Listen Labs 인터뷰 — AI 고객 리서치 플랫폼과 시뮬레이션이 여는 마켓 리서치 3.0

개요

Listen Labs 창업자·CEO Alfred Wahlforss 인터뷰 (세쿼이아 파트너 진행)
Listen Labs = AI 퍼스트 고객 리서치 플랫폼. 수천 건의 음성 인터뷰를 AI 에이전트가 직접 수행
출시 약 1년 만에 포춘500의 20%가 고객. Microsoft·Anthropic·Sweetgreen·NBC·Chubbies·Manscaped·Skims·P&G·Bain 등
핵심 명제: AGI에 가까워질수록 만드는 것은 쉬워지고, 무엇을 만들지 아는 것이 어려워짐 — Listen이 그 부분을 담당
다음 단계는 시뮬레이션(마켓 리서치 3.0) — 수만 건 인터뷰 데이터로 고객 응답을 사전 예측, 수개월 내 출시 예정

핵심 내용

제품 구조와 작동 방식

질문 하나로 인터뷰가이드 생성부터 권고안까지 일괄처리: 질문 하나 입력(예: 온보딩 개선 방법) → AI가 인터뷰 가이드 자동 생성 → 30M 참여자 풀에서 대상 소싱 → 수백 건 인터뷰 실행 → 데이터 정리·권고안 도출까지 일괄 처리
참여자 풀 거의 모든 직군 소싱 가능: 참여자 풀에서 생태학자부터 소프트웨어 엔지니어까지 거의 모든 직군 소싱 가능
AI와 Zoom 콜 형태 영상 기반 감정 감지: 인터뷰 UX는 사실상 AI 에이전트와의 Zoom 콜 — 영상 기반이라 눈·목소리·표정으로 감정 감지, 말과 실제 심리의 간극을 좁힘
모든 데이터 포인트에 트레이서빌리티 내장: 모든 데이터 포인트에 트레이서빌리티 내장 — 클릭하면 원본 영상·인용문 확인 가능, AI 환각 여부 직접 검증
실사용 5분 내 응답 유입되는 속도 강점: 실사용 5분 내 실제 사람들의 응답이 유입되기 시작 — 속도 자체가 핵심 가치
비동기 방식으로 참여자 보상 비용 절감: 비동기 방식이라 대면 인터뷰 대비 참여자 보상 비용이 낮음 — 원가 구조 우위
참여자도 AI 인터뷰 선호: 비동기·저부담·비판단적 상대라 오히려 더 솔직해짐, 치료적 경험이라는 반응까지
아동 등 민감 대상 인터뷰 가능: 민감 대상 인터뷰 가능 — 부모 동의·일정 문제로 접근이 어려웠던 아동 리서치 등
창업 계기: 공동창업자와 만든 AI 아바타 소비자 앱(Stable Diffusion 파인튜닝)이 하루 만에 2만 유저로 바이럴 → 이탈 원인 파악용 AI 인터뷰를 자체 제작한 것이 시작

설문의 한계 vs AI 인터뷰

동일인 재설문 시 객관식 응답 극도로 비일관: 동일인에게 객관식 설문을 다시 돌리면 응답이 극도로 비일관적 — 설문 데이터 자체의 신뢰성 문제 확인
Listen 인터뷰 방식은 재응답 일관성 훨씬 높음: Listen 방식은 답을 스스로 추론해 말해야 하므로 동일 질문 재응답 일관성이 훨씬 높음
Chubbies 셔츠 테스트 사후 검증: Chubbies 사례로 사후 검증 — 셔츠 테스트 결과를 수개월 뒤 실제 판매 데이터와 대조
AB테스트 이상적이나 현실은 어떤 입력이든 유용: AB 테스트가 이상적이지만 대규모 유저 볼륨 필요 — 현실에선 어떤 입력이라도 있는 편이 없는 것보다 나음
광고 영상 열광 반응이 척도 점수보다 성과 예측력 높음: 광고 테스트에서 리커트 척도 고득점보다 영상 속 열광적 반응이 실제 성과 예측력 높음 — 해당 광고가 Meta·LinkedIn 퍼포먼스 마케팅에서 실제로 더 좋은 성과
Chubbies: 가슴털과 특정 원단의 마찰 문제 발견 → 셔츠 소재 변경으로 착용감 대폭 개선
Manscaped: Listen 인사이트로 슈퍼볼 광고 수정

