목차
- Listen Labs — 뭘 하는 회사인가
- $69M 투자의 맥락 — 왜 지금인가
- 기존 도구와 뭐가 다른가
- 경쟁 구도 — 주요 플레이어 비교
- 개발자 관점 — API 구조와 파이프라인 연동
- AI 인터뷰의 품질 — 어디까지 신뢰할 수 있나
- 실무 도입 시 고려할 것
- 이 시장이 가는 방향
- 당장 해볼 수 있는 것
{
"interview_id": "iv_8x92kf",
"status": "completed",
"duration_minutes": 14,
"questions_asked": 11,
"follow_ups_generated": 6,
"sentiment_summary": {
"positive": 0.42,
"neutral": 0.38,
"negative": 0.20
},
"key_themes": ["onboarding_friction", "pricing_confusion", "feature_discovery"]
}
위 JSON은 AI 고객 인터뷰 도구의 세션 완료 응답이다. 사람이 14분간 진행한 인터뷰가 아니라, AI 에이전트가 자동으로 수행한 결과물이다. 질문 11개 중 6개는 응답 맥락에 따라 실시간으로 생성된 후속 질문이었다. 이런 수준의 자동화가 가능한 시대가 왔고, Listen Labs라는 회사가 여기에 $69M을 끌어모았다.
프론트엔드에서 백엔드로 전환한 지 2년 정도 됐는데, 양쪽 경험을 하면서 느낀 게 있다. 프론트엔드에서는 "사용자가 뭘 원하는지"를 직감적으로 파악하는 문화가 강했고, 백엔드에서는 데이터로 증명하라는 압력이 훨씬 세다. 그래서 고객 인터뷰 데이터의 구조화라는 주제에 관심을 갖게 됐다. PM이 정리한 인터뷰 스프레드시트가 2달치 밀려있는 걸 보고 자동화 도구를 찾아본 게 시작이었다.
Listen Labs — 뭘 하는 회사인가
Listen Labs는 AI 에이전트가 직접 고객 인터뷰를 수행하는 플랫폼이다. 여기서 "직접"이라는 단어가 핵심이다. 기존 도구들이 인터뷰 녹음 → 전사 → 분석의 흐름에서 후반부(전사, 분석)를 자동화했다면, Listen Labs는 인터뷰 자체를 AI가 진행한다.
사용자 기업이 리서치 목표와 가이드 질문을 설정하면, AI 에이전트가 텍스트 또는 음성 기반으로 고객과 1:1 대화를 나눈다. 단순히 미리 정해진 질문을 순서대로 던지는 게 아니다. 응답 내용에 따라 후속 질문을 실시간으로 생성하고, 주제를 깊이 파고드는 probing이 가능하다.
핵심 기능 구조
Listen Labs의 아키텍처는 크게 세 레이어로 나뉜다.
인터뷰 엔진: LLM 기반 대화 에이전트. 리서치 가이드에 기반해 질문을 생성하고, 응답을 실시간 분석하면서 대화 방향을 조정한다. 단순 Q&A 봇과 다른 점은 "아까 ~라고 말씀하셨는데, 그게 구체적으로 어떤 상황이었나요?" 같은 맥락 참조형 후속 질문을 만들어낸다는 것이다.
분석 파이프라인: 완료된 인터뷰에서 테마를 자동 추출하고, 감정 분석, 핵심 인사이트 클러스터링을 수행한다. 100건의 인터뷰를 돌리면 공통 패턴이 자동으로 그룹핑되어 나온다.
통합 레이어: Slack, Notion, Jira 등과 연동. 인터뷰 결과가 바로 프로덕트 백로그로 흘러간다. 개발자 입장에서는 API를 통해 자체 파이프라인에 끼워넣을 수 있다는 점이 흥미롭다.
$69M 투자의 맥락 — 왜 지금인가
AI 고객 인터뷰 자동화에 $69M이라는 금액이 들어왔다는 건, 이 시장이 단순한 실험 단계를 넘어섰다는 신호다. 이 투자를 이해하려면 몇 가지 배경을 알아야 한다.
