요즘IT » 비즈니스 » 피드

당신이 매달 내는 20달러는 진짜 AI의 몸값이 아니다

AI 종량제 시대, 살아남는 프로덕트의 조건

매달 결제되는 20달러의 AI 구독 알림은 이제 꽤 익숙해졌습니다. ChatGPT, Claude, GitHub Copilot 등을 구독하며, 우리는 넷플릭스를 쓰듯 가벼운 마음으로 사실상 한도 없는 초지능을 누려왔습니다. 그러나 냉정하게 질문을 던져봐야 합니다. 그 20달러가 정말로 AI의 진짜 몸값일까요?

우리가 누려온 AI 구독 가격 정책은 오픈AI, 구글, 앤트로픽을 비롯해 글로벌 AI 기업들이 시장 선점을 위해 천문학적인 적자를 감당하며 뿌린 일종의 보조금에 가깝습니다. 비즈니스 플랫폼의 역사에서 이러한 전략은 익숙한 흐름입니다. 우버가 택시보다 저렴한 요금으로 탑승객을 모으고, 배달 플랫폼들이 무료 배달을 앞세워 시장을 장악한 뒤, 가격을 인상했던 역사가 AI 기업에서도 반복되는 것이죠.

기존 소프트웨어(SaaS)는 가입자가 늘어나도, 서비스 복제에 드는 한계 비용이 제로에 수렴했습니다. 반면, AI 모델은 질문을 던지고 에이전트가 구동되는 모든 순간마다, GPU 연산 자원과 물리적 전력이 실시간으로 소모됩니다. 사용량에 비례해 비용이 정비례하는 마치 전력 인프라와 같은 원가 구조를 가집니다.

<출처: GPT Image 2, 작가 제작>

따라서 프로덕트 메이커와 의사결정권자가 선제적으로 확보해야 할 핵심 역량은 앞으로 다가올 가격 구조 개편과 종량제 과금 체계로의 전환에 탄력적으로 대응할 수 있는 원가 통제력입니다. 아무리 기능적으로 뛰어난 제품을 설계하더라도, 이를 상용화 단계에서 안정적으로 지탱해 줄 재무적 타당성을 확보하지 못한다면 비즈니스의 영속성을 담보하기 어렵기 때문입니다.

월 20달러의 구독 방식이 점차 토큰 기반의 종량제 방식으로 변하는 시점에서, 기업은 실제 비용에 기반한 냉혹한 현실과 직접 마주하게 될 것입니다. 이제는 정액제가 주는 착시에서 벗어나, 실질 원가 구조를 파악하고 지속 가능한 원가 관리 체계를 설계해야 할 때입니다.

미리 요점만 콕 집어보면?

그동안 익숙했던 정액 구독제($20) 방식이 서서히 저물고, 호출당 비용을 지불하는 무거운 '토큰 종량제' 시대가 빠르게 다가오고 있습니다.
자율형 에이전트 도입과 실리콘밸리 테크 기업들의 새로운 토큰 소비 패러다임은 프로덕트 조직에 전혀 예상치 못한 거대한 재무적 충격을 가져다줄 수 있습니다.
청구서 숫자가 실제로 바뀌기 전, 실시간 관측성 확보, 비용 스트레스 테스트, 공급처 다변화(Vendor Optionality)를 통해 지속 가능한 디지털 원가 방정식을 선제적으로 설계해야만 합니다.

'SaaS'의 가면을 쓴 '전력 인프라': AI 무제한 구독의 구조적 난제

지난 수십 년간 글로벌 테크 시장을 지배해 온 소프트웨어 서비스(SaaS) 모델의 핵심 경쟁력은 한계 비용의 혁신에 있었습니다. 슬랙(Slack), 세일즈포스(Salesforce), 피그마(Figma) 같은 기존 소프트웨어는 가입자 수가 1만 명에서 100만 명으로 늘어나더라도 서비스 복제와 추가 제공에 따르는 한계 비용이 제로에 수렴하는 이른바 서비스의 무한 복제가 가능했습니다.

따라서 SaaS 기업들은 일단 초기 개발 단계에서 대규모 고정비를 지출하고 나면, 가입자가 늘어날수록 마진율이 기하급수적으로 개선되는 '규모의 경제'를 누릴 수 있었습니다.

그러나 생성형 AI의 원가 구조는 이와 정반대의 물리적 법칙을 따릅니다. AI 추론은 단순히 이미 만들어진 코드를 서버에서 복사해 사용자 화면에 뿌려주는 작업이 아닙니다. 사용자가 질문을 던지거나 에이전트가 작동할 때마다, 초당 수억 ~ 수조 번의 연산이 데이터센터의 GPU에서 실시간으로 일어나야 합니다. 이는 필연적으로 막대한 물리적 연산 자원과 전력 소모를 수반합니다. 즉, AI 서비스의 원가는 사용량에 정확히 비례하여 선형적으로 증가하는 변동비 구조를 가집니다.

최근 오픈AI의 제품 부사장이자 ChatGPT 총괄인 닉 털리(Nick Turley)가 무제한 요금제 방식의 장기적 유지 가능성에 의문을 제기하며 남긴 비유는 이러한 본질을 가장 명확하게 짚고 있습니다.

"현재의 인프라 기술 수준에서 무제한 구독 플랜을 유지하는 것은 사실상 '무제한 전기 요금제'를 내놓는 것과 같습니다. 이는 구조적으로 앞뒤가 맞지 않는 방식입니다."

<출처: (발언) OpenAI is rethinking ChatGPT pricing — and 'unlimited' plans may not last, its boss says, Business Insider // (이미지) GPT Image 2, 작가 제작>

그의 지적처럼 우리가 사용하는 물이나 전기 같은 인프라를 무제한 정액제로 쓸 수 없듯이, 매 호출마다 전력과 반도체 감가상각이 발생하는 AI 인프라 역시 영원한 무제한 정액 모델을 유지하기란 구조적으로 지극히 어렵습니다. 그렇다면 지금까지 기업들이 월 20달러라는 파격적인 정액 요금제로 고성능 AI를 무제한에 가깝게 쓸 수 있었던 비결은 무엇일까요? 답은 글로벌 AI 기업들이 시장 점유율을 선점하기 위해 감당해 온 천문학적인 적자 구조에 있습니다.

실제 비즈니스 현장에서 헤비 유저 한 명이 클로드 프로(Claude Pro, 월 $20) 환경에서 매일 수십 페이지의 문서를 업로드하고 복잡한 데이터 분석과 코딩 작업을 지시할 때, 뒤에서 소모되는 실제 토큰 사용량을 API 단가로 환산하면 월 $200(한화 약 30만 원)에서 많게는 $400(한화 약 60만 원)를 훌쩍 상회합니다. 사용자가 쓰면 쓸수록 공급업체가 적자를 보는 역마진 구조죠.

이러한 가격 구조의 불균형은 주요 외신 보도를 통해서도 여러 차례 증명됐습니다. 월스트리트저널(WSJ)의 보도에 따르면, 마이크로소프트가 월 $10 수준의 정액 요금제로 제공하던 깃허브 코파일럿(GitHub Copilot) 서비스는 유저 한 명당 매달 평균 $20의 적자를 기록했습니다(출처: Big Tech Struggles to Turn AI Hype Into Profits, The Wall Street Journal).

특히 코드를 밤낮으로 생성하는 하드 유저들의 경우, 마이크로소프트가 한 사람당 월 최대 $80에 달하는 실제 연산 손실을 감당해야 했습니다. 업계 분석에 따르면, 앤트로픽 역시 초기 인프라 운영 당시 구독 매출 1달러를 올리기 위해 최대 8달러에 상응하는 인프라 연산 비용을 지출하는 기형적인 비용 구조를 버텨낸 것으로 알려져 있고요(Cursor Goes To War For AI Coding Dominance, The Forbes).

<출처: GPT Image 2, 작가 제작>

이러한 계획된 적자 전략은 시장 형성 초기에는 유효할지 몰라도, 영원히 지속될 수는 없습니다. 글로벌 AI 기업들이 점차 시장 독점력을 확보하고 상장을 준비하면서, 투자자들로부터 단위 경제학(Unit Economics)의 타당성을 입증하라는 강력한 압박을 받기 시작했기 때문입니다.

월 20달러의 구독 방식에 추가 사용량(토큰)을 구매하는 종량제 방식의 도입은 프로덕트 메이커와 예산 집행권자들이 그동안 외면해 왔던 엄청난 AI 비용과 정면으로 마주하게 될 텐데요. 이제 우리가 주목해야 할 것은 단순한 AI 기술의 신기함이 아닌, 실제 우리 프로덕트 뒤에서 흐르는 토큰 원가의 현실입니다.

에이전트 전환과 AI 요금제의 대변화

우리가 '20달러 요금제'의 변화를 글로벌 기업들의 수익 극대화로만 해석한다면, 가장 중요한 기술적 본질을 놓치게 됩니다. 과금 체계 개편을 부추기는 근본적인 동력은 사용자의 이용 패턴 변화, 구체적으로는 '단순 챗봇'에서 '자율형 에이전트'로의 전환에 있습니다.

과거의 생성형 AI 인터페이스는 사용자가 질문을 던지면 AI가 단 한 번의 연산을 거쳐 답변을 내놓는 1회성 호출 구조였습니다. 이 수준에서는 개별 유저의 사용량을 예측하고 인프라 비용을 통제하는 것이 비교적 용이했습니다. 그러나 2025년을 기점으로 본격적으로 상용화되기 시작한 에이전틱 AI는 작동 메커니즘 자체가 완전히 다릅니다.

사용자가 "경쟁사들의 최근 분기 실적 보고서를 웹에서 모두 수집해 분석 테이블을 만들고 오류를 검증해 줘"라는 단 한 줄의 명령을 입력하면, 에이전트는 백그라운드에서 스스로 계획을 수립하고, 다수의 웹페이지를 탐색하며, 코드를 실행하고, 실행 결과를 자체적으로 검증하는 복잡한 연쇄 추론을 진행합니다.

<출처: GPT Image 2, 작가 제작>

이 과정에서 AI 내부적으로는 수십 번에서 수백 번에 이르는 API 상호 호출과 재시도 연산이 실시간으로 일어납니다. 즉, 사용자는 단 한 줄의 프롬프트를 입력했을 뿐이지만, 이를 연산하는 GPU 데이터센터에서는 수백 배에 달하는 입출력 토큰 연산이 단 몇 분 만에 이루어지는 거죠.

여기서 핵심은 에이전트가 최종 목표를 달성하기까지 내부적으로 수행한 자율 추론 루프의 횟수입니다. 에이전트 워크로드의 확대는 인프라 공급 기업에 고정 요금제로는 도저히 감당할 수 없는 한계 비용 폭증의 임계점을 제공했습니다. 빅테크 기업들이 서둘러 기존의 정액 구독제를 무너뜨리고, 사용량 중심의 요금 장벽을 구축하기 시작한 이유가 여기에 있습니다.

2026년, 글로벌 AI 시장을 선도하는 빅테크 기업들은 이러한 비용 구조적 한계를 극복하기 위해 기존 요금제를 전면적으로 개편하기 시작했습니다. 단순한 단가 조정을 넘어, 고정 비용 형태의 정액형 제품 포트폴리오를 축소하고 사용량과 가치 중심의 하이브리드 종량제 구조를 정비하는 모양새입니다. 주요 4대 AI 기업의 요금제 개편 흐름은 다음과 같은데요.

<출처: 각 사 홈페이지, GPT Image 2, 작가 제작>

위 표를 통해 업계의 표준으로 여겨졌던 '인당 월 20달러' 요금제는 이제 더 이상 생존할 수 없는 비즈니스 모델로 분류되고 있다는 점입니다.

특히 가장 저렴한 AI 개발 도구인 깃허브 코파일럿이 2026년 6월 1일을 기점으로 기존 무제한 구조를 폐기하고, '기본 크레딧 초과 시 종량 과금' 형태로 전환하는 것은 경쟁사의 가격 정책 변화를 비롯해 시장 전체에 파급력을 미쳤습니다. 이는 이제까지 개인과 기업들이 간접적으로 누려왔던 빅테크의 출혈 경쟁이 실질적인 마감 단계에 접어들었음을 뜻하죠.

이제 기업과 프로덕트 메이커들이 바로 준비해야 할 건 이미 시작된 AI 도구의 종량제 가격 압박이 우리 프로덕트, 비즈니스의 영업이익률에 영향을 주기 전에, 공급망의 구체적인 토큰 소모 단위와 실질 원가 구조를 분석하고, 이를 통제할 수 있는 재무적·아키텍처적 대비책을 확보하는 일입니다.

토큰 이코노미와 우리가 알아야 할 것

최근 AI 생태계의 중심인 실리콘밸리 기업들 사이에서는 AI 서비스 도입 비용을 바라보는 관점이 근본적으로 변화하고 있습니다. 과거에는 슬랙과 같은 B2B SaaS 솔루션처럼 토큰 소모량을 '최대한 통제하고 줄여야 하는 운영 비용으로 취급했다면, 이제는 이를 개발, 기획 등 지식 노동의 레버리지를 극대화하기 위한 핵심 원자재로 재정의하는 흐름이 나타나고 있습니다. 업계 일각에서는 이를 토큰 사용량의 극대화가 곧 기업의 생산성이라는 관점으로 해석하기도 합니다.

이러한 패러다임의 전환을 가장 극명하게 보여주는 인물이 엔비디아의 젠슨 황 CEO입니다. 그는 2026년 3월 GTC 기간 중 진행된 미디어 및 분석가 세션에서 지식 노동의 비용 효율성에 대해 다음과 같은 이색적인 관점을 제시했습니다.

"연봉 50만 달러를 지불하는 우수한 소프트웨어 엔지니어가 그에 걸맞은 수준의 토큰을 업무에 소비하지 않는다면, 이는 기업 생산성 측면에서 매우 우려할 만한 일입니다. 과거에 제도판을 놔두고 연필과 종이로만 반도체 칩을 설계하던 시대로 돌아가는 것과 다름없기 때문입니다."

<출처: GPT Image 2, 작가 제작>

이 발언은 인적 자원의 고정비 대비 AI 연산 자원의 변동비를 적극적으로 매칭시켰을 때 얻을 수 있는 한계 생산성이 훨씬 크다는 점을 보여줍니다. 즉, 엔지니어가 수십만 달러어치의 토큰을 소모하더라도, 그 결과물로 수백만 달러 가치의 제품 개발 주기를 단축할 수 있다면, 토큰 소모는 낭비가 아닌 고효율 투자라는 논리인데요.

실제로 이러한 철학을 엔터프라이즈 비즈니스 전반에 공격적으로 이식하는 거대 기업도 등장했습니다. 세일즈포스의 마크 베니오프 CEO는 2026년 5월, All-In 팟캐스트에 출연하여 자사의 개발 인프라와 에이전트 구동을 위한 대담한 재무적 지출 계획을 밝혔습니다.

"올해 세일즈포스는 코딩 자동화 및 고객 대응 에이전트 시스템을 안정적으로 가동하기 위해 앤트로픽(Anthropic) 모델의 토큰 구매에만 약 3억 달러(한화 약 4,540억)를 지출할 계획입니다."

젠슨 황과 마크 베니오프의 발언은 디지털 서비스 공급망의 가장 밑단에 위치한 '연산 토큰'을 마치 제조 기업의 원자재 공급 계약처럼 토큰을 대량 구매하고 가치 창출의 도구로 활용하겠다는 의지의 표명입니다. 이제 글로벌 테크 기업들은 토큰을 소모하는 규모 자체가 곧 해당 조직의 기술적 성숙도와 디지털 생산성을 대변하는 지표가 될 수 있음을 공식 인정하고 있습니다.

이번에는 토큰 이코노미와 두 CEO의 이야기를 ROI(Return on Investment)의 관점으로 더 파고들어 보겠습니다. AI가 만드는 가치(Return)는 막대하지만, 비용(Investment)은 괜찮을까요? 시뮬레이션을 해보겠습니다.

50명 규모의 마케팅·고객 지원 조직이 정액 요금제로 지불하던 인프라 비용은 월 $1,000($20 * 50) 수준입니다. 하지만 이들이 수집된 고객 데이터와 시장 정보를 바탕으로 매일 수십 차례 자동으로 검색, 요약, 초안 작성, 자가 검증을 수행하는 자율형 에이전트 파이프라인을 구축했다고 가정해 보겠습니다.

에이전트가 완수해야 할 과업당 평균 10회의 자율 추론 루프가 발생하고, 일일 처리 건수가 누적되면 조직 전체가 하루에 소모하는 토큰의 양은 수억 개에 달하게 됩니다. 이를 현재의 엔터프라이즈 API 단가로 환산하면, 실제 청구될 금액은 최소 $1,000의 수십 배에 달하는 월 $15,000에서 최대 $40,000에 육박하게 됩니다. 고정 비용 중심의 예산 계획 시스템 아래에서는 도저히 관리할 수 없는 재무적 충격이 발생하죠.

<출처: GPT Image 2, 작가 제작>

이것이 바로 프로덕트 매니저(PM)와 기업이 단순 기능 구현을 넘어, 제품의 '단위 경제학(Unit Economics)' 관점에서 AI 원가를 바라보고 정교하게 설계해야 하는 이유입니다. 제품의 최종 마진을 보장하는 단위 경제학 방정식은 다음과 같이 정의할 수 있습니다.

여기서 기업이 사용자 또는 자사 고객으로부터 얻는 사용자당 고정 매출(구독료 등)과 에이전트가 구동되는 동안 소모하는 입력 및 출력 토큰의 총량과 각 벤더사 API 단가의 곱의 총합을 감산해 이익을 산출합니다. 만약 프로덕트 메이커가 프롬프트의 길이를 최적화하지 못하거나, 불필요하게 무거운 모델을 라우팅 구조 없이 호출하여 무한 추론 루프를 방치한다면, 고정 매출을 가볍게 넘어서며 파는 만큼 손해를 보는 역마진 구조에 직면하게 됩니다.

결국 토큰 소비를 통한 생산성 향상이라는 편익을 온전히 얻기 위해서는, 먼저 제품 뒤에서 발생하는 토큰 원가를 실시간으로 들여다보고, 정교하게 제어할 수 있는 시스템을 갖추어야 합니다.

마치며: 프로덕트와 함께 지속 가능한 원가 구조를 설계할 때

<출처: GPT Image 2, 작가 제작>

월 20달러라는 파격적인 정액 요금제로 누려온 AI 가격 정책의 과도기는 이제 종착역을 향해 가고 있습니다. 쓰면 쓸수록 연산 비용이 발생하는 전력 인프라형 구조의 특성과 OpenAI, 앤트로픽의 상장 압박은 종량제 기반의 가격 현실화를 필연적으로 유도하고 있습니다. 지금까지 수많은 프로덕트 조직은 생성형 AI의 화려한 기능과 가능성에만 집중해 왔습니다. 그러나 앞으로는 비즈니스의 영속성을 확보하기 위해, 우리는 이제 방향을 바꾸어야 합니다. "AI 주도의 개발 혹은 AI 기반의 기능에 지속 가능한 원가 구조를 설계되었는가?"

AI 비즈니스의 진짜 경쟁력은 성능과 함께 비즈니스를 지속 가능하게 만드는 원가 통제력에 있습니다. 아무리 뛰어난 사용자 경험을 설계하더라도, 매출보다 비용이 커지는 순간 그 제품은 시장에서 살아남을 수 없습니다. 이제 기업들과 프로덕트 메이커들은 청구서의 토큰 비용이 현실화되기 전 생각해야 할 것은 세 가지로 요약됩니다.

첫째, 우리는 프로덕트가 소비하는 토큰의 실시간 흐름을 파악하고 있는가? 사후 청구서에 의존하는 현재 방식은 에이전트 도입 시 발생하는 재무적 충격을 예방할 수 없습니다. 프롬프트와 API 호출 단위별로 소비량을 예측할 수 있는 시스템이 반드시 필요합니다.

둘째, 글로벌 빅테크의 출혈 경쟁이 끝나고 가격 현실화 장벽에 도달했을 때를 가정한 재무적 스트레스 테스트를 거쳤는가? 일반 IT 고정비와 혼재된 예산 구조를 명확히 분리하고, 변동성 예산을 별도로 관리하는 시스템이 필요합니다.

셋째, 가격 변동이나 벤더사의 정책 변화에 유연하게 대처할 수 있는 아키텍처적 대비책을 가지고 있는가? 특정 독점 모델의 API와 프롬프트에 완벽히 종속되는 리스크를 줄이기 위해, 경량형 모델(sLLM)이나 오픈소스를 상황에 맞게 스위칭하는 기술적 유연성을 확보해야 합니다.

앞으로는 단순한 기술 구현을 넘어, 지속 가능한 디지털 원가 구조를 선제적으로 설계하는 기업만이 다가올 토큰 이코노미 시대를 새로운 성장 동력으로 바꿔낼 수 있을 것입니다.

]]>

GEO를 둘러싼 3가지 오해와 팩트체크

공다솜 라이너 콘텐츠 담당(진행) · 이소연 빌더블 대표 · 양용준 서치나인 대표 | 요즘IT 'GEO 팩트체크' 세미나 패널토크

이 글은 2026년 5월 21일 열린 요즘IT 'GEO 팩트체크' 세미나의 패널토크를 1인칭 시점으로 정리한 글입니다. 공다솜 라이너 콘텐츠 담당의 진행으로, 이소연 빌더블 대표와 양용준 서치나인 대표가 사전 질문에서 추린 세 가지 오해(GEO는 SEO와 완전히 다르다, AI 인용 횟수가 늘면 잘하는 것이다, GEO는 예산부터 필요하다)를 차례로 풀어낸 대담을, 흐름에 맞춰 정리했습니다.

<출처: 요즘IT>

공다솜(진행) 안녕하세요. 저는 라이너에서 콘텐츠를 맡고 있는 공다솜이라고 합니다. 반갑습니다. 사실 오늘 이 자리를 준비하게 된 데에는 제 개인적인 어려움도 있었어요. 저도 SEO를 계속 해 왔는데, 명색이 검색 엔진 회사에 다니면서도 'GEO'라는 단어를 들었을 때 당혹감을 감출 수가 없었거든요. 그래서 오늘 초대한 두 연사분들께도 열심히 메시지를 보내면서 "이건 해도 돼? 저건 하면 안 돼?" 하고 계속 물어봤습니다.

사실 앞서 발표해 주신 라이너 엔지니어분께 제가 질문을 많이 했었는데요. 친절하게 답해 주시면서도 "이걸 왜 해요?"라고 오히려 반문하실 때도 있더라고요. 기술적으로 보면 쉽게 답이 나오는 것들인데, 현업에서는 복잡하게 바라보는 것들이 있었던 것이죠. 제가 FOMO 때문에 어렵게 생각하거나 헤매고 있었던 게 아닌가 하는 깨달음 덕분에 저도 이 세션을 즐겁게 준비하게 됐습니다.

오늘 세션을 준비하기 전에 사전 질문을 정말 많이 받았습니다. 다들 정성껏 보내주셨는데, 질문들을 모아보니 크게 세 가지 오해가 보였습니다. 첫 번째는 "GEO는 SEO와 진짜 달라서, 뭔가 완전히 새로운 걸 해야 한다"는 것이고요. 두 번째는 "AI 인용 횟수가 늘어나면 우리 회사가 잘하고 있는 것"이라는 생각입니다. 여기엔 "AI 인용 횟수를 늘려 드릴게요, 그러니 우리 솔루션을 쓰세요" 하는 광고에 솔깃해지는 경우도 포함되죠. 솔직히 저도 그런 데에 제 정보를 내준 적이 있어요. 세 번째는 "GEO를 하려면 일단 든든한 예산부터 채워야 한다"는 생각입니다.

질문을 조금 더 깊이 들여다보면, 각 질문이 실제로 담고 있는 고민은 이런 것 같아요. 첫 번째는 SEO와 GEO, AIO 같은 개념에 약간의 혼동이 섞여 있었던 것 같습니다. 두 번째는 "막상 GEO를 해 보려니 어떻게 해야 하지? 대표님께, 또 팀원들께 무엇을 한다고 설명해야 하지?"라는 실행 단계의 고민이 담겨 있었죠. 세 번째는 “실질적인 전략을 세우지 못하겠는데 예산이라도 확보해야 하나” 하는 고민에서 이어진 오해 같습니다.

이제 각 오해를 살펴볼 텐데요, 여러 분께서 실제로 보내주신 관련 질문을 각 주제에 따라 나눠서 세부적으로도 짚어보겠습니다.

<출처: 공다솜 라이너 콘텐츠 리드>

오해 1. GEO는 SEO와 완전히 다른 것일까

'인용' VS '추천' 우리 산업에 맞는 GEO 무게중심 찾기

공다솜(진행) “SEO와 GEO는 확연히 다르다”라는 첫 번째 오해부터 살펴볼게요. 앞서 강연도 진행되었으니 이제 SEO나 GEO, AEO라는 개념을 모르시는 분은 없으실 것 같아요. 얼마 전 구글도 공식 입장을 발표했죠. AI 검색은 SEO의 한 갈래이고, SEO를 잘하던 사람은 GEO나 AEO에서도 분명 두각을 나타낼 거라는 내용이었습니다.

관련한 질문으로는 이런 게 있었어요. "SEO 성과가 좋은 콘텐츠는 AI 인용에서도 유리한가요?" 앞서 두 연사분들의 강연에서 이미 ‘유리하다’고 말씀해 주셨는데요. 막상 인용이 잘됐다고 해서 우리 브랜드 가시성이 전부 올라가는 건 아닌 것 같더라고요. 저도 한때 AI 모델이 저희 콘텐츠를 엄청 긁어 가서 신났는데, 정작 검색 성과를 보여주는 서치 콘솔 데이터를 열어보면 생각만큼 효과가 크지 않았어요. 이게 SEO 성과가 좋은 콘텐츠라서 AI가 잘 인용한 건지, 아니면 우리가 따로 손볼 부분이 있는 건지, 두 분께 힌트를 얻고 싶습니다. 소연님이 먼저 말씀해 주시면 좋겠어요.

이소연(빌더블 대표) 네. SEO 성과가 좋은 콘텐츠가 AI 인용에도 유리한 건 맞습니다. 다만 정말 중요하게 봐야 할 건, 제가 발표에서 말씀드렸듯이 '인용'보다 '추천'이에요. 그래서 어떤 프롬프트를 입력하느냐에 따라 답변에 우리 제품이나 브랜드가 나오기도 하고 경쟁사가 나오기도 하는데, 우선 우리 제품이나 브랜드가 등장하는 프롬프트가 있긴 한지부터 확인해야 합니다.

거기서 인용이 되고 추천까지 되면 더할 나위 없이 좋죠. 그런데 가끔 인용은 됐는데 우리 브랜드명을 언급하지 않는 경우가 있어요. 저는 그런 경우도 또 하나의 기회라고 봅니다. 빈 자리가 보인다는 뜻이니까요. 그래서 체크해 보셔야 할 부분을 두 가지로 요약하고 싶어요. 첫째, 단순히 인용되는 데 그치지 않고 제품을 명확하게 추천하거나 브랜드명을 분명히 언급하는가. 둘째, 그 프롬프트에서 우리 제품이 언급되더라도 구체적으로 '어떻게' 언급되는가. 이 두 가지를 함께 보시는 게 좋습니다.

양용준 지금 제가 쓰고 있는 툴인 체인시프트를 기준으로 보면, 산업에 따라 AI가 인용하기 좋아하는 채널의 형태가 다르다고 판단했습니다. 예를 들어 동네 가게처럼 로컬 기반의 오프라인 비즈니스라면, 홈페이지 인용이 아무리 많아도 정작 추천에 결정적인 영향을 주는 건 지도에 노출되는 ‘구글 비즈니스 프로필’이었습니다. 반대로 이커머스 쪽에서는 실제로 제품이 추천되거나 GPT가 인용되는 것을 보면 ‘머천트 센터(google merchant center)’에 세팅한 쇼핑 카테고리 피드에서 정보를 많이 가져왔습니다.

또한, 저는 비즈니스 프로필이나 홈페이지 같은 것도 중요하지만, 상대적으로 사용자가 로그인을 해서 리뷰를 남기는, 그런 비정형화된 후기 데이터를 더 많이 인용해 간다고 판단하고 있습니다. 그러니 먼저 우리 산업군이 어떻게 구성돼 있는지를 보고, 홈페이지, 비즈니스프로필, 머천트센터 같은 자산은 구축하되, 그밖의 어떤 채널이 더 많이 인용되는지를 확인한 다음, 무게중심을 그쪽으로 옮겨가야 한다고 봅니다.

공다솜(진행) 그러니까 GEO에서는 SEO 때보다 훨씬 많은 채널과 관계를 맺으며 인용되고 추천되는데, 산업 분야에 따라 내가 어떤 채널에서 더 언급돼야 하고 어떤 채널에 콘텐츠를 더 쌓아야 하는지, 그 특수성을 반영해야 한다는 말이군요.

기존 SEO 콘텐츠를 GEO에 맞게 리뉴얼하는 현실적인 순서

공다솜(진행)그럼 두 번째 질문으로 넘어가 보겠습니다. 이것도 산업마다 다르다는 답이 나올 것 같은데요. "기존 SEO 콘텐츠 자산을 GEO까지 고려해 리뉴얼한다면, 현실적인 접근 순서와 방식이 있을까요?"라는 질문입니다. 좀 더 구체적으로는 "사이트 구조 같은 기술적인 부분부터 먼저 손봐야 하나요, 아니면 콘텐츠만 조금 고쳐도 AI 인용을 끌어낼 수 있는 요소가 있나요?"라는 구체적인 고민이었어요. 이와 관련한 팁을 주실 수 있을까요?

이소연 만약 기존에 SEO를 고려한 콘텐츠가 충분히 쌓여 있고 트래픽도 어느 정도 들어오고 있다면, 저는 기술 구조보다 콘텐츠를 먼저 손보는 게 낫다고 봅니다. 그리고 콘텐츠를 손볼 때는, 용준 대표님도 계속 말씀하셨듯이 클릭이 많이 들어오는 페이지부터 보세요. 구글 검색 성과를 보여주는 서치 콘솔에 들어가면 클릭 수가 높은 순으로 페이지를 쭉 정렬할 수 있거든요. 그런 페이지를 우선 참고할 것 같습니다.

이미 그 콘텐츠는 우리가 어떤 키워드를 염두에 두고 쓴 글일 테니, 그걸 프롬프트 형태로 변형하는 건 그리 어려운 일이 아니에요. 그러니 새로 무언가를 만들기 전에, 이미 SEO로 트래픽을 가져오고 있는 페이지부터 확인해 보시길 권합니다.

양용준 저는 리뉴얼 콘텐츠를 두 갈래로 나눠서 봅니다. 하나는 키워드 의도가 명확하게 반영된, 사람이 직접 작성한 콘텐츠입니다. 목표하는 키워드를 바탕으로 작성하는 글인데, 만약에 기존 글이 제대로 된 목차 없이 두서없이 쓴 거라면, 다시 쓰는 식으로 리뉴얼하는 것이 좋습니다. 그밖에 그런 글이 아니라 템플릿화할 수 있는 콘텐츠, 즉 일일이 손으로 작성할 수 없고 그럴 필요 없는 콘텐츠도 있는데요. 동일 구조의 템플릿으로 인사이트를 만들 수 있는 콘텐츠는 pSEO를 하거나, 이커머스인 경우라면 제품 카테고리를 정형화시키는 방식으로 리뉴얼을 하는 게 좋다고 생각합니다.

공다솜(진행) 두 분의 답변을 듣고 궁금해지는 게 있는데요. 기존에 여러 정보가 들어 있던 하나의 콘텐츠를 여러 개로 쪼개서 내면서 더 세밀한 내용을 담는 방식도 의미 있는 리뉴얼이 될까요? 예를 들어 하나의 콘텐츠를 세 가지 주제로 나누고 각각 세 개의 콘텐츠를 발행하는 방식 말입니다.

양용준 구글 머천트 센터의 쇼핑 카테고리 데이터를 분석하면서 색다르게 느낀 게 있었어요. AI가 그 머천트 센터 데이터를 가져오는 데 그치지 않고 제품의 특징이 담긴 부분을 따로 골라 요약하는 경우가 많더라고요. 그런데 그런 특징에 관한 내용은 머천트 센터 데이터에 있는 내용이 아니었습니다. 그 페이지의 내부 링크를 타고 들어가 세부 내용을 가져오는 것이었죠.

SEO 콘텐츠에서는 한 주제를 깊게 다루는 기둥 같은 '필러 콘텐츠'와 링크가 연결된 세분화된 콘텐츠를 작성하는 게 좋다고 알려져 있습니다. 그래서 필러 콘텐츠에 들어갈 만한 내용은 각각의 세부적인 콘텐츠로도 만드는 것이 저는 SEO에서도 GEO에서도 좋다고 생각합니다.

이소연 저는 조금 다른 관점입니다. 저에게 SEO나 GEO는, 우리가 필요한 정보를 가급적 한 번에 찾아주는 과정이라고 느껴지거든요. 그래서 가장 좋은 콘텐츠는 그 글 하나로 내 궁금증이 한 번에 풀리는 것이라고 생각합니다.

앞선 강의에서 나왔던 "석촌호수 맛집 추천해줘"를 떠올려 볼게요. 누군가에게 그 질문을 던졌을 때, 딱 한 곳을 명확히 짚어주는 사람도 좋지만, 어떤 순간에는 "너 누구랑 갈 건데? 그때는 여기가 좋더라. 좀 특별한 걸 먹고 싶으면 이런 메뉴가 괜찮아" 하고 맥락까지 풀어주는 사람이 더 반가울 때가 있잖아요. 좋은 콘텐츠도 그렇다고 봐요.

그래서 하나의 콘텐츠로 충분히 설명할 수 있는데도, GEO 때문에 단지 양을 늘리려고 얇은 글을 여러 개 만들어 내부 링크로 엮는 방식은, AI가 알아서 다 읽어갈 수는 있겠지만 궁극적으로 좋은 콘텐츠라고 보지 않습니다. 기술이 사람의 의도와 심리를 따라 발전한다고 가정하면, 결국 한 번에 좋은 답을 주는 콘텐츠가 더 좋은 콘텐츠로 남지 않을까요.

공다솜(진행) 두 분의 말씀에 모두 일리가 있는 것 같습니다.결국 콘텐츠는 소비자의 의도를 명확하게 담아야 한다는 것, 그리고 AI가 그걸 판단하는 기준도 사람과 크게 다르지 않다는 교훈을 다시 새기게 됩니다.

