상 시뮬레이션을 실행하고, 별도로 보관된 실제 인간 데이터 샘플을 통해 해당 시뮬레이션의 예측 정확도를 검증합니다.

### 그라운딩의 힘: 스탠퍼드 및 구글 딥마인드의 실증

가상 페르소나의 신뢰성은 허구의 배경 이야기나 일반적인 인구통계학적 프롬프트가 아니라 실제 정성적 데이터에 기반(grounding)을 둘 때 극적으로 향상됩니다.

스탠퍼드 대학교, 구글 딥마인드, 노스웨스턴 대학교, 워싱턴 대학교의 연구진이 2024년 말에 발표한 획기적인 연구는 이를 실증적으로 보여주었습니다. *"1,000명의 생성형 에이전트 시뮬레이션(Generative Agent Simulations of 1,000 People)"*이라는 제목의 이 연구에서 연구팀은 1,052명의 실제 개인을 대변하는 생성형 AI 에이전트를 구축했습니다.

연구진은 기본적인 인구통계학적 설명에 의존하는 대신, AI 인터뷰어가 각 참가자와 그들의 인생 이야기, 가치관, 신념을 다루는 상세한 2시간짜리 정성적 오디오 인터뷰를 진행하도록 했습니다. 그런 다음 이 인터뷰 녹취록을 사용하여 생성형 에이전트의 기반을 다졌습니다.

결과는 놀라웠습니다.

- **85%의 예측 정확도:** 기반이 다져진 생성형 에이전트는 종합사회조사(GSS)에서 참가자들의 응답을 85%의 정확도로 재현했습니다. 이는 인간 참가자가 2주 후 설문조사에 다시 참여했을 때 자신의 답변을 얼마나 일관되게 재현했는지에 대해 정규화한 수치입니다.
- **98%의 사회적 상관관계:** 에이전트들은 실험적 복제에서 98%의 상관관계로 사회적 행동과 집단 역학을 모방했습니다.
- **인구통계학적 프롬프트 능가:** 인터뷰를 기반으로 한 에이전트는 순수하게 인구통계학적 설명만으로 구축된 에이전트보다 정규화된 백분율 포인트 기준으로 14~15포인트 더 높은 성능을 보였습니다. 인구통계 정보만 사용한 에이전트는 정규화된 정확도가 71%에 불과했습니다.
- **편향 감소:** 실제 정성적 인터뷰에 에이전트의 기반을 두는 것은 일반적인 인구통계학적 속성으로 프롬프트가 제공된 에이전트에 비해 인종적 및 이념적 편향을 크게 줄였습니다.

이 연구는 기성품 형태의 기반이 없는 LLM은 고정관념과 부정확성에 취약하지만, 풍부한 실제 정성적 데이터에 기반을 둔 AI 에이전트는 인간의 태도와 행동을 매우 정확하게 시뮬레이션할 수 있음을 증명합니다. 검증 연구를 구성하고 방법론적 엄격함을 유지하는 방법에 대해 자세히 알아보려면 [조사 개요](/research/overview)를 살펴보세요.

### 페르소나 투명성 체크리스트

가상 페르소나가 윤리적이고 정확하게 사용되도록 하기 위해, 연구자들은 구조화된 투명성 체크리스트를 채택해야 합니다. 이 체크리스트는 사용 중인 가상 모델의 출처와 유효성을 문서화하는 데 도움이 됩니다.

<table>
<thead>
  <tr>
    <th align="left">
      차원
    </th>
    
    <th align="left">
      설명
    </th>
    
    <th align="left">
      핵심 검증 질문
    </th>
  </tr>
</thead>

<tbody>
  <tr>
    <td align="left">
      <strong>
        적용 영역
      </strong>
    </td>
    
    <td align="left">
      페르소나가 수행하도록 설계된 특정 작업 또는 맥락입니다.
    </td>
    
    <td align="left">
      이 페르소나가 초기 단계의 브레인스토밍에 사용되고 있습니까, 아니면 정량적 설문조사 결과를 예측하는 데 사용되고 있습니까?
    </td>
  </tr>
  
