마케터들은 결론이 어디서 나온 것인지 알 수 없고 확신에 찬 실수에 대처하는 데 비용이 많이 들기 때문에 AI 통찰력을 불신합니다. 9월에 발표된 영국, 미국 및 싱가포르의 450개 이상의 마케팅 담당자를 대상으로 한 GWI 설문 조사에서 2026, 72%는 자신의 조직이 AI에서 생성된 통찰력에 대해 중요한 결정을 내렸으나 나중에 잘못된 것으로 판명되었지만 대부분의 경우 37%만이 AI 통찰력을 확인한다고 말했습니다. 해결책은 모든 AI 결론을 샘플, 증거 및 추론으로 추적 가능하게 만들어 누군가가 조치를 취하기 전에 이를 확인할 수 있도록 하는 것입니다.
핵심 요약
- 불신은 부분적으로 얻어졌습니다. GWI 설문 조사에 참여한 대부분의 마케팅 팀은 이미 잘못된 것으로 판명된 AI 통찰력에 따라 조치를 취했으며 확인은 여전히 예외입니다.
- 과도한 신뢰도 흔합니다. KPMG와 멜버른 대학교의 47 국가 연구에서 66%의 직원은 직장에서 AI 결과를 평가하지 않고 의존합니다.
- 자동화에 대한 신뢰에 대한 연구는 보정된 의존도를 가리키며, 사람들은 불완전한 알고리즘을 검사하고 조정할 수 있을 때 이를 받아들입니다.
- AI 통찰력은 샘플을 명시하고, 각 주장을 그 뒤에 있는 증거에 연결하고, 메커니즘의 이름을 지정하고, 모델이 추론한 내용에 라벨을 붙일 때 검증 가능합니다.
- 우리는 아래의 SOMIN 자체 AI 통찰력 중 하나를 감사합니다. 수표는 증거에서 잡음을 포착했고 브리핑을 오해할 수 있는 청중의 변화를 포착했습니다.
마케팅 담당자가 AI 통찰력을 불신하는 이유는 무엇입니까?
세 가지 이유가 계속해서 제기됩니다. 통찰력은 블랙박스로 도착하고, 오류는 사실과 동일한 확신을 갖고 전달되며, 잘못된 호출로 인한 비용은 도구가 아닌 마케팅 담당자가 부담하게 됩니다.
비용은 더 이상 가상이 아닙니다. GWI의 설문조사에서 마케팅 담당자의 37%는 잘못된 AI 통찰력으로 인해 금전적 손실이 발생했고, 35%는 고객 불만, 32%는 평판 손상, 44%는 부정확한 출력으로 인해 작업을 다시 수행했다고 답했습니다. GWI는 AI 도구에 사용할 설문조사 데이터를 판매하므로 답변에 이해관계가 있지만 패턴은 더 광범위한 연구와 일치합니다.
KPMG와 멜버른 대학교는 AI에 대한 신뢰에 대한 2025 글로벌 연구를 위해 47 국가의 48,000명을 대상으로 설문조사를 실시했습니다. 절반이 조금 넘는(54%) 직원이 AI를 신뢰하는 것을 경계한다고 답했으며, 직원의 56%는 AI 때문에 직장에서 실수를 했다고 답했습니다.
심리학은 반전을 더합니다. 5개 연구를 통해,버클리 디트보스트, 조셉 시몬스, 케이드 메시사람들은 알고리즘이 전반적으로 더 정확하더라도 둘 다 동일한 실수를 하는 것을 본 후 인간보다 알고리즘에 대한 신뢰를 더 빨리 잃는다는 사실을 발견했습니다. 그들은 그것을 알고리즘 혐오라고 불렀습니다. AI 통찰력에서 눈에 띄는 오류 하나가 팀의 눈에 전체 도구를 침몰시킬 수 있습니다.
불신이 문제인가, 아니면 합리적인 반응인가?
둘 다, 그것이 무엇으로 이어지는지에 따라. 목표는 더 많은 신뢰가 아니라 적절한 금액입니다. John Lee와 Katrina See의 Human Factors의 2004 검토는 문제를 적절한 의존으로 구성했습니다. 자동화는 사람들이 자동화에 적절하게 의존하지 못하고 기능이 정당화하는 것보다 더 많거나 적게 신뢰하면 잘못된 것입니다.