<출처: 공다솜 라이너 콘텐츠 리드>

오해 2. AI 인용 횟수가 늘면 잘하고 있는 것일까

내부에서 GEO 가시성을 측정하는 법

공다솜(진행) 두 번째, “AI 인용 횟수가 늘면 GEO를 잘하고 있는 것”이라는 오해입니다. 업계를 보면 AI 인용 횟수를 자랑하거나 그 횟수를 강조해 FOMO를 일으키는 경우가 있는 것 같아요. 아까 양용준 대표님이 GEO를 보는 여러 지표와 성과 분석 방법에 대해 강연하시면서, 결국 본질은 인용 횟수 그 자체가 아니라 추천이나 우리 비즈니스로 연결되는 지표가 무엇인지를 조직 내에서 먼저 정의하고, 그걸 들여다볼 방법을 찾는 데서 시작해야 한다고 말씀해주셨는데요.

그럼에도 우리는 가시성 측정을 해보고 싶잖아요. 그런 면에서 LLM 인용 횟수, 답변 인용률, AI 가시성을 더 잘 측정하는 팁이 있을까요? 혹은 지금 나와 있는 툴조차 온전히 믿기 어려운 상황에서, 내부적으로 객관적인 지표를 세우려면 어떤 활동을 하면 좋을지 팁을 주실 수 있을까요?

이소연 저는 실무자라고 가정하고 답해 볼게요. 실무자가 어떻게든 예산도 더 받고 시간도 확보해서 GEO를 하려면, 결국 "이게 효과가 있었다"는 걸 증명해야 하잖아요. "쓴 비용만큼 도움이 됐다"고 말하려면 근거가 필요한 거죠.

문제는 그 근거를 잡기가 까다롭다는 데 있습니다. 메타 광고를 돌리면 광고비 대비 매출, 즉 ROAS가 바로 찍히죠. 그런데 AI는 아쉽게도 그렇게 깔끔하게 나오지 않아요. AI를 보고 처음 들어온 고객이 다음에 다른 경로로 들어와서 결제할 수도 있으니, 그 숫자 하나를 곧 성과라고 단정하긴 어렵거든요. 그래서 저는 두 가지를 봅니다.

첫 번째는 'AI가 우리 페이지를 얼마나 많이 읽어갔는가'예요. 작업하기 전보다 지금 더 많이 학습해 가는지, 그리고 유저가 검색했을 때 실제로 방문하기 시작했는지를 보는 거죠. 방문자로 찍힌 데이터를 모아서 추이를 보는 방법이 하나 있습니다.

두 번째는 우리 페이지를 '전환에 가까운 페이지'와 '정보성 페이지'로 나눠서 보는 겁니다. 전환에 가까운 페이지란 케이스 스터디, 상세 페이지, 제품이나 서비스 소개 페이지 같은 것들이에요. 이런 페이지가 AI에서 얼마나 노출됐는지를 봅니다. 콘텐츠를 소비자 의도와 맥락에 맞춰 이런 페이지부터 손보다 보면, 실제로 그 페이지들이 가장 많이 걸리거든요. 그러면 그 페이지의 유입 횟수를 지표로 삼는 거죠.

여기에 제가 간접 지표로 하나 더 보는 게 체류 시간입니다. 사실 저는 SEO를 할 때 체류 시간을 그렇게 중요하게 보는 사람은 아니었어요. 오래 머문다고 꼭 만족했다는 뜻은 아니니까요. 그런데 콘텐츠가 워낙 넘치는 요즘은, 마음에 드는 콘텐츠를 만나면 저도 모르게 그 사이트에 더 오래 머물게 되더라고요. 사람에 빗대면, 한마디 나눠 봤는데 아는 것도 많고 매력적이고 설명도 잘해 주면 '10분만 더 얘기해 볼까' 싶어지는 것과 같아요. 그래서 저는 AI를 통해 들어온 사람들의 체류 시간을 방문자 분석 도구(GA)에서 확인합니다.

이런 것들을 근거로 보고할 때는 이렇게 말할 것 같아요. "지금 AI 트래픽이 전체 대비 몇 퍼센트라 아직은 미약합니다. 하지만 들어온 사람들의 체류 시간을 보면 만족도가 굉장히 높고, AI를 통해 들어오는 페이지가 단순 정보성 페이지가 아니라 전환에 가까운 페이지입니다. 우리가 이런 전환 페이지로 고객을 데려오려고 평소 얼마나 많은 돈을 쓰는지 생각하면, GEO는 아주 효율 좋은 전략입니다.”

그리고 앞으로 AI를 쓰는 사람은 더 많아질 거예요. 이제 막 시작이니, 사용량이 늘수록 우리가 측정할 표본도 풍부해질 겁니다. 그러니 이 부분은 크게 걱정하지 않으셔도 됩니다.

양용준 회사에서 SEO를 한다고 하면, 보통 자사 데이터 외에 Ahref나 Semrush 같은 분석 툴을 구매해 쓰는 분이 많습니다. 그런데 저는 그런 분석 툴의 데이터가 우리 자체 데이터와 100% 일치하지는 않는다고 봅니다. 그동안 여러 툴을 써 봤지만 결국 저마다 측정 방식의 제약이 있거든요. 그러니 GEO도, 지금 당장 완벽히 트래킹할 수 있는 툴이 없다면 어떤 툴을 쓰든 그 툴 하나를 기준점으로 잡아서, 같은 경쟁 환경의 브랜드를 함께 세팅하고 동일한 잣대로 비교 측정하는 게 중요하다고 봅니다.

그리고 직접 테스트하면서 깨달은 게 있어요. 프롬프트를 열심히 바꿔가면서 세팅해 놓고 하루에 한 번 가시성을 체크하는데, '이게 잘못된 방식인가?' 싶더라고요. 그래서 최근에는 방법을 바꿨습니다. 처음부터 프롬프트를 너무 많이 잡지 않는 거예요. 프롬프트를 많이 잡는다고 인용이 올라가거나 GEO 성과가 높아지는 경험을 못 했거든요. 대신 꼭 필요하다고 판단한 핵심 프롬프트 리스트를 먼저 추리고, 그것들을 하루에 10번 집중적으로 여러 번 돌려봅니다. 그 결과를 기준으로, 작업 전후에 가시성이 어떻게 달라지는지를 비교하는 거죠.

여기에 함께 보는 게 AI 크롤러 유입 로그입니다. 프롬프트를 세팅해 두고 AI 크롤러 기록을 봤더니, GPT 봇이 들어와 사이트나 가이드를 먼저 읽고 그다음 최근 소식을 읽는 식의 패턴이 또렷이 보이더라고요. 그래서 저는 인용률과 AI 크롤러 유입, 이 두 가지를 섞어서 함께 봅니다.

유의미한 프롬프트 리스트는 어떻게 만들까?

공다솜(진행) 그런데 앞서 언급하신 프롬프트 리스트라는 것도, 어디서부터 어떻게 만들어야 우리 비즈니스에 정말 유의미한 프롬프트인지 판단하기가 쉽지 않을 것 같아요. 산업 특성에 따라 다르기도 하고, 우리가 최선을 다해 리스트를 만들어도 정작 고객은 전혀 다른 프롬프트로 들어올 수도 있잖아요. 프롬프트 리스트를 만드는 팁이 있으면 추천해 주세요.

양용준 처음 테스트했을 때는 무작정 키워드를 던지고 "관련된 질문으로 프롬프트를 뽑아줘"라고 해봤어요. 그런데 제가 넣은 재료 데이터 자체가 부실하다 보니 결과도 부실하게 나오더라고요. 그래서 두 번째로는 검색량, 즉 키워드 볼륨을 기준으로 접근했습니다.

왜 볼륨 기준이냐면, 사람들이 검색창에 어떤 키워드를 넣는다는 건 그게 이미 대중이 많이 찾는 키워드라는 뜻이거든요. 거기에는 이미 '가격'이라든가, SEO 업종이라면 'SEO 업체 추천'처럼 사람들의 검색 의도가 굳어져 있습니다. AI가 그 프롬프트를 출발점 삼아 질문을 팬아웃할 때, 이렇게 굳어진 의도가 반영된 키워드가 유용한 토대가 돼요. 그래서 저는 구글 서치 콘솔에서 클릭이 높은 키워드, 또 클릭이 없더라도 노출이 높은 의미 있는 키워드를 뽑고, 거기에 사이트맵이나 RSS처럼 홈페이지의 특성을 담은 정보, 그리고 연관 키워드를 함께 조합해 프롬프트를 만들어달라고 했습니다. 이렇게 하니 만족도가 높았고, 제 사이트에서 직접 테스트했을 때도 AI 인용이 올라간 페이지가 이후 검색 결과에서도 페이지 단위로 함께 노출되더라고요. 그래서 충분히 의미가 있다고 봅니다.

이소연 방금 말씀하신 방법론도 쓰고요. 거기에 조금 더 분명한 방법을 하나 보태자면, 저는 고객 인터뷰를 많이 합니다. 처음 고객 인터뷰를 시작한 이유는 콘텐츠를 더 잘 쓰기 위해서였어요. 제가 발표에서 말씀드렸듯이, 내가 어떤 계기로 SEO를 해야겠다고 마음먹는 것과, 누군가가 저에게 컨설팅을 맡기거나 제 강의를 사는 것은 전혀 다른 얘기잖아요. 그 간극이 궁금해서 직접 인터뷰를 요청했습니다.

수많은 SEO 전문가 중에서 왜 굳이 나를, 내 강의를 택했는지가 알고 싶었어요. 제가 생각한 차별점(USP)이 아니라, 고객이 직접 말하는 차별점을 듣고 싶었던 거죠. 그렇게 들어보니 의외의 답이 나왔습니다. 저는 온라인 강의를 탈잉에서 론칭하면서 제 경쟁자가 패스트캠퍼스 같은 교육 플랫폼일 거라고 짐작했거든요. 그런데 인터뷰를 거듭해 보니 아니었어요. 제 진짜 경쟁자는 'AI와 함께 독학하는 사람'이었습니다.

그래서 저는 콘텐츠를 전부 바꿨어요. 아시는 분도 계시겠지만 저는 웹사이트나 블로그뿐 아니라 링크드인 콘텐츠도 많이 하는데, 그 글들을 보면 표현을 조금씩 달리했습니다. 예전엔 제가 하고 싶은 말로 썼다면, 지금은 고객이 실제로 쓰는 언어로 씁니다. "네이버 매출을 잘 내고 있었는데 한순간에 반토막이 났다", "AI랑 열심히 얘기하는데 처음엔 그럴듯한 답을 주더니 정작 나한테 필요한 정보는 안 알려준다" 같은 말들이요. 이런 이야기를 너무 많이 듣다 보니, '아, 이게 진짜 키워드이자 프롬프트가 된다' 싶었습니다.

그래서 실제 컨설팅에 들어갈 때는 고객사 미팅에 직접 함께 갑니다. 거기서 나오는 이야기를 다 수집하고, 그 안에서 '이런 문제가 있구나'라고 짚은 다음, 그게 키워드 검색량이 있는지 확인하고, 더 나아가 프롬프트로 만드는 거죠.

저는 지금이 정말 좋은 시대라고 봐요. 예전 SEO에서는 좋은 제품이나 서비스를 가진 사람들도 하나의 키워드에 다 같이 몰리니 경쟁이 너무 치열했습니다. 그래서 정작 좋은 제품이 아닌데도 온갖 편법으로 노출을 끌어올려 1위에 뜨는 경우가 있었죠. 그런데 프롬프트는 다릅니다. 그 누구도 똑같이 검색하지 않거든요. 우리는 흔히 "강남에서 20명이 회식할 곳 추천해줘" 같은 식으로 검색한다고 생각하지만, 실제로 그렇게 딱 떨어지게 묻는 사람은 많지 않아요. 다들 자기 상황과 취향을 담아, 여기도 알아보고 저기도 알아보며 나만의 디테일한 프롬프트를 만들어 갑니다. 그렇다면 하나의 콘텐츠가 그 모든 프롬프트를 다 예측할 수 있을까요? 저는 아니라고 봅니다.

그래서 고객 인터뷰에서 길어 올린 인사이트로 콘텐츠를 만드시면, 디테일 하나를 염두에 두고 썼는데 수백 가지 프롬프트에서 노출되는 경험을 하실 수 있을 거예요.SEO에 빗대자면 롱테일 하나를 잡았는데 거기에 백 가지 롱테일이 줄줄이 딸려오는 것처럼요.

공다솜(진행) 정말 감사합니다. 결국 고객의 의도에 맞는 키워드를 AI가 맥락으로 이해하니, 키워드를 출발점 삼아 다양한 맥락으로 펼쳐 나가다 보면 프롬프트 리스트를 잘 만드실 수 있겠네요.

<출처: 공다솜 라이너 콘텐츠 리드>

오해 3. GEO는 예산부터 필요할까

처음 시작하는 실무자를 위한 체크리스트

공다솜(진행) 마지막 오해입니다. 마케팅을 하다 보면 예산이 든든해야 마음이 놓이고, 또 예산을 쓰면 그만큼 매출이 받쳐줘야 한다는 부담이 들잖아요. 그러다 보니 "여기서 막 돈을 쓸 수는 없는데, 지금 당장 어떤 액션을 해야 할까?"를 고민하는 질문이 많았습니다. "체크리스트가 있으면 좋겠다"는 분도 계셨고요. "GEO가 다양한 채널에서 소스를 가져와 우리 브랜드를 언급한다는데, 우리 회사엔 마케터가 한 명뿐이라 하나밖에 못 한다. 그럼 채널 우선순위를 어떻게 가져가야 하나?"라는 질문, "웹사이트만 손을 댈 수 있는데, 그래도 할 수 있는 액션은 무엇이냐?"는 질문도 있었습니다.

처음 시작하는 실무자를 위한 '이것만은' 체크리스트를 물어봐 주셨는데, 시간 관계상 많이는 못 받고 두 분께 딱 한 가지씩만 부탁드릴게요.

이소연 저는 '우리 고객은 어떤 채널을 가장 많이 이용하는가'를 파악하는 게 1순위라고 봅니다.

양용준저는 데이터 보는 걸 좋아해서, GEO 툴 하나를 세팅할 것 같습니다. 측정 툴도 여러 가지가 있겠지만, 처음부터 GEO 툴 하나를 딱 정해 거기에 매달리기보다는, 한 달에 몇백만 원 정도의 예산이 있다면 잘 알려진 주요 툴을 한 달씩 번갈아 구독해보는 거예요. 같은 방식으로 프롬프트를 세팅해서 인용 결과가 비슷하게 나오는지 비교한 다음, 그중 가장 마음에 드는 걸 고르는 거죠.

공다솜(진행) 어느 경우든 공통점은 지금 우리 고객이 어디에 있고 그 상황이 어떤지부터 점검하는 데서 출발한다는 것이네요.

GEO를 위한 채널 우선순위 전략

공다솜(진행)두 번째는 앞선 맥락과 이어지는 것 같아요. 채널 우선순위를 짚는 방법은, 결국 우리 고객이 어디에서 가장 많이 들어오고, 어디에서 우리를 가장 많이 언급하고, 어떤 채널을 거쳐 AI 인용까지 이어졌는지를 확인하는 일이 되겠죠. 이 부분에서도 전달해 주실 팁이 있을까요?

양용준 이것도 산업마다 다르다고 봅니다. 유튜브는 AI나 AI 모드 쪽에서 영향력이 조금 더 올라가는 걸로 보이고요. 비슷한 맥락에서 네이버 블로그도 AI Mode나 AIO에서의 인용이 높은 편이구요. 구글은 학습봇을 제외 하곤 별도의 AI 크롤러를 두지 않는 구조이기도 하고요. 그리고 급상승하는 특정 소셜 뉴스 같은 것을 빼면, 매거진, 뉴스 사이트 들의 경우 단순히 '거기서 인용이 많이 된다'는 관점으로 접근하기보다, 그 매체의 하루 평균 발행량을 따져봐야 합니다. 살펴보니 하루 220개에서 240개가량 쏟아지더라고요. 그렇게 많은 글 중에서 우리와 연관된 콘텐츠가 어떤 게 인용되는지가 더 중요하다고 봅니다. 그런 기준으로, 내가 어떤 LLM을 목적으로 하는지에 따라 채널을 먼저 정하는 거죠.

이소연 앞선 질문에 대한 저의 답변이 “우리 고객은 지금 어떤 채널을 많이 이용하는가”를 파악해야 한다고 했는데요. 제가 만약 미용실을 운영하는 사람이라면, 일단 직접 구글에 검색을 해볼 겁니다. "강남 미용실 추천", "드라이 잘하는 곳" 이런 식으로요. 그러면 AI는 필연적으로 위치 정보나 지도에 달린 후기들을 많이 읽어갈 거예요.

그렇다면 제가 가장 먼저 신경 써야 할 건, AI가 랜딩 페이지를 많이 읽든 유튜브를 많이 읽든 상관없이, 카카오맵이나 네이버 같은 지도 플레이스에 달린 리뷰 정보입니다. 저는 그것부터 챙길 것 같아요. 우리에게 늘 시간이 넉넉한 게 아니니까요. 'GEO를 하려면 이렇게 해야 AI에 노출되겠지'라고 따로 머리를 싸매기보다, 더 효율적인 길이 있습니다. 어차피 로컬 비즈니스라면 원래 해야 했던 일을 제대로 하는 거예요. 리뷰, 플레이스를 관리하고, 한국 손님은 카카오를 많이 보고 오니 카카오맵을, 외국 손님은 구글맵을 관리하는 것이죠. 이걸 잘해두면 AI에도 자연스럽게 함께 노출되거든요. 그래서 저는 일단 직접 검색해 가장 많이 노출되는 출처를 확인하고, 거기에 더해 그동안 쌓인 제 경험적 데이터에 비춰 고객이 가장 많이 쓰는 곳부터 챙길 것 같습니다.

공다솜(진행) 여기서 또 하나의 교훈을 얻네요. 일단 프롬프트를 먼저 넣어 출처가 어떤 순서로 뜨는지 파악하고, 그 출처에서 우리가 잘 인용될 만한 액션을 하고 있는지를, 산업 부문마다 다르니 한번 점검해 보라는 말씀이죠.

사일로 조직의 GEO 전략: AI가 먼저 찾아오는 웹사이트의 조건

공다솜(진행)이번에는 "자사 웹사이트만 손볼 수 있는 팀이라면 어디까지 할 수 있나요?"라는 질문을 다뤄 보려는데요. 회사 규모가 커지다 보니 소셜 미디어를 관리하는 팀, 웹사이트를 관리하는 팀, 이런 식으로 팀이 분화되고 예산도 팀별로 따로 책정되면서 사일로가 생긴 상황에서 주신 질문입니다. 질문자는 그중에서도 웹사이트만 관리할 수 있는 상황인데, 이때 GEO를 웹사이트만 갖고 해야 한다면 무엇을 할 수 있고 얼만큼의 효과를 낼 수 있는지를 질문 주셨어요.

*현장에서는 실제 질문자에게 질문의 의도를 추가로 문의하는 과정이 있었습니다. 추가 문의 과정은 편집 과정에서 생략하고, 진행자의 질문 내용에 반영했습니다.

양용준 앞서 계속 말씀드린 것처럼, 저는 먼저 어떤 콘텐츠가 인용이 많이 되는지부터 분석할 것 같습니다. 웹사이트만 관리할 수 있고, 머천트 센터의 관리 권한이 다른 팀에 있는 상황이신데요. 사이트맵 같은 기본은 이미 갖춰 두셨을 테니, 아까 말씀드린 키워드 볼륨 등을 기반으로 프롬프트를 짜서 모니터링하면 어떤 종류의 콘텐츠가 많이 인용되는지가 보입니다. 만약 그게 PR 차원의 외부 기사를 인용한 거라면, 그 기사 내용을 우리 자사의 뉴스룸 콘텐츠로 가져와서 우리 페이지가 인용되도록 만드는 거죠.

또 떠오르는 건 템플릿화할 수 있는 콘텐츠를 만드는 건데요. 예를 들어 "아이폰 13 vs 아이폰 14"처럼 비교 콘텐츠를 검색하면, 동적으로 바뀌는 템플릿 페이지가 가장 먼저 뜹니다. 이런 걸 보면, 비교 콘텐츠를 하나하나 손으로 쓰는 것도 중요하지만, 템플릿화해서 자동으로 생성할 수 있는 것들은 페이지를 대량으로 찍어내는 편이 나을 수 있다고 생각합니다.

그러니 '특정 매체에 PR을 꼭 해야 하나, 외부 인용에 의존해야 하나'를 고민하기보다는, 어떤 주제를 AI가 더 좋아하고 가져가는지를 보고 그걸 하나의 콘텐츠로 잡을 수 있느냐, 템플릿화된 콘텐츠로 제작할 수 있느냐로 접근하는 게 좋습니다.

이소연 상황마다 다르겠지만, 저는 우리에게 '전환에 가장 가까운 곳'이 어디인지를 볼 것 같습니다. 커머스라면 사람들이 후기에 많이 모이겠죠. "이거 후기 좀 알려줘" 하는 식으로요. 그러면 저는 후기부터 관리할 것 같습니다. B2B라면 고객이 케이스 스터디를 가장 많이 보고 결정하실 테니, 그 케이스 스터디부터 AI가 더 잘 읽어갈 수 있는 형태로 다시 발행할 거예요. 또 다른 회사라면 그 지점이 상세 페이지일 수도 있고요. 그러니 '자사 사이트만 손볼 수 있다'면, 우리에게 전환에서 가장 큰 임팩트를 주는 페이지가 어디인지부터 찾아 거기에 집중하시면 됩니다.

공다솜(진행) 감사합니다. 두 분 이야기를 들으니, 지금 우리가 잘하고 있는 것, 그리고 무언가 했더니 반응이 있었던 것을 그냥 흘려보내지 말고, '이걸 AI에게 어떻게 인식시킬까'를 고민해보면 액션 플랜을 한결 빨리 얻으실 수 있을 것 같아요.

정리하며

오늘 패널 두 분과 연사 세 분이 정말 많은 이야기를 들려주셨는데, 정리하면 이렇습니다. 우리는 그동안 해 오던 일과 크게 다르지 않은, 다만 조금 더 확장된 일을 하는 시대로 들어선 것 같아요. 그러니 환경이 달라졌다고 당황하기보다는, 일단 우리가 잘하는 것에서 출발해 보면 좋겠습니다. 인용 횟수는 어디까지나 보조 지표예요. 그보다는 우리 비즈니스에서 고객이 좋아할 만한, 또 우리에게 실제로 돈이 될 만한 지표가 무엇인지를 팀원들과 함께 고민해 보시는 편이 훨씬 의미가 있을 겁니다.

<출처: 공다솜 라이너 콘텐츠 리드>

그리고 예산부터 마련하려 들기보다는, 우선순위를 먼저 세우고 그 우선순위가 어떤 임팩트를 냈는지를 보세요. 오늘 이야기를 들어보니, 여러분은 이미 마음속에 답을 다 가지고 계신 것 같습니다. 돌아가셔서 하나씩 시도해 보시면 좋겠어요. 패널 분들도 말씀하셨듯이, 누군가는 이 상황을 위기라고 말하지만 사실은 새로운 채널이 하나 더 생긴 것이고요. AI가 아무리 빠르게 발전한다 해도 아직은 시간이 있습니다. AI가 충분히 똑똑해지기 전에, 우리가 미리 준비해 둘 기회가 생겼다고 생각하면서 함께 시작해 보면 좋겠습니다.

패널 토크는 여기까지입니다. 감사합니다.

Q&A

Q. 가시성 측정은 어떻게 하시나요?

양용준: 고객사와 대행사가 합의하여 도출한 핵심 프롬프트(질문어) 리스트를 기준으로 측정합니다. 데이터는 API 연동 대신 웹 스크래핑 방식으로 정보를 수집하는 GEO(생성형 AI 검색 최적화) 툴을 활용하고 있습니다.

물론 현재의 가시성 측정은 외부 써드파티(3rd party) 솔루션에 의존하고 있어, 어디까지나 간접적인 지표로 참고하는 수준입니다. 다만 향후 구글 서치콘솔에 ‘AI 가시성 보고서’가 업데이트되면, 이를 기준으로 어떤 GEO 툴을 선택해 활용해야 할지 더욱 명확해질 것으로 기대합니다.

이소연: 구글써치콘솔과 구글애널리틱스, 빙 웹마스터 도구를 우선으로 보고 있습니다. 타겟하는 프롬프트가 존재하지만, 프롬프트는 키워드보다 훨씬 개인차가 크기 때문에 항상 해당 프롬프트로만 들어오지 않는 걸 이해하는 게 중요합니다. 그래서 3개의 도구로 실제로 어떤 프롬프트에 노출되고 들어오는지 체크합니다.

타겟하는 프롬프트는 Ubersuggest나 SEMrush, onthe.ai 등 외부 툴을 활용하여 모니터링하고 있습니다.

Q.인용률을 높이는 가장 쉬운 방법은 무엇인가요?

양용준: ‘가장 쉽고 빠른 건 없다’고 생각합니다. 자사 홈페이지 콘텐츠나 구조만 잘 설계해도 인용률은 올라간다고 보고, 또 실제 케이스도 그렇게 확인되고 있습니다.

무작정 Offsite SEO를 한다는 건 전략없이 하겠다는 것과 마찬가지입니다. 그래서 어떤 채널에서 해야할지 모르겠다면 OnSite SEO에 집중하는 것을 권장드립니다.

이소연: 넘버링을 활용한 문장, 표 등이 인용률이 높다는 연구 결과도 많지만, 저는 고객님들이 쓰시는 표현을 그대로 활용하는 걸 선호합니다. 세일즈 미팅에서 나오는 질문들, 공식 계정 SNS에 달리는 댓글, CS, 리뷰 등에서 고객님들의 궁금한 점을 그대로 가져와 콘텐츠를 만들고 표현도 고객님들의 보이스에 맞춰 작성하는 것을 추천합니다. 결국 AI 검색엔진이 원하는 건, 이 질문에 적절한 답을 해주는 콘텐츠를 인용하여 궁금증을 해소해주는 것일테니까요.

더불어, 모델이 이미 자주 인용하는 페이지(좋은 비교 리스티클, 활발한 레딧/커뮤니티/스레드 등)에 한 번 제대로 인용되는 것이, 내 블로그 글 몇 달치보다 인용을 더 끌어올 때도 있습니다.

Q.GEO가 신뢰할 수 있는 출처에서의 추천이 필요하다는 것이라면, 신생 스타트업이나 아직 네임밸류가 높지 않은 브랜드는 어떤 식으로 GEO 최적화를 하는 것이 가장 효율적이라고 생각하시나요? 어떤 문제를 어떻게 해결하는지 자사 블로그에 올린다고 해도 소스가 한정적이니 한계가 있을거라는 생각이 듭니다.

양용준: 과거 전통적인 SEO 시장에서도 상위 노출을 하려면 무조건 DR(도메인 권위도) 점수를 높여야 한다는 말이 있었고, 어느 정도 일리는 있었지만 100% 정답은 아니었습니다. GEO 역시 마찬가지입니다. 대형 미디어나 높은 인지도 같은 외부 조건에 지레 겁먹기보다, 신생 스타트업일수록 우선 '자사 홈페이지 내실'에 집중하라는 말씀을 드리고 싶습니다.

1인 기업으로 활동하는 저 역시 GEO 최적화를 위해 다양한 방안을 시도해 보았는데요. 해외에 비해 국내는 아직 경쟁 강도가 낮기 때문에, 구조적으로 잘 관리된 홈페이지 하나만으로도 충분히 (AI 검색 엔진의 추천 궤도에) 어느 정도 오를 수 있다고 봅니다. 그렇게 자사 채널에서 먼저 기초 체력을 증명한 다음에, 더 넓은 영역으로 경쟁력을 확장해 보는 것은 어떨까요?

이소연: AI는 사용자의 질문을 여러 개의 작은 하위 질문으로 쪼개서 각각 검색합니다. AI 검색에는 구글 같은 고정된 1위 자리가 없고, 가시성은 '얼마나 자주 등장하느냐'의 빈도 문제로 볼 수 있습니다. 신생 브랜드가 “제일 좋은 CRM"을 이길 순 없지만, "1인 세무사를 위한 CRM" 같은 니치한 질문은 경쟁이 가능하다고 봅니다. 그래서 더더욱 고객에 대한 이해가 필요합니다. 가장 뾰족한 니치한 질문에 대한 답변을 그들도 원할 테니까요.

니치한 질문을 찾았다면, 콘텐츠를 퍼뜨리는 것도 중요합니다. AI 모델은 이미 신뢰하고 자주 retrieval 하는 소스를 우선 인용하는 경향이 있습니다. 그래서 자사 블로그 뿐만 아니라 우리의 니치한 질문에서 자주 인용되는 페이지에 가서 댓글 혹은 콘텐츠를 퍼뜨리는 것을 권장드립니다.

Q.ai 가시성을 측정할 때, api를 통해 답변을 받는 것과 실제 url로 ai 서비스에 유저처럼 접근해서 답변을 긁어오는 것에 차이가 있나요? api 답변으로 측정해도 정확하다고 볼 수 있을지 궁금합니다

양용준: 이 부분은 GEO 툴을 전문적으로 개발하는 곳들의 이야기를 들어보는 것이 가장 확실한데요. 제가 업계 관계자들과 소통하며 확인한 바로는, 현재 API를 통해 수집하는 데이터는 웹 스크래핑으로 수집한 결과와 비교했을 때 실제 유저 화면을 대변하기 어려울 정도로 퀄리티 차이가 큽니다.

가시성을 제대로 측정하려는 전문 기업들이 공수가 적게 드는 API 방식 대신, 굳이 복잡한 웹 스크래핑이나 자체적인 수집 방식을 고집하는 데에는 명확한 이유가 있다고 봅니다.

따라서 사용자 화면에서 직접 답변을 수집하거나, 웹 스크래핑 기반의 GEO 툴이 아니라면, 단순히 API 연동에만 의존하는 GEO 툴의 데이터는 신뢰하지 않는 편입니다.

이소연: 약간은 다르다고 생각합니다. 컨슈머 UI(ChatGPT, Perplexity, Gemini, AI Overviews)는 실시간 웹 위에서 RAG를 돌리고 자체 랭킹·후처리를 거칩니다. 반면 API는 갱신 빈도가 더 낮고, 웹 UI는 RAG 파이프라인으로 실시간 정보를 즉석에서 가져오며, API에는 그런 개인화가 상대적으로 덜 합니다.

같은 질문도 유저마다 답이 다른데, API는 이걸 잡기 어려울 수 있기 때문에 약간의 차이는 있다고 봅니다.

]]>

AI 검색 엔지니어가 본 GEO: 무엇이 인용을 결정하는가

김윤기 라이너 엔지니어 | GEO 팩트체크 세미나 '실제 살펴보는 GEO 오해와 진실' 세 번째 강연

이 글은 2026년 5월 21일, 요즘IT가 라이너(Liner)의 후원을 받아 주최한 'GEO 팩트체크 세미나' 에서 세 번째 강연자로 나선 김윤기 라이너 엔지니어의 발표 내용을 1인칭 시점으로 정리한 글입니다.

안녕하세요. 저는 라이너에서 검색 엔진 엔지니어로 일하고 있는 김윤기라고 합니다. 저는 SEO나 GEO를 전문적으로 하는 사람은 아니어서 실제로 SEO, GEO 하시는 분들이 어떤 일을 하시는지는 정확히 모릅니다. 그런데 주변에서 SEO, GEO를 실행해 보시다가 기술적으로 맞는지에 대해 질문을 많이 해 주셔서 알게 되는 것들이 있는데요. 엔지니어의 관점에서는 명확한 사실들이 업계 실무자들에게는 다소 혼란스럽게 다가가는 경우가 있는 것 같습니다. 그래서 오늘은 실제 '검색 엔진이 어떻게 돌아가는가'라는 기술적 관점에서 GEO에 대한 인사이트를 공유해 드리고자 합니다.

본격적인 이야기에 앞서 저희 라이너를 짧게 소개해 드리자면, 전 세계 1,300만 명 이상의 사용자가 이용하는 AI 검색 서비스입니다. 전체 사용자의 95%가 해외 유저이며, 챗GPT처럼 대화형 검색 기능을 제공하면서도 '출처의 신뢰도'를 최우선으로 삼고 있습니다. 최근에는 정확한 출처를 필요로 하는 연구자들을 위해 특화된 자체 검색 엔진 'Liner Scholar'를 출시하기도 했습니다.

라이너 김윤기 머신러닝 엔지니어 <출처: 요즘IT>

AI 검색은 어떻게 동작하는가

기존 구글과 같은 전통적인 검색 엔진에서는 정보 획득을 위해 주로 '키워드'를 입력했습니다. 예를 들어 GEO와 SEO의 차이가 궁금하다면 보통GEO vs SEO라고 검색했을 것입니다. 기존에는 이렇게 키워드로 검색해 나온 URL들을 사용자가 직접 클릭하고 정보를 취합해 인사이트를 도출해야 했습니다.

하지만 AI 검색 엔진에서는 다릅니다. 사용자는 “GEO와 SEO의 차이가 무엇이고, GEO를 위해 어떤 액션을 취할 수 있을까?”처럼 복잡한 서술형 질문을 던집니다. AI 검색 엔진은 이 과정을 대신 수행해 사용자에게 최종적인 인사이트를 바로 제공합니다.

초기 AI 검색 시장에서는 여전히 키워드 위주의 검색이 많았지만, 점차 서술형 프롬프트 입력이 주류가 되고 있습니다. 그렇다면 AI 검색 엔진은 이러한 복잡한 입력을 어떻게 이해하고, 검색을 수행하여, 답변을 생성할까요? 그 과정을 크게 3단계로 나누어 보겠습니다.

1단계: 쿼리 분해

복잡한 서술형 쿼리가 들어오면, AI는 이를 키워드 기반의 여러 쿼리로 잘게 쪼갭니다. 이를 앞선 강연에서도 언급된 '쿼리 팬아웃'이라고 합니다. 하나의 유저 쿼리를 해결하기 위해 AI가 질문을 다각도로 나누고, 이를 기존 서치 엔진에 각각 검색합니다. 쿼리가 3개로 나뉘었다면 검색을 세 번 수행해 결과를 모으는 것입니다. 유저의 서술형 질문을 그대로 검색하지 않는 이유는, 현재 우리가 활용하는 기존 서치 엔진들이 철저히 '키워드 기반'으로 최적화되어 있기 때문입니다.

