챗GPT에게 신상품을 골라 달라고 해도 될까?
AI는 아이디어를 잘 내지만, 마지막 선택은 고객이 해야 한다
AI에게 신상품이나 새 메뉴 아이디어를 많이 뽑아 달라는 일은 해볼 만하다. 실제 연구에서 GPT-4가 만든 상품 아이디어의 평균 구매 의향은 46.4~49.3%로 사람 아이디어의 40.4%보다 높았다. 다만 AI가 무엇을 팔지까지 결정한 연구는 아니므로, 후보를 만드는 일과 고르는 일을 나눠야 한다.
AI는 후보를 많이 만드는 데 쓰고, 최종 선택은 고객 반응과 사장의 판단으로 해야 한다.
정말 AI 아이디어가 사람보다 잘 팔릴 것 같았나?
연구진은 미국 대학생에게 50달러 이하로 팔 수 있는 실물 상품이라는 같은 조건을 줬다. 사람 쪽은 2021년 미국 대학 MBA 상품 디자인 수업에서 나온 아이디어 200개였고, AI 쪽은 2023년 5월 GPT-4가 만든 아이디어 200개였다.
아이디어는 미국 대학생 나이의 응답자들이 평가했다. 아이디어 하나마다 평균 20명이 구매 의향을 답했고, 연구진은 이를 평균으로 비교했다.
| 항목 | 사람 | AI(예시 없이) | AI(좋은 예시 6개) |
|---|---|---|---|
| 아이디어 수 | 200개(학생 50명이 낸 것 중 무작위) | 100개 | 100개 |
| 만든 시점 | 2021년 | 2023년 5월 | 2023년 5월 |
| 평균 길이 | 63단어 | 69단어 | 71단어 |
| 평가 방식 | 아이디어당 평균 20명, 5단계 구매 의향 | 같음 | 같음 |
| 응답자 1명이 본 수 | 평균 40개(출처· | 같음 | 같음 |
결과는 AI 쪽이 높았다. 예시 없이 GPT-4가 만든 아이디어는 평균 구매 의향이 46.4%, 좋은 예시 6개를 보여 준 경우는 49.3%였다. 사람 아이디어는 40.4%였다.
| 아이디어 묶음 | 평균 구매 의향 | 사람 대비 차이 | 비고 |
|---|---|---|---|
| 사람(MBA 학생) | 40.4% | 기준 | 2021년 수업 |
| AI, 예시 없이 | 46.4% | +0.059(유의) | GPT-4 |
| AI, 좋은 예시 6개 | 49.3% | +0.089(유의) | AI 두 묶음 차이 0.030은 유의하지 않음 |
| 상위 10% 진입 가능성 | — | AI가 7배 | 400개 중 상위 10% = 40개 |
특히 상위 10%에 들어갈 가능성은 AI 아이디어가 사람 아이디어보다 7배 높았다. 신상품 개발에서는 후보 가운데 일부만 좋은 결과를 내도 되기 때문에 이 차이가 중요하다.
그럼 AI에게 좋은 아이디어를 고르게 하면 되나?
여기서 중요한 차이가 있다. 이 연구에서 아이디어의 품질을 고른 쪽은 AI가 아니라 실제 고객이었다. 아이디어 하나를 평균 20명이 보고 구매 의향을 답했다.
따라서 이 연구가 보여 준 것은 「AI가 아이디어를 내고 고객이 평가한 경우」다. 「AI가 아이디어를 내고 AI가 가장 좋은 것을 고른 경우」의 결과는 이 연구에 없다.
문장만 그럴듯하게 써서 점수가 높아진 것도 아니었다. 사람 아이디어를 AI 문체로 다시 써서 보여 줬을 때 원래 아이디어와 구매 의향에 의미 있는 차이가 없었다. 새로움도 AI가 사람보다 조금 낮았을 뿐이다.
| 확인한 것 | 결과 | 사장님에게 뜻하는 것 |
|---|---|---|
| 평균 품질(구매 의향) | AI 46.4~49.3% > 사람 40.4% | 평균 수준 이상의 후보는 금방 모인다 |
| 상위 10% 진입 | AI가 7배 | 맨 위 후보가 나올 확률도 높다 |
| 문장력 효과 | 사람 아이디어를 AI 문체로 바꿔도 차이 없음 | 글솜씨에 속은 결과는 아니다 |
| 새로움(아이디어 하나) | AI가 조금 낮음 | 기존 상품을 그대로 베낀 수준은 아니다 |
| 다양성(묶음 전체) | AI가 크게 낮음, 앞선 연구 3편에서도 같음 | 그대로 두면 비슷한 후보만 쌓인다 |
사장님 입장에서는 여기서 역할을 나누는 것이 좋다. AI에게 후보를 만들게 하고, 사장님이 원가와 설비와 인력으로 할 수 없는 후보를 먼저 빼고, 고객에게 반응을 확인하는 방식이다.
