# 사람의 행동을 예측하는 AI, Simile가 신뢰를 쌓는 방법

> 2026-10-29 · Stanford eCorner · 큐레이션 김태우
> https://challengekim.com/insights/사람의-행동을-예측하는-ai-simile가-신뢰를-쌓는-방법
> 원문: https://www.youtube.com/watch?v=E1s1fb-DyUk

## 핵심 요약

- Simile는 제품·가격·메시지를 바꿨을 때 사람들이 어떻게 반응할지 살펴보는 AI 시뮬레이션을 만든다. 목표는 사람보다 뛰어난 지능이 아니라 사람의 판단과 행동을 재현하는 모델이다.
- 시뮬레이션은 실제 고객과의 대화를 없애기보다 현장에서 검증할 아이디어를 더 많이 탐색하고 추리는 데 쓰인다.
- 신뢰는 성능 지표만으로 생기지 않는다. 고객이 이미 답을 아는 문제로 직접 검증하고 제품이 예측의 한계를 분명히 보여줘야 한다.
- 번스타인은 공개 웹에 없는 행동 데이터, 과제에 맞는 모델, 결과를 이해하도록 돕는 제품이 함께 경쟁력을 만든다고 봤다.

## 사람보다 똑똑한 AI가 아니라 사람처럼 반응하는 AI

스탠퍼드 컴퓨터과학 교수이자 Simile 공동창업자 겸 최고데이터책임자인 마이클 번스타인은 스탠퍼드 기업가정신 강연 시리즈에서 인간 행동 시뮬레이션 연구와 창업 경험을 소개했다. 강연과 이어진 대담에서는 사람들이 AI의 예측을 믿고 의사결정에 활용하게 만드는 방법을 다뤘다.

Simile는 제품을 출시하거나 설명 방식과 목표 고객을 바꿨을 때 사람들의 반응을 가늠하는 도구다. 실제로 실행하지 않은 선택의 결과를 따져보는 **가정 실험**을 지원한다. 성공 가능성뿐 아니라 실패한다면 어떤 일이 잘못돼야 하는지도 탐색한다.

번스타인은 이 모델의 목표를 코딩이나 수학에서 초인적인 능력을 발휘하는 AI와 구분했다. 인간 행동을 재현하려면 수학도 사람만큼 못하고 사람이 틀리는 방식으로 틀려야 한다. 사람들이 실제로 무엇을 믿고 어떻게 행동하는지가 성능의 기준이다.

그는 고객 활용 사례로 실적 발표에 참석할 투자자들의 질문을 미리 시뮬레이션한 일을 들었다. 해당 발표에서 나온 질문 아홉 개 중 일곱 개를 맞혔다고 밝혔다. 또 고객들은 과거 컨설팅업체를 고용해 10주가량 진행하던 일을 오후 한나절에 해볼 수 있게 됐다고 전했다. 답을 받은 뒤 이유를 묻고 조건을 바꾸며 다시 실험할 수 있다는 점도 강조했다.

## 정확도 85%를 읽는 데 필요한 비교 기준

Simile의 출발점은 번스타인 연구실의 인간형 AI 에이전트 연구였다. 연구진은 사람처럼 행동하는 에이전트들을 가상의 마을에 배치했다. 논문이 널리 알려지자 그 행동이 실제 사람과 얼마나 닮았는지가 중요한 질문으로 떠올랐다.

후속 연구에서는 미국인 1,000명의 대표성 있는 표본을 모집해 AI 인터뷰를 진행했다. 참여자가 자신의 삶을 이야기한 내용을 바탕으로 각자의 디지털 트윈, 즉 개인을 모사하는 가상 모델을 만들었다. 실제 참여자에게는 사회조사 문항, 행동경제학 게임, 성격 검사 등도 수행하게 했다.

번스타인에 따르면 가상 모델이 참여자의 태도와 행동을 재현한 수준은 **참여자 본인이 2주 뒤 같은 평가에서 보인 응답 일관성의 약 85**%였다. 모든 인간 행동을 85% 정확도로 예측했다는 뜻은 아니다. 사람 자신의 재응답을 비교 기준으로 삼은 결과다.

이후 연구진은 인간 행동을 기준으로 언어모델을 추가 학습하기 시작했다. 연구를 이끈 준 박이 박사과정을 마친 2025년 회사를 설립했으며 박은 Simile의 최고경영자를 맡았다.