AI 검색 엔진은 사용자의 복잡한 서술형 쿼리를 키워드 기반의 입력으로 바꾸어 검색 엔진(Search Engine)에 여러 번의 검색을 수행한다. 이렇게 서술형 쿼리를 키워드 기반의 여러 쿼리로 잘게 쪼개는 것을 ‘쿼리 팬아웃’이라고 한다. <출처: ‘GEO 팩트체크’ 세미나에서 진행된 라이너 김윤기 엔지니어의 ‘AI 검색엔진이 콘텐츠를 선택하는 법’ 발표자료>

2단계: 검색 결과(SERP)에서 스니펫 보기

그렇게 해서 각 검색 결과물을 가져옵니다. 그런데 각 쿼리에 대한 검색 결과를 가져오더라도 AI가 모든 문서의 본문을 다 읽는 것은 아닙니다. 우선 검색 결과 페이지에 노출되는 '제목'과 짧은 설명인 '스니펫(Snippet)'만을 읽어옵니다. 구글에서 검색하면 검색 페이지의 제목과 그 아래에 짧은 설명 한두 줄 정도가 나오는데요, 그걸 스니펫이라고 합니다.

제목과 스니펫을 가져온 다음에, AI가 검색 결과 상위 10개~30개 정도를 보고, 그중에서 유저의 쿼리를 해결하는 데 도움이 될 것 같은 일부 문서들을 3개~5개 선별합니다. 그렇게 선택된 소수의 문서에 크롤러를 보내서 실제 본문을 가져옵니다.

쿼리 팬아웃을 통해 검색하고, 그렇게 검색 페이지에 노출되는 '제목'과 '스니펫'을 가져와 검색 결과 상위 10~30개 정도를 본 뒤 그중 3~5개 문서를 선별해 크롤러를 보내 실제 본문을 가져온다. <출처: ‘GEO 팩트체크’ 세미나에서 진행된 라이너 김윤기 엔지니어의 ‘AI 검색엔진이 콘텐츠를 선택하는 법’ 발표자료>

3단계: AI가 답변 생성 + 인용 달기

이제 제목과 스니펫, 그리고 그중에서 선별해 가져온 본문 정보를 잘 이용해서, AI가 최종적으로 인용을 포함한 답변을 만들어냅니다. 이것이 AI 검색 엔진의 전체적인 흐름이라고 할 수 있습니다.

왜 모든 문서가 아니라 일부 문서에서만 본문을 가져오는지 의문이 들 수 있습니다. 그건 AI에게 입력을 넣어줄 수 있는 길이(Context Window)에 한계가 있기 때문입니다. 그래서 정말 유용하다고 판단되는 것만 본문을 가져와서 AI에 넣어주는 것입니다. 그리고 그 본문을 선택하기 위해서는 제목과 스니펫을 보는 것이죠.

이렇게 가져온 정보들을 가지고 AI가 답변을 써 내려갈 때, 인용을 달게 되는데요. 이는 사람이 글을 쓰는 방식과 동일합니다. 특정한 주장을 할 때 그 근거가 되는 문장이 포함된 문서를 가져와 출처를 밝히는 것입니다. AI도 마찬가지입니다. 그래서 스니펫만 노출되는 것보다 본문 전체가 AI에게 읽혀야 실제 인용으로 이어질 확률이 높아집니다.

스니펫만 보고 인용하기는 어렵고, 본문을 봐야 인용할 가능성이 높아지는 것이죠.

AI 검색엔진은 위 1~2단계, 즉 쿼리 팬아웃을 통한 제목, 스니펫 정보를 기반으로 선별을 통해 가져온 본문 정보를 이용해 답변을 생성한다. <출처: ‘GEO 팩트체크’ 세미나에서 진행된 라이너 김윤기 엔지니어의 ‘AI 검색엔진이 콘텐츠를 선택하는 법’ 발표자료>

AI 검색 엔진 원리로 풀어보는 GEO 오해와 진실

기본적인 흐름을 설명했으니, 이제 많은 분들이 갖고 계신 의문에 대해서 답해 보려고 합니다. 오늘 GEO 팩트체크 세미나의 패널 토크에서 모더레이터로 참여하시는 라이너 콘텐츠 리드를 통해서 미리 질문을 받았습니다.

Q1. 사이트 속도, 렌더링 전략, 전통적인 SEO 시그널이 GEO에서도 중요한가요?

네, 중요합니다. 앞서 설명드린 AI 검색 엔진의 흐름을 떠올려봅시다.AI는 쪼개진 키워드 쿼리를 기반으로 기존 검색 엔진의 결과를 활용합니다. 즉, 일단 상위 10~20위권 내에 노출(SEO)이 되어야만 AI가 제목과 스니펫을 읽을 기회조차 얻을 수 있습니다. 그렇기 때문에 SEO가 안 되어 있으면 GEO도 당연히 안 된다, 이것이 당연한 사실이라고 보시면 될 것 같습니다.

즉 AI 검색이 기존의 서치 엔진을 그대로 이용하기 때문에, SEO에서 유효했던 전략은 여전히 유효하다고 할 수 있습니다. 다만 SEO가 충분조건은 아니고, 필요조건이라고 이해해 주시면 됩니다.

AI 검색 엔진의 작동 방식을 고려했을 때, 사이트 속도나 렌더링 전략 등 기존 SEO에서 유효했던 전략은 GEO에서도 유효하다 <출처: ‘GEO 팩트체크’ 세미나에서 진행된 라이너 김윤기 엔지니어의 ‘AI 검색엔진이 콘텐츠를 선택하는 법’ 발표자료>

Q2. GEO에서 그레이햇(Gray-hat)이나 블랙햇(Black-hat) 기법이 실제로 작동하나요?

일부는 작동하는 것도 있고, 일부는 그렇지 않습니다.

우선 Prompt traffic abuse 기법은 작동하기 어렵습니다. 같은 프롬프트를 AI에 계속 입력해서 AI에 노출되게 하겠다는 기법인데요. 검색 엔진에서 똑같은 검색어를 날려서 우리 사이트를 상단에 노출시키겠다는 기법과 같은 것이죠. 이건 작동하기 어렵습니다. 하지만 AI가 어떤 콘텐츠를 인용할지 결정하는 데는 사용자 트래픽 규모가 영향을 주지 않습니다.

반면, 페이지 중간에 AI만 읽을 수 있도록 숨겨진 지시어를 넣는 ‘HTML Injection’ 방식은 당장은 통할 수도 있습니다. 하지만 LLM 모델과 탐지 기법은 지금 이 순간에도 비약적으로 발전하고 있습니다. 한때 챗GPT가 폭탄 만드는 법도 친절하게 알려주던 시절이 있었지만 지금은 철저히 막힌 것처럼요. 이런 꼼수들은 조만간 무력화될 가능성이 높으니 아까운 리소스를 낭비하지 않으셨으면 좋겠습니다.

Q3. 페이지 내 위치에 따른 인용의 차이가 있나요?

네, 위치가 꽤 중요합니다. 두 가지 측면에서요.

첫째, 앞서 강조했듯 AI가 본문을 읽을지 말지 결정하는 기준은 제목과 스니펫입니다. 검색 결과에 노출되는 텍스트가 AI에게 '이 페이지에 유용한 정보가 있다'는 확신을 줄 정도로 매력적이어야 합니다.

둘째, 본문을 가져온다고 해도 전부 다 가져오지는 않습니다. 본문 길이가 너무 길면 전부 다 가져올 수 없어서, 앞에서부터 적당히 잘라서 가져오게 됩니다. 그래서 중요한 정보는 앞쪽, 페이지 상단에 두는 게 유리합니다.

Q4. FAQ 형식이 효과적이라고 하던데, 진짜인가요?

콘텐츠의 측면에서는 맞습니다. FAQ 형식 자체가 AI가 인용하기 정말 좋은 형태인 건 사실입니다. 저희 회사의 FAQ를 예로 들어 보겠습니다. “Liner, Liner Scholar, Liner Write는 무엇이 다른가요?’라는 질문이 있는데요. 어떤 유저가 “라이너 스콜라에 대해 설명해줘”라고 질문한다면, 이 FAQ에 있는 답변을 가져오기에 너무 좋은 형식입니다. 애초에 FAQ '특정 질문을 해결하기 위한 포맷'이기 때문이죠.

하지만 형식적 측면에서는 그렇지 않습니다. 정보는 구체적이지 않은데 FAQ 형식만 도입하는 건 의미가 없습니다. FAQ 형식이 효과가 있다고 말씀드린 건 FAQ의 내용이 인용될 만한 콘텐츠를 많이 갖고 있기 때문에 효과적이라는 의미입니다. FAQ 형식 자체가 의미 있는 것은 아닙니다.

AI 검색 엔진의 작동 방식을 고려했을 때, FAQ 형식은 그것이 담고 있는 콘텐츠가 충분히 유용할 경우에 효과적이며, 콘텐츠가 충분하지 않은데 단지 그 형식만 차용할 경우에는 효과적이지 않다. <출처: ‘GEO 팩트체크’ 세미나에서 진행된 라이너 김윤기 엔지니어의 ‘AI 검색엔진이 콘텐츠를 선택하는 법’ 발표자료>

Q5. AI 친화적 글쓰기라는 게 있나요?

이 질문도 정말 많이 해 주시는데요. 두 가지 측면에서 말씀드릴게요.

먼저콘텐츠 측면에서는 AI 친화적 글쓰기가 있을 수 있다고 말씀드리고 싶습니다.AI는 자기가 몰랐던 정보를 획득해서 유저에게 잘 전달하고 싶어 합니다. 따라서 정보량이 많고 구체적인 정보를 담고 있는 콘텐츠를 인용할 가능성이 높습니다. 그리고 그 정보가 구체적이면 AI가 쓸 만한 게 많기 때문에 좋아할 수밖에 없습니다.

예를 들기 위해 ChatGPT와 라이너에 ‘벚꽃놀이 명소 추천해줘’라고 물었습니다. 두 엔진에서 ‘벚꽃놀이 명소 Best7’ 같은 콘텐츠가 많이 인용되는 것을 볼 수 있습니다. 제목에서부터 '이 페이지에 들어가면 최소한 7곳에 대한 정보를 얻을 수 있겠구나, 정보가 풍부하겠구나'라는 시그널을 주니 인용이 잘 된다고 할 수 있습니다.

AI 검색 엔진의 작동 방식을 고려할 때, AI에 친화적인 특정한 형식이나 구조는 존재하지 않는다. 다만 구체적인 정보를 담고 있고, 또 정보량이 많은 페이지의 경우에는 AI 친화적일 수 있다. <출처: ‘GEO 팩트체크’ 세미나에서 진행된 라이너 김윤기 엔지니어의 ‘AI 검색엔진이 콘텐츠를 선택하는 법’ 발표자료>

반면 형식이나 구조 측면에서는 ai 친화적 글쓰기란 게 없습니다. 사실은 '무조건 없다'라기보다는 '없을 가능성이 있다' 혹은 '없어질 가능성이 높다'에 가깝습니다.

AI 모델은 웹페이지에 있는 데이터를 학습합니다. 이때 학습에 많이 활용된 형식을 선호하게 됩니다. A라는 형식으로 쓰인 콘텐츠를 많이 학습했다면 애초에 그런 형식으로 쓰인 글을 좋아할 수밖에 없는 것이죠. 그와 달리 B형식을 많이 학습한 모델은 B를 좋아할 것입니다.

그런데 이는 모델이 새로 업데이트될 때마다 달라집니다. 최근 GPT, Gemini와 같은 모델들은 세 달 정도에 한 번씩 업데이트하고 있는데, 그럴 때마다 모델이 선호하는 형식이나 구조가 계속 바뀔 것입니다. 그리고 그것들이 어떤 형식이나 구조를 좋아하는지는 아무도 알 수 없어요. AI를 학습시키는 분들조차도 알기 어렵습니다.

그래서 형식·구조에 매달리기보다는 정보량이 많거나 구체적인 정보를 담고 있는 페이지를 만드는 것을 더 추천드립니다.

Q6. WebMCP를 도입하면 GEO에 도움이 되나요?

도움이 되지 않습니다. WebMCP는 에이전트가 웹사이트에 들어가서 장바구니에 물건을 담거나, 로그인을 하는 등 사람처럼 행동할 수 있게 해주는 도구입니다. AI 검색의 로직에 WebMCP가 끼어들 여지가 없습니다.

굳이 따지자면, 로그인해야만 볼 수 있는 페이지에 접근할 수 있게 해주는 정도인데요. GEO와 무관하다고 생각해도 무리 없습니다.

정리: AI가 우리 페이지를 인용하게 하는 방법

오늘 전달드리고 싶었던 내용을 바탕으로, AI가 우리 페이지를 인용하게 하는 방법으로는 딱 세 가지가 중요합니다.

서치 엔진 상위에 우리 페이지가 노출되어야 합니다.즉 SEO에서 유용했던 전략은 여전히 중요하고, GEO에서의 필요조건이라고 할 수 있습니다.
AI가 우리 페이지의 제목과 스니펫을 보고 유용한 웹페이지로 인식해야 합니다.즉 중요한 정보는 스니펫에 담아야 합니다.
웹 페이지 본문의 정보가 다양하고 깊이 있어야 합니다.즉 콘텐츠의 퀄리티가 더욱 중요한 시대라고 할 수 있습니다.

이 세 가지 말씀을 드리면서 세션은 마치도록 하겠습니다. 감사합니다.

]]>

GEO 성과 측정 실전편: 인용률 트래킹과 AI 크롤러 로그 활용법

양용준 서치나인 대표 | GEO 팩트체크 세미나 '실제 사례로 살펴보는 GEO 오해와 진실' 두 번째 강연

이 글은 5월 21일 열린GEO 팩트체크 세미나에서 나온 양용준 서치나인 대표의 발표 내용을 1인칭 시점으로 정리한 글입니다. 앞서 공개한 세미나 사전 가이드가 “GEO 성과를 왜 최종 KPI가 아니라 전조 지표로 봐야 하는가”를 다뤘다면, 이 글은 실제 발표에서 소개된 프롬프트 구성 방식, 인용률 주 단위 트래킹, AI 크롤러 로그, Client ID/User ID 기반 전환 추적의 한계를 사례 중심으로 정리합니다.

저는 이번 세미나에서 'GEO 성과 측정을 어떻게 접근할까'라는 주제를 맡게 된 양용준이라고 합니다. 서치나인에서 1인 SEO/GEO 컨설턴트로 활동하고 있고요.

저는 SEO 하시는 분들께 '물음표 살인마'라는 소리를 들을 정도로 질문을 꽤 많이 하는 편입니다. 제가 납득이 돼야 작업을 할 수 있는 성격인 만큼, 계속 질문을 던지면서 검증해온 방법들을 오늘 말씀드리고자 합니다.

먼저 분명히 해두고 싶은 게 있는데요. 만약 '정답을 찾으러 왔다'고 하시면, 이 세션은 전혀 적합하지 않다고 생각합니다. 다만 어떤 방식으로 접근하고, 테스트하고, 성과를 측정하는지 그 '과정'을 보고 싶으시다면, 이 세션이 조금 괜찮은 인사이트가 되지 않을까 생각합니다.

어차피 우리는 지금 기준으로 일부 성과만 볼 수 있다고 보고 있고, 최종 KPI를 설정해도 결국 그게 정확하지 않다면, 저는 최종 지표보다는 오히려 그것의 '전조 증상'이 되는 신호들을 성과로 보자, 라고 현재까지 1차적으로 결론을 내렸습니다.

기본 프롬프트는 어떻게 구성했나

가시성 검증과 관련해 가장 많이 받는 질문 중 하나가 '기본 프롬프트는 어떻게 구성했느냐'인데요.

저는 잘 구성되어 있는 사이트의 Sitemap.xml만 봐도 그 홈페이지의 성격을 잘 파악할 수 있다고 봅니다. 그래서 Sitemap.xml과 클릭과 노출이 높은 페이지를 조합하고, 기존 SEO 기법에 있던 키워드 클러스터링과 클렌징한(허수를 덜어낸) 검색 볼륨을 기준으로 삼아 프롬프트를 짰습니다.

이렇게 짠 이유는, 프롬프트가 기본적으로 고객의 의도를 기반으로 한다고 생각하기 때문입니다. 단순한 키워드 검색이 이제는 구체적인 롱테일 형태의 프롬프트로 변화하는 추세입니다. 그래서 우리 홈페이지에서 지금 콘텐츠를 작성하거나 서비스를 운영하는 데 적합한 것을 골라내려면, 이런 식으로 조합하는 게 제 기준에서 가장 적합하다고 생각했습니다.

그렇게 조합하면 '가시성이 바로 올라가는 거 아니냐'라는 의문이 들 수 있는데요. 이 방식으로 진행했을 때, 생각보다 가시성이 처음부터 높게 나오는 경우는 많이 없었습니다. 오히려 이 과정을 통해서 기존의 글을 어떻게 리라이팅할지, 우리가 놓치고 있던 주제는 무엇인지, 상세페이지를 어떻게 수정해야 AI에게 충분히 인용될 가치가 있는 콘텐츠가 될 수 있는지 그 기준을 뽑아낼 수 있었다는 데 의의가 있다고 판단했습니다.

인용율을 KPI로 잡기

'내 사이트가 인용이 많이 되면 가시성이 올라갈 확률이 높을까?'라는 질문에 대해, 저는 프롬프트와 산업에 따라 다르다고 생각합니다.

구글에서는 인용이 많이 되면 가시성이 올라갈 확률이 높았고, 라이너에서도 마찬가지였습니다. 저는 답변이 어떻게 나왔는지를 보기보다 그 답변을 만들어내는 '과정'에서 어떤 출처를 어떻게 추출했는지를 보는데요. 외부 인용도 좋지만, 특정 채널을 제외하면 '어떤 도메인이 특별히 더 좋다'고 단정하기는 어렵고, 자사 사이트가 인용이 되면 가시성이 높아질 확률은 올라간다고 봤습니다.

다만 GPT에서는 인용이 된다고 해서 내 브랜드가 추천되지 않는 경우도 많았고, 오히려 다른 브랜드에 인용 효과만 주게 되는 케이스도 많았습니다.

실제로 동탄 피부과 케이스를 모아봤는데요. ‘리베리 의원’을 보시면 추천이 되는 경우도 있고, 두 번째 화면처럼 인용 출처로만 표시되는 경우도 있었습니다. 하지만 아예 소스로 인용되지 않으면 노출될 확률이 낮다고 생각합니다. 그래서 인용률을 올리는 것 자체는 간접적인 신호가 된다, 충분히 의미가 있다고 봤습니다.

단, 인용률을 완벽한 KPI로 보기는 어렵다고 생각합니다. AI는 답변의 신뢰도를 높이기 위해 외부 데이터를 실시간으로 찾아오는 RAG(검색 증강 생성) 방식을 사용하며, 이렇게 찾은 여러 근거 자료에 기반해 답변을 만들어내는 '그라운딩' 과정을 거칩니다. 즉, 우리 사이트 하나만 보는 것이 아니라 여러 페이지의 정보를 조합하여 최종 답을 내놓기 때문에, 우리의 의도와 무관하게 다른 페이지의 정보가 인용 출처로 잡힐 확률을 통제하기 어렵습니다. 실제로 홈페이지 인용이 아무리 많이 됐다고 해도, 산업에 따라서는 AI가 홈페이지보다 구글 비즈니스 프로필 데이터를 더 선호할 수도 있고 혹은 머천다이즈 센터에 대한 데이터를 더 좋아할 수도 있습니다.

주 단위 인용률 트래킹

화면에 보이는 건 제가 사용하고 있는 체인시프트 GEO 툴인데요. '사이트가 실제로 인용이 많이 되면 가시성이 올라갈 확률이 높아지는가'를 주 단위로 체크해봤습니다. ‘리베리 의원’을 주목해서 봐주시고요. 구글 검색창에 시크릿 모드로 ‘동탄 울쎄라’ 가격이나 ‘동탄 리주란 가격’이라고 검색해보시면 AI로 작성한 수십 개의 페이지가 상위노출 되어 있는 것을 보실 수 있습니다.

‘리베리의원’이라는 브랜드를 보시면, 4월 5일에서 4월 11일 기준으로는 가시성이 없었고, 4월 26일~5월 2일 데이터에서는 8.9%로 올랐습니다. 그리고 5월 3일~5월 9일에는 21% 가까이 올랐죠. 마지막으로 5월 10~5월 16일에는 18.1%로 다시 내려갔습니다. 그 말인즉 AI로 다량 작성한 콘텐츠가 단기간의 인용이나 가시성에 도움을 줄 수 있지만 장기적으로 구글이나 LLM이 적합하지 않다고 판단하면 인용이 높아도 AI 가시성은 낮아질 수 있습니다.

한편 에미뜨 의원의 5월 3일~5월 9일, 5월 10일~5월 16일 인용횟수를 봤는데, 10위권에 있던 사이트가 일주일 기준으로 8위까지 올라갔죠. 그 기간 동안 콘텐츠를 통해 인용율을 높이는 작업을 한 건데요. 인용율이 올라갔을 때 가시성이 올라간다는 걸 알 수 있는 간접적인 신호로 볼 수 있지 않을까 생각했습니다. 다만 이건 GPT 기준이고, AIO나 AI 모드 에서는 어떤 작업을 우선순위로 잡을 것인가에 대한 판단이 또 필요하다고 생각합니다.

여러분들도 아시겠지만, GPT는 영문 도메인의 인용이 높게 나오고, 구글 비즈니스 프로필 의존도가 상당히 높습니다. 반대로 AIO나 AI 모드는 비즈니스 프로필·유튜브, 머천다이즈 센터 데이터를 잘 가져오고 있으나 영문 도메인을 더 많이 가져온다란 느낌은 없죠. 그래서 어떤 LLM이냐, 어떤 산업 분야냐에 따라 테스트해야 할 것들이 달라지는데요. 저는 당장 어떤 LLM을 목표로 잡아 우선순위로 둘 것이냐를 판단하는 데 이런 툴을 사용하고 있습니다.

AI 크롤러의 유입주기를 KPI로 잡기

그럼에도 ‘외부 트래킹 툴을 항상 믿어도 될까’라는 고민이 있습니다.

GEO 이전에, SEO에도 여러 툴이 있었죠. 경험상 저는 SEO 에이전시 일하면서 Semrush 같은 SEO 툴을 다룰 때도 지표가 과장되는 것에 대한 불만이 많았습니다. 동일한 SEO 툴에서도 DA나 평균 트래픽 등이 다 달랐습니다. 결국 툴이란 건 방향을 잡기에는 도움이 되지만, 정확한 KPI를 설정하는 데는 내 사이트에 고객이 실제로 잘 들어오는지를 확인하는 게 필요하다고 생각했습니다.

그래서 실제로 AI 크롤러의 유입을 살펴본 건데요. 최근에 약 2~3주 가까이 트래킹을 해봤습니다. LLMs.txt도 넣지 않고, AI가 좋아하는 콘텐츠의 방향이란 것도 적용하지 않았습니다. 그럼에도 크롤러가 나쁘지 않은 수준으로 유입되고 있었습니다. 그래서 AI 크롤러의 유입을 전조증상 KPI로 보는 것도 의미 있다고 생각합니다.

저는 먼저 아무 작업도 하지 않았을 때를 기준으로 AI 크롤러가 얼마나 들어오는지를 파악해 지표로 쌓고, 그 이후에 GEO 작업을 하면 인용률, 가시성이 올라가는지 등을 확인하는 게 좋은 KPI가 되지 않을까 생각합니다.

Client ID / User ID 기반 전환 추적을 KPI로 잡기

GA, AA, 앰플리튜드 같은 분석 툴은 그 자체로 데이터를 세팅해 준다기보다, 우리가 수집한 데이터를 보기 좋게 띄워주는 '대시보드'에 가깝다고 생각합니다. 그렇다면 단순히 대시보드의 화면이나 세팅을 조작하는 데 그칠 것이 아니라, 애초에 그 안으로 밀어 넣는 '데이터의 품질' 자체를 높여야 한다고 판단했습니다. 그래서 웹사이트 상에 질 좋은 데이터를 어떤 식으로 쌓을 수 있을지부터 다시 고민했고, 우리 사이트에 맞는 독자적인 데이터 레이어를 구축해 보기로 했습니다.

핵심 과제는 결국 'AI 검색을 통해 유입된 트래픽과 전환'을 이 데이터 레이어에 정확히 분리해서 담아내는 것이었습니다. 이를 추적하려면 기본적으로 Client ID(쿠키 기반)나 User ID(로그인 기반)를 활용해야 합니다. 그래서 본격적인 세팅에 앞서, 과연 AI 크롤러에게도 이 기존의 추적 방식이 동일하게 통할지 의문이 들었습니다. 그래서 이를 확인하기 위해 두 가지 사전 테스트를 진행했습니다. 먼저 AI 크롤러에게 쿠키값이 부여되는지를 봤을 때, 아닌 것으로 확인했습니다. 두 번째로 AI 크롤러가 직접 로그인을 할 수 있는지를 확인했을 때도 아닌 것으로 나타났습니다.

기존 방식(쿠키/로그인)으로는 AI 봇을 추적할 수 없다는 걸 알게 되니, '그렇다면 AI로 인한 실제 전환 기여도를 도대체 어떻게 증빙할 수 있을까?'라는 현실적인 고민에 부딪혔습니다. 그래서 우회하는 방식으로 접근하여, 가입 경로에 직접 체크를 하게 하거나 실제 상담 과정에서 AI로 인한 문의가 상승했는지를 정성적으로 확인하고자 했습니다.

실제로 클라이언트 ID를 만들어서 GA4 맞춤 보고서로 테스트를 해보며 또 다른 문제를 발견했습니다. 여러분도 개발자 도구 콘솔에서 'document.cookie'를 검색해 보시면 아시겠지만, 실제 유저가 유입될 때도 쿠키가 파편화된다는 점입니다. 사용자가 'Chat GPT 앱 내의 브라우저'를 통해 우리 사이트에 접속할 때와, 같은 기기에서 '크롬이나 사파리 앱'으로 접속할 때 찍히는 클라이언트 ID가 명확하게 달랐습니다. 각 앱마다 고유의 쿠키 저장소를 따로 쓰기 때문입니다.

데이터 모수(샘플)가 아주 방대해진다면 이를 엮어서 간접 전환을 유추해 볼 여지는 있겠지만, 데이터의 정확도와 신뢰성이 너무 떨어진다고 보았습니다. 결과적으로 봇이든 실제 유저든 '쿠키(Client ID) 기반의 추적'은 전반적으로 실패이자 한계가 명확하다는 결론을 내렸습니다.

산업군마다 차이는 있겠지만, 쿠키 추적이 불확실하다면 결국 '로그인 기반의 유저 ID(User ID)'가 현실적인 해답이 됩니다. 예를 들어 이커머스라면, 사용자가 특정 행동을 했을 때 가입을 유도하는 배너(트리거)를 띄우는 등 최대한 CRM(고객 관계 관리) 관점의 장치를 마련해야 합니다. 이렇게 일단 로그인을 시켜두면, 유저가 처음에 GPT를 통해 둘러보고 나중에 네이버나 구글로 다시 유입되어 구매하더라도 GPT의 간접 전환 기여도를 정확히 파악할 수 있기 때문입니다.

물론 여기에도 리스크는 존재합니다. GPT로 유입된 유저가 끝내 가입하지 않는다면 여전히 추적은 어렵습니다. 하지만 이 빈틈은 내부의 SXO(검색 경험 최적화)나 CRM 고도화를 통해 점진적으로 개선하며 테스트해 나갈 수 있는 영역입니다.

결론적으로, 현시점에서 단순히 기존 툴만 믿고 'AI를 통한 전환율'을 완벽하게 측정하려는 것은 불가능에 가깝습니다. 데이터의 질을 높이기 위한 우리만의 체질 개선이 먼저 선행되어야 합니다.

브랜드 키워드 유입 KPI

구글의UCP(범용 상거래 프로토콜, Universal Commerce Protocol)가 발표되고 클릭과 노출보다는 가시성과 인용이 KPI로 바뀌는 시점입니다. 이때 "왜 굳이 브랜드 키워드 유입 증가를 봐야 하느냐?"는 의문이 들 수 있습니다. 기존 SEO 환경에서는 정보성 콘텐츠만 잘 작성해도 사이트 유입을 유도하거나 1st 파티 쿠키 기반의 타겟팅 광고가 가능했습니다. 하지만 AI 검색 환경에서는 다릅니다. 사용자가 AI의 답변을 통해 원하는 정보만 확인하고 사이트 유입 없이 이탈해 버리는 현상(Zero-click)이 산업군을 막론하고 발생하고 있기 때문입니다.

실제로 제가 모니터링해 온 업체들의 데이터에서도 단순 정보 제공형 콘텐츠의 AI 인용률이 더 높게 나타났습니다. 하지만 장기적으로 볼 때, 정보성 콘텐츠에만 의존하는 웹사이트는 결국 트래픽이 완전히 말라버릴 위험이 높습니다. 반대로 브랜드의 고유한 이야기, 소식, 실제 고객 후기 등 대체 불가능한 '비정형 콘텐츠'가 탄탄하다면 웹사이트로 직접 유입될 가능성이 훨씬 큽니다.

결국 우리가 시간과 노력을 들여 GEO를 한다면, 그것이 궁극적으로 '우리 브랜드'를 검색해서 찾아오게 만드는 데 영향을 주어야 합니다. 물론 큰 기업은 PR도 하고, 광고도 하고 이미 기존의 인지도도 높기 때문에, GEO 때문에 브랜드 유입이 증가한 것인지 명확히 측정하기 어렵습니다. 하지만 브랜드나 사이트가 처음 시작하는 단계이거나 작은 기업이라면 이 브랜드 키워드 유입 증가를 KPI로 잡고 테스트해볼 수 있습니다.

제가 맞춤 정규식 기준으로 브랜드 쿼리를 추출해 본 데이터가 있습니다. 왼쪽 첫 번째와 맨 아래에 있는 사이트는 광고를 전혀 집행하지 않고 자연 유입으로만 운영되는 곳이라 순수한 테스트 변화를 체크하기에 매우 유용했는데요. 보시다시피 브랜드 유입 수가 뚜렷하게 증가한 것을 확인할 수 있습니다.

이처럼 저는 가시성의 변화를 직접 테스트하며 다양한 인사이트를 발굴하는 편입니다. 이 과정에서 의문이 생기면 제가 애용하는 GEO 분석 툴을 제작하고 있는 '체인시프트'의 CTO님과 심도 있는 토론을 나누기도 합니다. 해당 툴을 보면 항목별 인용 및 적용 비율 같은 유용한 데이터가 제공됩니다. 하지만 툴에서 제공하는 수치는 어디까지나 '참조용 지표'입니다. 내 사이트가 실제 AI 환경에서 어떻게 인용되는지는, 툴에만 의존할 것이 아니라 직접 눈으로 확인하고 체감하는 정성적인 검증 과정이 반드시 동반되어야 한다고 생각합니다.

가시성은 올랐는데 브랜드 쿼리가 떨어진다면

물론 브랜드 검색량이 늘어난 것을 100% GEO만의 성과라고 단정 지을 수는 없습니다. 하지만 반대로, 가시성은 상승했는데 정작 우리 브랜드 유입은 오히려 떨어지고 있다면 경각심을 가져야 하지않을까 생각합니다. 내가 짠 프롬프트가 정교하게 브랜드를 각인시키는 프롬프트인지, 아니면 그저 '좋은 정보만 퍼주고 끝나는' 프롬프트인지 점검해 봐야 할 시점이죠.

이상적인 그림은 명확합니다. AI 내 가시성을 높여 우리 브랜드의 언급량을 늘렸다면, 그에 비례해 브랜드 검색량도 올라가야 정상이라고 생각합니다. 이를 IMC(통합 마케팅 커뮤니케이션) 관점에서 본다면, GEO와 브랜드 쿼리는 당연히 하나의 궤적에서 함께 봐야 하는 지표입니다. IMC 개념이 당장 생소하시더라도 괜찮습니다. '내 브랜드의 메시지를 모든 접점에서 일관되게 전달하여 고객을 끌어당긴다'는 맥락만 파악하신다면, 충분히 이 관점을 GEO 실무에도 훌륭하게 접목하실 수 있을 것입니다.

성과를 과대 포장하지 말자

마지막으로 당부드리고 싶은 것은, 'GEO로 엄청난 성과와 매출을 만들었다'는 식의 무용담을 항상 경계해야 한다는 점입니다.

AI 검색 환경에서 가시성이 아무리 올라갔다 한들, 실제 전환이나 결제로 이어지는 길목은 여전히 네이버의 지배력이 압도적이기 때문입니다. 실제로 월 매출 3~4억 원을 기록하는 인지도 높은 국내 브랜드, 그 이상의 매출을 내고 있는 누구나 알법한 다국어 브랜드의 채널별 데이터를 뜯어보았을 때도, 네이버와 구글의 기존 오가닉 검색 매출이 압도적으로 높았습니다. 그렇다면 LLM(거대 언어 모델)을 통한 유입이 그에 비례하는 매출을 견인했을까요? 어느 정도의 일부 발생은 있었지만, ROI나 ROAS 관점에서 무작정 GEO에 예산을 쏟아붓는다고 해결될 수준은 결코 아니었습니다.

현실적으로 말씀드리면, 현재 GEO는 국내외를 막론하고 그 누구도 완벽하게 성과를 측정할 수 없는 미지의 영역입니다. 그렇기에 기존 퍼포먼스 마케팅이나 SEO처럼 '클릭'과 '노출'과 같은 수준으로 AI가시성, 인용률과 같은 명확한 단일 지표를 KPI로 삼는 것은 아직까진 무의미하다 보고 있습니다.

오히려 다양한 '전조 증상'들을 KPI 대시보드에 띄워놓고, 지표 간의 상관관계를 비교해 가며 '우리의 콘텐츠 체질이 올바른 방향으로 개선되고 있는가'를 판단하는 것이 현재로서는 가장 타당한 접근이라고 생각합니다.

"어느 기업이 AI 최적화로 전환율을 몇 배 올랐다더라, 유입이 몇백 몇천프로 올랐다" 하는 과장된 PR 기사에 흔들리실 필요 없습니다. 남들이 한다고 조급해할 것이 아니라, 그 사례가 어떤 산업군이었고, 어떤 환경에서, 어떤 잣대로 측정된 것인지부터 냉정하게 따져보아야 합니다.