마케팅은 두 가지 실패를 동시에 보여줍니다. KPMG 연구에 따르면 직원의 66%가 직장에서 AI 결과를 평가하거나 검증하지 않고 의존하는 반면, GWI의 데이터에 따르면 대부분의 마케팅 담당자는 AI 통찰력을 정기적으로 확인하지 않는 것으로 나타났습니다. 팀은 액면 그대로 차트를 작성하는 것과 한 번의 잘못된 호출 후에 도구를 비닝하는 것 사이를 오갑니다.
같은 연구자들은 탈출구도 찾았습니다. 에서2018경영 과학의 후속 조치, 사람들은 결과를 약간이라도 수정할 수 있고 예측이 개선될 때 불완전한 예측 알고리즘을 훨씬 더 기꺼이 사용했습니다. 통제를 통해 신뢰가 높아졌습니다. 통찰의 경우, 통제는 증거를 확인하고 결론을 편집할 수 있는 것부터 시작됩니다.
SOMIN의 자체 데이터는 자동화에 대한 불신에 대해 무엇을 말합니까?
SOMIN의 인사이트 엔진은 청중 조사 카테고리와 동일한 주제를 드러냈습니다. 8 4월부터 6 7월 2026까지 진행된 GWI, Nielsen, Milieu 및 Euromonitor의 229 유료 항목에 대한 7월 2026 연구에서 51를 "디지털 기반 시장에서 소비자 통찰력의 복잡성 탐색"이라는 제목으로 그룹화했습니다. AI의 부정확성은 시장에 대한 이해를 손상시킵니다. 그 긴장으로부터 다음과 같은 사슬을 만들었습니다.
- 페르소나: 지식과 데이터 기반 결정을 우선시하는 시장 분석 및 비즈니스 전략 전문가인 통찰력 있는 전략가는 동일한 연구의 63개 항목과 46GWI 광고로 구성되었습니다.
- Angle: 신뢰 이론에 따라 SOMIN의 모델에 제시된 자동화에 대한 불신: 신뢰는 일관성과 투명성을 통해 구축되며, 명확한 의사소통 없이 사용되는 AI는 이를 침식합니다. 연구 문헌에서 이것이 Lee와 See가 검토한 자동화에 대한 신뢰 분야입니다.
- 통찰: "신뢰는 알고리즘 데이터가 아닌 대화의 토양에서 형성됩니다."
카테고리 자체의 마케팅도 동일한 두려움에 맞서 판매됩니다. GWI 설문조사 데이터를 AI 보조 장치로 가져오는 Agent Spark에 대한 GWI의 광고는 웹에서 스크랩한 콘텐츠 대신 실제 소비자로부터 검증된 통찰력을 약속합니다. GWI의 유기적 채널에서 AI 주제가 태그된 23 게시물은 평균 83 참여를 기록했습니다. 이는 18 10월 2025와 17 10월 2026 사이에 GWI 전체 평균 29의 거의 3배에 해당합니다. 잠재고객 조사 회사가 데이터를 마케팅하는 방법에 대한 우리의 연구는 더 넓은 그림을 보여줍니다.
SOMIN이 통찰력을 자체 제품과 결합했을 때 제안은 기능이 아닌 속성에 기초했습니다. 모든 AI 결론은 그 뒤에 있는 게시물과 비교하여 확인할 수 있으며 개념 태그는 이를 입증하는 특정 게시물을 추적합니다. 이것이 SOMIN을 포함하여 이 기사의 나머지 부분에 적용되는 표준입니다.
AI 통찰력을 검증 가능하게 만드는 것은 무엇입니까?
AI 통찰력은 회의적인 동료가 몇 분 안에 결론부터 증거까지 추적할 수 있을 때 검증 가능합니다. NIST AI 위험 관리 프레임워크는 각 부분에 대한 유용한 단어를 제공합니다. 투명성은 무슨 일이 일어났는지에 대한 답을 제공하고 설명 가능성은 결과에 도달한 방법에 답하며 해석 가능성은 이유에 대한 답을 제공합니다. NIST는 신뢰할 수 있는 AI의 특성 중 책임성과 투명성, 설명성과 해석성을 나열합니다.
