설문 분석 AI는 보통 요약(summarization) 문제로 소개됩니다.

하지만 그것은 작업의 절반에 불과합니다.

네, AI는 주관식 답변을 요약할 수 있습니다. 테마를 분류할 수 있습니다. 불만 사항을 추출할 수 있습니다. 내부 보고서 초안을 작성할 수 있습니다.

하지만 응답 데이터에 운영 상태(operational state)가 없다면, 그 출력물은 사용하기 어렵습니다.

팀은 여전히 누가 후속 조치(follow-up)를 해야 하는지, 후속 조치가 허용되는지, 어떤 낮은 점수가 해결되지 않았는지, 무엇이 이미 검토되었는지, 그리고 어떤 발견 사항이 제품 또는 지원 업무가 되어야 하는지를 알아야 합니다.

요약은 워크플로우(Workflow)가 아니다

설문 요약은 다음과 같이 말할 수 있습니다:

고객들이 온보딩(onboarding)의 혼란을 언급합니다.
여러 댓글에서 더 나은 예시를 요구합니다.
낮은 점수들은 응답 시간을 언급합니다.

이것은 유용합니다.

하지만 이것만으로는 충분하지 않습니다.

다음 질문들은 운영(operational)에 관한 것입니다:

어떤 응답에 개별적인 후속 조치가 필요한가?
해당 후속 조치의 담당자는 누구인가?
응답자가 연락 허용을 했는가?
...

AI는 이러한 질문들을 정리하는 데 도움을 줄 수 있지만, 응답 데이터셋에는 자유 텍스트(open text) 이상의 필드(fields)가 필요합니다.

만약 유일한 컬럼(column)이 score와 comment뿐이라면, 모델은 보기 좋은 요약을 만들어낼 수는 있습니다. 하지만 팀에게 어떤 작업이 남아 있는지를 신뢰성 있게 알려줄 수는 없습니다.

AI에게 요청하기 전에 상태(State)를 추가하라

AI에게 설문 응답을 분석하도록 요청하기 전에, 저는 다음과 같은 필드들을 유지할 것입니다:

response_id
submitted_at
score
...

score와 open_text는 피드백을 설명합니다.

segment는 고객 유형, 플랜 유형, 지역 또는 사용 사례(use cases)를 구분하는 데 도움이 됩니다.

followup_permission은 팀에게 개별 연락이 허용되는지 알려줍니다.

status와 owner는 발견 사항을 실제 업무와 연결합니다.

exclude_from_report는 테스트 응답, 중복 응답 또는 무관한 응답이 보고서를 오염시키지 않도록 방지합니다.

review_status는 AI의 제안이 인간에 의해 검토되었는지 팀에게 알려줍니다.

그러한 상태(state)가 바로 요약을 운영 가능한 큐(operational queue)로 바꾸는 핵심입니다.

AI의 제안과 인간의 결정을 분리하라

AI는 다음과 같은 것들을 제안할 수 있습니다:

theme_candidate
priority_candidate
owner_candidate
...

제품 또는 운영 팀이 여전히 소유해야 하는 항목은 다음과 같습니다:

final_theme
final_priority
owner
...

이러한 분리는 점수가 낮은 응답(low-score responses)에서 가장 중요합니다.

모델은 특정 댓글이 긴급해 보인다는 점을 식별할 수 있습니다. 하지만 응답자가 처리되었다거나, 계정 소유자가 변경되었다거나, 혹은 외부 메시지가 발송되어야 한다고 모델이 직접 결정해서는 안 됩니다.

실질적인 패턴은 AI 출력을 후보(candidates)로 유지하는 것입니다:

ai_theme_candidate
final_theme
ai_priority_candidate
...

이렇게 하면 팀에게 검토 흔적(review trail)을 제공할 수 있습니다.

낮은 점수가 평균 속에 묻혀 사라지게 해서는 안 됩니다

설문 조사의 평균 점수가 높더라도, 긴급하게 처리해야 할 낮은 점수의 응답이 포함되어 있을 수 있습니다.

AI에게 이들을 분리하도록 요청하세요:

점수가 2 이하인 응답을 추출하세요.
그 이유들을 테마(themes)로 그룹화하세요.
어떤 응답에 후속 조치 권한(follow-up permission)이 있는지 식별하세요.
...

이제 출력물은 단순한 보고서가 아닙니다.

그것은 검토 큐(review queue)가 됩니다.

예를 들어:

response_id: resp_183
score: 1
theme_candidate: onboarding_confusion
...

모델은 팀이 해당 응답을 찾는 것을 도와줄 뿐, 루프를 종결(close the loop)하지는 않습니다.

서로 다른 작업에는 서로 다른 프롬프트를 사용하세요

하나의 범용적인 프롬프트는 대개 너무 모호합니다.

저는 설문 분석 AI를 다음과 같이 별도의 작업으로 나눌 것입니다:

1. 전체 요약 (Overall summary)
2. 테마 분류 (Theme classification)
3. 낮은 점수 추출 (Low-score extraction)
...

각 작업은 서로 다른 출력 형식을 가져야 합니다.

테마 분류(theme classification)의 경우:

표를 반환하세요:
| theme | count | representative_summary | severity | suggested_next_action |

...

후속 조치 추출(follow-up extraction)의 경우:

표를 반환하세요:
| response_id | priority_candidate | followup_reason | owner_candidate | human_review_points |

...

이러한 분리는 모델이 집중력을 유지하도록 돕습니다.

보고서에는 경계가 필요합니다

AI가 생성한 설문 보고서는 유용하지만, 경계가 필요합니다.

보고서에는 다음 내용이 포함되어야 합니다:

응답 수 (response count)
유효 응답 수 (valid response count)
제외된 응답 수 (excluded response count)
...

보고서는 해결되지 않은 후속 조치들이 해결된 것처럼 가장해서는 안 됩니다.

또한 확인된 결과(confirmed findings)와 AI 후보(AI candidates)를 구분해야 합니다.

확인된 결과 (Confirmed):

• 18개의 유효한 응답이 온보딩 (onboarding) 사례를 언급함.

...

그러한 구분은 설문 분석이 단순히 통찰력 (insight)을 생성하는 것만이 아니기 때문에 중요합니다. 그것은 또한 운영 리스크 관리 (operational risk management)이기도 합니다.

실무 패턴 (The Practical Pattern)

AI 지원 설문 분석을 위해, 저는 다음과 같은 순서를 사용할 것입니다:

1. 응답을 수집합니다.
2. 점수 (score), 세그먼트 (segment), 자유 텍스트 (open text), 권한 (permission), 상태 (status), 소유자 (owner), 그리고 검토 상태 (review state)를 유지합니다.
3. AI에게 테마를 요약하고 낮은 점수의 후속 조치 대상 (follow-up candidates)을 추출하도록 요청합니다.
...

이를 통해 팀에게 보고서와 실행 경로 (path to action)를 제공할 수 있습니다.

상세 내용

저는 설문 응답 AI 분석에 관한 더 긴 가이드를 여기에 작성했습니다:

설문 분석 AI: 폼 응답 요약, 분류 및 보고 (Survey Analysis AI: Summarize, Classify, and Report Form Responses)