  <tr>
    <td align="left">
      <strong>
        타겟 인구
      </strong>
    </td>
    
    <td align="left">
      페르소나가 대변하는 특정 인구통계학적 및 심리통계학적 그룹입니다.
    </td>
    
    <td align="left">
      페르소나가 고도로 구체적이고 검증된 고객 세그먼트를 대변합니까, 아니면 일반적인 기성 프로필입니까?
    </td>
  </tr>
  
  <tr>
    <td align="left">
      <strong>
        데이터 출처
      </strong>
    </td>
    
    <td align="left">
      페르소나를 구성하고 기반을 다지는 데 사용된 데이터의 기원과 품질입니다.
    </td>
    
    <td align="left">
      페르소나가 실제 정성적 인터뷰 녹취록, CRM 데이터 또는 순전히 허구의 배경 이야기를 사용하여 구축되었습니까?
    </td>
  </tr>
  
  <tr>
    <td align="left">
      <strong>
        생태학적 타당성
      </strong>
    </td>
    
    <td align="left">
      시뮬레이션된 상호작용이 실제 상황을 반영하는 정도입니다.
    </td>
    
    <td align="left">
      시뮬레이션된 인터뷰 또는 설문조사 형식이 실제 고객이 브랜드와 자연스럽게 상호작용하는 방식과 일치합니까?
    </td>
  </tr>
</tbody>
</table>

---

## 책임감 있는 하이브리드 워크플로우

가장 효과적인 조사 팀은 AI와 인간 조사 중 하나를 선택하지 않습니다. 대신 AI를 사용하여 인간 중심의 통찰력을 가속화하고, 개선하며, 확장하는 하이브리드 워크플로우를 설계합니다.

```text
[1단계: AI 지원 설계] ──> [2단계: 가상 사전 테스트] ──> [3단계: 인간 검증] ──> [4단계: AI 기반 확장]
```

### 1단계: AI 지원 설계 및 가설 수립

먼저 AI를 사용하여 기존 고객 데이터, 과거 조사 보고서, 시장 트렌드를 종합하는 것부터 시작하세요. AI를 활용하여 고객의 페인 포인트에 대한 가설을 수립하고, 초기 제품 개념을 초안으로 작성하며, 조사 도구를 설계합니다. AI가 설문 질문과 인터뷰 가이드를 감사하여 편향을 제거하고 흐름을 최적화하도록 하세요.

### 2단계: 가상 사전 테스트

기존 고객 세그먼트 또는 정성적 데이터에 기반을 둔 가상 페르소나를 구축하세요. 작성된 개념 초안, 메시지 변형, 설문 질문을 이러한 가상 에이전트를 통해 실행합니다. 이 단계를 통해 취약한 아이디어를 신속하게 제거하고, 메시지를 다듬으며, 설문 설계를 개선하세요. 이는 저비용 필터 역할을 하여 가장 강력하고 정제된 개념만 다음 단계로 진행되도록 보장합니다.

### 3단계: 인간 검증 및 심층 정성 인터뷰

가상 사전 테스트의 결과를 검증하기 위해 실제 인간 참가자의 타겟 샘플을 모집하세요. 심층 정성 인터뷰를 진행하거나, 포커스 그룹을 운영하거나, 정량 설문조사를 시작합니다. 인간 조사는 감정적 미묘함을 탐색하고, 예상치 못한 행동을 발견하며, AI가 안정적으로 예측할 수 없었던 고위험 가정을 테스트하는 데 집중하세요.

### 4단계: AI 기반 확장 및 종합

고품질의 인간 데이터를 수집한 후에는 AI를 사용하여 분석을 지원받으세요. AI는 인터뷰를 빠르게 녹취하고, 정성적 테마를 태깅하며, 방대한 양의 개방형 피드백에서 패턴을 식별할 수 있습니다. 또한 이렇게 새로 검증된 인간 데이터를 가상 모델에 다시 피드백하여 가상 페르소나를 업데이트하고 개선함으로써 향후 테스트 라운드에서 훨씬 더 정확하게 만들 수 있습니다.