마케팅 통찰력의 경우 이는 4개의 가시적 레이어를 의미합니다.
- 샘플: 소스, 브랜드, 플랫폼, 날짜 범위 및 크기.
- 증거: 각 주장 뒤에 있는 실제 게시물, 광고 또는 행에 대한 링크가 개수와 함께 표시됩니다.
- 추론: 이론의 출처와 함께 명명된 메커니즘.
- 상태: 관찰된 내용과 모델이 추론한 내용을 구분하는 일반 레이블입니다.
SOMIN 전략에서 각 페르소나와 텐션은 뒤에 있는 게시물이나 광고로 필터링된 콘텐츠 라이브러리에 열립니다. 그 링크가 아래 감사를 가능하게 했습니다.
실제로 AI 통찰력을 어떻게 감사합니까?
우리는 10월에 해당 계층을 통해 "신뢰는 대화의 토양에서 자란다" 인사이트를 실행했습니다2026.
| 점검 | 우리가 찾은 것 | 판정 |
|---|---|---|
| 명시된 샘플 | 229 GWI, Nielsen, Milieu 및 Euromonitor 광고 라이브러리의 유료 항목, 8 4월부터 6 7월까지 2026 | 통과하다 |
| 연결된 증거 | 콘텐츠 라이브러리에서 그 뒤에 있는 51 항목에 장력이 열립니다. | 통과하다 |
| 주제에 대한 증거 | 일부 항목은 컴퓨터 및 모바일 패널의 회원을 모집하는 Nielsen 광고였으며 통찰력에 대한 신뢰는 말할 것도 없습니다. | 약간의 소음: 브리핑 전에 주제에서 벗어난 항목을 삭제합니다. |
| 집중 | 31 항목 중 51 항목은 GWI에서 나왔습니다. | 한 광고주의 메시지가 지배적입니다. |
| 각도가 증거와 일치함 | 이 각도에서는 소비자가 AI를 사용하는 브랜드를 불신한다고 설명합니다. 증거는 연구 회사가 마케터에게 제품을 판매한다는 것입니다. | 청중 이동: 비즈니스 구매자를 위한 각도를 다시 작성 |
| 이론 확인 | "신뢰 이론"은 광범위한 레이블입니다. 확립된 연구는 자동화에 대한 신뢰와 알고리즘 혐오에 관한 것입니다. | 1차 연구 다시 인용 |
평결: 통찰력은 주로 한 회사의 광고를 기반으로 구축된 청중-조사 범주의 판매 방식에 대한 공정한 판독이며 측정된 태도보다는 구매자에 대한 가설입니다. 마케팅 담당자를 위해 각도를 다시 작성하고 주제에서 벗어난 항목을 제거하면 사용할 수 있습니다. 감사가 없었다면 소비자에 대한 조사 결과로 쉽게 요약될 수 있었습니다. 긴장과 각도가 어떻게 조화를 이루는지에 대해서는 소비자 긴장이란 무엇입니까를 참조하세요.
AI 통찰력 체크리스트에는 무엇이 포함되어야 합니까?
10개의 수표가 대부분을 다룹니다. 모든 통찰력에 대해 처음 5개를 실행하고 예산을 이동하는 결정을 내리기 전에 10개를 모두 실행하세요.
- 샘플을 한 줄로 설명합니다. 출처, 브랜드, 플랫폼, 날짜 및 품목 수.
- 모든 숫자를 증거와 연결하고 분모를 표시합니다. 229 중 51은 "주요 주제" 이상의 의미를 나타냅니다.
- 증거의 무작위 표본 10~20개 항목을 열고 주제에서 벗어난 항목의 수를 셉니다.
- 집중도를 확인하세요. 한 브랜드나 계정이 대부분의 증거를 제공한다면 그렇게 말하세요.