왜 AI 아이디어는 서로 비슷한가?
AI의 약점은 아이디어 하나의 품질보다 여러 아이디어를 한꺼번에 봤을 때 드러났다. AI가 만든 아이디어들은 서로 비슷한 경우가 많았다.
연구진이 앞선 창의성 연구 3편의 자료까지 다시 분석했을 때도 같은 결과가 나왔다. AI는 평균적으로 좋은 아이디어를 내지만, 사람이 생각한 영역 가운데 일부에는 닿지 못했다.
그래서 AI에게 같은 질문을 한 번 던지고 끝내는 방식은 아쉽다. 조건과 대상을 바꿔 여러 번 만들어 보거나, 서로 다른 AI의 결과를 모으는 방식이 도움이 된다.
| 방법 | 연구 결과 | 가게에서 해 볼 모습(예시) |
|---|---|---|
| 최신 모델 쓰기 | 다양성 올라가지만 사람 수준엔 못 미침 | 최신 무료 모델로 바꾸는 것만으론 부족 |
| 여러 회사 AI 모으기 | 다양성 회복 | 챗GPT· |
| 단계별로 생각시키기 | 효과 있음(2024 연구에서 1위) | 「불편→대상→해결」 순서로 쓰게 하기 |
| 사람· | 효과 있음 | 「60대 단골」「포장 전용」 등 조건 바꿔 가며 |
| 사람이 찾은 불편을 AI가 풀기 | 특히 효과 큼 | 고객 문의· |
| 개수 늘리기 100→1,000 | 덮는 범위가 계속 넓어짐, 일부 영역은 끝까지 못 감 | 한 번에 10개가 아니라 여러 번 나눠 수십~수백 개 |
특히 고객이 실제로 겪은 불편을 사람이 먼저 찾아서 AI에게 해결하게 하는 방법이 효과가 컸다. 고객 문의나 후기에서 불편을 찾고, 그 문제를 해결할 상품이나 메뉴를 AI에게 여러 방향으로 만들어 달라고 하는 방식이다.
사장님은 어디까지 직접 해야 하나?
첫 단계는 문제를 찾는 일이다. 고객이 무엇을 불편해하는지는 사장님이 실제 고객과 만나는 과정에서 찾고, 그 내용을 AI에게 전달하면 된다.
두 번째는 후보를 만드는 일이다. 이 부분은 AI에게 맡길 수 있다. 연구에서는 AI 아이디어를 100개에서 1,000개로 늘리자 아이디어가 덮는 범위가 계속 넓어졌다.
세 번째는 현실성으로 거르는 일이다. 원가가 맞지 않거나 설비와 인력이 부족해서 만들 수 없는 후보는 사장님이 빼면 된다.
네 번째는 고객에게 묻는 일이다. 연구에서는 아이디어 하나를 평균 20명이 평가했다. 가게에서도 고객에게 구매 의향을 직접 확인해 볼 수 있다.
마지막은 실제 판매다. 이번 연구는 실제 매출이 아니라 구매 의향까지만 확인했다. 따라서 최종 판단은 소량으로 실제 판매해 보는 과정이 필요하다.
| 단계 | 맡는 쪽 | 연구에서 쓴 숫자 | 가게에서 옮길 때 |
|---|---|---|---|
| 1. 문제 찾기 | 사장님 | 사람이 찾은 불편을 AI가 풀게 하면 다양성이 크게 오름 | 후기· |
| 2. 후보 내기 | AI 여러 개 | 100→1,000개로 늘릴수록 범위 넓어짐 | 조건을 바꿔 가며 여러 번 |
| 3. 1차 거르기 | 사장님 | 나쁜 아이디어는 버리면 손해 없음 | 원가· |
| 4. 고르기 | 대상 고객 | 아이디어당 평균 20명, 5단계 구매 의향 | 단골 20명 정도에게 「사시겠어요?」 5단계로 묻기(예시) |
| 5. 시험 판매 | 사장님 | 연구는 구매 의향까지만 쟀음 | 소량으로 실제 판매해 보기 |
우리 가게도 AI를 써볼 만한 단계인가?
국내 소상공인의 디지털·AI 활용 자체는 이미 넓게 퍼져 있다. 중소기업중앙회가 소상공인 500곳을 조사한 결과 활용한다는 답은 80.0%였다.
다만 활용 수준에는 차이가 있었다. 활용 업체 가운데 52.8%가 입문 단계였고 30.5%가 기초 단계였다. 중급은 15.3%, 고급은 1.5%였다.