## 고객 조사를 없애기보다 실험의 폭을 넓힌다

대담 진행자 라비 벨라니는 AI가 실제 사람을 만나 문제를 발견하는 과정을 대신할 수 있는지 물었다. 번스타인은 문제를 깊이 이해하려면 어느 시점에는 반드시 실제 사람과 대화해야 한다고 답했다.

그가 제시한 활용 방식은 현장 조사에 앞서 선택지를 넓히는 것이다. 조사할 수 있는 아이디어가 한두 개뿐이면 실패를 피하려고 안전한 안을 고르기 쉽다. 시뮬레이션으로 아이디어 100개를 시험하고 다듬을 수 있다면 그중 더 나은 두 개를 추려 실제 고객에게 가져갈 수 있다. 접근하기 어려운 관점을 빠르게 살피고 반복 실험할 수 있으면 더 큰 시도도 가능해진다.

제품 도입에서도 기능만 설명해서는 충분하지 않았다. 번스타인은 사용자의 역량을 높이도록 설계한 도구라도 일자리를 빼앗길 수 있다는 불안을 불러온다고 말했다. 사용자에게는 업무 가까이 들어온 첫 AI 도구일 수 있기 때문이다.

Simile에서는 고객 도입을 돕는 팀이 오랜 기간 대화하며 관계와 신뢰를 쌓는 일이 중요했다. 번스타인은 기술이 사용자를 보완한다는 점만 명확하면 불안을 피할 수 있으리라 생각했지만 창업 뒤 그 생각이 바뀌었다고 밝혔다.

## 틀린 답이 나올 때를 제품 안에 설계한다

번스타인은 AI 제품이라면 사용자가 예상하지 못한 결과를 언젠가 보게 된다는 전제에서 출발해야 한다고 강조했다. 과업과 화면 흐름을 매끄럽게 만들고 예측이 기대와 어긋났을 때 사용자가 그 이유와 한계를 이해할 수 있도록 설계해야 한다고 봤다.

Simile는 시뮬레이션 결과의 정확도를 어느 정도 기대할 수 있는지 평가하는 별도 모델을 학습했다. 사용자가 질문하면 신뢰 수준을 초록·노랑·빨강 신호로 표시한다. 학습 데이터가 거의 없는 상황에도 예측은 내놓을 수 있지만 그런 경우에는 낮은 신뢰 수준을 드러낸다.

이런 표시나 벤치마크만으로 고객이 곧바로 제품을 믿는 것은 아니었다. 초기 시연에서 한 기업은 자사의 순추천지수(NPS)를 추정해달라고 요청했다. 번스타인은 모델이 이를 맞혔고 그 경험으로 여러 성능 지표를 제시했을 때보다 고객이 제품을 더 강하게 신뢰하게 됐다고 말했다.

다른 고객들도 Simile가 알지 못하는 내부 조사 결과를 기준으로 제품을 시험했다. 자신이 답을 아는 문제에서 모델이 잘 작동하는지 직접 확인한 것이다. 이후에는 어떤 질문에 적합하고 어디서 주의해야 하는지 논의하기가 쉬워졌다. **직접 검증할 기회와 사용 범위에 대한 명확한 설명**이 함께 필요했다.

## 평균적인 사람만 재현해서는 부족하다

번스타인은 인간 행동을 이해하는 데 필요한 정보 중 상당수가 공개 웹에 없다고 말했다. 특정 집단의 태도와 선택을 형성하는 경험은 일반적인 사전학습 데이터만으로 충분히 얻기 어렵다. Simile는 매주 수만 명을 대상으로 데이터를 수집하며 선택의 이유를 파악하고 행동 데이터와 자기보고 데이터를 모델 학습에 활용한다고 밝혔다.

중요한 것은 평균뿐 아니라 사람들 사이의 차이다. 번스타인은 많은 언어모델의 후속 학습이 평균적인 응답에 높은 확신을 보이도록 만든다고 지적했다. 시뮬레이션에서는 오히려 특이한 의견과 행동까지 실제 인구집단에서 나타나는 분포에 맞게 표현해야 한다.