솔직히 말씀드리면, 적어도 국내 이커머스 환경에서 LLM을 통한 실질적 전환은 개인적으로 봤을 때 '처참한' 수준이었습니다. 누구나 알 만한 유명 브랜드조차 챗GPT 같은 AI 엔진에서 노출은 잘 되어도, 그것이 지갑을 여는 전환으로 이어지는 비율은 아직 미미합니다. (이 지표 또한 AIO나 AI Mode는 제외하고 본 형태죠)

결론은 이렇습니다. 과장된 기사를 보고 조급함(FOMO)을 느끼셨다면, 아직은 한숨 돌리셔도 괜찮습니다. GEO를 통해 '당장의 결과(매출)'를 기대하는 프로젝트를 기획하신다면 십중팔구 실패할 것입니다. 하지만 다가올 검색 패러다임의 변화에 맞춰 우리의 자산을 정비하는 '준비의 자세'로 접근하신다면, 분명 올바른 궤도에 오르실 수 있습니다.

다만 이 모든 이야기는 제가 직접 부딪히며 얻은 저의 경험에 의거해 드리는 말씀입니다. 그런 만큼, 최종적인 판단은 여러분의 몫이라고 생각합니다. 감사합니다.

질의 응답

Q.사이트에 접속한 AI Crawler의 종류는 user-agent 헤더값으로 판단하신 것인가요?

양용준:클라우드플레어를 통해 판단하고 있습니다. 제가 확인한 바에 의하면 user-agent 하나로만 판단하는 게 아니라, IP/ASN, Bot Score 등을 종합적으로 판단하는 것으로 알고 있습니다.

]]>

GEO 콘텐츠 전략: SEO 키워드 보다 AI '맥락' 설계하는 법

이소연 빌더블 대표 | GEO 팩트체크 세미나 '실제 사례로 살펴보는 GEO 오해와 진실' 첫 번째 강연

이 글은 5월 21일 열린 GEO 팩트체크 세미나에서 이소연 빌더블 대표가 발표한 내용을 1인칭 시점으로 정리한 글입니다. 앞서 공개한 사전 가이드가 “GEO 콘텐츠는 SEO 글쓰기와 무엇이 같고 다른가”를 설명했다면, 이 글은 세미나 현장에서 다룬 LG그램 검색 사례, 쿼리 팬아웃과 RAG, 브랜드를 문제·솔루션·증거·제3자 검증과 함께 설계하는 방법을 발표 흐름에 맞춰 정리했습니다.

안녕하세요. 귀한 시간 내주셔서 감사합니다. 저는 현직 SEO 컨설턴트이자 SEO 교육 회사 빌더블 대표인 이소연이라고 합니다.

저는 오늘 세션에서 'GEO에 어떻게 콘텐츠를 써야 할까?'라는 의문에 조금이나마 해답을 드리고자 이 자리에 섰습니다. 앞으로 15분 정도 후에 이 세션이 끝나면, 저는 여러분이 이 세 가지를 가져가시길 바랍니다.

첫 번째는 SEO와 GEO의 차이점을 알아가시는 것이고요. 두 번째는 GEO 콘텐츠를 잘하려면 어떤 요소들이 들어가야 하는지 설명할 텐데, 그 부분을 이해하시는 것입니다. 그리고 세 번째는, 우리 브랜드 콘텐츠를 디벨롭하기 위해 내부에서 어떤 질문을 던져야 하는가입니다. 이 세 가지를 15분 후에 꼭 가져가시길 바랍니다.

AI가 바꿔놓은 검색, 우리는 어떻게 따라가야 할까

요즘 AI가 빠른 속도로 발전하면서 'AI가 화이트칼라를 대체할 것이다', 'SK하이닉스는 왜 사람을 안 뽑느냐' 같은 말이 나올 만큼 굉장히 혼란스러운 시대인 것 같아요. 일하는 방식이 흔들리는 것도 모자라, 소비자가 검색하는 패턴조차 바뀌고 있습니다. 그러니 '이 행동 변화의 속도를 우리가 어떻게 따라가야 하지?'라는 고민이 생길 수밖에 없죠.

그래서 제가 가장 많이 듣는 질문이 "기존에 써놓은 글을 우리 다 버려야 할까요?", "SEO를 잘하면 GEO는 자동으로 되는 거 아닌가요?" 같은 것들입니다. 실제로 제게 들어오는 질문들이고요. 정말 혼란스럽다고 느낄 만큼 질문이 많습니다. 그래서 오늘은 이 혼란을 한 겹씩 걷어내 보려고 합니다.

먼저 짚고 넘어가는 SEO

GEO를 이야기하려면, 우리가 익숙하게 알고 있는 SEO부터 한 번 짚고 넘어가는 게 순서입니다. SEO에서 가장 중요한 요소는 키워드입니다. 모든 건 검색하는 사람이 어떤 순간에 키워드를 검색하면서 시작돼요. 우리는 그 사람들의 눈에 띄기 위해 키워드를 제목에 넣고, 그렇게 검색 결과 상위에 노출시켜 트래픽을 우리 쪽으로 가져옵니다. 이 일련의 작업이 바로 SEO죠.

말로만 설명하면 와닿지 않으니, 제 실제 검색 기록을 가져왔습니다.

며칠 전 제가 직접 'LG 그램 발열 해결'이라고 검색한 화면입니다. 지난주에 유튜브 라이브가 하나 예정되어 있었는데, 라이브를 하려면 이 컴퓨터로 작업이 원활해야 했거든요. 그런데 부하가 조금만 걸려도 발열이 심해지는 거예요. '이 상태로 라이브를 하다가는 속된 말로 방송을 망칠 수도 있겠다' 싶어서, 급한 마음에 이렇게 검색을 해봤습니다.

그래서 LG전자 고객지원센터에도 들어가 보고, 밑에 있는 블로그, 그리고 AI 개요 섹션에서도 정보를 탐색했어요. 그런데 제가 원하는 답변이 빠르게 나오진 않더라고요. 단편적인 키워드 하나로는, 제 구체적인 상황에 딱 맞는 답을 찾기 어려웠던 겁니다.

같은 문제, 전혀 다른 검색 방식

그래서 이번엔 같은 문제를 들고 AI에게 가봤습니다. 저는 라이너에 똑같은 고민을 검색했어요.

방금 본 SEO 검색과 나란히 놓으면 차이가 단번에 드러납니다. 구글에서는 단편적인 키워드만 던졌지만, 라이너에서는 굉장히 디테일한 맥락을 적었거든요.

"지금 사용하고 있는 컴퓨터가 LG그램인데, 전원을 켜면 팬에서 소리가 크게 나고 바로 뜨거워져. 그리고 줌(zoom)을 켜면 더 발열이 심해지면서 중간에 멈추거나 화면이 꺼져. 어떻게 해결해야 해?"

이렇게 제가 처한 문제 상황을 구체적으로 적고, 무엇을 바라는지까지 적은 거죠.

아마 여기 계신 분들도 구글 창에서는 저와 같은 톤으로, 짧은 키워드로 검색하실 거예요. 반대로 라이너든 제미나이든 생성형 AI 검색에서는 이렇게 문장 형태로 묻게 되고요. 게다가 질문 하나로 끝나지도 않습니다. AI와 티키타카를 주고받으면서, 내 의도와 내가 왜 이걸 검색하는지 그 맥락을 점점 더 자세히 설명하게 되죠.

바로 이 지점이 SEO와 GEO를 가르는 출발선입니다.

AI 검색이 작동하는 두 가지 원리, 쿼리 팬아웃과 RAG

우리가 AI에게 문장으로 질문을 던지면, 그 뒤에서 두 가지 기능이 작동합니다. 이걸 알아야 GEO가 왜 SEO와 다른지 이해할 수 있어요.

1. 쿼리 팬아웃(Query Fan-out)

첫 번째로는 쿼리 팬아웃이라는 기능이 작동합니다. 말 그대로 하나의 질문을 부채를 펼치듯 여러 갈래의 하위 질문으로 쪼개는 기능이에요.

앞서 보신 것처럼 제가 LG 그램과 관련해 문장으로 된 검색을 하면, AI는 이걸 'LG 그램 발열 문제 해결 방법'으로 한번 검색하고, 같은 의도의 하위 질문을 'LG 그램 팬 소음 해결' 같은 식으로 바꿔서 또 검색합니다. 한 번 물었는데 AI가 알아서 여러 번 나눠 검색하는 셈이죠. 이것을 쿼리 팬아웃이라고 부릅니다.

2. RAG(검색 증강 생성)

두 번째는 그 뒤에서 작동하는 RAG(검색 증강 생성, Retrieval-Augmented Generation)입니다. RAG는 사용자가 질문하면, AI가 곧장 답하지 않고 필요한 만큼 관련 자료를 더 검색한 뒤 그 근거 위에서 답을 만드는 방식이에요. 학습한 지식만으로 그럴듯하게 지어내는 '할루시네이션', 즉 AI가 사실이 아닌 내용을 자신 있게 말해버리는 현상을 줄이기 위한 장치입니다.

이때 AI가 뒤지는 데이터의 범위가 상당히 넓습니다. PDF로 올라간 매뉴얼은 물론이고, 자사 웹사이트, 블로그, 상품 리뷰까지 읽어 가고요. 여기에 그치지 않고 남들이 올린 블로그, 유튜브, 인스타그램 캡션, 스레드(Thread) 같은 SNS까지 다 훑는다고 보시면 됩니다. 이렇게 사방에서 정보를 끌어모은 다음, '이 사람이 이걸 왜 검색했더라?' 하는 맥락에 맞춰 관련 문서를 종합해 답을 돌려주는 것, 그게 RAG입니다. 실제로 제가 라이너에 질문했을 때도, 라이너는 웹 문서 23개를 추가로 검색해서 답을 정리해 줬습니다.

여기서 한 번 정리하고 넘어가죠. GEO를 사용할 때 AI는 두 가지 일을 합니다.

쿼리 팬아웃: 우리가 한 가지 질문을 했을 때 더 잘 답하기 위해, n개의 하위 질문으로 확장해 병렬로 검색한다.
RAG: 학습된 지식만으로 답하지 않고, 더 정확한 답을 위해 관련 자료를 검색한 뒤 그 자료를 맥락에 맞춰 하나의 답변으로 정리해 준다.

이 두 가지가 GEO를 이해하는 열쇠입니다.

SEO와 GEO, 무엇이 다른가

이 기능을 보면 SEO와 GEO의 차이점을 좀 더 명확하게 알 수 있어요.

SEO는 키워드로부터 시작고, GEO는 프롬프트로부터 시작합니다. 그리고 SEO에서는 한 번에 한 개의 키워드만 검색을 했죠. 그러나 GEO는 쿼리 팬아웃이라는 기능과 RAG라는 기술 덕분에, 우리가 한 번 프롬프트를 입력하더라도 N번의 검색, 그리고 N개의 출처를 보고 답변을 해주게 됩니다. 기존에 하던 SEO보다 훨씬 더 효율적으로 많은 정보를 습득할 수 있게 된 거죠.

그래서 기존에 SEO를 할 때는, 우리가 자사 사이트를 많이 출현시킨다고 생각했어요. 백링크 같은 오프사이트 요소를 제외하면, 우리가 기본적으로 가장 신경 쓰는 게 뭐냐 하면 자사 웹사이트였거든요. 그렇게 됐을 때 우리의 성과는, 우리가 원하는 키워드에 노출을 올려서 클릭까지 일어나게 만드는 것이었습니다. 그래서 궁극적으로 구글 애널리틱스에서 '오가닉 트래픽이 이만큼 늘었네' 이런 것들을 주요 KPI로 삼았습니다.

그러나 아까 RAG를 설명할 때, AI는 우리 웹사이트만 검색하는 게 아니라고 했잖아요. 유튜브도 보고, 인스타그램 캡션도 보고, 스레드도 보고, 블라인드 같은 커뮤니티 사이트도 봅니다. 그러다 보니 인터넷 전반에서 '우리 브랜드에 대해 어떻게 이야기하고 있지?' 이걸 최적화해야 합니다. 신경 써야 할 범위가 웹사이트보다 훨씬 넓어진 거죠.

이렇게 됐을 때 우리의 성과는 '인용'과 '추천'이 되어야 합니다. 사람들이 AI에게 "난 이런 제품 찾고 있어", "이런 서비스 찾고 있어", "이런 병원 찾고 있어"라고 궁극적으로 무언가를 요구할 때, 우리 브랜드가 추천되는 것. 이게 앞으로 우리가 가져야 할 가장 중요한 KPI라고 볼 수 있습니다.

AI는 느낌이 아니라 맥락을 믿는다

그럼 추천이 잘 되려면 어떻게 해야 할까요? SEO 할 때는 키워드 분석부터 하고 '키워드를 어떻게 노출시켜야 하지?'를 생각했으니까, 반대로 'AI는 어떻게 검색을 할까?'를 생각하실 수 있잖아요. 그런데 저는 이것보다 더 중요하게 생각하는 포인트가 있습니다.

바로 '우리는 어떤 카테고리의 문제를, 어떤 방식으로 해결하는가' 입니다.

우리가 브랜드를 떠올릴 때는 '느낌'이라는 게 오거든요. 저는 파타고니아라는 얘기를 들으면 좋은 이미지가 떠오르곤 합니다. 광활한 자연에서 사람들이 인간의 한계를 딛고 서핑을 하거나 백패킹을 하는, 이러한 느낌이나 이미지가 떠오릅니다. 그리고 '러닝' 하면 어떤 브랜드가 떠오르세요? 아마 머릿속에 각자 떠오르는 브랜드가 하나씩은 있으실 거예요.

하지만 AI는 우리처럼 '느낌'을 읽을 수 있나요? 머릿속에 이미지가 떠오르는 사람 같은 존재인가요? 아니죠. AI는 느낌이 아니라 맥락을 믿습니다.

그래서 우리는 이 맥락을 어떻게 설계해야 하느냐면, 브랜드가 어떤 문제 상황을 누구와 함께, 얼마나 자주, 얼마나 신뢰할 수 있는 출처에서 언급하는지를 AI가 답변의 근거로 삼기 때문에, '우리는 어떤 카테고리의 어떤 문제를 해결하는가'에 굉장히 집중해야 합니다.

같은 이야기가 반복될 때 AI는 학습한다

예를 들어볼게요. 우리 회사 블로그나 의뢰한 블로그에 "잠을 못 자다가 베개를 바꾸고 나서 달라졌어요. 아침에 일어나면 목이 한결 편해요" 이런 언급이 하나 있고요.

또 유튜브나 인스타그램 등에서 누군가가 리뷰를 해줍니다. "수면 전문가가 추천해서 썼는데, 높이가 딱 맞아서 그런가 잠이 솔솔 온다."

그리고 블라인드 같은 데서도 "이 베개가 불면증 심한 사람한테 효과가 있다고 하는데, 진짜야?"라고 누가 물으면, 댓글로 "높이 조절이 잘 돼서 그런지 나한테 높이만 맞추면 기절한다" 이런 식의 반응들이 있겠죠.

보시면, 표현이 조금씩 다를 뿐 사실 같은 얘기를 여러 번 합니다. 의미상으로는 굉장히 비슷해요.

"잠을 못 잤는데", "수면 전문가가 추천", "불면증 심한 사람" → 딱 봐도 어떤 문제가 있는지 알 수 있죠.
"잠이 솔솔 온다", "기절한다" → 이 얘기를 하고 나면 그 효과가 뭔지 딱 그려지죠.
"목이 한결 편하다", "높이가 딱 맞아서", "높이만 맞추면" → 어떤 문제를 어떻게 해결했는지 그 솔루션을 보여줍니다.

이렇듯 이런 문장들이 신뢰도 있는 출처에서 반복될수록, AI는 그 패턴을 읽어가고 '이 카테고리에서 이 문제가 있으면 이 브랜드가 추천되어야 하는구나'라고 학습합니다.

앞서 보였던 것처럼 이런 식으로 자꾸 반복하다 보면, 목이 불편해서 잠을 못 잘 때 검색하는 사람들에게 AI가 높이 조절이 가능한 베개를 추천해주게 되는 거죠.

그래서 저는 다시 한 번 이 질문을 강조하고 싶습니다. 우리는 어떤 카테고리의 문제를, 우리만의 어떤 방식으로 해결하는가.

콘텐츠에 함께 담아야 할 네 가지 설계

'브랜드에서 카테고리 욕구까지는 알겠는데, 그럼 어떤 지점에서 우리 브랜드를 떠올리게 만들어야 하는가?' 이거에 대해 조금 더 팁을 드리자면, 이 네 가지 설계가 같이 들어가면 좋습니다.

브랜드를 문제와 함께 언급한다
브랜드를 솔루션과 함께 언급한다
브랜드를 증거와 함께 언급한다
브랜드를 제3자 검증과 함께 언급한다

예를 들어보면, 문제는 "수면 자세가 불편한 사람", "목 통증으로 아침마다 뻐근한 사람" 이렇게 "이런 문제가 있을 때는 이 브랜드가 있다"라고 제시해줄 수 있고요.

더 나아가 솔루션으로는 "이런 문제가 있는 사람한테는 높이 조절이 가능하면서 통기성까지 좋은 베개가 좋은 선택이에요"라고 이야기해주는 거죠.

증거는, 이 솔루션이 사실이라고 계속 이야기해주는 겁니다. "우리 베개를 사용한 사람들의 후기가 이렇게나 많고요, 그분들 사이에서도 이런 언급이 계속 많이 나옵니다." 그리고 "우리가 이 베개를 잘 만들기 위해 굉장히 많은 실험을 했는데, 그 실험 데이터는 여기 있습니다. 저희는 몇 번의 실험을 거쳐 이렇게 편한 베개를 만들었습니다. 내부적으로 사용했을 때도 만족도가 좋습니다"라고 증거를 제시할 수 있습니다.

마지막으로 제3자 검증은 "저희만 그렇게 말하는 게 아닙니다. 수면 전문 유튜버들이 이야기하고요, 어떤 논문에서도 근거가 될 만큼 우리 분위기도 훌륭합니다. 이렇게 입증된 사례가 정말 많아요. 저희만의 목소리가 아닙니다"라고 이야기하는 거죠.

저는 이 모든 것이 합쳐졌을 때 AI가 브랜드를 조금 더 자연스럽게 인식할 수 있다고 생각합니다.

우리가 내부적으로 던져야 할 세 가지 질문

그러기 위해서는 우리가 내부적으로 이런 질문을 던져봐야 한다고 생각합니다.

첫 번째, 우리 고객은 어떤 계기로 이 문제를 해결해야겠다고 생각했는가?

제가 계속 예시로 든 게 수면 베개잖아요. 그럼 그 고객은 어떤 순간에, 좌우로 뒤척이다가 목이 너무 아파서 일상생활을 못한다든지, 이런 식으로 검색까지 해야 할 만큼의 계기가 있었을 거예요.

두 번째, 우리 고객이 우리 제품을 구매하기 직전 어떤 모먼트였는가?

내가 불편함을 느끼는 계기, 그래서 무언가 솔루션을 찾아야겠다는 계기가 하나 있을 거고요. 그렇게 솔루션을 찾던 와중에 우리 제품이 눈에 띄었고, 그래서 왜 구매했는지 그 순간의 계기가 된 경험이 또 있을 거예요. 이 시각적 계기가 분명히 있을 테니, 첫 번째와 두 번째 질문에 대한 고객의 목소리를 많이 보는 게 중요하고요.

세 번째, 그래서 우리 고객은 수많은 제품 중에 왜 굳이 경쟁사 제품이 아니라 우리 제품을 구매했는가?

그게 광고의 어떤 부분이었는지, 아니면 우리 오가닉한 콘텐츠의 어떤 부분이었는지, 어떤 지점이 고객의 마음을 옮겼는지. 그리고 "써보니까 왜 좋아하더라" 이런 부분까지 우리는 파악해야 합니다.

다시 쓰지 말고, 이 질문으로 점검하라

그래서 마지막으로, 우리 브랜드 콘텐츠를 다시 쓰기보다는, 기존 콘텐츠가 있다면 이 세 가지 질문이 그 콘텐츠 안에서 답변이 되는가를 점검하고 리라이팅하는 게 훨씬 좋을 것 같고요. 만약 "우리 콘텐츠는 지금 여기서부터 시작이다"라는 상태라면, 무작정 검색부터 하는 것보다 이 세 가지 질문에 먼저 답을 내리고 들어가는 게 좋다고 생각합니다.

SEO를 잘하던 사람은 GEO에도 쉽게 적응했다

그런데 제가 이 내용을 정리하면서, 그리고 요새 GEO 관련해서 많은 이야기를 하면서 드는 생각이 있어요. 사실 SEO를 잘하는 사람은 이미 이걸 그렇게 하고 있었어요.

SEO를 잘하는 분들을 보면, 콘텐츠를 하나 발행하기 전에 '이게 문제를 해결해주는가'부터 보고 시작하고요. '이건 검색해서 들어온 사람에게 충분히 만족스러운 답변인가?', '우리 고객이 이 키워드로 검색해서 우리 콘텐츠를 보고, 뒤로 가기를 눌러서 다른 콘텐츠로 가버리진 않았겠지. 이 안에서 모든 걸 해결하겠지'라고 생각합니다. 그리고 더 나아가 '다른 사람들한테 기꺼이 공유할 수 있을 만큼의 만족스러운 퀄리티인가'까지 생각하죠.

이런 걸 생각하면서 SEO 콘텐츠를 발행하시던 분들은 GEO에서도 쉽게 적응하고 계셨습니다. 그런 의미에서 저는 SEO와 GEO가 엄청나게 크게 다른 전략이라고 생각하지는 않습니다.

마치며: 분석보다 맥락이 먼저다

다시 처음에 "15분 후에는 이 세 가지를 꼭 가져가셨으면 좋겠다"라고 말씀드렸는데요. 이제 정리해보겠습니다.

첫 번째, SEO와 GEO의 차이점. 한 번의 키워드, 그리고 N번의 검색. 두 번째, GEO 콘텐츠를 잘하려면 어떤 요소가 들어가야 하는가. 마지막으로, 그걸 잘하기 위해 우리 내부적으로 던져야 할 세 가지 질문. 이걸 다 얻어가셨을 거라고 생각합니다.

제가 발표를 마치기 전에, 너무 조용해서 같은 말을 한 번 더 강조하고 싶은데요. 분석하는 건 정말 중요합니다. 그러나 처음부터 분석보다 더 중요한 건, 고객이 이걸 왜 검색했는지, 그리고 이걸 검색하게 된 그 바탕이 무엇인지, 그 맥락을 파악하는 것입니다. 그게 더더욱 중요합니다.

저는 여기서 발표를 마치도록 하겠습니다. 감사합니다.

]]>

감으로 코딩하던 바이브코더를 위한 무료 분석 도구 5개 추천

금요일 밤에 Claude Code를 켜고, 머릿속에 굴러다니던 아이디어를 따라, 작은 노트앱 하나를 만들기 시작했습니다. 토요일 오후엔 Next.js 기반 앱이 나와 Vercel에 올라갔고, 일요일엔 계정 시스템까지 붙였습니다. 생각보다 꽤 성능 좋은 서비스가 나온 기분에 SNS에 링크를 흘리고 친구 몇 명에게 메시지도 보냈죠.

그런데 정작 중요한 걸 알 수가 없습니다. 그 앱에 들어와 노트를 한 번이라도 저장한 사람이 진짜로 있기나 한 건지, 아니면 다들 첫 화면만 보고 나갔는지를 말입니다.

바이브코딩은 ‘만드는 속도’를 완전히 바꿔놨지만, 그 서비스가 잘 굴러가는지 보는 일은 여전히 다른 영역입니다. 서비스를 만든 사람은 사용자가 몇 명 들어왔고 어디서 이탈하는지조차 모른 채로 다음 코드를 감으로 짭니다. 계기판 없이 비행기를 띄운 셈이죠.

<출처: 요즘IT, Gemini로 생성>

다행히 이런 문제를 해결해 줄 프로덕트 분석 도구는 더 이상 돈을 낼 여유가 있는 기업들만의 전유물이 아닙니다. 무료 서비스의 품질이 올라와 ‘돈이 없어서 측정을 못 한다’는 말은 지금 시점에선 거의 핑계에 가깝습니다. 오히려 진짜 문제는 사용자 수가 두 자리·세 자리에 머무는 초기 단계에서는 대시보드의 무엇을 우선 봐야 할지 모른다는 겁니다.

그래서 오늘은 단계별로 봐야 하는 지표는 무엇이며, 그 지표를 볼 수 있는 도구는 무엇인지 알아보려고 합니다. 비슷해 보이는 다섯 개 도구는 어떤 기준으로 줄 세우면 되고, 내 상황이면 어느 걸 골라야 할지까지, 차근차근 가보겠습니다.

사용자가 100명도 안 되는 단계의 4가지 분석 포인트

분석의 시작은 도구가 아니라 지표의 모수를 잡는 일입니다. 다만, 기존의 지표 방법론은 도움이 되지 않습니다. DAU·MAU·전환율·세션 평균은 수천 명 단위가 되어야 의미가 생기는 숫자죠. 10명도 안 찾는 앱에서 액션의 중간값을 찾고 A/B 테스트를 하는 건 아무런 의미가 없습니다.

그래서 초기 단계의 측정은 통계가 아니라 관찰에 가깝습니다. 10명의 행동을 하나하나 들여다보는 일입니다. 이제 봐야하는 건 다음 네 가지면 충분합니다.

<출처: 요즘IT, Gemini로 생성>

1. 방문/도달 대신 ‘이탈 지점’

처음 해야할 질문은 “몇 명이 들어왔는가?”가 아니라 “어디서 사람이 나가는가?”입니다. 100명이 들어와 10명만이 서비스의 핵심 가치를 발견했다면, 90명을 내보낸 그 페이지, 또는 그 버튼을 찾아야 합니다. 예를 들어, 노트앱이라면 가입자 숫자가 적은 것보다는 가입까지 마친 사람이 정작 첫 노트는 쓰지 않고 화면을 닫는 게 진짜 문제인 거죠. 중요한 네 가지 단계, 대략 가입/인증 화면 → 홈 화면 → 첫 노트 작성 화면 → 첫 노트 저장만 이벤트로 찍어둬도 어디가 문제인지 바로 드러날 겁니다.

2. 수치 평균 말고 ‘개별 세션’

두 번째 질문은 “이 사람은 무엇을 보고, 어디서 망설였는가?”입니다. 이럴 때는 사용자 하나를 골라 그의 행동을 처음부터 끝까지 재생하면 가설을 떠올리기 쉽습니다. “아, 빈 노트 화면을 6초 응시하다 그냥 닫고 나가네.”라는 사실을 이해하면, ‘첫 입력을 도울 문구를 추가하면 사용할 가능성이 높아진다’는 가설이 나오기 쉽다는 거죠. 특히, 1주일 치를 통째로 돌리기보다 ‘저장 직전에 이탈한 세 명’처럼 의도로 사람을 나눠 골라 보는 것이 좋습니다. 그리고 이렇게 개별 세션을 그대로 재생하는 기능은 어떤 도구를 고르는지 문제와도 직결됩니다.

3. DAU/MAU가 아닌 ‘활성화’

세 번째 던져야 하는 질문은 “아하 모먼트(aha moment), 즉 가치를 처음 체감하는 순간에 도달했는가?”입니다. 100명 미만 단계의 DAU는 ‘오늘 3명, 어제 1명’ 수준에 가깝습니다. 대신 가입 후 24시간 안에 첫 의미 있는 액션을 한 비율 같은 활성화 지표를 정의해두면, 5명만 들어와도 분석 도구를 보는 의미가 생깁니다. 노트앱이라면 ‘가입 후 첫 노트 저장’ 같은 거죠. 이 한 가지 이벤트를 가입과 짝지어 봅니다. 단, 이 기준은 만든 사람이 직접 정해야 한다는 걸 기억하세요. 전하고 싶은 가치가 무엇인지와도 이어지는 포인트니까요.

4. 유료 전환보다는 ‘재방문’

마지막은 “한 번 써본 사람이 일주일 뒤에도 돌아오는가?”입니다. 초기 단계 결제 전환율은 0%거나 한두 명이라 통계로 잡기 어렵습니다. 아는 사람이 호의로 결제했을 수도 있고요. 반면 재방문은 ‘진짜 가치를 느꼈는가’를 보여주는 가장 정직한 신호입니다. 홍보가 멈춰도 돌아오는 사람이 있다면, 그게 PMF(제품-시장 적합성)의 시작입니다. 이때는 데이터가 적으니 그래프보다 명단으로 보는 게 좋습니다. 지난주 가입자 여덟 명 가운데 이번 주 다시 온 세 명의 특징이나 행동 패턴을 볼 수 있겠죠. 필요하면 직접 메시지를 보내는 것도 좋겠네요.

다시 한 번 강조하면, AARRR이나 북극성 지표 같은 널리 알려진 지표는 완전 초기 서비스에겐 너무 무겁습니다. AARRR에서 활성화와 재방문 두 가지 퍼널만 챙겨도 이 단계에선 충분하고, 북극성 지표는 PMF가 잡힌 뒤에 정해도 늦지 않습니다. 프레임에 서비스를 끼우지 말고, 서비스에 프레임을 맞추는 순서가 맞습니다.

자, 그럼 이 네 가지를 보려면 어떤 도구가 맞을까요? 이탈 지점, 개별 세션, 활성화, 재방문. 이들을 어디까지 무료로, 무엇까지 화면 하나에서 볼 수 있느냐에 따라 도구 선택이 갈립니다.

1티어 분석 도구: PostHog와 GA4

1) 무료로도 충분히 쓸만할 것, 2) 네 가지 포인트를 짚어볼 수 있을 것. 이를 기준으로 1티어 분석 도구 두 가지를 뽑았습니다. PostHog와 GA4입니다.

PostHog: 분석+리플레이+테스트의 다목적 키트

PostHog

제품 분석·세션 리플레이(사용자 화면 녹화)·피처 플래그(기능을 켜고 끄는 스위치)·A/B 테스트·설문을 하나의 무료 티어로 쓸 수 있는, 사실상 유일한 도구입니다. 필요한 분석 도구가 공구함 하나에 다 들어 있는 다목적 키트 같은 서비스죠. 특히, 서비스 내에서 일어나는 사용자의 특정 행동이 포인트인 서비스에 좋습니다.

최근 PostHog는 바이브코딩 트렌드와 맞물려 주목도가 높아지고 있습니다. 세션 리플레이를 꽤 넓은 범위까지 무료로 풀어주는 데다가, 얘기했듯 초기 개발팀에게는 이 리플레이가 정말 중요해서 그렇습니다. 게다가 Cursor·Bolt 같은 AI 코딩 에이전트는 PostHog 설치 위저드를 그대로 돌리는 방법까지 공식 문서에 포함하고 있습니다. AI 에이전트 워크플로 안에서 클릭 몇 번으로 끝난다는 뜻이죠. PostHog 자체 집계로는 사용자 90% 이상이 무료 그대로 쓴다고 합니다.

왜 인기 있는가?

무료 한도가 넓습니다. 월 100만 이벤트, 세션 리플레이 5,000건, 피처 플래그 요청 100만 건, 설문 응답 1,500건을 계정 하나로 돌릴 수 있습니다. 게다가 바이브 코딩에서 자주 쓰는 스택인 Next.js 공식 가이드가 있어 결과물 붙이는 데 손이 덜 가고, MIT 라이선스라 직접 서버에 띄워(self-host) 일부 엔터프라이즈 기능을 제외하고는 평생 무료로 쓸 수도 있습니다. 장점이 이렇게 간결하고 분명한 도구는 오랜만이네요.

쓰기 전에 반드시 알아야 할 것

한 화면에 기능이 많아 처음엔 공부를 좀 해야 합니다. 추가로 무료로 쓰다가 제일 빨리 한도가 차는 건 보통 세션 리플레이 5,000건/월인데, 건수를 초과하면 이벤트당 $0.00005, 녹화당 $0.005 수준의 과금이 시작됩니다. 물론 셀프 호스팅으로 옮길 수도 있지만, 그 때부터 리플레이 보관 기간이 1개월로 줄어듭니다.

PostHog를 추천하는 상황 3가지

노트앱·메모 도구처럼 사용자가 입력하고 저장하는 제품을 만든 경우
소수의 사용자가 어느 화면에서 막혔는지 화면 녹화로 직접 확인하고 싶을 때
측정 도구를 여러 개 깔지 않고 하나로 끝내고 싶을 때

GA4: 채널과 광고 기반 페이지 분석의 사실상 표준

Google Analytics 4

Google Analytics 4. 무료 한도 자체가 가장 큰 데다, 구글 생태계와의 접점이 대단합니다. Search Console(검색 유입)·Google Ads(광고)·BigQuery(데이터 창고)를 한 콘솔에서 관리할 수 있는데요. 이는 즉, 어느 채널에서 들어온, 사용자 몇 명이, 어떻게 결제까지 갔는가를 한 화면에서 볼 수 있다는 뜻입니다.

물론 GA4는 사실 광고 채널의 전환을 따지는 데 가장 최적화된 도구입니다. 하지만, 어디에서 접근했고, 무슨 행위를 했는지, 그 범위를 워낙 깔끔한 형식으로 보여 주니 제품 분석에도 주요한 도구가 되고는 합니다. 그러니 사용자 행동은 비교적 단순하지만, 어디서 누가 언제 들어왔는지 보고 싶거나, 혹은 소액이라도 광고비를 내고 사람들을 모았을 때는 꼭 필요한 도구입니다.

왜 인기 있는가?

일단 무료 한도가 압도적입니다. 속성당 월 1,000만 이벤트(이후로는 샘플링), 무제한 속성, BigQuery 내보내기까지 모두 무료입니다. 한 콘솔에서 Search Console·Google Ads와 합쳐진다는 점도 최고이고요. 광고 ROI(쓴 돈 대비 회수율)를 대시보드 하나 보고 판단하기에도 좋습니다. 어트리뷰션(=어느 채널이 전환에 얼마나 기여했는지 따지는 일) 모델도 매우 성숙합니다.

쓰기 전에 반드시 알아야 할 것

이벤트 모델 자체가 광고 추적에 맞춘 구조라, 사용자 행동을 따라가기엔 어색합니다. 탐색 분석은 60일 이상 기간이지만, 1,000만 이벤트 임계치를 넘으면 샘플링(전수가 아니라 일부만 뽑아 추정하는 것)을 자동으로 수행합니다. 여기에 기본 데이터 보관은 2개월·최대 14개월 수준입니다. 마지막으로 쿠키 기반이라 사용자의 동의를 받는 항목을 추가해야 할 때도 있습니다. (특히, 해외 기반 서비스를 운영할 때는요)

GA4를 추천하는 상황 3가지

광고비를 쓰거나 SEO 유입을 쫓는 사이트: 콘텐츠·랜딩페이지·검색 유입 비중이 큰 결과물
어느 채널이 서비스 결제까지 잘 끌고 오는지 비교해 홍보 역량을 집중하고 싶을 때
광고 ROI 판단을 대시보드 하나로 끝내고 싶을 때.