AI의 속도 및 규모와 인간 조사의 검증 및 깊이를 결합함으로써, 조직은 방법론적 엄격함을 희생하지 않으면서 더 빠르고 자신감 있는 결정을 내릴 수 있습니다. 자신만의 하이브리드 워크플로우를 구축하고 검증된 가상 통찰력을 활용할 준비가 되셨다면, [Minds 가입하기](/?register=true)를 통해 시작해 보세요.

---

## 방법론

이 가이드는 2026년 AI 지원 고객 조사의 현황에 대해 객관적이고 실증을 중시하는 개요를 제공하기 위해 설계된 출처 종합 자료입니다. 이는 Minds의 독자적인 설문조사, 벤치마크 또는 독점 연구가 아니며, 독점적인 고객 데이터를 보고하지 않습니다.

이 가이드에 제시된 결과, 통계 및 프레임워크는 공개적으로 사용 가능한 학술 문헌, 동료 검토를 거친 저널, 업계 보고서 및 공인된 연구 기관에서 발표한 방법론적 표준에서 전적으로 종합되었습니다. 인용된 모든 외부 사실적 주장과 통계는 정확성과 투명성을 보장하기 위해 1차 출처를 통해 검증되었습니다.

---

## 출처

1. **스탠퍼드 대학교 및 구글 딥마인드 연구 (Park et al., 2024):** *"Generative Agent Simulations of 1,000 People"*은 85%의 예측 정확도를 달성하기 위해 2시간의 정성적 인터뷰에 AI 에이전트의 기반을 두는 방법론을 개략적으로 설명합니다. arXiv에서 확인 가능: [https://arxiv.org/abs/2411.10109](https://arxiv.org/abs/2411.10109)
2. **스탠퍼드 대학교 인간 중심 AI 연구소(HAI) 정책 브리프 (2025):** 인간 행동 시뮬레이션의 사회적 및 연구적 시사점을 요약한 *"Generative Agent Simulations of 1,000 People"* 정책 브리프입니다. Stanford HAI에서 확인 가능: [https://hai.stanford.edu/news/generative-agent-simulations-1000-people](https://hai.stanford.edu/news/generative-agent-simulations-1000-people)
3. **시장조사협회(MRS) 델파이 그룹 보고서:** 조사 업계에서 가상 데이터의 기회, 한계 및 윤리적 고려 사항을 자세히 설명하는 *"Using synthetic respondents for market research"* 보고서입니다. MRS에서 확인 가능: [https://www.mrs.org.uk/resources/delphi-group](https://www.mrs.org.uk/resources/delphi-group)
4. **Greenbook IIEX Europe 컨퍼런스 인사이트 (2026):** 현대 시장 조사에서 가상 페르소나의 실질적인 채택, 신뢰성 및 한계에 대한 업계 분석입니다. Greenbook에서 확인 가능: [https://www.greenbook.org](https://www.greenbook.org)
5. **가상 조사 검증에 대한 MarTech 분석 (2026):** 마케팅 운영에서의 "가상 학습, 실제 테스트" 프레임워크 및 "가상 페르소나의 오류"에 대한 평가입니다. MarTech에서 확인 가능: [https://martech.org](https://martech.org)
6. **Kromatic / Journal of Marketing 복제 연구 (Yeykelis, Cummings et al., 2024):** 발표된 133개의 실험 결과를 복제하여 76%의 복제율과 다양성 압축을 보여준 LLM 기반 페르소나에 대한 독립적 평가입니다. Kromatic에서 확인 가능: [https://kromatic.com](https://kromatic.com)
7. **베인앤컴퍼니 인사이트 (2025):** AI 생성 고객 프록시의 비즈니스 애플리케이션, 비용 효율성 및 전략적 한계를 개략적으로 설명하는 *"What are synthetic customers?"* 자료입니다. Bain에서 확인 가능: [https://www.bain.com](https://www.bain.com)
8. **하버드 대학교 버크먼 클라인 인터넷 사회 연구소 (2025):** 생성형 에이전트 시뮬레이션의 발전과 사회 과학 및 정책 수립에서의 적용에 대한 논평입니다. Harvard Berkman Klein Center에서 확인 가능: [https://cyber.harvard.edu](https://cyber.harvard.edu)