그가 초기 고객 대화에서 만난 고급 패션기업의 데이터과학 책임자는 평균적인 사람보다 분포의 양끝에 관심을 보였다. 남다른 행동에서 영감을 얻기 때문이었다. 평균에서 얼마나 벗어나는지, 얼마나 다양한 행동이 나타나는지가 고객에게 핵심 가치일 수 있었다.

## 데이터·모델·제품을 함께 만드는 경쟁력

번스타인은 Simile를 제품을 갖춘 첨단 AI 연구소로 설명했다. 자체 모델을 학습하는 동시에 사용자가 시뮬레이션을 구성하고 결과를 해석하도록 돕는 제품도 만들어야 한다고 봤다. 단순히 모델을 호출하는 API만 제공해서는 사용자가 결과를 이해하고 활용하기 어렵다고 봤다.

경쟁력도 이 결합에서 찾았다. 직접 수집해야 하는 데이터, 인간 행동이라는 과제에 적합한 모델링 기법, 새로운 실험을 가능하게 하는 제품이 서로를 강화해야 한다. 범용 언어모델의 API에 화면을 덧붙이는 것만으로는 오래 버티기 어렵다고 판단했다.

사용자는 익숙한 ChatGPT나 Claude에 먼저 질문하는 경향도 있다. 별도 제품을 쓰게 하려면 조금 더 나은 정도를 넘어 사용자가 뚜렷한 차이를 느껴야 한다고 말했다.

출발점은 구체적인 용도였다. 번스타인은 건강이나 공공정책을 둘러싼 복잡한 사회 시뮬레이션에도 관심이 있지만 처음부터 무엇이든 물어보라고 하면 사용자가 막힌다고 설명했다. 먼저 사람들이 이미 묻고 있고 모델도 잘 답하는 문제로 안내한 뒤 활용 범위를 넓히는 방식을 택했다.

이 전략은 조직에도 부담을 준다. 모델이 계속 바뀌는 동안 제품팀은 무엇을 기대할 수 있는지 알아야 하고 데이터팀은 성능의 빈틈을 채워야 하며 고객 담당자는 가능 범위를 설명해야 한다. 번스타인은 이 팀들이 보조를 맞추지 못한 일이 초기 시행착오의 원인 중 하나였다고 밝혔다.

## 세계 시뮬레이션은 하나의 미래를 맞히는 일이 아니다

Simile의 장기적 구상은 개인이나 집단을 넘어 사람과 주변 환경, 경쟁자와 고객의 상호작용까지 시뮬레이션하는 것이다. 번스타인은 80억 명과 그 환경을 모사할 수 있을지를 탐구 대상으로 제시했다.

집단 행동이 시간에 따라 급격히 바뀌는 현상을 다루려면 장기간의 상호작용을 살펴야 한다. 그는 세계가 미리 정해져 있지 않으므로 시뮬레이션의 역할도 정확히 하나의 미래를 알려주는 데 있지 않다고 말했다. 가능한 결과의 분포와 각 결과의 가능성, 변화를 가속하거나 늦추는 요인을 보여주는 것이 목표다.

초기 가상 마을 연구에서는 에이전트 하나에 파티를 준비하고 싶다는 기억만 넣었다. 이후 소식이 퍼지고 다른 에이전트가 데이트를 신청하는 과정은 상호작용 속에서 나타났다고 설명했다. 이런 집단 현상을 미리 정답처럼 심어두지 않고 재현하는 것이 연구의 핵심이었다.

다만 여러 에이전트가 장기간 상호작용할 때 작은 오차가 누적되는 문제와 검증의 어려움은 남아 있다. 번스타인은 개인 수준의 정확도를 높이는 접근과 오차가 전체 시스템의 상태를 바꿀 만큼 큰지 살피는 접근을 제시했다.

그가 제시한 AI 시뮬레이션의 가치는 의사결정 전에 더 많은 가능성을 시험하는 데 있다. 그 가치를 실제 업무로 연결하려면 인간 행동을 충실히 담은 데이터, 고객의 직접 검증, 예측의 한계를 설명하는 제품이 함께 필요하다.

---

원문을 바탕으로 AI 가 한국어로 요약·재구성한 글입니다. 인용·수치는 원문 링크에서 확인해 주세요. [원문 링크](https://www.youtube.com/watch?v=E1s1fb-DyUk)