또 다른 대안 3가지: Umami·Mixpanel·Plausible

시장에는 분석 도구가 정말 많습니다. 두 가지 도구를 추천한 건 “대부분의 경우”를 상정해서 그렇고요, 특정 맥락에서는 아래 3가지 도구를 추천합니다.

사실 PostHog에서 강조한 “행동 관찰”에 최적화된 무료 도구로 Microsoft Clarity가 있습니다. GA4 수준으로 유명한 도구 중 하나죠. 다만, 최근 바이브 코딩의 인기 아래 PostHog가 많이 주목 받았기에 해당 도구를 메인으로 삼았고, 유사도를 고려해 대안에서도 제외시켰습니다. 그러나 대기업의 안정적인 지원, 폭넓은 커뮤니티와 자료 등을 원한다면, Clarity 역시 좋은 대안일 겁니다. 무제한 세션 녹화와 영구 무료가 정말 큰 장점이니, 비교 군에 넣어 보세요. (녹화 보존이 30일로 문제인데다가 MS의 AI 학습에 쓰일 수 있다는 점은 한계입니다)

왼쪽부터 Umami, Mixpanel, Plausible

Umami: 데이터 오너십과 완전 무료

소스 코드가 공개돼 있어서 직접 서버에 띄우면(self-host) 사이트 수·이벤트 수·보관 기간 모두 무제한 무료로 굴릴 수 있습니다. 추적 스크립트가 2KB로 가볍고, 쿠키리스에 유럽의 개인정보보호법(GDPR)을 기본으로 준수합니다. 데이터가 본인 서버에만 쌓이므로 위치를 본인이 통제할 수 있죠.

한계: 화면 녹화, 히트맵(어디를 많이 클릭했는지 색으로 보여주는 지도), 깊은 행동 분석 불가
추천하는 상황: Vercel·Railway 같은 호스팅을 운영한 경험이 있고, 데이터를 본인 서버에만 두고 싶은 사람

Mixpanel: 엔터프라이즈급 제품 분석 무료 체험

큰 회사들이 쓰는 높은 수준의 제품 분석 도구를 무료 플랜으로 맛볼 수 있습니다. 퍼널(단계별 이탈)·리텐션(재방문)·코호트(같은 시기에 들어온 사용자 묶음) 같은 분석을 무료에서 다 돌릴 수 있죠. 무료 세션 리플레이도 1만 건까지 지원합니다.

한계: 무료 플랜은 저장 리포트 5개 한도. 엔터프라이즈급 제품이므로 허들이 존재
추천하는 상황: 큰 회사의 깊은 분석이 어떤 건지 일단 무료로 체험해보고 싶을 때

Plausible: 심플함·프라이버시 부담 최소화

분석에 쿠키를 쓰지 않아 “쿠키를 수집해도 될까요?” 같은 동의 배너 자체가 필요 없습니다. 게다가 측정 화면이 단순해 익히는 데 오래 걸리지 않습니다. 전반적으로 유럽 기반 팀에 최적화되어 있다는 느낌이지만, 심플한 것을 선호한다면 또 고려해 볼 선택지로 보입니다.

요금: 영구 무료는 없으며 30일 체험 후 월 $9. 직접 서버에 띄워 쓸 수 있지만, 퍼널 분석·GA4 가져오기·SSO(한 계정으로 여러 서비스 로그인)는 클라우드 전용.
추천하는 상황: EU 쪽 방문자가 있거나, 측정 항목이 페이지뷰·유입 경로·이벤트 몇 개로 끝나는 사이트

그래서 뭘 쓸까? 5가지 도구 표와 상황별 가이드

지금까지 같이 본 도구의 주요 포인트를 표로 정리했습니다.

도구 선택에 참조할 상황 가이드도 만들어 봤습니다. 사실 도구를 공부하기보다, 내 상황을 먼저 아는 게 좋으니까요.

1) AI 도구·인터랙티브 SaaS 빌더: PostHog

Claude Code나 Cursor로 무언가 사용자가 입력하고 저장하는 제품을 만들었다면, 방문자 수보다는 “사용자가 어디서 불편함을 느끼는가”가 궁금한 겁니다. 이를 볼 때는 PostHog Cloud 무료 티어가 지금은 주목 받습니다. 노트앱에 방문한 50명 가운데 17명만 첫 노트를 저장했다면, 남은 33명이 어느 화면에서 막혔는지 리플레이로 확인할 수 있습니다. 분석·리플레이·플래그를 다 쓸 수 있고, Next.js 최적화도 되어 있고요.

2) 다채널 트래픽 검증 중인 사람: GA4

만약 제품에 결제를 붙여 광고를 태웠거나, 사람들의 방문 그 자체가 중요한 페이지 기반 서비스라면, 궁금한 건 “어느 채널이 사람을 가장 잘 끌고 오는가”입니다. 이때는 GA4를 추천합니다. 무료 한도가 5개 도구 중 가장 크고(월 1,000만 이벤트 + BigQuery export 무료), Search Console·Google Ads가 한 콘솔에서 합쳐져 광고비 ROI 판단도 쉽게 할 수 있죠.

그 외로 심플한 것을 선호한다면 Plausible, 데이터를 나만 가지고 싶다면 Umami, 전에 사용한 경험이 있다거나 고급 분석을 해보고 싶다면 Mixpanel도 선택지고요.

아참, 피하면 좋을 상황도 세 가지만 짚어 두려고 합니다.

트래픽 0인데 PostHog를 self-host로 구축: 클라우드 무료 한도도 다 못 쓸 단계에서 운영 시간만 늘어납니다.
PostHog와 GA4를 동시에 설계: 도구 학습하고 대시보드 왔다갔다 하는 시간이 측정 시간보다 길어집니다.
처음부터 Mixpanel을 메인으로 쓰기: 저장 리포트 5개로 생가보다 빨리 과금에 대한 욕망이 생길지도 모릅니다.

마치며

사용자 수가 두 자리·세 자리에 머무는 초기 단계에서는 전환율 같은 숫자가 거짓말과 다름 없을 때도 있습니다. 우연찮게 상황이 맞아 전환율이 50%가 나온다 해도 이게 정말 의미 있는 숫자인지 애매하거든요. 그래서 한 명 한 명의 행동과 막히는 지점을 먼저 보는 걸 추천합니다. 인터랙티브 SaaS면 PostHog, 다채널 유입에 페이지 기반이면 GA4.

다만 분석 단계에서 반드시 기억해야 하는 게 있습니다. 어떤 도구를 쓸지보다, 다음 일주일 동안 어떤 가설 하나를 검증할지 고민하는 거죠. 물론 체중계 없이 다이어트하는 사람은 없지만, 체중계가 살을 빼주지는 않습니다. 측정 도구는 절대 답을 주지 않습니다. 답을 찾기에 좋은 질문이 떠오르게 해주는 도구입니다. 초기 서비스의 힘은 빠르게 만드는 데 있지 않고, 빠르게 배우는 데 있다고 합니다. 측정은 그 시작이고요.

]]>

AI 도입, 섹시한 기술에 숨겨진 ‘섹시하지 않은’ 성공 법칙

화려한 기술보다 중요한 ‘지루한 기초 공사’, AI 성숙도를 완성하는 조직 재설계의 방향

우리가 ‘어디 서 있느냐’는 건, 생각보다 훨씬 우리의 생각에 큰 영향을 미치죠. 만약 여러분과 제가 지금 샌프란시스코에 며칠이라도 머무르면서 사람들을 만난다면, 아마 AI가 이미 이 세상을 집어삼켰다는 착각에 빠지기 십상일 겁니다. 도시 전체가 AI 광고로 도배되어 있고, 카페에서 들리는 수다부터 각종 컨퍼런스, 제품 피칭, 심지어 채용 공고까지 온통 AI 이야기뿐이니까요.

이런 풍경은 아주 강력한 착시 효과를 만들어냅니다 - ‘세상 모든 기업이 이 엄청난 속도로 달리고 있고, 이제 매뉴얼 하나만 잘 짜면 모든 조직이 알아서 돌아가는 자율 운영 시대가 오겠구나’ 하는 착시 말이에요.

하지만 냉정하게 말해서, 현실은 그런 그림과는 거리가 아직, 상당히 멉니다.

미국 내에서조차 대다수의 기업은 아직 AI 도입의 아주 초기 단계에 머물러 있습니다(물론 그래서 AI의 미래가 더 장밋빛인 것이기도 하지만요). 그들에게 AI란 여전히 글쓰기용 챗GPT, 코딩 돕는 코파일럿, 회의 요약 정도를 의미할 뿐입니다. 여기에 “우리도 AI로 뭐 좀 해봐야 하는 거 아냐?”라는 막연한 압박감이 더해진 상태죠. 전 세계로 시야를 넓히면 상황은 훨씬 더 제각각이고요.

트위터를 보다 보면 ‘나만 뒤처진 게 아닐까’, ‘남들은 이미 기계가 일하고 사람은 노는 미래형 경제에서 살고 있는 게 아닐까’ 하는 불안이 엄습할지 모릅니다만, 분명히 말씀드립니다. 그런 일은 없습니다. 여전히 사람은 일을 해야 하고요. 어떤 경우에는 AI 때문에 할 일이 더 늘어나기도 합니다.

오늘은 기업 내부에서 AI가 실제로 ‘작동’하기 위해서 어떤 과정이 필요한지 이야기해 보려고 합니다. 기업이 스스로의 업무를 얼마나 파악하고 있는지, 그 지식 중에 기계가 알아들을 수 있는 건 얼마나 적은지, 그리고 이걸 바꾸려면 뭘 해야 하는지 실제 사례를 통해 짚어보겠습니다. 또, AI가 어떻게 대기업과 작은 팀 사이의 체급 차이를 무너뜨리고 있는지도 함께 살펴보겠습니다.

‘AI 성숙도(Maturity)’로 가는 진짜 과정, 어떤 모습인가?

가트너, 맥킨지 같은 컨설팅펌이나 조사기관 등에서 많은 ‘AI 성숙도 모델(AI Maturity Model)’을 내놓습니다. 대부분은 “지금 당신은 여기쯤 있고요, 다음엔 저기로 가야 됩니다”라는 식의 깔끔한 방향과 타임라인을 제시하죠. 여기에는 아무런 문제도 없습니다.

하지만 실제 기업 환경에서의 ‘AI 성숙도’는, 그런 선형적인 순서가 아니라 ‘의존성의 적층(Stack of Dependencies)’ 구조에 가깝습니다. 각 층이 바로 위층을 튼튼하게 받쳐줘야만 위로 쌓을 수 있는 구조죠. 두 번째 층이 부실하면 네 번째 층은 절대 올릴 수 없습니다. 물론 올리는 ‘척’은 할 수 있습니다. 수많은 기업이 그렇게 하고요. 하지만 그런 식의 프로젝트는 데모 때는 화려해도, 현장에 투입되면 6개월도 못 가서 조용히 사라집니다.

여기서 말하려는 건 단순한 일정이 아니라 ‘조직 역량의 사다리’입니다. 아래쪽 칸은 익숙한 무언가입니다. 개인의 노하우, 파편화된 실험, 소소한 업무 팁 같은 것들이죠. 위쪽 칸은 화려합니다. 스스로 적응하는 시스템, 에이전트, 알아서 개선되는 워크플로우 같은 것들입니다.

하지만, 진짜 드라마는 그 중간에서 일어납니다. 기계가 이해할 수 있을 만큼 업무를 명문화하고, AI의 행동을 믿을 수 있을 만큼 데이터를 정제하고, 의사결정 구조를 체계화하는 단계 말입니다. 이 ‘허리’ 구간이 바로 AI 도입을 비로소 현실로 만드느냐, 아니면 그대로 고사하게 되느냐를 가르는 구간입니다.

기업들이 꿈꾸는 것 vs. 실제 마주하는 현실

현장에서 흔히 보이는 패턴이 있어요. 리더들이 AI 에이전트가 복잡한 업무를 척척 해내는 데모를 봅니다. 문서를 읽고, 핵심을 뽑아 보고서 초안을 쓰고, 추천까지 해줍니다. 고객 문의를 받아서 DB를 뒤지고 코드를 고쳐 배포한 뒤 안내 메일까지 보냅니다. 기술적으로 불가능한 얘기도 아닙니다.

그걸 본 리더들의 반응은 한결같습니다. “와, 우리도 당장 저거 합시다!”

하지만 막상 조직 내부를 열어보면 상황은 딴판입니다. 일은 여전히 관습과 임기응변으로 돌아가고, 핵심 노하우는 서너 명의 머릿속에만 들어 있습니다. ‘암묵지’라는 미명 아래 지식은 수면 아래 감춰져 있고, 때로는 자기방어를 위해 정보를 독점하는 사람들도 물론 있습니다. 팀마다 쓰는 용어가 다르고 데이터는 파편화되어 있습니다. 조직도상의 결재 라인과 실제로 일이 돌아가는 방식은 따로 돕니다.

대부분은 챗GPT로 메일이나 쓰는 단계에서 곧바로 ‘자율 에이전트’로 점프하고 싶어 합니다. 하지만 도입의 성패를 가르는 이 ‘중간 단계’를 건너뛰려는 계획은 반드시 실패합니다. 기초가 없으면 아무것도 쌓을 수 없기 때문이죠.

왜 ‘중간 과정’을 건너뛸 수 없을까?

AI의 도입, AI 에이전트의 확산을 이야기하면서, ‘회계 코드 표준화’ 같은 지루한 주제로 기조연설을 하는 경우는 사실 별로 없죠. 그렇지만, 그런 곳에서 바로 혁신이 시작되는 겁니다.

AI 성숙도는 계단식으로 쌓입니다. 단계마다 조직은 새로운 능력을 얻게 되고, 그 과정에서 이전에는 보이지 않던 조직의 민낯이 드러납니다. 그 불편한 진실을 마주하고 해결해야만 다음 단계로 넘어갈 수 있는 겁니다.

이건 모든 부서가 동시에 올라가는 경주도 아닙니다. 엔지니어링팀은 저 멀리 앞서가는데 재무팀은 제자리걸음일 수도 있습니다. 마케팅은 신나게 콘텐츠를 뽑아내는데 법무팀은 한참 뒤에서 제동을 걸기도 하죠. 이런 불균형은 ‘지극히 정상’입니다. 시스템 구축은 언제나 제도보다 빠르기 마련이에요.

중요한 건 “우리 회사는 몇 단계인가?”가 아니라, “어느 부분이 꽉 막혀서 우리 발목을 잡고 있는가?”를 찾아내는 겁니다.

<출처: Turing Post, 요즘IT 재가공>

당연하지만, 사다리 단계별 이름보다 중요한 건, 그 단계들 사이를 넘어가는 ‘전환기’에 어떤 일이 벌어지느냐죠.

L1 → L2: 조직이 ‘데이터로 읽히게’ 만들기; 가장 고통스러운 구간

이 과정이 아마 대부분의 기업에게 ‘전체 과정에서 가장 넘기 힘든 고비’일 겁니다.

L1 단계의 기업들은 겉보기에는 꽤 세련돼 보일 수 있습니다. 누구는 챗GPT로 기획안을 쓰고, 누구는 클로드나 코파일럿으로 코딩을 합니다. 실력이 뛰어난 직원은 꽤 근사한 내부용 툴을 뚝딱 만들어서 리더들을 놀래키기도 하죠. 하지만 이런 성과는 ‘개인기’일 뿐입니다. 그 직원이 퇴사하면 그 사람이 만든 워크플로우도 순식간에 사라집니다.

L2로 가는 건 더 비싼 툴을 사느냐의 문제가 아닙니다. 조직이 스스로 어떻게 일하는지 객관적으로 설명하는 법을 배우는 과정입니다. 영수증 처리를 할 때, 매뉴얼에 적힌 원칙 말고 ‘실제로’ 어떻게 하고 있나요? 업체마다 제각각인 항목을 어떻게 분류하나요? 문서 승인할 때 진짜 권한을 가진 사람은 누구인가요? 하는 것들이요.

한 식당 장부 관리 업체의 사례가 있다고 생각해 보죠. 이 회사에서는 AI로 데이터 입력을 자동화하고 싶어 했습니다. 기술적으로는 쉬워 보였지만, 막상 뚜껑을 열어보니 난장판이었습니다. 업체마다 배송비, 보증금을 처리하는 방식이 다 달랐고, 이걸 정리하는 규칙조차 없었습니다. AI를 돌리기 전에, 이 프로세스를 명문화하는 데만 6주가 걸렸습니다. 그동안 사람 직원들이 기계는 도저히 이해할 수 없는 ‘모호함’을 온몸으로 받아내며 땜질하고 있었던 겁니다.

건설 회사의 사례도 비슷합니다. 한 개발자가 1년 넘게 만든 시스템이 그 사람이 나가자마자 마비됐습니다. 모든 데이터 연결 규칙이 그 사람 머릿속에만 있었기 때문이죠. ‘배관 공사’가 회계 시스템에서 왜 다른 코드로 불리는지 아무도 몰랐습니다.

이 과정에서 기업들은 뼈아픈, 그리고 어찌 보면 무서운 진실을 깨닫습니다. 많은 지식이 문서화되지 않은 건 단순한 실수가 아니라, ‘대체 불가능한 사람’이 되기 위한 의도적인 정보 독점일 때가 생각보다 많다는 사실을요. 업무를 가독성 있게 만든다는 건 누구나 검토할 수 있게 한다는 뜻이고, 이는 곧 권력의 분산과 투명한 노출을 의미합니다.

오해: “AI 전략을 짜고 좋은 도구를 도입해야 해.”
진짜 장벽: 우리 조직이 어떻게 돌아가는지 우리도 설명하지 못함.
보상: AI가 아니더라도 신입 사원 적응이 빨라지고 조직이 단단해짐. ‘좋은 조직 관리’를 AI 덕분에 비로소 시작하게 됨.

L2 → L3: 우리 데이터를 진짜로 믿을 수 있는가?; 가장 과소평가된 구간

이 구간은 AI의 도입 과정에서 가장 과소평가되는 구간이라고 생각합니다. 데이터 연결은 기술의 문제지만, 신뢰는 심리의 문제입니다.

L2에서 워크플로우를 정리했다면, L3는 AI를 회사의 실제 데이터(고객 관리, 회계, 협업 툴 등)에 직접 연결하는 단계입니다. 그런데 이를 연결하는 순간, 내부 데이터가 생각보다 훨씬 엉망이라는 사실이 여실히 드러납니다.

한 미디어 분석 업체는 플랫폼마다 사용자 ID가 달라서 데이터가 중복 집계되고 있다는 걸 AI를 붙이고서야 알았다고 해요. 그동안 사람은 대충 눈치껏 머릿속에서 맞춰가며 일해왔던 거죠.

금융 서비스 기업에서 AI 인보이스 추출기를 테스트했을 때, 정확도가 94.5%가 나왔습니다. 재밌는 건 ‘오답’으로 분류된 것들 중 상당수가 과거에 사람이 손으로 입력하며 냈던 오타였다는 점입니다. AI가 인간의 실수를 잡아낸 거죠. 그런데도 직원들은 AI가 답을 낸 근거(출처)를 일일이 눈으로 확인할 수 있게 되기 전까지는 시스템을 믿지 않았습니다.

오해: “RAG(검색 증강 생성) 기술만 있으면 돼.”
진짜 장벽: 결과물을 검증할 수 없으면 아무도 그 결과에 따라 움직이지 않음.
보상: 1시간 걸리던 자료 조사가 5초 만에 끝남. 조직이 드디어 ‘우리가 무엇을 알고 있는지’ 완벽히 파악하게 됨.

L3 → L4: 시스템이 판단하고 행동하기 시작하다; 가장 거품이 낀 구간

이 과정은, 아마도 AI의 도입에 있어서 가장 거품이 많이 낀 구간일 겁니다.

L4는 시스템이 시키지 않아도 먼저 움직이는 단계입니다. 서버 로그를 지켜보다가 문제가 생길 것 같으면 미리 진단해서 보고하고, 고객 문의가 오면 사람이 열어보기도 전에 DB를 뒤져 해결책을 뽑아놓습니다. 멋지죠?

차량 데이터 앱인 ‘Tezlab’의 지원 시스템은 문의 메일이 오자마자 AI가 코드를 뒤져서 원인을 찾아냅니다. 사람 상담원은 AI가 다 차려놓은 밥상에서 결정만 내리면 되고요. 이 시스템 덕분에 서버 운영비가 20%나 줄었습니다.

이 단계가 과장되었다고 하는 이유는, 사람들이 이걸 단순히 ‘똑똑한 비서를 구매하는 일’ 정도로 생각하기 때문입니다. 여기의 실제 장벽은 ‘조직 구조’에 있습니다. 시스템이 통찰을 미리 제공한다면, 그 정보를 받는 사람에게 ‘행동할 권한’도 줘야 합니다. 상담원이 AI 덕분에 엔지니어링 문제의 원인을 알게 됐다면, 개발자에게 부탁할 필요 없이 직접 수정할 수 있어야 하죠. 조직도와 권한 체계가 통째로 바뀌어야 한다는 뜻입니다.

오해: “에이전트만 도입하면 끝이야.”
진짜 장벽: 실무자에게 정보와 권한이 쏠리는 ‘권력의 이동’을 리더십이 감당하지 못함.
보상: 병목 현상이 사라지고, 인간은 오직 ‘판단’이라는 고차원적 가치에만 집중하게 됨.

L4 → L5: 시스템이 조직의 근간을 바꾸다; 가장 거대한 변화

여기까지 왔다면, 이 단계가 바로 가장 심오한 변화가 일어나는 단계입니다.

L5는 ‘선순환 피드백 루프’가 완성되는 단계입니다. AI가 실행만 하는 게 아니라, 전문가의 피드백을 받아 가면서 스스로의 로직을 수정합니다. 전문가가 AI의 답을 고치면 그 노하우가 다시 시스템에 저장되는 식이죠.

더 나아가서, 시스템은 실제 업무 데이터를 보고 조직 구조를 제안하기도 합니다. “현재 프로젝트 속도를 보니 이런 역량을 가진 사람이 더 필요합니다”라거나 “채용 공고 내용을 이렇게 바꾸는 게 좋겠습니다”라고 조언합니다. AI가 조직 설계의 핵심 파트너가 되는 거라고나 할까요?

여기서 가장 큰 걸림돌은 ‘인간의 거부감’입니다. “기계가 시키는 대로 사람을 뽑으라고?”라는 반감이 들 수밖에 없죠. 시스템이 제안한 방향이 기존 관습과 충돌할 때, 리더십은 과연 시스템의 손을 들어줄 수 있을까요? 이건 기술이 아니라 경영의 결단 문제입니다.

오해: “자율 주행처럼 알아서 다 돌아가겠지.”
진짜 장벽: 전문가의 머릿속에 있는 노하우를 다시 시스템으로 피드백하는 과정이 아주 힘듦.
보상: 조직의 지능이 특정 개인에게 머물지 않고 영구적인 자산이 됨.

마치며: 결국은 ‘조직 재설계’의 문제

이 모든 단계를 관통하는 진실이 하나 있습니다. ‘조직을 기계가 이해할 수 있게 만드는 과정은, 결국 사람이 일하기 좋은 조직을 만드는 과정과 완전히 똑같다’는 것입니다.

검색할 수 있는 기록, 명확한 근거, 표준화된 데이터, 투명한 규칙. 이건 AI뿐만 아니라 새로 들어온 신입 사원에게도 꼭 필요한 것들입니다. 그동안 기업들은 귀찮고 힘들다는 이유로 이 일을 사실상 미뤄온 셈이지만, AI 시대에 우리 모두 더 이상 도망갈 곳이 없어지고 있습니다.

어떤 조직들이 AI 도입에 저항하는 진짜 이유는 AI 자체보다 그 과정에서 드러날 ‘자신들의 무질서와 불투명함’이 두렵기 때문일지도 모른다는 생각이 듭니다. 프로세스가 투명해지면 권위가 도전받고, 데이터가 명확해지면 숨겨온 실수가 드러나기 때문이죠.

대기업에게 이 과정은 ‘거대 비만 조직의 전신 수술’과 같습니다. 덩치가 크고 얽힌 게 많아서 고통스럽겠지만, 성공만 하면 그 파괴력은 어마어마합니다. 반면 소규모 팀은 군더더기가 없어 곧바로 L3, L4로 치고 나갈 수 있습니다. 하지만 그들도 성장하면서 기록과 계체를 게을리하면 금세 대기업과 똑같은 늪에 빠지게 될 겁니다.

결국 최후의 승자는 2026년에 가장 비싼 AI 모델을 쓴 기업이 아닐 겁니다. AI가 제 실력을 발휘할 수 있도록 조직의 기초 체력을 다지는, ‘섹시하지 않은 작업’을 묵묵히 해낸 기업이 될 것입니다.

<원문>

AI 도입, 섹시한 기술 뒤에 숨겨진 ‘섹시하지 않은’ 성공 법칙

]]>

GEO 성과 측정법: 최종 KPI 말고 '전조 증상'을 봐야 하는 이유

온라인에서 비즈니스 접점을 갖는 기업, 그곳을 이끄는 리더와 IT 실무자에게 GEO(Generative Engine Optimization)는 더 이상 마케터만의 문제가 아닙니다. SNS만큼이나 중요한 노출 채널이 바뀌고 있기 때문입니다. SEO에 이어 등장한 GEO는, AI가 사용자 질문에 답할 때 우리 브랜드와 콘텐츠를 어떻게 인용하게 만들 것인가를 다룹니다. 실제로 요즘IT에는 한 엔지니어 작가가 GEO 자동화 아키텍처에 관한 글을 기고하기도 했습니다.

그런데 시장에 나와 있는 GEO 정보를 훑다 보면 혼란스럽습니다. 모든 상황을 한 번에 해결해 줄 실버불렛 같은 플레이북이 없기 때문입니다. 요즘IT 역시 블로그 에이전트를 만들면서 GEO의 중요성과 정보의 혼란을 함께 체감했습니다. 그래서 정확한 정보를 가려내고 스스로 실행할 가이드를 찾는 리더와 실무자를 돕기 위해 <GEO 팩트체크 세미나>를 기획했습니다.

이 글은 세미나에서 GEO 성과 지표에 관해 발표할 양용준 서치나인 대표가 사전 가이드로 보내온 원고입니다. GEO의 성과를 그 최종 성과만이 아니라 그 성과로 이어지는 전조 증상을 분석해야 한다고 강조합니다. 자세한 세미나 정보는 여기에서 확인하실 수 있습니다.

그동안 SEO를 해온 입장에서 보기엔, 작업 프로세스 자체는 SEO와 GEO가 그렇게까지 다르지 않습니다. FOMO에 빠져 특정 방법론에 매료되기보다, 내 사이트와 콘텐츠에서 실제로 무슨 일이 일어나고 있는지를 먼저 보는 시각, 그리고 지속적인 테스트가 필요하지 않을까 합니다.
by 양용준 서치나인 대표

글쓴이 양용준 서치나인 대표는 SEO&GEO 컨설턴트로, 규모, 산업군 관계 없이 다양한 직종에서 7년간 컨설팅을 해왔습니다. 작년글로벌 SEO컨퍼런스에 연사로 참여했고, 산업군에 따른SEO&GEO 접근 방법에 관한 강의도 하고 있습니다.

GEO에 대한 성과분석과 KPI 설정, 지금 어떻게 접근하고 계신가요?

최근 업계에서 가장 많이 거론되는 성과 지표는 단연 AI 브랜드 가시성입니다. "고객이 검색하는 프롬프트에 내 브랜드가 언급된다"는 것, 어찌 보면 매력적이고 "우리 GEO 잘하고 있는 거 아니야? "라는 뿌듯함도 생기게 하죠.

그런데 저는 컨설팅을 하는 입장으로 이 지표 하나만으로 KPI를 삼는 것이 과연 충분한지에 대한 의구심이 생깁니다. 저뿐만 아니라 최근 커피챗을 진행했던 동종 업계 종사자부터 인하우스 담당자까지, 모두 같은 의구심과 불안감을 가지고 있었습니다. 그 와중에 여기저기서 "GEO로 전환율이 올랐다", "AI 검색 가시성이 수백 퍼센트 증가했다"는 소식까지 더해지니 혼란스럽기만 합니다.

저는 그 혼란의 원인이 최종 성과에 대한 분석만을 쫓고 있기 때문이라 생각합니다.

이는 GEO 이전 SEO에서도 겪었던 문제입니다. 노출과 클릭만을 목표로 삼아 운영하다 보면, 왜 클릭이 올랐는지, 왜 노출이 떨어졌는지 그 원인을 짚어내지 못하게 됩니다. 결과로 이어지는 과정의 징후들을 별도의 지표로 보지 않기 때문입니다. GEO에서도 그 경험은 동일하게 반복됩니다. 최종 성과로 이어지는 전조 증상은 분명 존재합니다.

이번 글에서는 최종 전환을 분석하기에 앞서, GEO 성과로 이어지는 전조 증상을 어떤 지표로 어떻게 바라봐야 할지를 하나씩 짚어보고자 합니다.

‘인용’과 ‘가시성’란?

AI 인용 : AI 답변 안에서 특정 브랜드, 도메인, 문서, 문장이 출처나 참고 정보로 언급되는 것
AI 가시성 : AI가 답변을 구성할 때 우리 콘텐츠를 발견하고, 이해하고, 후보 정보로 사용할 수 있는 상태

1. 인용률, 최종 KPI는 아니어도 전조 증상으로는 봐야 하는 이유

"인용을 KPI로 잡으면 안 된다"는 말이 업계에 회자되고 있습니다. 저는 이 주장에 일부는 동의하지만, 그 이면은 조금 다르게 해석해야 한다고 봅니다.

이 말이 나온 배경을 먼저 생각해볼 필요가 있습니다. 인용은 되었으나 브랜드 언급이 되지 않는 케이스가 실제로 존재하기도 하며, AI는 인용 데이터로만 답을 하는 것이 아닌 학습 데이터를 통해서도 답을 하기 때문이죠. 특히 SEO처럼 키워드를 특정하여 분석하기보다, 대량의 프롬프트 응답에서 인용된 사이트를 빅데이터로 볼 경우 브랜드가 명시적으로 언급되지 않는 사례가 생각보다 많이 보입니다.

그러나 이미 잘 알고 계시겠지만, 데이터란 큰 범주로 볼 때와 작은 범주로 나눠볼 때 도출되는 인사이트가 다릅니다. 인용에서도 마찬가지입니다. 큰 범주에서 보면 ‘외부 보도를 많이 해야 한다’ ‘우리 사이트 인용보다는 가시성이다’라는 주장이 맞을 수 있습니다. 하지만 작은 범위에서는 이 주장을 반박하는 실사례가 있었습니다. R사 피부과가 바로 그 케이스입니다.

<출처: 체인시프트 GEO 툴 인용 도메인 페이지>

흔히들 "여러 곳에 우리 브랜드가 언급되어야 한다", "티스토리·PR에 기사를 많이 보내야 한다"는 외부 작업 중심의 전략을 취합니다. 하지만, 그와 달리 R사 피부과는 자사 사이트의 페이지 수를 과도하게 늘려, 순수 인용 수를 구글 비즈니스 프로필 데이터보다 높혀 전체 인용률을 끌어올리는 결과를 만들어냈습니다.

물론 그렇게 하기 위해 작성한 콘텐츠의 품질이 좋지는 않아서 점진적으로 가시성이 떨어지기는 했습니다. 하지만 실제로 인용이 많이 됨에 따라 가시성이 올라간 실제 케이스입니다. 또한 위 이미지에서 볼 수 있듯이, 인용된 도메인 중 PR과 관련된 사이트는 없습니다. 빅데이터를 보면 그런 사이트들이 많이 인용되는 것처럼 보이지만, 제가 본 데이터 군집 안에서는 프롬프트의 유형에 따라 다른 관점이 나타나는 것으로 보였습니다.

즉 인용률을 최종 KPI로 삼지 않더라도, 콘텐츠 수정과 콘텐츠 작성을 통해 내 페이지의 인용률이 올라가는 지표를 봐야 합니다. 그렇게 하지 않는 것은 오히려 멀리 있는 숲만 바라보고 눈앞의 나무를 보지 않는 것과 같습니다.

결국 외부 인용도 중요하지만 내 사이트의 인용도 중요합니다.

2. 메인 페이지의 브랜드 키워드 오가닉 유입을 전조 증상으로 봐야하는 이유

SEO 컨설팅에서 "키워드에는 의도가 있다"고 말하듯, GEO 컨설팅에서는 프롬프트에 담긴 의도를 파악해야 한다고 말합니다. 그래서 나온 방법론이 "정보성 콘텐츠를 작성할 때, 고객이 어떤 의도로 검색했는지를 역으로 분석해서 콘텐츠를 써라"입니다.

그런데 메인 페이지는 조금 다릅니다. 메인 페이지는 일반적으로 브랜드 키워드를 통한 유입이 가장 많은 페이지이고, 의도가 담긴 정보성 페이지라기보다 브랜딩의 성격에 가까운 페이지입니다.

다양한 프롬프트에서 내 브랜드가 인용되고 언급이 되었다면 다음 영향으로 늘어날 수 있는 부분은 실제 내 브랜드 검색을 통한 메인페이지 유입으로 넘어가게 됩니다.다양한 프롬프트에서 내 브랜드가 인용, 언급된다면, 그것이 실제 내 브랜드 검색을 통한 메인 페이지 유입이 늘어나는 것에 영향을 줄 수 있습니다.

관점 1. AI 가시성 상승이 검색으로 이어지는 후행 효과

AI 답변에서 브랜드가 반복적으로 노출되면 사용자는 그 자리에서 바로 전환하지 않더라도, 이후 브랜드명을 검색해 확인하려는 행동을 보일 수 있습니다.

이때 확인할 수 있는 지표는 다음과 같습니다.

GSC에서 브랜드 키워드 노출수 증가
브랜드 키워드 클릭수 증가
메인 페이지의 브랜드 검색 유입 증가
GA4에서 direct 또는 organic 유입의 동반 증가

중요한 것은 이 지표를 “검색 성과”로만 보지 않는 것입니다. GEO에서 브랜드 키워드 유입은 AI 답변 내 노출이 검색 행동으로 이어졌는지를 보여주는 간접 지표입니다.