오디언스 — 엔지니어링 자원의 80%를 쓰는 이유

고객 세분화는 파워로 구조 세그먼트가 관건: 모든 회사의 고객 세분화는 파워 로 구조 — 올바른 세그먼트를 찾아야 리서치가 실행 가능해짐
Sweetgreen 사례: 대중 브랜드 같지만 실제 핵심 고객은 도시 거주·고소득·여성 위주, 시드 오일을 아는 인구(전체의 약 1%) — 매일 방문하는 이 층이 매출의 80%
목표는 오디언스 10억 명 확보와 전문영역 계층화: 목표는 오디언스 10억 명 확보 + 각 개인의 전문 영역까지 계층화(스니커헤드·얼리어답터 식별 등)
인터뷰 누적으로 개인 프로필 쌓아 자동 매칭: 인터뷰가 쌓일수록 개인 프로필이 축적 — 무관한 인터뷰에서 드러난 정보(스니커 매니아 등)를 저장해 두었다가 Nike 신제품 리서치 때 해당 인물을 즉시 매칭
기존 이메일 스크리닝 방식 낮은 인시던스로 이탈 유발: 기존 방식은 이메일 리스트에 스팸성 대량 발송 + 스크리닝 — 인시던스 레이트 10%면 10명 중 1명만 통과, 참여자 이탈 유발
브랜드가 자체 CRM 대신 Listen을 쓰는 이유: 잠재 고객(비고객) 접근, 현재 고객과의 비교, CRM 데이터 비정리 문제, 규제(Google이 Gmail 유저에게 임의 메일 발송 불가), 스팸 필터 차단 리스크 회피
패널 수요공급 네트워크 효과가 명시적 해자: 패널의 수요·공급 네트워크 효과가 명시적 해자

기존 리서치 산업과 컨설팅의 재편

기존 구도: Qualtrics류 구식 설문 도구 + 수십억 달러 규모 서비스 산업(질문 설계·참여자 소싱·수백 건 콜 정리 대행)
질문 설계는 학문 영역 방법론이 결과 좌우: 질문 설계는 그 자체로 학문 영역 — 지불 의사를 직접 물으면 안 되는 등 방법론 차이가 결과를 좌우
대기업 포커스그룹 지출을 Listen이 대폭 단축: CPG·Microsoft 같은 전통 대기업은 포커스 그룹에 수천만 달러 지출 — Listen이 이를 대폭 단축
고객 접촉 마찰 낮추면 의사결정 질 상승: 대부분의 의사결정이 고객 입력 없이 이뤄지는 이유 = 고객 접촉의 마찰. 장벽을 낮추면 의사결정 질이 올라감
Bain 협업 사례 컨설팅 가속하되 마진 압축 불가피: Bain과 협업 중 — 컨설팅사는 Listen으로 기존 프로세스 가속. 다만 마진 압축은 불가피, 서비스 언번들링 필요
단가 하락해도 총 리서치 물량 급증해 가격 상방: 가격은 오히려 상방 여지 — 8개국 의사 20명 인터뷰 스터디에 수십만 달러 과금 사례. 건당 단가는 낮아져도 리서치 총량이 두 자릿수 배로 증가하는 구조
이탈 인터뷰 버그를 코딩 에이전트로 자동 전달: 에이전트 간 연결 수요 확대 — 이탈 인터뷰에서 버그 발견 시 코딩 에이전트에 자동 전달해 해결하는 워크플로우를 고객이 먼저 요구
고객 청취 없던 의료 등 영역이 신규 시장: 의료 등 고객 청취가 사실상 없던 영역이 신규 시장 — 바쁜 의사들이 앱에서 틈틈이 EHR·수술실 불편을 피드백하는 구조 가능

시뮬레이션 — 마켓 리서치 3.0

방식: 개인 1명을 1시간 인터뷰하면 그 사람의 선호를 상당 수준 예측 가능 — LLM에 개인 정보를 최대한 주입, 특정 질문군에서 응답 예측 정확도 95% 달성 사례
메시지 테스팅 시뮬레이션으로 발표 제목 최적화: 최적 용도는 메시지 테스팅(빌보드 태그라인 등) — 본인 컨퍼런스 발표 제목 100개를 시뮬레이션에 돌려 1위안이 2위 대비 2배 우수
ChatGPT 대비 검증: 성공한 발표 vs 실패한 발표를 둘 다 입력 — ChatGPT는 오답, Listen 시뮬레이션은 정답 선택
범용 모델은 니치 페르소나 데이터 부재가 한계: 범용 모델은 평균적 인간에 훈련됨 — 특정 니치 페르소나의 사고·행동에 대한 클린 데이터 부재가 근본 한계
데이터셋 비교 실험: 카드 소비·구매 행동 데이터보다 인터뷰 데이터가 예측력 최고 — 탈선(탠전트)을 허용하고 행동 질문이 가능한 구조 덕분. 단 질문 설계 품질이 전제
인터뷰 누적 시 고객사 전용 봇 제공: 축적 인터뷰 1,000-10,000건이면 고객사 전용 봇 제공 — augmented responses. 임의의 애드혹 질문에 즉답
향후 비전 = 휴먼 API: 코딩 에이전트 등 다른 에이전트가 유저 선호를 호출해 무엇을 만들지·누구에게 투자할지 판단
기술 스택은 포스트트레이닝 RAG 자체 기법 조합: 기술 스택은 포스트 트레이닝 + RAG + 자체 기법 조합
멀티에이전트 토론 방식엔 회의적: 수천 에이전트 간 상호 토론(멀티에이전트 debate) 방식엔 회의적 — 카오스 이론상 상호작용 예측 불가, 경쟁사 일부가 채택 중
역할 분담 전망: 슈퍼볼 광고급 대형 결정은 여전히 실제 인터뷰, 소형 결정은 시뮬레이션 — 기존에 리서치 불가능했던 99%의 사용 사례가 열림
MCP 출시로 Claude 연동 자동 검증 루프: MCP 출시 — Claude에 연결해 Listen을 루프로 돌리며 마케팅 컨셉·아이디어를 자동 생성·검증 가능
라이브 아이디에이션은 수동 시뮬레이션 결합이 방향: 인터뷰 중 라이브 아이디에이션(고객 불만 → 즉석 솔루션·이미지 생성)은 현재 고객이 수동으로 수행, 시뮬레이션 결합 시 강력해질 방향