UX 리서치 비용 구조의 문제
전통적인 고객 인터뷰 한 건의 비용을 분해해보면 이렇다. 참여자 리크루팅에 $50~150(인센티브 포함), 인터뷰어 시간에 1~2시간, 전사 및 분석에 추가 1~2시간. 한 건당 최소 3~4시간의 인력이 투입된다. 시리즈 A 스타트업이 분기마다 30건의 인터뷰를 돌린다고 치면, UX 리서처 한 명의 시간이 거의 전부 여기에 소진된다.
문제는 양이다. 30건으로는 통계적으로 유의미한 패턴을 뽑기 어렵다. 100건, 200건을 돌려야 "이건 진짜 트렌드"라고 확신할 수 있는데, 그만큼의 인력을 투입할 여유가 있는 스타트업은 거의 없다.
LLM 성능이 임계점을 넘었다
2024~2025년 사이에 LLM의 대화 능력이 한 단계 올라갔다. GPT-4o, Claude 3.5 Sonnet 이후로 맥락 유지 능력과 자연스러운 후속 질문 생성이 실용 수준에 도달했다. 특히 긴 대화에서도 앞선 맥락을 정확히 참조하는 능력이 크게 개선됐다.
Listen Labs가 2026년 초에 이 규모의 투자를 받은 건, 기술 성숙도와 시장 수요가 동시에 맞아떨어진 타이밍이다. 비슷한 시기에 Synthetic Users, Outset.ai 같은 경쟁사도 각각 의미 있는 규모의 투자를 유치했다. 시장 자체가 형성되고 있다는 뜻이다.
기존 도구와 뭐가 다른가
"AI 리서치 도구"라고 하면 이미 Dovetail, Maze, UserTesting 같은 이름이 떠오를 것이다. 이들과 Listen Labs의 차이를 명확히 짚어야 한다. 핵심은 자동화 범위의 차이다.
Listen Labs는 3세대에 해당한다. 1~2세대가 "사람이 인터뷰하고 AI가 정리"라면, 3세대는 "AI가 인터뷰하고 AI가 정리"다.
이 차이는 단순히 편의성의 문제가 아니다. 구조적으로 다른 결과를 만들어낸다.
규모의 차이
사람이 인터뷰를 진행하면 하루에 5~6건이 현실적인 한계다. 피로도, 일정 조율, 전사 작업까지 합치면 주당 15~20건이 최대치다. Listen Labs의 AI 에이전트는 동시에 수백 건을 병렬로 처리할 수 있다. 고객이 원하는 시간에 링크를 클릭하면 바로 인터뷰가 시작되니, 일정 조율이라는 병목 자체가 사라진다.
일관성의 차이
사람 인터뷰어는 컨디션, 편향, 숙련도에 따라 같은 가이드로도 다른 결과를 낸다. 세 번째 인터뷰쯤 되면 "이 질문은 별로 안 중요한 것 같은데"라는 판단이 끼어들기 시작한다. AI는 이런 편향이 없다. 모든 인터뷰에서 같은 기준으로 후속 질문을 생성하고, 같은 깊이까지 파고든다.
물론 이게 항상 장점만은 아니다. 사람 인터뷰어의 직감적 판단 — "이 사람이 뭔가 숨기고 있다", "여기서 더 파면 나올 것 같다" — 은 현재 AI가 따라하기 어렵다.
경쟁 구도 — 주요 플레이어 비교
2026년 4월 기준, AI 고객 인터뷰 자동화 시장의 주요 플레이어를 비교하면 아래와 같다. 가격과 기능은 각 회사의 공개 정보 기준이며, 빠르게 변하는 시장이라 시점에 따라 달라질 수 있다.