관점 2. 사이트 내부 변경 없이도 감지되는 외부 채널 인용 신호

브랜드 키워드 유입이 전조 KPI로 유용한 이유는 사이트 내부 콘텐츠를 크게 바꾸지 않아도 변화가 감지될 수 있기 때문입니다. 예를 들어 새로운 랜딩 페이지를 만들거나 SEO 구조를 대대적으로 수정하지 않았는데도 브랜드 검색량, 메인 페이지 유입, 브랜드명 포함 쿼리의 노출이 증가한다면 이는 외부 채널 인용을 통해 브랜드 인지가 생겼다는 신호일 수 있습니다.

GEO에서는 이 외부 채널 인용이 AI 답변, 검색형 AI, 커뮤니티 인용, 비교 콘텐츠, UGC일 수 있습니다. 따라서 브랜드 키워드 유입 증가는 “어딘가에서 브랜드를 보고 다시 찾아온 사람”이 늘고 있다는 전조로 해석할 수 있습니다.

물론 브랜드 키워드 유입 증가만으로 AI 인용 효과를 무조건 적으로 단정할 수는 없습니다. 광고, PR, 바이럴, 오프라인 활동도 같은 지표를 움직일 수 있기 때문입니다. (산업군에 따라 가능 여부가 나뉘겠지만, 로컬 산업군이라면, 외부 페이지 인용이 아닌 구글 비즈니스 프로필로 먼저 테스트해보시는 걸 추천드립니다.)

그래서 이 지표는 단독 KPI가 아니라 전조 KPI로 봐야 합니다. 같은 기간에 외부 인용을 통한 브랜드 언급, 브랜드 쿼리 증가가 함께 나타난다면 GEO 성과가 실제 수요로 번지고 있다는 가능성이 높아집니다.

3. AI 크롤러 로그, GEO 툴이 못 보는 전조증상 잡는다

*로그 분석은 Search OS 웨비나를 참고하여 시도한 방식을 참고하여 테스트했습니다

GEO 프로젝트를 시작하기 전, 좋은 세팅 방식 중 하나는 내 사이트에 하루에 얼마나 많은 AI 크롤러가 들어오는지 로그 분석 일지를 기록할 수 있는 환경을 구축하는 것입니다.

실제 서치나인 사이트에 유입되는 ai 크롤러 로그 수집 데이터 <출처: 서치나인>

그다음, 지금까지 작성했거나 현재 유입이 높은 콘텐츠를 기준으로 유입될 만한 프롬프트를 직접 생성해서 테스트해보는 것이 필요합니다. GEO 툴에서 프롬프트를 추천해주긴 하지만, 이를 100% 신뢰할 수는 없습니다. 프롬프트 리스트 기준으로 가시성이 측정되는 툴 특 측성 상, GEO 툴 내 가시성과 실제 AI 크롤러의 유입 로그 사이에는 차이가 존재합니다.

직접 비슷한 유형의 프롬프트를 세팅해보면 흥미로운 사실을 알게 됩니다. AI가 쿼리를 확장해 탐색하는 쿼리 팬아웃(Query Fan-out)의 유형이 생각만큼 엄청 특이하게 다르지 않다는 점입니다. 우리에게 진짜 중요한 것은 GEO 툴이 말하는 가시성 수치가 아니라, 어떤 질문에서 어떤 쿼리 팬아웃으로 검색이 이루어지겠다는 판단의 감각이고, 이를 실제 AI 크롤러 로그 유입을 통해 간접적으로 검증하는 것입니다.

물론 우리 사이트를 경유하지 않고 AI가 브랜드를 언급하는 경우도 있고, 이미 학습된 데이터를 바탕으로 말해주는 경우도 있겠지만, 그건 제 생각에 측정 범위 밖의 영역입니다. 반대로 우리 사이트를 자주 크롤링한다는 것은 자주 학습한다는 의미이고, 측정 되지 않는 영역에서 AI가 우리 브랜드를 언급 확률도 그만큼 높아진다고 볼 수 있습니다. (이 부분을 100% 수집할 수 있다면 블랙 데이터부터, 쿠키 기준으로의 수집 등 다 할 수 있겠죠?)

한 가지 더 중요한 포인트가 있습니다. 다양한 프롬프트를 많이 세팅해서 테스트해도, 실제 AI 크롤러가 어떤 페이지를 읽는지를 보면 내가 높은 가시성을 기록한 프롬프트의 효용성이 생각보다 낮다는 걸 체감하게 됩니다.

프롬프트 효용성이 실질적 의미를 가지려면, 해당 GEO 툴 내 세팅한 프롬프트가 실제로 내 서비스와 관계가 있는지를 넘어서, 우리 사이트에 그 프롬프트와 관련해 추출될 만한 페이지가 있는지가 전제로 되어야 하기 때문입니다. 내 홈페이지에 없어도 다른 UGC, 비교형 콘텐츠를 통해 후기나 사용성에 관한 내용을 가져올 수 있습니다. 다만 이 역시 프롬프트의 볼륨이 제공되지 않는 한 정확하게 알 방법은 없다고 생각합니다.

4. 아직 유입은 전환의 전제조건이다

"GEO 시대에는 유입이 KPI가 아니다"라는 말이 있습니다. 방향성은 맞다 생각합니다. 그러나 아직은 문의든 구매든 전환이 일어나기 위해서는 여전히 홈페이지 유입이 필요합니다.

구글은 UCP(Universal Commerce Protocol) 작업을 진행 중이고, 제미나이 AI 모드에서 브라우저를 연결해 한 화면에서 분할 탐색이 가능하게 하는 등 여러 방향을 모색하고 있습니다. 무엇보다 현시점에서 AIO나 AI Mode는 성과를 직접 측정할 수 있는 수단이 아직 갖춰져 있지 않습니다.
(완벽한 툴은 없습니다. 그렇기 때문에 서드파티에만 의지하는 것은 한계가 있습니다. 중요한 건 ① 우리 사이트로 브랜드 유입이 늘어나는지, ② AI 봇이 우리 사이트를 인용하는 빈도가 높아지는지, ③ 전환 경로를 측정할 수 있게 세팅되어 있는지를 직접 확인할 수 있는 환경을 만드는 것이라 생각합니다.)

서드파티 툴은 필요한 선택이지만, 100% 신뢰하거나 전적으로 의지할 수는 없습니다. Semrush와 같은 서드파티 툴에서 보여주는 트래픽과 실제 내 사이트의 트래픽이 다른 것과 같이, 무조건적인 신뢰할 수 없는 상황이 종종 발생하기 때문입니다.

GEO를 지금 준비해야 한다고 말하면서도, 가시성을 100% 증빙할 수 있는 툴이 아직 없다면 스스로 납득할 수 있는 포인트 지표를 직접 설정하고 측정하는 것이 오히려 더 현실적이고 정직한 접근 방식이라 생각합니다.

특정 방법에 매료되지 않는 것이 필요하다

21일 열리는 <GEO 팩트체크 세미나>에서는 제가 처음에 어떤 방식으로 성과를 측정하는지, 현재는 어떤 테스트를 진행하고 있는지, 그 과정에서 어떤 반례들을 발견했는지를 직접 보여드리고자 합니다.

일례로 위 이미지처럼 작성한 ‘구글 서치 콘솔(GSC, Google Search Console) 가이드2편, 실적 카테고리 분석 방법’은 2023년에 발행된 글인데, 아직 GPT에서 인용이 되는데요. GEO 친화 글쓰기에서 대표적으로 많이 나오는 아래 4가지 중 어디에도 속하지 않은 형태의 글입니다. 구글서치콘솔에서는 미비하나 꾸준히 클릭이 있는 페이지이고 SEO 기반 하에 작성한 글이죠.

llms.txt를 설치해야 한다
FAQ(자주 묻는 질문)을 넣어야 한다
상단에 세 줄 요약을 해야 한다
전문성 있는 권위 있는 PR 기사에 우리 사이트를 홍보해야 한다

다만, 이 모든 방법들이 틀린 것은 아닙니다. 그러나 이것이 GEO의 전부인 것처럼 공식화되는 순간, 우리는 다시 ‘카더라’ 결과만 쫓던 예전 ‘SEO 황무지 시절’의실수를 반복하게 됩니다. (SEO에서도 타이틀을 결정하는 요소만 9가지가 있고, 그 9가지 중에 상황에 따라 우선순위에 대한 상관관계가 있는데요, GEO는 간단하지 않겠죠?)

그동안 SEO를 해온 입장에서 보기엔, 작업 프로세스 자체는 SEO와 GEO가 그렇게까지 다르지 않습니다. FOMO에 빠져 특정 방법론에 매료되기보다, 내 사이트와 콘텐츠에서 실제로 무슨 일이 일어나고 있는지를 먼저 보는 시각, 그리고 지속적인 테스트가 필요하지 않을까 합니다.

그럼 5월 21일, <GEO 팩트체크 세미나>에서 뵙겠습니다.

GEO 팩트체크 세미나 자세히 보기

<GEO 팩트체크 세미나: 실제 사례로 보는 GEO, 오해와 진실> 안내. 일시는 5월 21일 목요일 19시, 오프라인과 온라인 동시 진행이다. 연사는 빌더블 이소연 대표, 라이너 김윤기 머신러닝 엔지니어, 서치 나인 양용준 대표 세 명이다. 요즘IT가 주최하고 라이너가 후원한다. <출처: 요즘IT>

]]>

GEO 시대의 글쓰기, SEO와 무엇이 같고 무엇이 다른가

이 글은 세미나에서 콘텐츠 전략을 강의할 이소연 빌더블 대표가 사전 가이드로 보내온 원고입니다. "기존에 써둔 글은 다 버려야 하는지", "SEO를 잘하면 GEO는 자동으로 되는지" 현장에서 가장 자주 받는 두 질문에 실제 사례로 답합니다. 자세한 세미나 정보는 여기에서 확인하실 수 있습니다.

GEO (Generative Engine Optimization, 생성형 엔진 최적화)는 SEO (Search Engine Optimization, 검색 엔진 최적화)와 다르게 써야 한다? 반은 맞고, 반은 틀립니다.
by 이소연 빌더블 대표

글쓴이이소연(데니스)은 SEO/GEO 교육 회사 빌더블의 대표로,GEO/AEO/SEO 올인원 강의, 맞춤형 기업 강의 등 AI 시대의 콘텐츠 전략과 브랜드 노출 설계를 도와드리고 있습니다.

클라이언트에게 GEO(Generative Engine Optimization, 생성형 엔진 최적화) 콘텐츠 전략을 설명하다 보면, 자주 받는 두 가지 질문이 있습니다.

기존에 써둔 글들은 다 버려야 하나요?

혹은 반대로

SEO (Search Engine Optimization, 검색 엔진 최적화) 잘 하면 GEO는 자동으로 되는 거죠?

이 글을 읽으시는 분들 중에도 위 두 가지 의문이 드는 분들이 계실 것 같은데요. 둘 다 아닙니다.

이 글에서는 제가 그동안 다양한 고객을 만나며 정리한 내용을 바탕으로 GEO 콘텐츠가 SEO와 무엇이 어떻게 다른지, 실무자가 당장 무엇부터 바꿔야 하는지를 이야기해보려 합니다. GEO가 무엇인지는 들어봤지만, 실제로 글쓰기를 어떻게 바꿔야 하는지 감이 안 잡히는 마케팅 실무자라면 이 글과 세미나가 도움이 될 것입니다.

AI 검색은 내 글을 어떻게 읽고 있을까요?

먼저 GEO 글쓰기란, AI가 사용자 질문에 답할 때, 우리 콘텐츠를 인용 출처로 선택하도록/우리 브랜드를 추천하도록 구조, 내용, 신뢰 신호를 설계하는 콘텐츠 전략입니다. GEO 글쓰기가 왜 달라야 하는지를 이해하려면, AI 검색이 내부적으로 어떻게 작동하는지를 먼저 알아야 하는데요. 그 이야기를 먼저 해보겠습니다.

AI는 사용자의 질문을 어떻게 다룰까요? 사용자가 ChatGPT나 Perplexity, Gemini에 질문을 하나 던지면, AI는 그 질문을 그대로 검색하지 않습니다. 내부적으로 여러 개의 서브 쿼리로 분해해 검색한 뒤 결과를 종합해 최종 답변을 생성하죠. 이걸 '쿼리 팬아웃(Query Fan-Out)'이라고 부릅니다.

쿼리 팬아웃 예시 이미지 <출처:빌더블이소연>

이 쿼리 팬아웃 때문에 우리 콘텐츠가 특정 키워드에서 구글 랭킹 1위를 하고 있더라도, AI가 쪼갠 서브쿼리 중 하나에 잡히지 않으면 인용이 어렵습니다. Surfer SEO 리서치에 따르면, 2025년에 약 10,000만 개 키워드와 17만 3,902개 URL을 분석한 결과, AI 오버뷰에 인용된 페이지 중 약 68%가 구글 상위 10개 결과에 없었습니다.

그렇다면, 우리는 이 수십 개의 서브쿼리를 모두 예측하고 대응할 수 있을까요?

현재 Otterly, LLMrefs 같이 쿼리 팬아웃 분석을 도와주는 툴들이 존재합니다. 그러나, 구글, Open AI 등이 공개한 팬아웃 로직은 없기 때문에 실제 내부 로직 그대로 재현하는 실측값이라기보단 통계, 패턴 기반의 예측값에 가깝습니다.

<출처:Otterly>

그렇다면, 우린 지금 당장 어떤 액션을 해야 할까요?

여기서 SEO와 GEO 글쓰기의 가장 근본적인 차이가 시작됩니다.

SEO는 사람이 검색창에 치는 단어(=키워드)를 분석합니다.
GEO는 사람이 AI에게 털어놓는 맥락(=프롬프트)을 분석합니다.

예를 들어볼게요. ‘가족 간 계좌이체 세무조사’라는 키워드로 SEO 글을 기획하면 소제목이 이렇게 나옵니다.

SEO 방식 소제목 예시

가족간 계좌이체 세무조사란?
가족간 계좌이체 세무조사 기준
가족간 계좌이체 세무조사 대응 방법

키워드 중심이죠. 검색창에 칠 단어를 그대로 소제목으로 가져왔습니다.

GEO는 조금 다릅니다.

먼저 검색하는 사람이 AI에게 어떤 상황에서 어떤 질문을 할지 먼저 생각해볼게요.

GEO 방식 소제목 예시 (맥락 기반)

"부모님께 생활비를 매달 현금으로 보내고 있는데 세무조사 나올 수 있나요?"
"결혼 자금으로 부모한테 N천만 원 받았는데 증여세 내야 하나요?"
"가족 계좌로 사업 자금 빌렸다가 세무조사 받은 사례 있나요?"
"배우자한테 생활비 이체하는 것도 증여세 대상인가요?"

이 질문들을 소제목으로 배치하고, 각 소제목 아래에 그 상황에 직접 답하는 단락을 씁니다. AI가 '배우자 계좌이체 증여세' 관련해서 검색할 때, 우리 콘텐츠가 인용될 가능성이 훨씬 올라갑니다. 이것이 맥락(Context) 설계입니다. 키워드에 머무르지 않고, 고객이 AI에게 질문을 던지는 상황과 맥락을 먼저 그리는 것입니다.

맥락을 찾았다면, 글은 어떻게 달라져야 할까요?

맥락을 설계했다면, 그다음은 글의 구조와 내용에 검증 가능한 정보가 있는지, 우리 사이트가 신뢰성이 있는지를 살펴봐야 합니다. 그중에서도 먼저 우리가 설계한 맥락이 실제로 AI에게 인용될 수 있는 구조로 글을 쓰는 것이 중요합니다.

구조: AI는 흐름이 아니라 문장, 문단을 가져갑니다

AI는 글을 처음부터 끝까지 읽지 않습니다. 필요한 단락을 잘라서 인용합니다. Search Engine Land 아티클에 따르면 ChatGPT 인용의 약 44%가 글의 첫 1/3 구간에서 나왔다고 합니다. 그리고, AI에 인용된 블로그 포스트의 72.4%에는 맥락 없이도 단독으로 이해되는 단락, 즉 'Information Island'가 존재했습니다.

SEO와 GEO 글쓰기의 네 가지 차이. SEO 방식은 "이 글에서는 ~을 알아보겠습니다"로 시작해 키워드 중심 소제목을 쓰고 결론을 글 후반부에 배치하는 반면, GEO 방식은 결론과 수치로 시작해 맥락·질문 중심 소제목을 쓰고 단독으로 이해 가능한 단락(Information Island) 구조로 작성한다. <출처: 이소연>

예를 들어볼게요.

[Before] SEO 방식

강남 레이어드 컷 잘하는 미용실

00과 같은 연예인들 덕분에 요즘 레이어드 컷이 트렌드로 떠오르고 있습니다. 강남 00 미용실에는 실력 있는 디자이너들이 많아 많은 분들이 찾고 있는데요. 이 글에서는 강남에서 레이어드 컷을 잘하는 미용실을 선택할 때 고려해야 할 사항들을 알아보겠습니다.

이 내용을 AI가 잘라서 인용하면 어떻게 될까요? "요즘 트렌드로 떠오르고 있습니다"와 "알아보겠습니다"만 남습니다. 구체적이거나 수치적인 정보가 없죠.

[After] GEO 방식

강남에서 레이어드 컷 처음 받을 때, 예약 전에 확인해야 할 것

왜 다들 예쁘게 하는데 나만 레이어드 컷 실패할까요? 마음에 들지 않은 커트의 가장 흔한 원인은 디자이너 실력뿐만 아니라 분석과 상담입니다. 모발 굵기와 두상 모양에 따라 레이어 각도가 달라져야 하는데, 상담 없이 시술에 들어가면 원하는 결과가 나오기 어렵습니다.

예약 시 확인할 것: 시술 전 상담이 별도로 진행되는지, 레퍼런스 사진을 보면서 함께 조율하는 과정이 있는지.

가격 외에 봐야 할 지표: 디자이너당 네이버 리뷰가 N개 이상이거나 평점 N점 이상인 매장인지 체크해보세요.

추가로, 표와 리스트를 적극적으로 활용하는 것도 중요합니다. Discovered Labs리서치에 따르면, 표와 리스트로 구조화된 콘텐츠는 그렇지 않은 콘텐츠보다 AI 인용률이 상당히 높아지며, 일부에서는 인용 확률이 약 40% 수준까지 증가했다고 합니다.

내용: 내 글에 검증 가능한 정보가 있나요?

글의 구조만이 아닙니다. 내 글의 내용이 검증 가능한 정보가 있는지도 살펴봐야 합니다. Princeton University와 IIT Delhi가 KDD 2024에서 발표한 GEO 연구는 콘텐츠 최적화 전략 9가지를 실험했습니다. 그중 가장 효과가 높았던 3가지는 아래와 같습니다.

통계 추가: 데이터·수치 삽입 (최대 +37%)
권위 있는 출처 인용:신뢰 가능한 레퍼런스 추가 (+9%)
전문가 인용문 삽입:직접 인용문 포함 (+22%)

공통점이 보이시나요? 맞습니다. AI는 검증 가능한 정보를 선호합니다. '많은 기업들이 도입하고 있다'보다 '2025년 기준 미국 마케터의 54%가 GEO를 6개월 내 도입할 계획이다 (Averi.ai, 2025)'와 같은 문장이 인용될 확률이 훨씬 높습니다.

신뢰: 우리 웹사이트 말고 우리 브랜드는 어디서 어떻게 언급되고 있나요?

SEO에서 제일 빼놓을 수 없었던 핵심 요소 중 하나는 백링크였습니다. 그러나, GEO에서 백링크는 가장 중요한 요소라고 보긴 어렵습니다. 대신 브랜드 언급(brand mention)이 훨씬 중요해졌죠. Ahrefs가 7만 5천 개의 브랜드를 분석한 결과, 브랜드 언급(brand mention)은 AI Overview 인용과 0.66~0.71 수준의 높은 상관 관계를 보였고, 백링크와 AI의 인용 가능성은 0.2~0.3 사이였습니다.

AI 오버뷰 인용과의 상관관계

이제 다른 콘텐츠에서도 우리 브랜드가 언급되느냐가 중요해졌습니다. 우리 브랜드 웹사이트 안에서 글을 아무리 잘 써도, 외부에서 내 브랜드가 전혀 언급되지 않는다면 AI는 신뢰할 근거가 부족하기 때문이죠.

GEO 글쓰기는 발행하고 끝이 나는 게 아니라 외부 노출 전략을 동시에 설계해야 비로소 힘을 발휘합니다.

그리고 외부 노출의 형태는 블로그에 국한되지 않습니다. AI는 유튜브 디스크립션, 뉴스 기사, 커뮤니티 게시글, SNS 콘텐츠도 인용합니다. Profound 리서치에 따르면 같은 주제라도 질문의 형태가 바뀌면 AI가 참고하는 정보의 종류가 달라집니다. 짧은 키워드 중심 검색에서는 위키피디아나 일반 정보형 웹사이트를 주로 인용하지만, 자연어로 길게 작성된 질문이나 구체적인 맥락이 포함된 질문에서는 커뮤니티, 리뷰, 경험 기반 콘텐츠를 더 많이 참고합니다.

우리 브랜드가 어떤 채널에서 어떤 형태로 언급되는지를 다각도로 설계해야 한다는 의미입니다.

그래서 GEO는 효과가 얼마나 빨리 나타날까요?

구조와 내용을 바꿔도 결과가 언제 나타날지는 실무자에게 가장 현실적인 질문입니다. 검색엔진과 AI 검색은 콘텐츠 반영 속도에서 차이가 큽니다.

SEMrush 리서치에 따르면, 구글의 AI Overviews(검색 결과에 노출되는 AI 요약 기능)는 콘텐츠를 매우 빠르게 반영합니다. 게시 후 24시간 내 약 36%가 인용되고, 7일 내에는 약 56%까지 증가했습니다.

반면 ChatGPT는 초기 인용 속도는 느리지만 시간이 지날수록 누적되는 구조를 보입니다. 1일 기준 약 8%에서 시작해 30일 후에는 약 42%까지 증가했습니다.

즉 단기 노출은 구글 AI Overviews에서, 장기 누적 효과는 ChatGPT에서 기대할 수 있다는 뜻입니다. 어느 한쪽에만 의존하지 않고 두 채널을 모두 고려해 콘텐츠를 설계해야 하는 이유입니다.

SEO는 이제 끝인가요?

SEO를 9년째 하고 있는 제 경험상 SEO를 잘하는 사람은 GEO에서도 유리합니다.

SEO의 본질은 "이 사람이 왜 이 키워드를 검색했을까"를 파악하는 것입니다. 검색 의도를 읽고, 그 의도에 정확히 답하는 콘텐츠를 준비하는 것이죠. 이 능력은 GEO에서 요구하는 맥락 설계와 매우 유사합니다. 보다 디테일해진 것 뿐이죠. 즉 키워드나 프롬프트 뒤에 있는 사람의 맥락을 읽어내는 것은 SEO에서도, GEO에서도 본질이라고 할 수 있습니다.

그런 측면에서는 GEO 콘텐츠는 SEO 콘텐츠와 다르게 써야 한다는 말은 틀린 것이죠.

GEO를 위해 당장 무엇부터 시작해야 할까요?

GEO 콘텐츠의 핵심은 ‘키워드’가 아니라 ‘맥락’이라는 점에서 SEO와 다릅니다. 또 구조, 검증 가능한 정보, 신뢰의 측면에서도 SEO와 금 다르죠. 하지만 고객의 의도를 파악해야 한다는 점에서는 본질적으로 같습니다. 그렇다고 기존에 써둔 글을 모두 새로 쓸 필요는 없습니다. 트래픽이 있는 기존 글의 첫 단락을 결론 중심으로 리라이팅하고, 소제목을 고객 상황 기반으로 교체하는 것만으로도 GEO 인용 가능성은 충분히 올라갑니다. 처음부터 다시 쓰는 것보다 기존 자산을 손보는 것이 훨씬 효율적이라는 의미입니다.

하지만 너무 어렵거나 걱정할 일은 아닙니다. SEO나 GEO를 잘 모르시거나 GEO 전략에 대해 아직 시도해보지 않으신 분들도 당장 실행해보실 수 있는 네 가지 액션을 제안드립니다.

1. AI 검색엔진에 직접 검색해보세요.

ChatGPT나 Perplexity, Gemini에 우리 제품과 관련된 질문을 던져보세요. (예: "인스타그램 게시물에 댓글을 달면 자동으로 DM 보내주는 툴 추천해줘")

우리 브랜드가 인용되고 있는지, 경쟁사가 인용되고 있는지 확인하세요. 어떤 프롬프트에서 브랜드와 제품을 추천하는지도 함께 확인하세요. 지금 어떤 맥락에서 내 카테고리가 검색되는지를 파악하는 것이 맥락 설계의 시작점입니다.

2. 1번에서 찾은 프롬프트로 쿼리 팬아웃을 시뮬레이션해보세요.

AI에게 이렇게 물어보세요.

"나는 '[첫째에서 찾은 프롬프트]'라고 검색하는 사람을 위한 글을 쓸 거야. 이걸 검색하는 사용자의 10가지 하위 질문으로 분해(Fan-out)해줘."

실제 AI 내부 로직과 완전히 일치하지 않지만, 지금 당장 툴 없이 할 수 있는 가장 현실적인 시뮬레이션입니다. 나온 질문들을 글의 소제목으로 배치하고, 각 소제목 아래 그 질문에 직접 답하는 문장으로 시작하세요.

무작정 따라하는 것이 아닌 우리 고객이 정말 이런 맥락에서 질문할까를 고려해 글의 소제목으로 사용하셔야 합니다.

3. 글 안에 검증 가능한 정보를 넣으세요.

"많은 분들이 찾고 있습니다" 같은 문장이 있다면 바로 지우세요. 대신 수치, 출처, 전문가 인용 등으로 교체해서 AI 가시성을 높여보세요.

4. 내 브랜드가 외부에서 언급되고 있는지 확인하세요.

우리가 콘텐츠를 아무리 잘 써도 외부에서 브랜드가 언급되지 않으면 AI는 신뢰할 근거가 너무나도 부족합니다. 협업 콘텐츠, 인터뷰, 외부 기고, 리뷰 등 우리 브랜드 이름이 다른 곳에서 언급될 수 있는 접점을 하나씩 설계해보세요.

AI 검색이 주류가 되기 전, 지금 해야 할 GEO 전략

GEO 시대에 콘텐츠 전략을 고민하는 분들은 늘 고민일 겁니다.

"어떻게 써야 AI에 노출되나요?"
하지만 이보다 더 중요한 질문이 있습니다.
"우리 고객은 어떤 순간에 AI에게 우리 브랜드를 묻고 있을까?"

SEO 글쓰기 스킬이 어떠하고 GEO 글쓰기는 어떠하냐는 그 다음 문제입니다. 고객이 AI에게 질문을 던지는 그 맥락을 모르면, 아무리 잘 쓴 글도 엉뚱한 질문의 답이 될 수 있습니다. 반대로 그 맥락을 정확히 알면, 구조도 소제목도 첫 문장도 자연스럽게 따라오게 될 것입니다. 어쩌면 GEO 덕분에 브랜드는 고객에 대해 더 이해할 수 있는 기회를 찾은 게 아닐까 싶습니다.

GEO 콘텐츠 전략에 대해 더 깊이 있게 다룬 사례와 실습은 5월 21일 GEO 팩트체크 세미나에서 이어집니다.

GEO 팩트체크 세미나 자세히 보기

]]>

GEO에 시간·비용 쓰기 전에 알아야 할 것들: 팩트체크 세미나

제로클릭 시대, GEO에 다들 어떻게 대응하고 계시나요?

요즘 IT는 최근 기업 블로그 에이전트를 만들며 GEO 최적화를 적용해 봤습니다. 기업 블로그에 발행할 콘텐츠를 기획하고 생성하는 에이전트인데요. 최근 기업의 GEO에 대한 관심을 고려하면, 이 에이전트도 GEO에 최적화된 구조로 글을 쓰는 것이 중요했습니다. 그래서 최종 산출물에는 글 자체뿐 아니라 GEO 대응을 위한 JSON-LD 구조화 데이터까지 함께 출력되도록 설계했죠.

이 과정에서 GEO 스터디를 하게 됐습니다. 그런데 들여다볼수록 의문이 쌓였습니다.

첫째, GEO 성과를 측정하고 개선하는 '단 하나의 플레이북'이 없었습니다. 더 근본적으로는, '무엇을 성과로 볼 것인가'부터 정의가 합의되어 있지 않았습니다. 어떤 곳은 LLM 답변에 인용된 횟수를, 어떤 곳은 거기서 유입된 트래픽을, 또 어떤 곳은 브랜드 멘션 빈도를 성과라 부릅니다. 성과 정의가 흐릿하니 schema.org 마크업이든, 인용 가능한 통계 삽입이든, 백링크든 주요 액션으로 언급되는 것들 중 무엇을 우선해야 할지 판단할 기준이 서지 않았습니다.

둘째, GEO 성과를 높여준다는 서비스는 이미 시장에 많은데, 무엇을 목표로 어떤 도구를 왜 선택해야 하는지가 불확실했습니다. 트래킹 툴마다 측정 방식이 다르고, 컨설팅마다 접근 방식이 다릅니다. 의사결정자 입장에서 '뭘 사야 하나'보다 더 어려운 건 '뭘 기준으로 골라야 하나'입니다.

셋째, 단순히 여러 LLM에 쿼리를 던져 인용 빈도를 높이는 것만이 능사는 아니라는 의심이 들었습니다. 인용이 곧 비즈니스 성과로 직결되는 건 아니니까요. 측정 가능한 것에만 매달리다 보면, 정작 중요한 걸 놓칠 수 있습니다.

이 질문을 안고 현장 전문가들을 만났습니다. 그런데 같은 의문을 갖는 것이 저희만은 아니었습니다. 전문가들도 요즘 모두가 겪는 문제라고 입을 모았습니다. 그래서 같은 고민을 하는 대표와 실무 리더들을 위해, 정확한 사실들을 짚어볼 수 있는 시간을 마련했습니다.

GEO 팩트체크, 전문가·실무 리더·엔지니어 한자리에

요즘 IT는 AI 스타트업 라이너와 함께 5월 21일(목) 저녁 7시 라이너 오피스에서 'GEO 팩트체크: 시간·비용을 쓰기 전에 알아야 할 것들' 세미나를 엽니다. 시장에 만연한 GEO에 대한 오해를 전면으로 내세워 전문가의 생각과 사례를 들어보는 시간을 마련했습니다.

이 세미나에 모신 분들은 두 부류입니다.

한 축은 연구와 컨설팅을 병행하며 다양한 사례를 축적해 온 GEO 전문가들입니다. 시장에서 떠도는 'GEO 베스트 프랙티스' 중 무엇이 검증된 사실이고, 무엇이 추측에 가까운지 실제 클라이언트의 고민을 해결하며 축적해온 사례들을 기반으로 GEO의 오해와 진실을 다룹니다.

다른 한 축은 AI 검색 엔지니어입니다. 검색 로직 자체를 이해해야 사실에 더 가까운 전략을 세울 수 있다고 봤습니다. 시장의 통념이 기술적 현실과 어디서 맞고 어디서 어긋나는지, 엔지니어의 시점에서 직접 듣는 자리는 흔치 않습니다.

간단한 강연 이후, GEO에 관해 흔히 오해하는 명제 5가지를 던지고, 그에 대해 이야기 나누는 패널 토크 세션도 마련했습니다.

세션 1. GEO 성과 측정, 어떻게 접근할까 (양용준 서치나인 대표)

GEO가 중요하다는 말은 넘쳐나지만, 막상 "잘 되고 있는지" 측정하는 방법은 막막하죠. 실행을 하고 계신 분들도 이게 맞는지조차 확신하기 어려운 상황입니다. 안랩, 메트라이프 생명 등 다양한 기업의 GEO 문제를 해결해온 서치나인 양용준 대표도 비슷한 고민을 돌파해왔습니다.

첫 번째 세션에서는 양 대표가 다양한 연구와 고객 사례를 바탕으로 GEO를 실무에 적용하는 방식을 공유합니다. 내 사이트에 기반한 AI 가시성을 판단할 프롬프트는 어떻게 설정해야 하는지, GEO 툴의 성과를 지표로 삼는 게 아니라 간접적으로 활용하는 방법은 무엇인지, 간접적으로 전환을 파악하는 방안은 어떤 것이 있는지를 이야기합니다.

“안녕하세요, SEO/GEGO 컨설턴트 양용준입니다. 규모와 산업군에 상관없이 다양한 직종에서 7년간 SEO 컨설팅을 해왔습니다. 현재는 SEO에 기반한 GEO에 어떻게 하면 내 브랜드가 인용되는지 여러 가설을 세워 테스트하고 있습니다. 특히 AI에 잘 인용되는 방식에 대한 인사이트는 많지만 GEO에 대한 실제 성과 측정은 모호합니다. 아직 정답은 없지만 이번 세션에서 저의 경험과 사례를 공유해보려 합니다”

세션 2. GEO 시대의 콘텐츠 전략 (이소연 빌더블 대표)

GEO 시대에 글쓰기는 어떻게 달라져야 할까요? 30개 이상의 고객사에 직접 적용해 평균 3배 이상의 트래픽과 성장을 만들어낸 경험을 바탕으로, 이소연 빌더블 대표가 SEO와 GEO 글쓰기의 핵심 차이인 구조, 내용, 신뢰 신호 3가지를 중심으로, AI가 실제로 인용하는 콘텐츠는 어떻게 만들어지는지 살펴봅니다. 마지막엔 지금 바로 적용할 수 있는 액션 4가지도 제안되어, 세션 이후 실습해 볼 수 있습니다.

“안녕하세요, AI 검색 시대의 SEO·GEO 전략을 알려드리는 이소연입니다. 이론이 아닌 실무에 적용 가능한SEO/GEO 전략을 쉽게 풀어 드리고 있습니다. GEO 시대에 글쓰기가 왜, 어떻게 달라져야 하는지를 이번 세션을 통해 다뤄보려 합니다. 마지막에 제공되는 액션 4가지를 꼭 실습해보시면 좋겠습니다”

세션 3. AI 검색의 기술적 사실 (라이너 검색 엔진 전담 엔지니어)

AI 검색 엔진이 콘텐츠를 선택하고 인용하는 메커니즘을 라이너의 검색 엔지니어가 직접 설명합니다. 시장에서 'GEO 핵심'이라고 떠도는 이야기들 중 어떤 것들이 근거 없는 이야기이고, 어떤 것들이 가능성이 있는 이야기인지를 AI 검색 엔진의 동작 원리를 통해 짚어드립니다. 기술을 잘 모르는 분들도 따라올 수 있는 눈높이로 진행됩니다.