가장 기대하는 지원도 AI와 관련돼 있었다. 「AI 활용 교육 및 AI 활용 제품 개발·서비스 도입 지원」이라는 답이 46.4%였다.
| 항목 | 수치 | 조사 |
|---|---|---|
| 디지털· | 80.0% | 중소기업중앙회, 소상공인 500곳 |
| 입문 단계 | 52.8% | 활용 업체 기준 |
| 기초 단계 | 30.5% | 활용 업체 기준 |
| 중급 / 고급 | 15.3% / 1.5% | 활용 업체 기준 |
| 가장 기대하는 지원 | AI 교육· | 같은 조사 |
이 수치를 보면 AI로 상품 아이디어를 만드는 일은 아직 모든 가게에서 익숙한 방식이라고 보기는 어렵다. 그렇다고 AI에게 상품을 정해 달라고 맡길 필요도 없다.
이번 연구가 보여 준 핵심은 역할의 차이다. 아이디어를 내는 비용은 낮아졌고, 많은 후보를 만드는 일은 AI가 할 수 있다. 하지만 어떤 후보가 실제 고객에게 선택될지는 고객의 반응으로 확인해야 한다.
이 연구를 우리 가게에 그대로 적용해도 될까?
그대로 적용하면 안 된다. 연구 대상은 미국 대학생이고, 상품 조건도 50달러 이하 실물 상품이었다. 동네 식당의 메뉴나 미용실 시술처럼 맛과 손기술과 관계가 중요한 업종에서도 같은 결과가 나오는지는 확인되지 않았다.
또한 연구에서 측정한 것은 실제 매출이 아니라 「사겠다」는 구매 의향이었다. 사람 쪽은 2021년 MBA 학생이고 AI 쪽은 2023년 GPT-4였으며, 한국어 질문과 한국 고객을 대상으로 한 실험도 아니었다.
따라서 「한국 동네 가게에서도 AI 아이디어가 평균 이상으로 나온다」고 단정할 수는 없다. 확인된 사실은 미국 대학생용 상품 실험에서 AI가 만든 후보의 구매 의향이 더 높았고, 그 후보를 평가한 것은 고객이었다는 점이다.
사장님에게 필요한 결론도 여기서 나온다. AI에게 아이디어를 많이 내게 하는 것은 시작점으로 활용할 수 있다. 하지만 무엇을 실제로 팔지는 AI의 답 하나로 정하지 말고, 사장님의 현실적인 판단과 고객의 반응을 함께 보고 결정하는 편이 연구 결과에 맞다.
요점 ① GPT-4 아이디어의 평균 구매 의향은 46.4~49.3%로 사람의 40.4%보다 높았고, 상위 10% 진입 가능성은 7배였다. 요점 ② AI 아이디어의 새로움은 사람보다 조금 낮았고, 다양성은 낮았으며 앞선 연구 3편에서도 같은 결과가 나왔다. 요점 ③ 여러 AI를 모으고, 조건을 바꾸고, 100개에서 1,000개로 늘리면 아이디어의 범위를 넓히는 데 도움이 됐다. 요점 ④ 아이디어 평가는 평균 20명의 고객이 했고, 국내 소상공인의 AI 활용은 80.0%, 고급 단계는 1.5%였다.
같이 읽을 글
자료 출처
- AI and Its Impact on Creativity and Diversity: An Empirical Study of LLM-Generated Product Ideas(와튼스쿨·코넬대·WHU, arXiv 2607.27553, 2026.7 제출, 아이디어 400개·아이디어당 평균 20명 평가)
- 같은 논문 학술지 게재본(Production and Operations Management, 2026, DOI 10.1177/10591478261474243)
- Ideas Are Dimes a Dozen: Large Language Models for Idea Generation in Innovation(와튼 맥 연구소 작업 논문, 2023.8)
- Automating creativity(이선 몰릭, One Useful Thing, 2023 — 「상위 40개 중 35개가 AI」 소개)
- Prompting Diverse Ideas: Increasing AI Idea Variance(와튼, arXiv 2402.01727, 2024.1, 같은 대학생 50달러 과제로 질문 방식 비교)
- 소상공인 AI 활용률 80% '착시'…고도화 활용은 2~3%대 불과(테크42, 2026.6, 중소기업중앙회 소상공인 500곳 조사)
- 소상공인 80% AI 쓰지만 대부분 '기초·입문' 수준(시사저널, 2026.6, 중소기업중앙회 500곳 조사)
- 소상공인 80% 디지털 기술 활용하지만 대부분 '기초·입문' 단계(아시아경제, 2026.6.9)
작성일
← 칼럼 목록