| 구분 | Listen Labs | Synthetic Users | Outset.ai | Dovetail |
|---|---|---|---|---|
| 핵심 접근 | AI가 실제 고객과 인터뷰 | AI가 가상 페르소나로 시뮬레이션 | AI 인터뷰 + 설문 하이브리드 | 인터뷰 전사·분석 자동화 |
| 인터뷰 수행 주체 | AI 에이전트 | AI (가상 응답자) | AI 에이전트 | 사람 (인터뷰어) |
| 실제 고객 대화 | ✅ | ❌ (시뮬레이션) | ✅ | ✅ (사람이 직접) |
| 후속 질문 자동 생성 | ✅ | ✅ | ✅ | ❌ |
| API 제공 | ✅ | ✅ | 제한적 | ✅ |
| 주요 고객층 | PM, 리서처 | PM, 초기 검증 | 리서처, 마케터 | UX 리서처 |
여기서 Synthetic Users는 접근 자체가 다르다. 실제 고객과 대화하는 게 아니라, LLM으로 만든 가상 페르소나가 고객 역할을 한다. "만약 30대 직장인 여성이 이 제품을 쓴다면 어떤 반응을 보일까?"를 시뮬레이션하는 방식이다. 비용은 극단적으로 낮지만, 실제 고객의 예측 불가능한 반응을 잡아내지 못한다는 한계가 명확하다.
Listen Labs와 Outset.ai는 실제 고객을 대상으로 AI가 인터뷰를 진행한다는 점에서 가장 직접적인 경쟁 관계에 있다. $69M이라는 투자 규모로 보면 Listen Labs가 현재 이 카테고리에서 가장 공격적으로 움직이고 있다.
개발자 관점 — API 구조와 파이프라인 연동
개발자로서 이 도구를 볼 때 가장 궁금한 건 "우리 제품 파이프라인에 어떻게 끼워넣을 수 있는가"다. Listen Labs는 REST API를 제공하며, 인터뷰 생성부터 결과 조회까지 프로그래밍 방식으로 제어할 수 있다.
# Listen Labs API를 활용한 인터뷰 생성 예시 (공식 문서 기반 구조)
import requests
response = requests.post(
"https://api.listenlabs.com/v1/interviews",
headers={"Authorization": f"Bearer {API_KEY}"},
json={
"research_goal": "온보딩 과정에서 이탈하는 원인 파악",
"guide_questions": [
"처음 가입했을 때 어떤 기대를 갖고 있었나요?",
"가입 후 첫 7일 동안 어떤 경험을 했나요?",
"사용을 중단하게 된 계기가 있었나요?"
],
"max_duration_minutes": 15, # 최대 인터뷰 시간
"follow_up_depth": 2, # 후속 질문 깊이
"language": "ko"
}
)
# 생성된 인터뷰 링크를 고객에게 전송
interview_url = response.json()["participant_url"]
이 구조의 장점은 자사 제품의 이벤트 트리거와 연결할 수 있다는 것이다. 예를 들어, 고객이 구독을 해지하면 자동으로 인터뷰 링크가 이메일로 발송되고, AI가 해지 사유를 심층적으로 파악하는 파이프라인을 만들 수 있다.
# 해지 이벤트 → 자동 인터뷰 트리거 (웹훅 핸들러)
@app.post("/webhooks/churn")
async def handle_churn(event: ChurnEvent):
interview = create_exit_interview(
customer_id=event.customer_id,
research_goal="해지 사유 및 개선 가능 영역 파악",
context={
"plan": event.previous_plan,
"tenure_months": event.tenure_months,
"last_active": event.last_active_date
}
)
# 인터뷰 링크를 해지 확인 이메일에 포함
await send_exit_email(
to=event.customer_email,
interview_url=interview.participant_url
)
return {"status": "interview_scheduled"}
프론트엔드를 하던 시절에는 사용자 행동을 직접 눈으로 보면서 "아, 여기서 막히는구나"를 체감했었다. 백엔드로 넘어오니까 사용자와의 접점이 로그와 메트릭뿐이었는데, 이런 도구가 그 간극을 어느 정도 메워줄 수 있을 것 같다는 생각이 든다.
AI 인터뷰의 품질 — 어디까지 신뢰할 수 있나
솔직히 이 부분이 가장 중요하다. AI가 인터뷰를 진행한다고 했을 때, 결과물의 품질이 사람 인터뷰어 수준에 도달했는지는 별개의 문제다.