패널토크: GEO 오해와 진실

시장에서 흔히 도는 GEO 관련 통념을 주제별로 꺼내놓고, 두 컨설턴트가 함께 팩트체크합니다. 라이너에서 GEO 전략을 수행하고 있는 공다솜 콘텐츠 리드가 진행하며, 실제 현장의 생생한 고민을 풀어낼 계획입니다.

패널토크 주요 아젠다

SEO만 잘해도 GEO 성과를 얻을 수 있을까요?
GEO에 예산과 리소스를 얼마나 써야 할까요?
인용 횟수가 늘면 GEO를 잘하고 있다고 봐도 될까요?
사전 FAQ : 참가자들이 사전에 공유한 질문들을 추가로 다룹니다.

이런 분들께 권합니다

제로클릭 시대에 우리 비즈니스의 대응 방향이 아직 잡히지 않은 대표·마케팅 리더
GEO를 시작하려는데 전략과 성과 측정이 막막한 실무 리더
GEO 예산 편성을 앞두고 판단 근거가 부족한 의사결정자
GEO 정보는 많이 봤는데, 뭐가 맞는지 몰라 검색 엔지니어에게 직접 확인하고 싶은 SEO 담당자

행사 정보

일시: 2026년 5월 21일(목) 오후 7시
장소: 라이너 오피스 (서울 동교동)
참가비: 무료
모집 인원: 오프라인 25명, 온라인 200명
주최: 요즘IT(위시켓)
후원: 라이너

오프라인 세션에서는 패널 토크가 끝난 뒤 업계 전문가들과 함께 네트워킹할 수 있는 시간이 마련됩니다. 소규모의 전문적이고 밀도 높은 교류를 위해 오프라인 초대 인원은 25명으로 제한됩니다. 더 현장감 있는 교류를 원하는 분들께서는 아래 링크에서 신청 폼을 작성해 주세요. 신청자 중 25명을 추첨해 초청해 드립니다. 무료 행사인 만큼 자리가 빠르게 마감될 수 있으니 관심 있는 분은 서둘러 신청해 주세요.

➡️온라인 등록은 여기에서!

]]>

플랫폼은 어떻게 가짜 신규 고객을 걸러낼까?

국내 주요 이커머스 플랫폼들은 신규 가입자를 유치하기 위해 강력한 웰컴 후킹 정책을 운영합니다. 100원 딜이나 고액 쿠폰이 대표적입니다. 그러나 이런 혜택은 신규 고객 확보에 효과적인 만큼, 이를 악용하는 ‘체리피커’를 불러들이기도 합니다.

체리피커는 단순히 혜택만 받아 가는 고객에 그치지 않는데요. 고객 획득, 전환율 같은 핵심 지표를 오염시키고, 막대한 마케팅 비용 손실까지 초래할 수 있습니다. 따라서 플랫폼은 먼저 ‘고객’을 어떻게 정의할 것인지부터 명확히 해야 합니다. 이후 고객의 특성을 진단하고, 순도 높은 고객을 확보하기 위한 데이터 전략을 세워야 합니다.

이번 글에서는 가입 정책을 ‘비즈니스 필터’의 관점에서 살펴봅니다. 본인인증(CI/DI)과 기기 식별(Device ID)이 중복 가입과 체리피커를 막고, 데이터 무결성을 지키는 방식을 짚어봅니다. 또한 법적 휴면제 폐지 이후 데이터 정책이 ‘보유’ 중심에서 ‘수익성 기반 타겟팅’으로 어떻게 전환되어야 하는지도 함께 살펴보겠습니다.

플랫폼은 어떻게 ‘한 사람 이상의 실체’를 찾아내는가?

다음은 국내 이커머스 플랫폼의 실제 사례를 바탕으로 한 리서치입니다.

1) 마켓컬리(Market Kurly)의 '100원 딜'과 배송지 정제

마켓컬리의 성장을 견인한 ‘100원 딜’은 체리피커의 주요 타깃이 되기 쉬운 정책입니다. 초기에는 가족 명의의 휴대폰 번호를 여러 개 확보한 뒤, 한 집으로 여러 개의 100원 상품을 주문하는 사례가 빈번했습니다. 당시에는 본인인증 제도가 적용되지 않았기 때문이죠.

실무 대응: 이에 마켓컬리는 휴대폰 번호 중복 체크뿐만 아니라, ‘배송지 주소 정제(Normalization)’ 로직을 도입했습니다. 동일한 배송지 주소에서 단기간에 여러 신규 가입자가 혜택을 신청할 경우, 시스템이 이를 이상 징후로 판단해 승인을 거절하거나 추가 본인인증을 요구하는 방식입니다. 이는 온라인 가입 정보만으로 고객을 판단하지 않고, 물리적 거주지를 기준으로 실사용자를 검증하는 오프라인 기반 방어책입니다.

본인인증이 없었던 컬리 100원딜 정책 <출처: 한겨레 기사>

이후 수정된 마켓컬리 약관 <출처: 마켓컬리>

2) 무신사(Musinsa)의 기기 식별(Device ID) 기반 차단

무신사는 커뮤니티 기반의 강력한 팬덤을 보유한 플랫폼입니다. 그러나 팬덤이 강한 만큼, 신규 가입 혜택이나 프로모션 정책의 허점이 사용자들 사이에서 빠르게 공유되기도 합니다.

실무 대응: 무신사는 앱 실행 시 기기 고유 식별자인 ‘Device UUID’를 수집해 계정 정보와 매칭합니다. 사용자가 다른 명의의 휴대폰 번호로 가입하더라도, 동일한 스마트폰에서 로그아웃과 재가입을 반복하며 ‘990원 딜’ 등을 이용하려 하면 구매를 제한하는 방식인데요. 예를 들어, “이미 혜택을 받은 기기입니다”와 같은 메시지를 노출해, 동일 기기에서의 반복 혜택 수령을 막을 수 있습니다. 이는 계정 팜(Account Farm)을 통한 마케팅 예산 탈취를 차단하는 핵심 수단입니다.

무신사 개인정보 수집 및 이용 동의 화면 < 출처: 무신사>

3) 알바몬(Albamon)의 이벤트 순도 관리

알바몬과 같은 채용 플랫폼은 단순 가입자 수보다 ‘이력서 작성’이라는 유효 행동이 더 중요합니다. 즉, 가입 자체가 아니라, 실제 구직 의사가 있는 사용자인지를 판단해야 합니다.

실무 대응: 알바몬은 가입 직후 경품을 지급하는 대신, ‘본인인증 완료 + 이력서 1회 저장’과 같은 복합 조건을 설정합니다. 단순 가입이 아니라, 실제 서비스 이용 의지를 확인할 수 있는 행동까지 요구하는 방식입니다. 이때 본인인증 API에서 활용하는 CI 값을 통해 과거 탈퇴 이력이 있는 사용자가 재가입 후 다시 경품만 받아가는 행위를 차단할 수 있습니다. 이는 이벤트 참여자의 순도를 높이고, 마케팅 비용이 실제 전환 가능성이 있는 사용자에게 쓰이도록 만드는 장치입니다.

4) 쿠팡이츠의 네트워크 식별

쿠팡은 앱 곳곳에 배너와 팝업을 배치해 와우 멤버십 가입, 쿠팡이츠 첫 주문 등을 적극적으로 유도합니다. 이처럼 마케팅 집행 규모가 큰 플랫폼일수록, 혜택이 실제 신규 고객에게 쓰이고 있는지 검증하는 장치가 중요합니다.

실무 대응: 동일한 명의가 아니더라도, 같은 와이파이(Wi-Fi)나 IP 주소(IP Address) 환경에서 짧은 시간 안에 복수의 신규 가입과 주문이 발생하면 시스템은 이를 ‘동일 환경’에서 발생한 행동으로 판단할 수 있습니다. 특히 첫 주문 할인 혜택이 큰 플랫폼에서는 동일 네트워크에서 반복 가입과 주문을 시도하는 작업장(Farm)을 막기 위해 이러한 식별 로직이 필요합니다. 이는 실명 인증만으로 걸러내기 어려운 비정상 패턴을 보완하는 방어책입니다.

CI/DI 수집, 가입창에 번호만 받으면 끝일까?

가장 중요한 포인트는 여기입니다. 가입창에 휴대폰 번호 입력 필드를 만드는 것만으로는 비즈니스 로직을 보호할 수 없기 때문인데요. 현실적으로 사용자가 직접 입력한 휴대폰 번호는 검증된 식별값이 아니라, 단순한 ‘텍스트’에 가깝습니다. 예를 들어, 010-1234-5678로 가입한 사용자가 탈퇴한 뒤, 010-1234-5679로 다시 가입하는 것을 막기는 어렵습니다.

1) 기획자가 도입해야 하는 진짜 정책

CI와 DI
가입 정책에서 중요한 것은 휴대폰 번호 입력이 아니라, 사용자를 식별할 수 있는 검증된 값을 수집하는 것입니다. 이때 핵심이 되는 값이 CI와 DI입니다.

CI(Connecting Information): 주민등록번호를 기반으로 생성되는 88바이트 고유값입니다. 통신사나 휴대폰 번호를 바꿔도 변하지 않는 ‘디지털 지문’에 가깝습니다. 따라서 타 서비스와의 연동이나, 평생 1회 혜택 제한처럼 강한 중복 방지 정책에 활용됩니다.
DI(Duplication Information): 해당 웹사이트 안에서만 유효한 고유값입니다. 서비스 내부에서 동일 사용자의 중복 가입 여부를 판단하는 데 쓰입니다.

본인인증 API 연동

이를 위해서는 NICE나 KCB 같은 본인인증 서비스를 연동해야 합니다. 사용자가 [인증하기] 버튼을 누르고 통신사 인증을 완료하면, 인증사는 우리 서버로 CI와 DI 값을 전달합니다. 여기서 중요한 점은 CI가 사용자가 직접 입력한 휴대폰 번호와 다르다는 것입니다. CI는 사용자가 개명을 하거나, 휴대폰 번호를 바꾸거나, 통신사를 옮겨도 변하지 않는 값입니다.

데이터의 흐름과 해결

데이터 흐름은 단순합니다. 사용자가 [인증하기] 버튼을 클릭하고 통신사 인증을 완료하면, 인증사가 우리 서버로 CI(88바이트 고유값)와 DI(사이트별 고유값)를 전달합니다. 이후 가입 완료 버튼을 누르기 직전, 서버는 우리 데이터베이스에 같은 CI 값을 가진 사용자가 이미 있는지 확인합니다.만약 같은 CI로 가입한 이력이 있거나, 이미 혜택을 받은 기록이 있다면 추가 혜택 지급을 제한할 수 있습니다. 이 과정은 0.1초 만에 처리되어야 하며, 바로 이 지점이 마케팅 예산을 지키는 ‘기획자의 기술적 방어선’입니다.

2) 추가 응용 아이디어

앞서 살펴본 것처럼 CI/DI는 중복 가입을 막는 핵심 식별값입니다. 이미 많은 글에서도 CI/DI의 개념과 필요성을 설명하고 있지만, 실제 서비스에서는 CI/DI만으로 모든 문제를 해결하기 어렵습니다.

먼저 본인인증 과정 자체가 고객 전환의 허들이 될 수 있습니다. 사용자가 가입 초반부터 인증 절차를 부담스럽게 느끼면, 혜택을 받기 전에 이탈할 가능성이 생깁니다. 또한 마켓컬리 사례처럼 ‘가족 단위’의 사용자를 필터링해야 하는 상황에서는 CI/DI만으로 한계가 있죠. 플랫폼에서 마케팅 대상은 언제나 ‘한 사람’이 아닙니다. 때로는 ‘한 가구’, ‘한 기기’, ‘한 결제 수단’처럼 다르게 정의되어야 합니다.

따라서 먼저 우리 서비스에서 ‘고객’을 어떻게 정의할 것인지 정하고, 그다음 그 정의에 맞는 보조 식별 정책을 함께 설계해야 합니다.

Device ID (ADID/IDFA):

광고 식별자인 ADID/IDFA나 기기 고유값(UUID)을 수집해 ‘기기당 1회 혜택’ 정책을 설계할 수 있습니다. 이는 본인인증을 우회하려는 부정 사용자를 막는 2차 방어선이 됩니다.

배송지 주소 정규화 및 거리 기반 로직(Address Normalization)

배송지 주소를 정규화해 동일 주소 여부를 판별하는 방식입니다. 상세 주소의 띄어쓰기, 특수문자, 표기 차이를 정리해 같은 주소를 같은 값으로 인식하도록 만듭니다.
예를 들어, ‘홍길대로 123 101호’와 ‘홍길대로123, 101호’는 사용자가 다르게 입력했지만, 실제로는 같은 주소일 수 있습니다. 이런 값을 동일 주소로 판단하면, 같은 가구에서 반복적으로 혜택을 받는 패턴을 걸러낼 수 있습니다.

결제 수단 지문(Payment Fingerprinting)

본인인증 명의가 다르더라도 결제 수단이 같다면 동일 사용자나 동일 가구일 가능성이 있습니다. 따라서 결제에 사용된 카드번호 일부 마스킹값이나 계좌번호의 해시값을 대조하는 방식도 활용할 수 있습니다.
이때는 약관과 안내 문구가 중요합니다. 예를 들어, “본 혜택은 결제 수단별 1회에 한해 제공됩니다”와 같은 기준을 명확히 고지해야 합니다. CI/DI가 달라도 결제 수단이 같다면 동일 혜택 적용을 제한할 수 있는 근거가 필요합니다.

기기 및 브라우저 지문(Device/Browser Fingerprinting)

Device UUID뿐만 아니라 접속한 브라우저 설정, 운영체제(OS) 버전, 화면 해상도 등을 조합해 고유한 식별값을 생성하는 방식입니다. 사용자가 본인인증을 우회하거나 브라우저를 초기화하더라도, 기기 고유의 특성을 통해 동일 기기 여부를 추정할 수 있습니다.
이는 단독 기준으로 사용하기보다는, 다른 식별 정책과 함께 활용하는 2차 방어선으로 설계하는 것이 적절합니다. 가입 정책의 목적은 사용자를 과도하게 막는 것이 아니라, 혜택의 대상을 더 정확히 정의하고 마케팅 예산이 새는 지점을 줄이는 데 있기 때문입니다.

<출처: 작가, 제미나이로 생성>

비즈니스 성과, 마케팅 지표와 정책의 연결점

이러한 기술적 방어선은 단순한 보안 장치가 아닙니다. 마케팅 핵심 지표인 CPA(고객 획득 비용)와 LTV(고객 생애 가치)에 직접적인 영향을 미치는 비즈니스 정책입니다.

[마케팅 지표 의사결정 가이드]

<출처: 작가>

지표 연결점: 가입 정책에서 CI/DI 필터링을 강화하면, 단기적으로는 CPA가 상승하는 것처럼 보일 수 있습니다. 신규 가입자 수가 줄어들고, 인증 과정에서 이탈하는 사용자도 생기기 때문입니다. 하지만 이는 ‘가짜 회원’에게 쓰이던 매몰 비용이 제거되는 과정에 가깝습니다.

혜택만 받고 이탈하는 사용자를 걸러내면, 실제 활동 유저를 기준으로 한 Active CPA(실제 활동 유저당 비용)는 오히려 최적화됩니다. 결과적으로 마케팅 예산이 더 순도 높은 고객에게 집중되고, 전체 마케팅 ROI 개선으로 이어질 수 있습니다.

데이터 보유의 시대에서 '정제된 활용'의 시대로

2024년 개인정보 보호법 개정으로 휴면 회원 분리 보관 의무가 사라졌습니다. 이제 기획자와 마케터는 데이터를 ‘어떻게 보관할 것인가’보다, ‘어떻게 수익성 있게 분류하고 활용할 것인가’에 더 집중해야 하는데요. 무분별한 전체 메시지 발송은 비용 낭비일 뿐만 아니라, 브랜드 피로도까지 높일 수 있기 때문입니다. 법적 의무가 사라진 지금, 비즈니스 관점에서 ‘휴면’의 기준을 다시 정의해야 하죠.

결국 중요한 것은 보유한 데이터를 모두 활용하는 것이 아닙니다. 반응 가능성이 높은 사용자에게 마케팅 리소스를 집중할 수 있도록, 세그먼트 정책을 설계하는 것이 핵심이죠. 기획자가 촘촘하게 설계한 가입·회원 정책은 마케팅 비용의 누수를 막고, 회사의 재무 건전성을 지키는 강력한 도구가 될 수 있음을 기억해 두세요.

]]>

엔비디아가 25년째 놓지 않는 이 기업의 생존법

엔비디아가 25년째 손잡은 기업, 다쏘시스템의 생존 전략

함께 연단에 오른 젠슨 황 엔비디아 CEO(왼쪽)와 파스칼 달로즈 다쏘시스템 CEO <출처: 엔비디아 블로그>

올해 2월 미국 휴스턴에서 열린 다쏘시스템의 ‘3D익스피리언스 월드 2026’ 현장. 가죽 재킷을 입은 젠슨 황 엔비디아 CEO가 파스칼 달로즈 다쏘시스템 CEO와 함께 연단에 오른 이 날, 양사의 파트너십 확대가 정식 발표됐다. 25년간 협업해 온 두 회사는 이번 파트너십이 역대 최대 규모가 될 것이라 강조했다. 핵심은 다쏘시스템의 버추얼 트윈(Virtual Twin) 기술에 엔비디아의 AI와 컴퓨팅 역량을 결합하는 것이다. 이를 통해 AI 팩토리에 적용할 산업용 ‘월드 모델(현실의 물리 법칙을 이해하고 미래를 예측하는 AI 모델)’을 구축하겠다는 구상이다.

다쏘시스템은 제조업을 겨냥해 3차원(3D) 소프트웨어를 공급하는 글로벌 기업이다. 제품이 생산되기 전 단계에서 가상 환경을 통해 설계, 검증, 최적화를 수행하는 솔루션을 다룬다. 유럽에 본사를 둔 제조업 특화 기업이라는 점 때문에 국내 주목도는 상대적으로 낮은 편이다.

그러나 흥미롭게도 이 기업의 행보는 체질 개선에 어려움을 겪는 국내 SI 산업에 의미 있는 시사점을 던진다. 엔터프라이즈 대상의 반복 매출이라는 안정적인 캐시카우를 지키면서도, 중견·중소기업과 스타트업으로 고객층을 넓혔기 때문이다. 동시에 SaaS와 플랫폼으로의 전환을 이뤄냈고, AI 비즈니스 모델까지 성공적으로 일구고 있다.

엔터프라이즈 시장에서 다져온 탄탄한 매출 기반

다쏘시스템의 카티아는 항공우주, 방산, 자동차 등의 산업에 최적화되어 있다. <출처: 다쏘시스템>

다쏘시스템은 1981년 프랑스의 전투기 제조사인 다쏘항공에서 분사하며 설립됐다. 그 기반에는 세계 최초의 3D CAD 설계 소프트웨어인 카티아(CATIA)가 있다.

다쏘항공이 전투기 설계를 위해 개발한 카티아는 다쏘시스템의 분사와 함께 영역을 확장해, 현재도 플래그십 제품으로서 항공우주와 방산 외에도 자동차, 조선 등의 산업을 아우른다. 대규모 설계 데이터와 이력 등이 락인(종속)되기 때문에 솔루션 교체 비용이 매우 크다. 이에 따라 유지보수 형태의 반복 매출이 장기적으로 발생한다. 국내에서는 현대자동차가 30년 이상 카티아를 사용하고 있다.

중견·중소기업까지 품은 고객 확장 전략

SMB 시장에 실용적인 설계를 제공하는 솔리드웍스 <출처: 솔리드웍스>

카티아가 글로벌 대기업을 겨냥한 하이엔드 제품이라면, SMB(중견·중소기업) 시장에서는 솔리드웍스(SOLIDWORKS)가 중견·중소기업과 스타트업을 파고들며 고객군을 넓혔다. 1997년 다쏘시스템에 인수된 솔리드웍스는 기계, 장비, 부품처럼 상대적으로 작은 제품을 설계하는 데 적합한 대중적 솔루션이다. 고객당 매출은 카티아보다 낮지만, 단순하고 실용적인 설계에 어울리고 가격 부담도 적다. 이에 더 많은 고객을 확보해 롱테일(Long Tail) 구조를 구축하는 데 기여했다.

동시에 솔리드웍스는 낮은 진입 장벽으로 사용자를 다쏘시스템 생태계로 이끄는 관문 역할을 한다. 직관적인 UI와 합리적인 가격, 학생용 요금제는 3D 설계 초보자에게 더없이 매력적이다. 솔리드웍스를 쓰는 기업이 많다는 것은 곧 취업 준비에도 유리하다는 의미다. 3D 설계 시장에 처음 발을 들이는 사람들이 솔리드웍스로 입문하고, 자연스럽게 다쏘시스템의 솔루션으로 커리어를 시작하게 되는 것이다. 기업 또한 양질의 인재를 확보하고자 솔리드웍스를 선호하는 선순환이 만들어진다.

온프레미스를 넘어 클라우드와 플랫폼으로

공통의 데이터로 여러 관계자의 협업을 지원하는 3D익스피리언스 플랫폼 <출처: 다쏘시스템>

나아가 다쏘시스템은 개별 제품 판매를 뛰어넘는 비즈니스 모델을 지향했다. 2011년 첫 클라우드 제품인 엔퓨즈(N!Fuze)를 선보였고, 2013년에는 3D익스피리언스 플랫폼을 통해 SaaS(Software as a Service) 서비스를 본격적으로 제공하며 클라우드 전환에 발 빠르게 대응했다. 초기 비용 부담이 없는 클라우드의 장점을 앞세워 새로운 고객을 끌어들였고, 설계와 시뮬레이션, 협업, 공급망 관리 등 주요 솔루션을 차례로 클라우드화해 플랫폼에서 통합 제공하기 시작했다.

이는 곧 데이터를 중심으로 전체 프로세스를 연결하는 환경이 마련됐다는 뜻이다. 단순한 제품 통합을 넘어, 데이터가 흐르는 방식 자체를 바꿨다고 볼 수 있다. 공통의 데이터를 기반으로 모든 워크플로우가 연결되고, 엔지니어와 프로그래머, 디자이너, 마케터 등 업무 관계자의 협업까지 플랫폼 안에서 이루어진다. 클라우드와 플랫폼으로 데이터의 흐름을 재편한 덕분에, 다쏘시스템은 다가오는 AI 시대에 걸맞은 무기를 손에 쥐게 됐다.

산업 데이터로 완성한 버추얼 트윈과 AI

다쏘시스템의 AI 에이전트 3종 <출처: 다쏘시스템>

모든 관계자가 같은 데이터로 작업하는 다쏘시스템의 플랫폼 환경은 산업 특화 데이터의 축적으로 이어졌다. 이는 AX(AI 전환) 시대에 대응하는 든든한 토대가 됐다. 버추얼 트윈은 데이터와 현실 세계의 물리 법칙을 바탕으로, 가상 공간에서 현실과 가장 가까운 결과를 이끌어 내도록 돕는다. 다양한 시나리오를 반복 검증하는 과정에서 데이터 기반의 판단과 예측을 자동화하고 고도화하는 AI로 자연스럽게 확장되는 것이다.

이러한 흐름은 다쏘시스템이 작년부터 차례로 공개한 3종의 AI 에이전트에서도 드러난다. 가장 먼저 발표된 아우라(Aura)는 프로젝트 전반의 맥락과 지식을 조율하며 아이디어를 탐색하고 제안한다. 레오나르도 다빈치에서 유래한 레오(Leo)는 엔지니어링 추론을, 마리 퀴리에서 따온 마리(Marie)는 화학, 미생물학, 소재 등을 기반으로 과학적인 조언을 맡는다.

특히 주목할 대목은 이 에이전트들이 마치 내 옆의 동료처럼 정보와 의견을 제시하며 버추얼 컴패니언(Virtual Companion)의 역할을 수행한다는 점이다. 사용자의 데이터, 문서, 워크플로우 등을 학습한 AI 에이전트들은 각자의 전문 영역과 회사의 방식에 맞는 대답을 내놓으며 업무를 지원하고 엔지니어링 과정 전반을 효율화한다.

데이터를 바탕으로 현실의 복잡한 산업 시스템을 디지털 공간에서 설계·시뮬레이션·운영한다는 방향성은 서두에서 언급한 엔비디아와의 협업에서도 명확하게 드러난다. 다쏘시스템의 버추얼 트윈 기술은 방대한 데이터를 바탕으로 현실의 물리 법칙, 제조 및 운영과 관련된 다양한 조건, 인과 관계를 가상 환경에서 정밀하게 구현한다. 한편 엔비디아의 AI 가속 컴퓨팅은 AI가 물리 시뮬레이션을 수없이 반복하며 검증하고 결과를 예측할 수 있도록 한다. 이들이 함께 구축하는 산업용 월드 모델은 미래 성장 동력인 피지컬 AI를 정면으로 겨냥하고 있다.

데이터와 역량이 축적되는 구조가 핵심이다

엔터프라이즈용 솔루션에서 시작해 물리 법칙을 이해하고 인과관계를 검증하는 버추얼 트윈과 AI에 이르기까지, 다쏘시스템은 촘촘하게 쌓아온 데이터와 기술을 바탕으로 엔비디아와의 협업을 비롯한 AI 시대의 청사진을 구현하고 있다. 물론 다쏘시스템의 미래를 마냥 장밋빛으로 그릴 수 있는 것은 아니다. 3D CAD 소프트웨어 시장이 꾸준히 커지는 만큼, 경쟁사의 견제 역시 한층 치열해지고 있다. 주요 경쟁사들은 학생과 교사, 교육기관 등에 동일한 기능을 무료로 풀고 있다. 예산이 빠듯한 학교와 학생에게 무료 요금제는 언제나 달콤한 제안이다. 경쟁사 소프트웨어에 익숙해진 학생들이 몇 년 뒤 산업 현장에 뛰어드는 흐름이 이어진다면, 업계의 기준이 지금과 같으리라는 보장은 없다.

그럼에도 불구하고 다쏘시스템이 걸어온 길은 의미가 있다. 그들은 엔터프라이즈 기반의 안정적 매출로 캐시카우를 확보하고, 중견·중소기업과 스타트업으로 고객층을 넓혔다. 또한 제품을 클라우드화해 플랫폼에서 통합 제공함으로써 데이터가 쌓일 수 있는 기반을 마련했다. 여기에 데이터라는 최고의 자산을 확보해 버추얼 트윈과 AI에 결합함으로써, 장기적이고 연속된 전략을 완성했다. 대기업의 온프레미스 매출에 안주했다면 결코 그릴 수 없었을 미래다.

물론 글로벌 IT 기업과 국내 SI 업계를 단편적으로 비교할 수는 없다. 글로벌 기업은 제품 중심의 구조로 표준 적합(fit-to-standard), 커스터마이징보다는 설정(Configuration over Customization)을 강조한다. 때문에 고객 역시 그들에게 과도한 커스터마이징을 요구하지 않는다. 반면 국내 SI 업계는 프로젝트 중심의 구조에 머물러 있으며, 상세한 요구사항 기반의 커스터마이징(fit-to-customizing)에 강점이 있다. 과도한 커스터마이징을 수용함으로써 글로벌 기업과의 수주 경쟁에서 유리한 위치를 점할 수 있으며, 프로젝트의 규모나 유지보수 비용 또한 커진다는 이점을 갖는다.

동시에 이는 SI 기업들이 근본적인 경쟁력을 높이지 못하는 이유이기도 하다. 프로젝트를 납품하는 구조에서는 데이터의 축적과 연결이 일어나기 어렵기 때문이다. 국내 SI 업계가 SaaS 형태의 제품을 만들어도 본질은 여전히 프로젝트에 가까우며, 플랫폼 역시 ‘맞춤형 구축’을 지향하거나 세일즈 파트너십의 연장선에 그치는 경우가 많다.

문제는 이런 구조가 업계 전반의 경쟁력을 갉아먹는다는 점이다. 형태만 달라진 SI 프로젝트가 반복된다면 개별 기업뿐만 아니라 산업 전체의 생존조차 장기적으로 담보하기 어려워진다. 프로젝트 중심의 구조를 하루아침에 바꿀 수는 없을 것이나, 내실 있는 성장을 위한 시도를 점진적으로 축적하고 확장하기 위한 비전과 움직임이 필요하다.

치열한 경쟁 속에서 매출을 확보하고 성장을 이어가면서 체질까지 개선하라는 과제는 가혹하다. 시도는 눈앞의 성과로 이어지지 않으며 속도 또한 느릴 것이다. 그럼에도 불구하고 관건은 데이터와 역량이 꾸준히 쌓여가는 구조를 만들어 낼 수 있느냐에 달렸다. 다쏘시스템이 고객층을 확장하고 데이터를 확보한 과정을 눈여겨보게 되는 지점이 바로 여기에 있다. 지금까지의 기술과 성과를 활용해 누구에게 어떻게 제공할 것인지, 프로젝트를 수행하고 보안 정책을 지키면서도 데이터와 역량을 우리 회사의 것으로 만들기 위한 방안은 무엇인지, 고민하고 실행에 옮길 때야 비로소 프로젝트를 넘어서는 경쟁력의 전환점에 도달할 수 있을 것이다.

]]>

AX 하기 전에 DX부터: 리더가 지금 점검해야 할 세 가지

에이전트, 자동화, AX 같은 키워드가 쏟아지지만, 막상 현장에서 "우리 조직은 AI를 제대로 쓰고 있는가"라는 질문에 자신 있게 답하는 리더는 많지 않습니다. 툴은 도입했는데 데이터는 꺼낼 수 없고, 보고서는 여전히 데이터 팀에 요청해야 하며, 조직이 커질수록 사일로는 깊어집니다. 최근 열린 한 발표에서, B2B SaaS 채널톡을 만드는 채널코퍼레이션의 사업개발 리드 문희철 님이 이 문제를 '극단적 경영 가시성'이라는 개념으로 풀어냈습니다.

특정 툴에 종속되지 않는 데이터 주권, 데이터가 흐르는 IT 인프라, 그리고 AI의 역할 범위를 설계하는 사람과 조직. 이 세 가지 관점을 중심으로, 빅쿼리 기반 데이터 웨어하우스 구축부터 MCP로 연결한 엔터프라이즈 영업 에이전트 설계까지 실제 실험 사례를 함께 공유했는데요. AX 이전에 무엇을 먼저 점검해야 하는지 고민하는분들께 참고가 되실 겁니다.

*이 발표는 2026년 4월 8일 채널톡이 후원한 <AX 리얼 비즈 케이스 스터디 라운드 테이블 1회>에서 진행됐습니다.

안녕하세요, 채널톡을 만드는 채널코퍼레이션의 사업개발 리드 문희철입니다. 오늘 말씀드리고 싶은 주제는 "극단적 경영 가시성"입니다. 하나하나 단어의 의미를 정의하면서 쌓아가는 방식으로 이야기하겠습니다.

문희철 채널코퍼레이션 사업개발 리드 <출처: 채널톡>

예를 하나 들겠습니다. 리테일 기업에 물류 창고가 있습니다. 창고에 과일이 있는데, 그 과일이 썩었습니다. 그런데 이미 박스 단위, 트럭 단위로 팔려 나갔습니다. 오너는 이 일을 모릅니다. 리테일과 F&B를 다루는 곳에서 이런 케이스는 실제로 빈번했고, 이것은 곧 큰 경영 리스크가 됩니다.

우리의 고객이 지금 어떤 상태인지, 우리 조직은 어떻게 움직이고 있는지, 매출과 비용은 어떻게 쓰이고 있는지. 세일즈든 파이낸스든 비용이든, 조직의 모든 디비전과 모든 하이어라키에서 목적에 부합하게 즉시, 충분히 알 수 있는 상태. 저는 이것을 극단적 경영 가시성이라고 정의하겠습니다.

그런데 왜 이게 어려웠을까요. 경영에 필요한 매출, 비용, 고객 행동, 그리고 이를 가공해 만든 보고서. 이런 데이터의 축적 자체가 어려웠습니다. 파편화돼 있었고요. IT 인프라와 소프트웨어, ERP를 포함해서 데이터를 입력하는 것도 어려웠고, 출력은 더 어려웠습니다. 출력할 때마다 우리는 데이터 팀에 물어봅니다. "이번 달 매출 데이터 좀 뽑을 수 없을까요?" "인천 지역에 이상징후가 있을까요?" 현지 창고 관계자한테 물어보거나, 데이터 담당자들한테 일일이 확인해야 합니다. 이 과정에서 하루가 일주일이 되고, 한 달이 금방 갑니다.

그리고 이걸 활용하는 사람들은 툴 기반 사고에 갇혀 있습니다. "세일즈포스가 최고야", "SAP이 너무 좋아." 물론 좋겠죠. 하지만 모든 문제를 해결할 수는 없습니다. 조직이 커질수록 사일로는 심화되고, 탑과 바텀의 지식·정보 차이도 커집니다.

이 문제를 풀기 위해서는 세 가지 축에 대한 관점이 필요합니다.

AI를 바라보는 관점
데이터가 흐를 수 있는 IT 인프라
그리고 이것을 실행하는 사람과 조직

이 세 가지를 하나씩 말씀드리겠습니다.

AI 도입 전, 데이터 주권과 일의 정의가 먼저다

툴이 아니라 데이터가 먼저다

첫 번째 관점, AI에 대한 이야기를 하겠습니다. 먼저 특정 솔루션에 갇히지 말아야 합니다. 채널톡에 갇히지 마시고, 세일즈포스에 갇히지도 마세요. 특정 소프트웨어를 도입하면 그 안에 데이터가 축적되고, 결국 해당 소프트웨어에 대한 데이터 디펜던시(의존성)가 형성됩니다. 저희 같은 B2B SaaS 회사 입장에서는 그것이 오히려 유리한 구조이기도 합니다. 하지만 기업 경영의 관점에서 진정으로 중요한 것은 자사가 직접 통제할 수 있는 데이터를 확보하고 있느냐입니다.

데이터를 통제한다는 것은 이 세 가지 조건을 충족하는 것입니다. 첫째, 비즈니스에 관련된 모든 데이터를 자사가 보유하고 있을 것. 둘째, 그 데이터를 통해 어떤 의사결정을 내려야 하는지 알고 있을 것. 셋째, 데이터 간의 연결이 가능할 것. 이 세 가지가 AI 활용의 출발점입니다.