- 모델이 생성한 내용에 라벨을 붙입니다. AI가 생성한 페르소나, 긴장감 및 통찰력은 확인하기 전까지는 가설입니다.
- 1차 자료와 비교하여 이론을 확인하세요. 연구 문헌에서 찾을 수 없는 이름을 삭제하세요.
- 청중을 확인하세요. 증거는 결론에서 말하는 것과 동일한 사람들에게서 나온 것입니까?
- 증거를 저장하세요분석 실행 시: 게시물 ID, 링크, 스크린샷. 게시물이 삭제되고 광고 게재가 중단되기 때문입니다.
- 설문조사, 판매 데이터 또는 소규모 테스트와 같은 독립적인 소스와 비교하여 대규모 결정을 교차 확인합니다.
- 소유자가 결론을 편집하도록 하고 누가 결론을 변경했는지, 누가 승인했는지 기록합니다.
이는 마케팅의 AI 환각 가이드에 있는 카피 검사의 통찰력 수준 트윈입니다. 마케팅을 위한 설명 가능한 AI는 우리에게도 연구 과제입니다. Aleks Farseev 교수와 SOMIN 팀은 ACM Multimedia 및 The Web Conference에서 이에 대해 발표했으며 해당 논문은 SOMIN 연구 페이지에 나열되어 있습니다.
FAQ
마케팅 담당자가 AI에서 생성된 통찰력을 신뢰하지 않는 이유는 무엇입니까?
대부분 결론 뒤에 숨은 증거를 볼 수 없고 확신에 찬 오류로 인해 지쳐버렸기 때문입니다. GWI의 2026 설문 조사에서 마케팅 담당자의 72%는 자신의 조직이 나중에 잘못된 것으로 판명된 AI 통찰력에 대해 중요한 결정을 내렸다고 말했습니다.
알고리즘 혐오란 무엇입니까?
2015에서 Dietvorst, Simmons 및 Massey가 설명한 것처럼 알고리즘이 실수한 것을 본 후 인간보다 알고리즘에 대한 신뢰를 더 빨리 잃는 경향이 있습니다. 이후 연구에서는 사람들이 알고리즘의 출력을 조정하면 효과가 감소한다는 사실을 발견했습니다.
AI 인사이트가 정확한지 어떻게 확인하나요?
샘플을 요청하고, 그 뒤에 있는 게시물이나 행을 무작위로 선택하고, 주제에서 벗어난 게시물을 세고, 통찰력이 설명하는 청중으로부터 증거가 나오는지 확인하세요. 그런 다음 독립적인 소스를 통해 중요한 결정을 확인합니다.
설명 가능한 AI와 검증 가능한 AI의 차이점은 무엇입니까?
explainable AI는 결과에 어떻게 도달했는지 알려줍니다. 검증 가능한 통찰력은 더 나아가 증거를 직접 검사하고 자신의 관점에 도달할 수 있게 하므로 설명에만 의존하지 않아도 됩니다.
마케팅 담당자는 잠재 고객 인사이트를 위해 AI 사용을 중단해야 할까요?
아니요. AI는 대량의 콘텐츠를 클러스터링하고 긴장감을 빠르게 제안하는 데 능숙합니다. 그 결과를 종이 흔적이 있는 가설로 취급하고 이를 확인하고 서명할 책임이 있는 사람을 두십시오.
출처
- GWI: 마케팅 담당자는 잘못된 AI 통찰력으로 인해 이미 조직에 비용이 발생했다고 말합니다(9월 2026)
- KPMG와 멜버른 대학: 인공 지능의 신뢰, 태도 및 사용, 글로벌 연구2025(요약)
- Dietvorst, Simmons 및 Massey(2015), 알고리즘 혐오: 사람들은 알고리즘의 오류를 본 후 실수로 알고리즘을 피함, Journal of Experimental Psychology: 일반 144(1)
- Dietvorst, Simmons 및 Massey(2018), 알고리즘 혐오 극복, 경영 과학 64(3)
- Lee and See(2004), 자동화에 대한 신뢰: 적절한 의존성을 위한 설계, 인적 요소 46(1)
- NIST AI 리소스 센터: AI 위험 및 신뢰성
