# Hacker News 유저 2,000명을 클론해 바이럴 게시물 예측하기

> Clean Markdown view of GeekNews topic #21553. Use the original source for factual precision when an external source URL is present.

## Metadata

- GeekNews HTML: [https://news.hada.io/topic?id=21553](https://news.hada.io/topic?id=21553)
- GeekNews Markdown: [https://news.hada.io/topic/21553.md](https://news.hada.io/topic/21553.md)
- Type: news
- Author: [neo](https://news.hada.io/@neo)
- Published: 2025-06-20T10:11:02+09:00
- Updated: 2025-06-20T10:11:02+09:00
- Original source: [every.to](https://every.to/also-true-for-humans/i-cloned-2-000-hacker-news-users-to-predict-viral-posts)
- Points: 13
- Comments: 0

## Summary

1,903개의 **AI 페르소나**를 활용해 게시물의 **바이럴 가능성**을 예측한 결과, 무작위보다 20% 높은 **60% 정확도**를 달성하였으나 사회적 확산, 초기 노출, 운과 타이밍이 여전히 주요 변수로 작용함을 확인하였습니다. 본 실험은 **콘텐츠 품질**보다 **네트워크 효과**와 맥락이 결정적임을 입증하며, AI 기반 시장조사는 완벽한 예측보다 **반복 시뮬레이션**과 방향성 탐색에 중점을 두어야 함을 시사합니다.

## Topic Body

- 실제 Hacker News 댓글 데이터를 기반으로 만든 **1,903개의 AI 페르소나를 이용해 게시물 제목의 바이럴 여부를 예측**했고, **60%의 정확도**를 달성함  
- 이는 **무작위 추정보다 20% 높은 성과**로, 기존 시장조사 대체 가능성도 열어줬지만, **사회적 확산(dynamics)이 예측을 어렵게 만드는 주요 원인**임이 드러남  
- 예측 실패 사례 분석을 통해 **초기 몇 개의 업보트가 전체 결과를 바꿀 수 있는 운과 타이밍의 영향력**이 확인됨  
- 이 결과는 AI가 **개별 취향은 잘 모델링할 수 있어도, 바이럴 성공 여부는 예측 한계에 부딪힌다는 사실**을 시사  
- 저자는 **AI 시장조사는 정확한 예측보다는 방향성 탐색에 유용**하며, **상대 평가와 반복 시뮬레이션 중심으로 활용할 것**을 조언  
  
---  
  
### 실험 개요 및 결과  
  
#### 실험 방법: AI로 구성된 가상 Hacker News 커뮤니티  
  
- 2025년 3월 12일에 올라온 **1,147개의 Hacker News 게시물 제목**을 수집  
- 실제 유저 댓글 기반으로 **1,903개의 AI 페르소나 생성**, 각 페르소나에게 "해당 제목에 업보트를 할지"를 질문  
- 실제 상위 게시물과 하위 게시물을 섞어 보여준 후, 예측 정확도를 측정  
- **예측 성공률은 60%** 로, 무작위(50%)보다 유의미하게 높은 성과를 보임  
  
#### 예측 실패의 사례와 한계  
  
- “Gemma 3: Google’s new multimodal models”는 AI가 바이럴로 예측했지만 실제로는 4업보트에 그침  
- 반면 **동일 주제를 다룬 “Gemma 3 Technical Report \[pdf]”는 1,324업보트를 기록**  
- 또한, “TSA finds live turtle in man’s pants”와 같은 자극적인 제목도 AI는 성공 예측했지만 실제로는 실패  
  
##### 원인 분석  
  
- 바이럴 여부는 **개별 콘텐츠의 품질보다는 초기 노출, 업보트 수, 타이밍 등 사회적 맥락에 크게 의존**  
- Princeton 연구: 동일한 곡 리스트를 그룹에 따라 다르게 노출했더니, 일부 곡은 대성공하거나 완전한 실패를 반복  
- 결론: **"좋은 콘텐츠가 성공한다"기보다 "운 좋게 노출된 콘텐츠가 더 성공한다"는 네트워크 효과의 지배**  
  
### 실용적 시사점: AI 시장조사의 활용 방식  
  
- **AI 페르소나 예측은 완벽하진 않지만 '쓸 만한 정확도(60%)'** 를 제공  
- 다른 AI 시장조사 툴들이 주장하는 90%대 정확도는 **설문 데이터 기반**이라 현실적 바이럴 예측과는 차이가 큼  
  
##### 실전 적용 전략  
  
- **예측이 아니라 반복 실험과 방향 탐색 도구로 활용할 것**  
  * 예: 10개 헤드라인을 테스트해 버릴만한 후보를 걸러냄  
- **반복 시뮬레이션을 통한 검증**  
  * 예: 8번 중 6번 이상 높은 평가를 받는 콘텐츠는 실험 가치 있음  
- **절대값보다 상대순위 비교에 집중**  
  * AI는 뚜렷한 강약 구분은 잘하지만, 비슷한 콘텐츠 간 예측은 어려움  
  
  
### 직접 실험해보기: HN 유저 복제 프롬프트  
  
- Hacker News 유저의 댓글 페이지에서 텍스트를 복사해, 아래 프롬프트로 ChatGPT나 Claude에 입력하면 **가상의 페르소나를 생성**할 수 있음.  
  > You are a helpful assistant that creates detailed personas representing a specific HackerNews user from a list of HackerNews comments they have made. Create a unique persona who would give identical answers to the user we are replicating based on their comments. Give them a relevant background and experience based on your best inference from their HackerNews comments...  
- 생성된 페르소나에 대해 여러 콘텐츠 아이디어를 테스트할 수 있음  
- **이 방식은 통계적으로 보정된 예측은 아니지만**, **비용 없이 방향성 탐색이 가능한 유의미한 툴**로 활용 가능  
  
### 결론  
  
- AI는 **개별 유저의 반응은 꽤 잘 모델링할 수 있지만**, **바이럴 성공은 사회적 확산이라는 '혼돈'의 영향을 받음**  
- 결국 콘텐츠 예측에서 AI는 **예언자가 아닌, 방향성 가이드 역할**에 머물 수밖에 없음  
- 그럼에도 불구하고, 이 실험은 **소규모 팀이나 개인도 AI로 시장조사를 저비용으로 해볼 수 있다는 가능성**을 열어줌

## Comments



_No public comments on this page._