잘 되는 영역
사실 기반 질문: "어떤 기능을 가장 자주 쓰나요?", "처음 알게 된 경로가 뭔가요?" 같은 팩트 수집형 질문에서는 AI가 사람과 거의 동일한 품질의 응답을 이끌어낸다. 오히려 응답자가 AI 앞에서 더 솔직해진다는 연구 결과도 있다. 사람 앞에서는 "음… 좋았어요"로 넘기던 답변이, AI 상대로는 구체적 불만을 털어놓는 경우가 보고되고 있다.
구조화된 탐색: 정해진 주제 영역 안에서 체계적으로 파고드는 데는 AI가 유리하다. 사람은 흥미로운 답변이 나오면 가이드를 벗어나 옆길로 빠지기 쉬운데, AI는 리서치 목표에 맞춰 일관되게 질문을 이어간다.
아직 부족한 영역
감정의 미묘한 결: "괜찮아요"라고 말하면서 표정이 어두운 경우, 텍스트 기반 AI는 이걸 잡아내지 못한다. 음성 기반이라도 미세한 톤 변화를 해석하는 건 현재 기술로는 한계가 있다. 숙련된 인터뷰어가 "방금 잠깐 망설이셨는데, 혹시 더 말씀하고 싶은 게 있으신가요?"라고 캐치하는 그 능력은 아직 AI에게 기대하기 어렵다.
예상치 못한 발견: 인터뷰의 진짜 가치는 종종 "질문하지 않은 것"에서 나온다. 고객이 불쑥 꺼내는 사이드 스토리, 의도하지 않은 사용 패턴, "사실 이 제품을 원래 목적과 다르게 쓰고 있는데…"라는 고백. AI는 리서치 가이드 범위 밖의 이야기를 적극적으로 탐색하도록 설계되지 않았다.
이건 Listen Labs만의 문제가 아니라 AI 인터뷰 도구 전체의 구조적 한계다.
실무 도입 시 고려할 것
이 도구를 팀에 도입한다고 가정했을 때, 몇 가지 현실적인 포인트가 있다.
기존 워크플로우와의 충돌
대부분의 프로덕트 팀은 이미 나름의 고객 리서치 프로세스가 있다. UX 리서처가 인터뷰를 설계하고, PM이 참관하고, 디자이너가 인사이트를 뽑는 흐름이 잡혀있는 팀에서 갑자기 "AI가 인터뷰한다"고 하면 저항이 생길 수 있다. 특히 리서처 입장에서는 자기 업무의 핵심이 자동화되는 셈이니 민감할 수밖에 없다.
현실적인 접근은 완전 대체가 아니라 보완이다. 핵심 고객 인터뷰는 사람이, 대량 스크리닝이나 해지 사유 파악 같은 반복적 리서치는 AI가 맡는 하이브리드 구조가 당분간은 합리적이다.
데이터 프라이버시
AI가 고객과 직접 대화한다는 건, 민감한 고객 데이터가 AI 서비스를 경유한다는 뜻이다. GDPR, CCPA 같은 규제 환경에서 이 데이터의 저장, 처리, 삭제 정책을 꼼꼼히 확인해야 한다. 특히 헬스케어나 금융 같은 규제 산업에서는 도입 자체가 법적 검토를 거쳐야 할 수 있다.
Listen Labs는 SOC 2 인증을 받았다고 공개하고 있지만, 구체적인 데이터 보존 정책이나 모델 학습 데이터 활용 여부는 계약 단계에서 직접 확인하는 게 안전하다.
비용 계산
AI 인터뷰의 비용 효율을 단순 비교하면 압도적으로 저렴해 보인다. 사람 인터뷰어 대비 건당 비용이 1/10 이하라는 주장이 많은데, 여기엔 빠지는 게 있다. 리서치 가이드 설계, 결과 검증, 인사이트 해석에는 여전히 사람이 필요하다. 완전 자동화 비용이 아니라, "인터뷰 수행" 단계의 비용만 줄어드는 것이다.
그래도 인터뷰 건수를 10배로 늘릴 수 있다는 건 의미가 크다. 30건으로 "대략 이런 것 같다"고 추정하던 걸, 300건으로 "이건 확실히 패턴이다"라고 말할 수 있게 된다.