버티컬 AI 해자와 회사의 미래

자체 eval 구축이 버티컬 AI 핵심 해자: 자체 평가 지표(eval)가 버티컬 AI의 핵심 해자 — 반복 질문·지시 준수 eval을 GPT-4 시절 20%에서 85%까지 끌어올림, 이후 화면 녹화 이해·불필요 질문 스킵 등 더 어려운 신규 eval을 만들어 다시 20%에서 등반 시작
해자 목록: 패널 네트워크 효과(수요·공급) + 데이터 해자(인터뷰 누적 → 시뮬레이션 개선) + 제품 고착성(축적 인터뷰·시계열 추적을 잃기 싫음)
세쿼이아 파트너 Bryan Schreier 조언: 창업자는 복잡한 걸 만들고 싶어 하지만 고객은 바보처럼 단순한 걸 원함 — 워크플로우 설정 없이 그냥 작동해야
바닐라 LLM 실패 후 방법론 학습시켜 해결: 초기엔 바닐라 LLM으로 인터뷰 가이드를 만들게 했더니 고객이 쓸 수 없는 데이터라며 반발 — 방법론 베스트 프랙티스를 학습시켜 해결, 이것이 버티컬 AI의 훈련 우위
회사의 본질 루프: 무엇을 만들지 파악 ↔ 만들기(전략 ↔ 실행). AI가 실행을 가속할수록 전략 쪽(Listen의 포지션) 가치 상승
코딩 에이전트와 Listen 결합한 1인 기업 구상: 1인 기업 시대엔 코딩 에이전트 + Listen을 루프로 돌리는 자율 조직 구상
P&G Tide Pods, Mars M&M's 원형사례: P&G가 마켓 리서치 조직의 원형 — 세탁 세제 불편 인사이트에서 Tide Pods 탄생. Mars는 1950년대 최초기 시장조사로 군용 M&M's를 가구를 더럽히지 않는 아동 시장으로 피벗
확신하는 것: AGI 시대에도 인간 입력은 필수 — 인간은 비합리적이고 TikTok 트렌드처럼 돌발적. 불확실한 것: 시뮬레이션이 차지할 최종 비중
AI 발전할수록 인간 마음속 델타 가치 커짐: AI가 좋아질수록 인간 마음속에만 있는 델타의 가치는 오히려 커짐 — 모든 회사는 결국 사람을 위한 것

투자자 관점 시사점

버티컬 AI 해자의 실전 교본 — 범용 LLM 대비 우위가 자체 eval 등반 + 도메인 방법론 학습 + 독점 데이터(인터뷰) 축적에서 나옴. 애플리케이션 레이어 투자 판단 시 이 3요소 보유 여부가 체크리스트
리서치·컨설팅 밸류체인 마진 압축 시그널 — Qualtrics류 설문 SaaS와 전통 리서치 서비스업은 구조적 열위, Bain처럼 AI를 내재화하는 컨설팅과 언번들링 낙오자 간 격차 확대 예상
가격 역설 주목 — 건당 단가 하락에도 리서치 총량이 자릿수로 늘어 시장 전체는 확대(제번스 패러독스형). 8개국 의사 20명에 수십만 달러 과금은 프리미엄 세그먼트 지불의사 증거
시뮬레이션·휴먼 API가 성사되면 소비자 데이터 자산의 재평가 트리거 — 인터뷰 코퍼스가 카드 소비 데이터보다 예측력이 높다는 실험 결과는 대안 데이터 투자 프레임에도 참고할 지점

기억할 발언

(01:50) AGI에 가까워질수록 무언가를 만드는 건 쉬워지고, 어려운 건 무엇을 만들지 아는 것 — 그게 Listen이 만들고 있는 것
(29:44) 버티컬 AI 회사의 가치 중 하나는 독점적인 eval을 갖고 그 eval을 계속 등반할 수 있다는 것 — 그것이 버티컬 AI 회사로서의 우위