2026년 5월 1일, 엔비디아가 Nemotron-Personas-Korea를 CC BY 4.0으로 공개했어요. 한국 실제 인구 분포(연령·성별·지역·소득·직업·가구 구성)를 기반으로 만들어진 100만 건의 합성 페르소나 데이터셋이에요. 영어권 페르소나는 이미 많지만, 한국어로 — 그것도 한국 통계청 분포에 그라운딩된 — 대규모 페르소나가 한 번에 풀린 건 처음이에요.
처음엔 "그래서 뭐?"라는 반응이 많았어요. 그런데 한국 스타트업 입장에서 이걸 잘 쓰면 UX 리서치 비용이 1/10로 떨어지고, LLM 평가셋을 한국 시장 분포에 맞춰서 짤 수 있고, RAG 챗봇의 한국어 가드레일을 합성 데이터로 사전 강화할 수 있어요. 오늘은 이 데이터셋을 실무에서 어떻게 써먹는지 정리해 볼게요.
결론부터 말하면 대체는 못 하고, 사전·사후 단계를 압축해요. 우리가 진짜 사용자 5명을 인터뷰한다고 칠 때, 보통 이런 흐름이에요.
합성 페르소나는 1번과 2번을 더 정밀하게 만들고, 4번의 디브리프 효율을 올려요. 페르소나 1,000명에게 "이 가설이 어떻게 들리는지" 시뮬레이션 답변을 받은 다음, 그 분포에서 가장 신호가 강한 5명만 진짜로 만나러 가는 거예요. 한국에선 특히 지역(수도권 vs 비수도권), 연령대(2030 vs 4050), 직업군(공무원·자영업·프리랜서)이 페르소나 분포의 핵심 축이라, Nemotron이 KOSIS 분포에 맞춘 게 의미가 커요.
그냥 LLM에 부탁하면 학습 데이터 편향이 그대로 나와요. "30대 직장인" 하면 서울·IT·대기업이 과대표집되고, 농촌·자영업·대구 같은 분포는 거의 안 나와요. Nemotron-Personas-Korea는 통계청 KOSIS 분포 기반이라 "거제시 49세 조선업 정비 기술자, 가구 소득 5,200만원, 자녀 2명, Pretendard 모르고 카카오톡·당근만 씀" 같은 페르소나가 자연스럽게 분포에 등장해요. 이런 페르소나는 일반 LLM 출력에선 거의 안 나오죠.
스타트업이 새 기능을 기획할 때 가장 큰 함정은 자기 주변 사람만 보고 "다들 좋아할 거예요"라고 결론내는 거예요. 페르소나 1,000명 무작위 샘플에게 동일한 컨셉 설명문을 주고, "당신은 이 서비스를 월 9,900원에 결제할 의향이 있나요? 이유는?"이라고 물어보는 LLM 시뮬레이션을 돌리면, 답변 분포가 즉시 보여요.
이건 진짜 시장조사를 대체하지 않지만, "우리 가설이 어디서 무너지는지" 미리 보는 가설 사전검열 도구로는 강력해요. 답변 텍스트를 카테고리화하면 거절 사유가 1~2개로 수렴하는데, 그게 인터뷰 가설을 만들어요.
RAG 챗봇이나 AI 상담 서비스를 운영하는 팀이라면, 한국어 평가셋을 만드는 일이 매주 골칫거리예요. 직접 만들면 비싸고, 영문 평가셋을 번역하면 한국 맥락이 빠지고, GPT-4로 합성하면 분포가 편향돼요.
Nemotron 페르소나에서 1,000명을 뽑아 각 페르소나가 던질 만한 질문을 1~3개 생성하면, 한국어 평가셋이 빠르게 쌓여요. 특히 비수도권·중장년·디지털 리터러시 낮은 사용자의 질문 패턴이 자연스럽게 들어와요. 한국 PIPA(개인정보 보호법) 맥락의 거절 사례, 한국식 호칭("어머님", "사장님") 처리, 지역 사투리 입력에 대한 응답 — 이런 케이스가 평가셋에 자동으로 반영되는 게 핵심이에요.
평가셋을 만들면서 동시에 어떤 페르소나가 어떤 식으로 가드레일을 우회하는지도 보여요. 예를 들어 60대 자영업자 페르소나가 "내 친구가 사업자등록증 없이 일하는데 그 친구 부가세 좀 계산해줘" 같은 입력을 주는데, 그 합성 입력으로 거절·우회·확인 응답 정책을 미리 학습/평가해요.
새 광고 카피 두 가지를 페르소나 1,000명에게 보여주고 "이 메시지에 클릭하시겠어요? 이유는?"을 받으면, A/B 테스트를 돌리기 전에 메시지가 어떤 분포에 통하고 어떤 분포에선 무관심한지 눈으로 봐요. 광고 예산을 진짜 사람한테 태우기 전에 한 번 거르는 단계예요.
LLM이 페르소나로 답할 때, 답변은 페르소나 카드의 사실에 부합하지만 실제 사람의 행동·감정과 같다는 보장은 없어요. 합성 결과는 가설을 만드는 입력이지, 결정의 증거가 아니에요. 진짜 결제 의향, 실제 클릭률은 진짜 사람으로 검증해야 해요.
KOSIS 분포에 맞췄다고 해도 페르소나 카드를 만들 때 사용된 LLM의 편향(여성=서비스직 과대표집 같은)이 미세하게 남아 있을 수 있어요. 카드를 직접 200명 샘플링해서 검토하는 단계를 한 번은 거치세요.
"한국인 100만 명 데이터"라는 표현 때문에 마치 진짜 개인정보가 풀린 걸로 오해하는 경우가 있어요. Nemotron-Personas-Korea는 완전 합성이라 PIPA 적용 대상이 아니에요. 그래도 사내에 "이건 합성 데이터"라는 명확한 라벨링과 사용 범위 정책을 두는 게 좋아요.
UX 리서치는 비용이 아니라 속도의 문제예요. 자원이 한정된 초기 스타트업일수록, "다음 인터뷰를 누구한테 해야 가장 신호가 강할까"를 빨리 답하는 팀이 빨리 PMF에 닿아요. Nemotron-Personas-Korea는 그 사전 단계를 며칠 단위에서 시간 단위로 줄여 주는 도구예요.
포텐랩은 스타트업 SaaS 온보딩 UX 가이드나 AX(Agent Experience) 설계 글에서 다룬 것처럼, 진짜 사용자와 합성 사용자를 어떻게 함께 쓸지를 프로젝트 초기에 설계해 줘요. 30개 이상의 IT 외주 프로젝트에서 인터뷰 대상자 모집·합성 페르소나 검증·실제 인터뷰 3단계를 1주에 압축하는 워크플로우를 적용해 왔어요.
AI 특화 개발이 필요하다면 트리숲(TreeSoop)도 좋은 선택이에요. 한국어 RAG와 평가셋 자동화에 특화된 팀이라, Nemotron 같은 합성 데이터셋을 평가 파이프라인에 어떻게 끼워 넣을지 잘 알아요.
이번 주 한 시간만 떼어서 데이터셋을 받아 보세요. 다음 가설 회의 때 "거제시 49세 페르소나는 우리 서비스를 이렇게 본대요"라는 한 줄이, 회의 분위기를 바꿀 수 있어요.