이 시장이 가는 방향
$69M 투자는 시작일 뿐이다. AI 고객 인터뷰 시장은 몇 가지 방향으로 확장될 가능성이 높다.
멀티모달 인터뷰: 텍스트와 음성을 넘어 화면 공유, 표정 분석까지 결합한 인터뷰. GPT-4o의 멀티모달 능력이 이미 이 방향을 가리키고 있다. 고객이 제품을 실제로 사용하는 화면을 보면서 AI가 "지금 어디를 클릭하려고 하셨나요?"라고 묻는 시나리오가 기술적으로 불가능하지 않다.
연속적 리서치: 일회성 인터뷰가 아니라, 고객 여정 전체에 걸쳐 주기적으로 AI가 터치포인트를 만드는 모델. 온보딩 3일차, 첫 결제 후, 기능 업데이트 후 등 맥락에 맞는 짧은 인터뷰를 자동으로 트리거하는 구조다.
프로덕트 애널리틱스와 통합: Mixpanel이나 Amplitude의 행동 데이터와 결합해서, "이 기능 사용률이 떨어지고 있는데 왜 그런지"를 자동으로 고객에게 물어보는 파이프라인. 정량 데이터가 이상 신호를 잡으면 정성 리서치가 자동으로 돌아가는 closed-loop 구조다.
이 중 어디까지가 현실이 되고 어디부터가 과잉 기대인지는 아직 모르겠다. 멀티모달 인터뷰는 기술적으로 가까워 보이지만, 연속적 리서치는 고객 피로도라는 현실적 장벽이 있다. 매주 AI가 "지난 주 경험은 어떠셨나요?"라고 물어보면 2달 안에 모든 고객이 무시하기 시작할 것이다.
당장 해볼 수 있는 것
AI 고객 인터뷰 도구를 바로 도입하지 않더라도, 이 트렌드에서 가져갈 수 있는 실행 항목이 있다.
첫째, 현재 팀의 고객 인터뷰 프로세스에서 가장 시간이 많이 드는 단계를 파악하라. 리크루팅인지, 인터뷰 자체인지, 분석인지. 각 단계별로 이미 자동화할 수 있는 도구가 다르다. 인터뷰 수행까지 자동화하고 싶다면 Listen Labs나 Outset.ai의 무료 체험을, 분석만 자동화하고 싶다면 Dovetail을 먼저 시도해보는 게 합리적이다.
둘째, 해지 고객 대상 자동 인터뷰부터 시작하라. 이미 떠나는 고객이기 때문에 실험의 리스크가 낮고, 수집된 데이터의 가치는 높다. 앞서 보여준 웹훅 핸들러 구조로 간단한 파이프라인을 구성할 수 있다.
셋째, AI 인터뷰 결과를 사람 인터뷰와 병행 비교하라. 같은 리서치 질문으로 AI 50건, 사람 10건을 돌려서 인사이트가 얼마나 겹치는지 확인하면 도구의 신뢰도를 팀 내에서 합의할 수 있다.
AI 고객 인터뷰 자동화는 분명히 프로덕트 리서치의 접근성을 크게 낮춰줄 기술이다. 다만 감정적 맥락 해석과 예측 불가능한 발견이라는 영역에서는 사람 인터뷰어를 완전히 대체하기까지 시간이 더 필요해 보인다.
관련 글
- OpenAI 투자자들이 Anthropic으로 움직이는 이유와 개발자 생태계 변화 – VentureBeat 보도 이후 OpenAI에서 Anthropic으로의 투자 이동 신호가 포착됐다. 영리 전환 논란, Claude의 기술적…
- AI 컨퍼런스에서 GPT 대신 Claude 쓰는 개발자가 늘어난 이유 – HumanX 2025에서 발표자 대부분이 Claude를 시연 도구로 선택했다는 보고가 이어졌다. GPT 중심이던 개발자 도구 생태계에 전환…
- ChatGPT가 스토킹범 도왔다며 OpenAI 고소 — AI 책임 문제 정리 – ChatGPT가 스토커의 망상을 부추기고 위험 신호를 무시했다는 이유로 OpenAI가 고소당했다. 소송 핵심 쟁점, 현행 AI 책임 법리,…