AI를 못 쓰는 진짜 이유: 일의 과정이 정의되지 않았다

그런데 데이터를 보유하고 연결할 수 있다 해도, 그것으로 무슨 일을 해야 하는지 정의되지 않으면 의미가 없습니다. 여기서 저한테 큰 영감을 주신 분의 인사이트를 하나 공유하겠습니다. 그 분은 이렇게 말씀하셨어요. "딸깍에 이르는 과정은 딸깍이 아니다." 그리고 "모든 일의 과정에는 인풋(투입), 트랜스폼(변환), 아웃풋(산출물)이 있다." 단순하지만 핵심을 찌르는 정의였습니다.

모든 일은 투입과 변환과 산출의 과정입니다. 리소스와 시간과 사람과 데이터를 투입하고, 모종의 과정을 거쳐 변환하고, 산출물이 나옵니다. 데스크 리서치를 수행하든, 사람을 직접 만나 휴민트를 확보하든, 구조는 동일합니다.

문제는 이 구조가 대부분의 조직에서 정의되어 있지 않다는 점입니다. AI에게 일을 위임하기 전에, 자기 조직이 무슨 일을 하고 있는지, 어떤 목적을 추구하는지 파악하지 못하고 있습니다. 자기가 어떻게 효과적으로 일하고 있는지 모르면, 그 일을 다른 주체에게 시킬 수가 없습니다. 일이란 어떤 목적을 이루기 위해 전방 업무, 중간 업무, 후처리 업무가 연결된 것인데, 그 연결 구조 자체를 파악하지 못하고 있는 겁니다. AI를 잘 활용하지 못하는 근본적인 이유가 여기에 있습니다.

모든 일은 투입, 변환, 산출의 반복이며 AI 도입이 잘 되려면 일의 과정을 정의하고 그렇게 정의한 일의 과정이 연결되어야 한다는 주장. <출처: 채널코퍼레이션 문희철 사업개발 리드 발표자료>

그래서 우리는 잘 작동하고 있는 일들을 리버스 엔지니어링해야 합니다. 카페24 사례를 들겠습니다. 카페24 pro라는 ‘자사몰 생성 - 판매 - 운영 모두 자동화’하는 인상적인 기획이 있습니다. 쉽게 말하면 "제품만 있으면 알아서 팔아줄게"라는 것인데요. 주목할 점은 자사몰 하나를 구축하기 위해 900개가 넘는 세부 태스크가 존재한다는 것을 정의해냈다는 겁니다. 기획자들은 그 태스크들을 하나하나 정의하고, 사람이 반드시 수행하지 않아도 되는 항목을 분리한 뒤, 최대한 AI를 통해 자동화했습니다. 하지만 딸깍은 없었습니다. 900개의 태스크를 정의하는 과정 자체가 딸깍이 아니었던 겁니다.

AI가 유효한 데이터에 접근하여 생성, 조회, 수정, 삭제를 수행할 수 있다면, 사람이 담당했던 단순 반복 업무는 대부분 대체될 것입니다. 물론 이상적인 상태입니다. 하지만 그 이상에 도달하려면 변환과 가공의 과정에 매몰되지 말고, 지금 우리가 무엇을 원하는지 목적을 명확히 해야 합니다. 목적을 해석하고 변환하는 것은 AI의 영역입니다. 우리는 어떤 데이터로 어떤 목적을 추구할 것인지만 정의하면 됩니다.

데이터 파이프라인이 먼저다

두 번째 관점, IT 인프라에 대한 이야기입니다. 앞서 데이터 주권의 중요성을 말씀드렸는데, 현실에서는 그 주권이 확보되지 않은 상태에서 솔루션부터 도입하는 경우가 많습니다.

IT를 담당하시는 분들이라면 익숙한 장면일 겁니다. 어떤 팀에서 이런 이야기를 합니다. "이 솔루션 도입하면 잘 될 것 같은데요. 성공 사례가 이렇다는데요." 물론 좋을 수 있습니다. 하지만 앞에서 말씀드린 문제가 여기서 구체적으로 발생합니다. 솔루션 안에 데이터가 쌓이기 시작하면, 그 데이터를 꺼내 쓰는 것 자체가 어려워집니다.

실제 사례를 들겠습니다. 어떤 CX 솔루션을 사용하고 있는데, 데이터를 요청하니 API가 없습니다. 요청을 넣으면 2~3주 후에 전달되거나, 데이터 로우가 깨진 상태로 넘어옵니다. 또 다른 경우, 고객의 구독 정보와 렌탈 정보가 특정 ERP에 있는데 자사에서 직접 접근하거나 유지보수할 수가 없습니다. 해당 ERP 업체에 요청하면 CSV나 엑셀 파일로 월 1회 전달해줍니다. 담당자가 부재하면 그마저도 지연됩니다. 이런 상태에서는 AI가 접근할 수 있는 데이터 자체가 존재하지 않는 셈입니다.

그렇기 때문에 툴 중심으로 흩어져 있는 데이터 사일로를 해체해야 합니다. 핵심은 데이터가 흐르는 구조를 만드는 것입니다.

AX를 위해서는 데이터가 흐르는 구조가 필요하고, 이를 뒷받침할 IT 인프라가 있어야 한다는 주장. <출처: 채널코퍼레이션 문희철 사업개발 리드 발표자료>

이를 위해서는 하나의 원천, 소스 오브 트루스(Source of Truth)가 필요합니다. 데이터레이크라고도 합니다. 채널톡에 쌓인 데이터, 세일즈포스의 데이터, SAP의 데이터, 오라클의 데이터를 한곳으로 가져와 가공할 수 있어야 합니다. 중심은 소프트웨어가 아니라 데이터 그 자체입니다.

저희 채널코퍼레이션에서는 이 원칙에 따라 데이터 웨어하우스를 구축하기 시작했습니다. 회사 내 경영 관련 데이터를 하나로 통합하자는 것이 출발점이었습니다. 시장에는 데이터브릭스, 스노플레이크, 구글 빅쿼리 등 여러 선택지가 있었는데, 저희는 비용이 가장 낮고 수작업이 많이 수반되는 빅쿼리를 선택했습니다. 그리고 LLM이 데이터를 효과적으로 읽을 수 있도록, 각 데이터 필드의 의미와 맥락을 주석으로 기록했습니다. 이 작업을 반복한 결과, 단순 쿼리 요청을 데이터 팀에 의뢰하지 않아도 되는 환경이 만들어졌습니다. LLM이 데이터 웨어하우스를 직접 읽을 수 있게 된 겁니다.

데이터 소스는 세일즈, 매출, 비용, 고객 등 다양하며, 웨어하우스에 적재된 데이터를 AI 어시스턴트가 호출하는 방식입니다. 비용 분석, 매출 분석, 고객 분석은 물론이고, 내부 이슈에 대한 정성적 분석까지 수행합니다.

예를 들어 "특정 고객사의 MRR(월간 반복 매출) 추이를 알려달라"고 요청하면, AI 어시스턴트가 데이터를 기반으로 차트를 생성해 제시합니다. "이 고객사에 헨리라는 분이 기여한 매출이 얼마나 되는지 알려달라"고 이어서 질문하면, 로우 데이터까지 참조해 구체적인 숫자를 찾아줍니다. "채널톡 상위 100개 고객사를 차트로 만들어달라"는 요청에도, "원형으로 만들어달라", "3D로 바꿔줄 수 있느냐"는 후속 요청까지 자연어 대화만으로 모두 처리됩니다.

채널코퍼레이션의 AI 어시스턴트 활용 예시 <출처: 채널코퍼레이션 문희철 사업개발 리드 발표자료>

생성된 결과물은 팀 메신저로 자동 전달되고, 구성원들은 링크를 따라 들어가 확인한 뒤 논의를 이어갑니다. 자연어로 질문하면 되기 때문에 별도의 학습 비용이 거의 들지 않습니다. 저도 이 데모를 세미나 직전 오후 4시쯤에 가볍게 요청해본 것이었는데, 그 수준의 결과물이 즉시 나올 만큼 일상적인 도구가 되어 있습니다.

한 가지 강조하겠습니다. 저희가 어떤 애플리케이션을 사용했는지는 중요하지 않습니다. 데이터 원장에 접근할 수 있다면, MCP와 같은 연결 표준이 이미 존재하기 때문에 어떤 앱이든 연결하여 활용할 수 있습니다. 앱은 상황에 맞는 것을 선택하면 됩니다. 진짜 중요한 것은 앱이 아니라 데이터 파이프라인입니다. 목적이 정의되고 데이터에 접근할 수 있으면, 산출물 도출은 빠릅니다.

AI 에이전트의 역할 범위 설계: 감지, 실행, 연결

세 번째는 사람에 대한 관점입니다. 앞에서 일의 정의 이야기를 했는데, 결국 같은 맥락입니다. AI를 활용하는 우리 조직이, 오너가, 나 자신이 어떤 데이터를 활용해서 어떤 결과물을 만들어내는지 알아야 합니다. 그 위에서 AI의 역할을 어디까지 부여할 것인지를 설계해야 합니다.

AI를 활용하는 조직에서 어떤 데이터를 활용해 어떤 결과물을 만들어내는지를 알아야 AI 에이전트의 역할 범위를 설계할 수 있는데, 그 데이터의 활용 범위나 목표는 조직 내 역할별로 다르다는 주장. <출처: 채널톡 문희철 사업개발 리드 발표자료>

가장 수동적인 단계는 감지입니다. 이상 데이터를 감지하는 것, 예를 들어 특정 패턴에서 이상징후가 발견됐다는 것을 알려주는 수준입니다. 여기까지만 돼도 의미가 있습니다.

두 번째는 위임된 범위 안에서의 실행입니다. 이메일을 보내는 등 사람 대신 특정 액션을 수행하는 것. 사람이 판단한 범위 안에서 AI가 직접 움직이는 겁니다.

세 번째는 적절한 의사결정권자에게 연결하는 것입니다. 지금 문제 상황이 이렇고, 이슈는 이런데, 제안은 이렇습니다. A, B, C 선택지 중 어떻게 하시겠습니까. AI가 여기까지 해줄 수 있다면, 조직의 의사결정 속도는 근본적으로 달라집니다.

AI의 3단계 역할은 감지, 실행, 연결로, AI 에이전트에게 위임해야 할 업무의 기준이다. <출처: 채널톡 문희철 사업개발 리드 발표자료>

실제로 저희 CX팀은 이 원칙에 따라 움직이고 있습니다. 채널톡의 오픈 API를 통해 고객 응대 데이터가 축적돼 있고, 거기서 데이터를 가져와 후처리하거나, 반복되는 형태의 업무는 자체적으로 버티컬 앱을 만들어 처리합니다. 단순 반복 업무는 거의 사라졌습니다. 보안도 고려했습니다. 해당 앱에는 사내 VPN에서만 접근이 가능하도록 설계해두었습니다. 별도의 대규모 개발 프로젝트가 아니라, 목적 조직이 자기 업무의 범위와 권한을 정의하고, 그 안에서 AI의 역할을 직접 설계한 결과입니다.

이 세 단계를 조직 안에서 설계하는 게 핵심입니다. 데이터를 얼마나 열어줄 것인지, CRUD(Create 생성, Read 조회, Update 수정, Delete 삭제)의 어디까지 허용할 것인지를 용도와 권한에 따라 나눠야 합니다.

앞서 말씀드린 세 가지 전제를 다시 정리하겠습니다. AI에 대한 관점, 데이터가 흐르는 IT 인프라에 대한 관점, 그리고 이것을 활용하는 사람에 대한 관점. 이 세 가지가 갖춰졌을 때 비로소 구체적인 것을 만들 수 있습니다.

채널 코퍼레이션의 엔터프라이즈 영업 AI 구축 사례

저희 채널코퍼레이션에서 실제로 했던 이야기를 하겠습니다. 채널톡이 아니라, 채널톡을 제공하는 채널코퍼레이션의 이야기입니다.

저희 사업개발 팀은 목적 조직입니다. 전사적으로 세일즈 관점에서 엔터프라이즈 시장을 제대로 파고들자는 목적이 있었습니다. 그런데 우리 원장 데이터에 유의미한 것이 없었습니다. '딸깍'하고 싶어도 AI가 참조할 데이터 자체가 없었던 것이죠.

데이터가 없다면, AI에게 학습시킬 판단 로직부터 확보해야 했습니다. 그래서 먼저 사람에게 물어보기로 했습니다. 대기업과 외국계에서 영업 기획을 담당하시는 분들 중에서도 정말 탑이라 불리는 분들을 찾아가, "몇천억, 몇백억 규모의 매출을 어떻게 만드십니까"를 직접 여쭤봤습니다.

<출처: 채널톡 문희철 사업개발 리드 발표자료>

답변은 이랬습니다. 과거에 수주했거나 실주했던 히스토리, 갱신 여부 등을 종합해서 가중치를 매긴 뒤 일정 기준 이상의 건을 선별한다. 영업사원 한 명의 연봉 대비 몇 배수 이상의 ROI가 나와야 하는데, 모든 건을 다룰 수는 없기 때문에 우선순위를 정한다. 본질은 그게 전부라는 것이었습니다.

여기서 중요한 깨달음이 있었습니다. 이 접근을 AI 에이전트가 수행할 수 있도록 설계하면 되겠다는 것이었습니다.

그 다음으로 한 일은 유토피아를 정의하는 것이었습니다. 실현 가능성과 무관하게, 구현된다면 이상적일 방향을 먼저 그려보는 작업입니다. 크게 보면 필요한 데이터 소스는 세 가지였습니다. 첫째, 데스크 리서치로 확보할 수 있는 공개 정보. 둘째, 휴민트. 사람을 통해서만 얻을 수 있는 정보로, 비용이 가장 큰 영역입니다. 셋째, 우리 내부 데이터 웨어하우스에 축적된 데이터. 이 세 가지를 모아 정제하고 에이전트에 연결할 수 있다면, 앞서 영업 기획 임원이 말씀해주신 기준에 따라 우선순위와 전략을 도출할 수 있겠다는 큰 로직을 설계했습니다. 여기까지의 과정에 기술적인 이야기는 하나도 포함되지 않았습니다.

영업 AI 구축을 위한 도식 <출처: 채널톡 문희철 사업개발 리드 발표자료>

이후에는 본격적인 노가다 단계로 들어갑니다. 결국 가장 효과적인 방법은 ‘트라이얼 앤 에러(trial and error)’입니다. 산업공학이나 경영을 공부하신 분들은 아시겠지만, 최적해를 찾는 방법 중 가장 상위에 있는 것이 시행착오법입니다. 쉽게 말해 직접 부딪히며 패턴을 찾는 접근입니다.

저희는 고객사 중 가장 성공적이었던 탑 케이스를 전부 분해해봤습니다. 피터 드러커의 "뜻밖의 성공에 집중하라"는 원칙에 따라, 그 성공을 복제하고 재연하기 위해 원장 데이터를 분석하기 시작했습니다. 이 과정에서 데이터가 어떤 방식으로 축적되어야 하는지, 성공의 이면에 어떤 요인이 작동했는지를 체득하게 됐습니다.

그런데 데이터베이스에서 찾을 수 없는 정보도 있었습니다. 형지패션그룹을 예로 들어보겠습니다. 큰 지주사 형태의 그룹으로, 산하에 여러 계열사와 브랜드가 있고, 일부는 채널톡을 사용하고 일부는 사용하지 않습니다. 우리가 여기서 그룹 산하의 작은 브랜드 하나만 바라보면, 그룹 전체에 대한 매핑 지도를 그릴 수 없습니다. 영업 CRM에 길들여진 사고방식은 "저기 웹사이트가 있네, 저 브랜드를 공략해야겠다"는 방향으로 접근합니다. "형지패션그룹이라는 법인 단위로 전체 영업 계획을 설계하자"는 관점으로는 잘 넘어가지 못합니다. 이것이 툴을 잘못 도입했을 때의 위험입니다. 툴을 익힌다는 건 그 툴이 강요하는 사고방식을 내면화하는 일이기 때문입니다.

그래서 법인 단위 전체로 영업을 전개에 유용한 설계와 실험을 시작했습니다. 우리 팀원들의 리멤버 데이터를 CSV로 다운로드하고, 전사적으로 쓰는 세일즈포스 원장 데이터에 영향을 주지 않도록 (또 다른 영업 CRM 툴인) 에어테이블을 팀용으로 별도 구독한 뒤 그곳에 전부 넣어봤습니다. 솔직히 저는 에어테이블을 다룰 줄 모릅니다. 그런데 팀원이 초안을 만들고, 클로드에 MCP 접근 권한을 부여하니 테이블 구조를 알아서 설계해주더라고요.

클로드로 테이블 구조를 설계하고 대화 내용을 정리한 과정 <출처: 채널톡 문희철 사업개발 리드 발표자료>

한 가지 실험을 더 진행했습니다. 영업 CRM에 일일이 수기로 입력하는 방식이 비효율적이었기 때문에, 고객을 만나고 돌아온 뒤 그날의 대화 내용을 자연어로 클로드에 전달해봤습니다. 그러자 해당 내용에 맞는 필드를 스스로 구성해 입력해두는 모습을 확인했습니다. 혹시 음성으로도 가능할까 싶어 직접 말로 전달해보았고, 동일하게 작동했습니다. 데이터의 축적과 출력이 자동화되는 시대가 이미 현실이 되고 있다는 것을 체감한 순간이었습니다.

그렇다면 각 팀, 각 기능 조직이 자기 목적에 맞는 도구를 직접 만들어 쓸 수 있겠다는 생각이 들었습니다. 실제로 저희 사업개발 팀원이 앱을 하나 만들었는데, 솔직히 말씀드리면 그 앱 자체는 반드시 필요하지 않습니다. 클로드에 직접 물어봐도 동일한 결과를 얻을 수 있기 때문입니다. 앱이라는 도구적 프레임에 갇힐 필요가 없다는 점을, 이 실험을 통해 다시 한번 확인하게 됐습니다.

AX를 위한 DX, 리더가 지금 해야 할 일

지금까지 AI로 극단적 경영 가시성을 만들기 위한 세 가지 관점을 말씀드렸습니다. AI에 대한 관점, IT 인프라에 대한 관점, 그리고 이것을 활용하는 사람에 대한 관점. 이 관점들이 통합됐을 때, 리더는 AI를 통한 변화 관리와 혁신을 만들어낼 수 있습니다.

그런데 채널 팀이 앞선 AX 실험을 빠르게 실행할 수 있었던 배경이 있습니다. 저희의 환경은 중견이나 대기업 환경과는 다릅니다. 저희는 원래부터 SI를 하지 않았고, 온프레미스를 쓰지 않았습니다. 처음부터 AWS 퍼블릭 클라우드 기반으로 채널톡을 만들었고, 오픈 API를 운영해왔습니다. 그 환경이 있었기 때문에 빠르게 움직일 수 있었던 겁니다.

달리 말하면, 지금 해야 하는 건 AX일 수도 있지만, AX를 위한 DX가 먼저입니다. 예를 들어 저는 먼저 기존 온프레미스에 구축했던 데이터는 지금 어디에 있고, 어떻게 활용되고 있는지 묻고 싶습니다. 보통 이렇게 답하십니다. "데이터 많이 갖고 있어요." 다시 여쭤보겠습니다. “그 데이터를 극단적 경영 가시성을 위해, AI를 통해 지금 활용이 가능하십니까.” 대부분 안 될 겁니다.

이런 부분을 돕기 위해서 채널톡 또한 통합적인 ax의 관점을 제공하는 제품으로 거듭날 계획입니다.

극단적인 경영 가시성을 위해 AX 관점으로 제작중인 채널톡의 AI COS(chief of staff), notebook

30년치 데이터가 있다면, 좋은 겁니다. 하지만 그 데이터가 그 자체로 가치를 갖지는 않습니다. 사금을 캐고, 흔들고, 녹여야 금이 됩니다.

투입과 변환과 산출이라는 일의 전체 과정에서 봤을 때, 기획과 산출물 가공에 들어가는 시간은 체감상 30% 수준으로 줄었습니다. 그리고 그 시간에 저는 고객을 더 만나게 됐습니다. AI가 하지 못하는 일, 사람을 만나는 일에 집중할 수 있게 된 겁니다.

결국 돌아오는 건 같은 이야기입니다. AI에 대한 관점, IT 인프라에 대한 관점, 그리고 목적 조직의 사람에 대한 관점. 이 세 가지가 정립돼야 합니다. 감사합니다.

]]>

AI 에이전트 많이 만든다고 AX가 아니다

에이전트에 대한 관심이 갈수록 높아지고 있지만, 막상 현장에서 AX를 추진하는 분들의 이야기를 들어보면 트렌드와 현실 사이에 적잖은 간극이 있습니다. 에이전트를 만들었다고는 하지만 "살림살이가 나아졌나?"라는 질문에 명확한 답을 내놓는 곳은 많지 않고, 성공 사례도 1인 사업가나 소규모 스타트업에 집중되어 있죠. 엔터프라이즈에서는 더욱 쉽지 않은 과제인데요. 직접 조직에 AI를 도입하고, AX 사업을 통해 다른 기업의 AI 전환을 도우며 체감한 엔터프라이즈 AX의 구조적 딜레마를 짚은 발표가 있어 소개합니다. 현장에서도 많은 공감을 얻은 발표인 만큼, 조직의 AX를 고민하는 분들께 참고가 되실 겁니다.

*이 발표는 2026년 4월 8일 채널톡이 후원한 <AX 리얼 비즈 케이스 스터디 라운드 테이블 1회>에서 진행됐습니다.

컨설팅 15년, 현업 7년, AX 사업 3년차 전문가가 본 엔터프라이즈 AX의 현실과 딜레마
by 주형민 원티드랩 AX 사업 총괄

안녕하세요, 원티드랩에서 AX 사업을 총괄하고 있는 주형민입니다. 액센추어, EY 등에서 약 15년간 엔터프라이즈 컨설팅을 했고, 산업 현장에서 7년간 혁신을 리딩했습니다. 원티드랩은 ‘원티드’라고 하는 약 385만 유저를 보유한 채용 플랫폼을 운영하고 있는데, 저는 HR이 아니라 AX 사업을 새로 만들기 위해 합류했습니다. 원티드 AX 사업은 현재 3년째 진행되며, AI 에이전트 운영 플랫폼 엔노이아(Ennoia), 교육, 에이전트 개발 생태계의 세 축으로 기업의 AI 전환을 지원하고 있고, 4곳에서 AX 자문위원을 맡고 있습니다.

주형민 원티드랩 AX 총괄 <출처: 채널톡>

엔터프라이즈 현장에 오래 있었기 때문에, 오늘은 그 관점에서 AX를 어떻게 받아들여야 하는지에 대해 이야기해 보려 합니다.

다만 본격적으로 들어가기 전에, 하나 질문을 던지고 싶습니다. 성공적인 AX란 어떤 모습일까요? 우리 기업이 AX를 통해 변화한 모습을 구체적으로 그려보신 적 있으신가요?

성공적인 AX의 모습을 상상할 수 있는가

아마 그런 경험이 있는 분은 많지 않을 겁니다. 현재 AX에 대한 논의는 대부분 추상적인 수준에 머물러 있습니다.

기술 트렌드라는 것이 원래 그렇습니다. 빅테크 중심으로 형성되거든요. 클라우드도 그랬고, 빅데이터도 그랬고, RPA도 그랬습니다. "이렇게 변해야 합니다"라는 메시지와 함께 트렌드가 만들어지고, 기업들이 따라가는 구조죠. 지금의 AI 역시 마찬가지입니다.

그런데 생성형 AI가 제공하는 가치의 본질을 잘 봐야 합니다. 기존의 분석형 AI는 과거 데이터를 기반으로 미래를 예측하고, 이상 패턴을 탐지하고, 클러스터링을 통해 새로운 정보 집단을 찾아내는 것이었습니다. 반면 생성형 AI의 본질은 '증강'입니다. 변환하고, 증강하고, 더 빠르게 만들어내는 것. 기존의 분석형 AI가 풀던 예측 문제에 획기적인 기여를 하고 있느냐 하면, 저는 그렇지 않다고 봅니다.

결국 지금 AI 시대가 기업에 주는 것은 "결과물을 빠르게 만들어서 서비스를 출시할 수 있는 능력"입니다. 그런데 대부분의 기업이 그 능력을 갖추게 된다면, AX를 성공적으로 했다는 것은 무엇을 의미할까요. 뒤처지지 않는 정도의 수준에 도달했다는 뜻에 가깝습니다. 차별화라기보다는 기본값이 되는 셈이죠.

여기서 아직 아무도 하지 못하는 이야기가 있습니다. "AX 잘했더니 돈을 엄청 벌었다." 이 말을 할 수 있는 기업이 지금 시장에 잘 보이지는 않는 것 같습니다.

현재 수익을 올리고 있는 쪽은 누구입니까. Claude를 만드는 Anthropic이나 OpenAI 같은 플랫폼 사업자들입니다. 적자라고는 하지만, 결국 카지노의 주인장과 같은 위치에 있어요. 지금은 치킨게임이지만, 나중에 독점이 형성되면 토큰 비용 구조가 바뀌면서 그들이 최종 승자가 될 수도 있습니다.

AX는 해야 합니다. 성공적으로 잘 해야 한다는 데 동의합니다. 다만 AX를 잘했을 때 우리 기업의 모습은, 물론 비즈니스 경쟁력이긴 하지만 그 차별화의 강도가 비교적 약합니다. 이 화두를 먼저 던져놓고, 하나씩 들어가 보겠습니다.

AI 도입 속도는 빨라졌지만, 검증은?

가트너의 Top 10 Strategic Technology Trend를 보면 흐름이 읽힙니다. 2025년에는 Agentic AI가 등장했고, 거버넌스 플랫폼에 대한 논의가 시작됐습니다. 그리고 주목할 것은 '디지털 프로비넌스(Digital Provenance)', 즉 데이터 신뢰성에 대한 본격화되기 시작했다는 점입니다.

가트너 Top 10 Strategic Technology Trend 재가공 <출처: 주형민 원티드랩 AX 총괄 발표자료>

그런데 지금 현장의 분위기는 그 방향이 아닙니다. 신규 기술에 대한 소개의 기세가 너무 강해서, 완전히 공격적으로 앞으로 달려나가는 것에 몰두해 있는 분위기입니다.

하이프사이클을 떠올려 보면 감이 올 겁니다. 관심도가 급격히 올라갔다가 환멸의 골짜기로 내려가는 구간은 반드시 찾아옵니다. 그때가 되면 생성형 AI가 만들어 낸 결과물의 신뢰성 확인에 대한 요구가 급증할 거예요. 에이전트가 잘못 판단한 것 하나가 큰 사고로 이어지고, 그 사고가 언론에 보도되는 순간 지금의 기세는 상당히 꺾일 수 있습니다.

가트너 하이프사이클 <출처: Jeremykemp, 위키백과>

문제는 그때 돌아보면, 우리가 쓰고 있는 AI가 내놓은 결과물을 실제로 꼼꼼하게 검증하려 해도, 이미 양이 너무 많아서 체크가 어려운 상황이 벌어진다는 점입니다. 지금도 이미 그렇고, 폭주가 시작되면 더 어려워집니다.

엔터프라이즈 입장에서 가장 큰 고민은 따로 있습니다. 기업 내부에서는 보안이 중요하고, 내부 코드가 밖으로 유출되면 안 됩니다. 그런데 외부에 있는 신기술을 내부에서 어떻게 활용할 수 있느냐, 이것이 가장 큰 과제입니다. 폐쇄된 환경에서 최신 기술을 얼마나 효과적으로 쓸 수 있는가. 그 기술 도입을 교육부터 트레이닝, 문화 형성, 그리고 에이전트가 기존 워크플로우를 대체하는 단계까지 끊김 없이 이어갈 수 있는가. 이것이 대부분의 AX 담당자가 직면하는 고민입니다.

그런데 경영진의 관점은 다릅니다. "그래서 살림살이 나아졌냐?" "그거 해서 돈 벌었나?" 하는 것이 중요하죠. 대부분의 기업이 가장 먼저 하는 것이 챗봇 도입이고, 그것을 근거로 비용을 줄였다고 이야기합니다. 그런데 실제로 인건비가 줄었느냐 하면, 그것도 아닌 것 같습니다. 사람은 그대로 있거든요.

결국 엔터프라이즈가 챙겨야 할 것은 세 가지입니다. 보안, 지속적인 혁신, 그리고 기업 최적화. 이 세 가지를 현재의 기술 환경에서 어떻게 이식해 갈 것인지가 핵심인데, 지금은 혁신 쪽으로만 기세가 쏠려 있고 나머지 두 가지는 뒤로 밀리고 있는 상황입니다.

바이브 코딩, 엔터프라이즈에서 조심해야 하는 이유

바이브 코딩 이야기를 좀 해보겠습니다. 솔직히 저는 '딸깍'이라는 표현을 별로 좋아하지 않습니다.

바이브 코딩과 관련해 납득하기 어려운 주장이 몇 가지 있습니다. 그중 하나가 "나중에는 코드를 안 봐도 된다"는 것입니다. 대기업에서는 감사나 코드 검수가 들어올 수 있습니다. 사고가 발생했을 때 코드의 근거를 추적할 수 없다면, 그 영향 범위는 상당히 커질 수밖에 없어요.

바이브코딩으로 개발한 소프트웨어를 엔터프라이즈 내부에 이식하기는 현실적으로 어렵다는 설명 <출처: 주형민 원티드랩 AX 총괄 발표자료>

핵심적인 문제는 이것입니다. 외부에서 바이브 코딩으로 만들어진 코드를 기업 내부 IT 유지보수 담당자가 인수할 수 있느냐는 거예요. 문제가 생겨서 보완을 요청했을 때 제대로 대응이 가능할 것인지, 제도적 관점에서 아직 정비가 안 된 부분이 많습니다.

과거에는 정확도(Accuracy) 100%를 기반으로 서비스를 제공했습니다. 소비자들은 그 신뢰성 위에서 서비스를 이용하고 있었어요. 그런데 지금은 "AI는 대부분 잘 해낼 것이고, 약간의 실수는 있을 수 있지만 소비자들도 결국 따라올 것이다"라는 논리가 나옵니다. 저는 이 논리에 동의하기 어렵습니다. 100%의 신뢰성을 기반으로 서비스를 제공해 오다가, AI 때문에 다소 부족하더라도 받아들이라는 것이 현재 시장에 맞는 접근인지 의문입니다.

한편으로 AI 네이티브 컴퍼니의 실체에 대한 질문도 있습니다. 약 1년 전에 알게 된 한 회사 대표님의 고민은 "우리 회사 직원이 아무도 없다고 가정하고, 에이전트로 전부 로직을 설계 한 후에, 그것을 통제할 수 있는 최소 인력이 몇 명인지 컨설팅해 달라." 몇백 명 규모의 회사에서, 최소 인원으로 이것이 동작할 수 있는지를 검토하는 것입니다. 실제 현장에서 지금 이런 일이 벌어지고 있어요.

그런데 대기업에서는 상황이 다릅니다. AI로 효율화가 된다고 해서 "중요한 일에만 집중하겠다"고 하지만, 중요한 일이란 대부분 인지적 부하가 높은 업무입니다. 단순 업무가 빠진 자리에 고강도 의사결정만 남으면, 오히려 번아웃이 찾아옵니다. 이론적으로는 이해가 되지만, 실제 현장에서 그대로 작동하지 않는 부분이 분명히 있어요.

이에 대해 1인 기업의 성공 사례를 보여주시는 분들도 많습니다. 하지만 실제로 그 방식으로 사업을 지속하고 있는 경우는 많지 않아요. 사례로서는 인상적이지만, 그것을 엔터프라이즈에 그대로 적용하기에는 구조적으로 다른 문제가 있습니다.

결국 저는 기존의 책임 체계가 유지될 수밖에 없다고 봅니다. 에이전트가 잘못 판단하면 누군가 책임져야 하니까요. 그 구조는 바뀌지 않습니다.

AI 교육만으로는 부족하다: 실행 환경이 필요한 이유

그렇다면 이런 현실 속에서 기업은 AX를 어떻게 풀어가야 할까요. 저희도 같은 고민을 하면서 직접 부딪혀 봤습니다. 그 과정에서 가장 먼저 마주한 문제가 교육이었습니다.

대부분의 기업이 비슷한 고민을 하고 있을 것 같은데요, 교육 자체에 너무 많이 투자하는 경향이 있습니다. 교육에 투자하고, 환경을 잘 만들어 주는 것까지는 신경을 쓰지만, 정작 배운 것을 현장에 적용하지 못합니다. 부문 교육하고, 임원 교육하고, 결과적으로 개인 생산성만 좋아지는 거예요. 퇴근만 빨라지는 셈이죠.

토큰 이코노미라고 하면 토큰을 많이 쓸수록 수익으로 연결돼야 하는데, 이 연결고리가 끊어져 있습니다. 교육을 받고 나서 혼자 적용해 보다가 중간에 막히면 해결하지 못하는 경우가 너무 많았고, 뭔가 만들긴 했지만 실무와 동떨어진 결과물만 쌓이는 상황도 빈번했습니다.

그래서 저희가 초반에 잡은 방향은 이것입니다. ‘가르치는 것보다 직접 찾고 실행할 수 있는 환경을 만드는 데 집중하자’. 강의 자체보다 자기 업무에서 문제를 정의하고 해결해 나가는 것이 중요하다고 봤습니다. 수료했다고 AX 전문가가 되는 것은 아니잖아요. 수료하고 돌아왔는데 현장에 변화가 없으면 의미가 없습니다.

이런 생각으로 저희는 세 단계의 체계를 만들었습니다.

1단계: AI를 많이 쓸 수 있는 환경 조성

우선 AI를 적극적으로 쓸 수 있도록 환경을 열어줬습니다. 저희도 교육비가 1인당 연간 약 100만 원 정도 되는데, 기존에는 외부 교육에 다녀와서 전달 교육하는 방식이었거든요. 그런데 그 방식은 활용으로 잘 이어지지 않더라고요. 그래서 어떤 도구든 자유롭게 쓰라고 개방했더니 다들 쓰기 시작했습니다. 도구에 대한 접근성이 좋아진 겁니다.

내부에 'AI줍줍'이라는 사례 공유 채널도 운영하고 있는데, 3월 한 달에만 약 75건의 게시물이 올라왔습니다. 하루 평균 3~4건입니다. 새로운 사례, 직접 해본 경험을 계속 공유하는 것이죠. 직원이 약 160명 정도 되는데 상당히 활발하게 돌아가고 있고, 우수 사례에 대한 시상도 진행합니다. 대표부터 채용사업팀, 후보자 경험팀, PR팀까지 다양한 부서에서 자기가 만든 것을 올리는 문화가 자리 잡혔어요.

2단계: AI 챔피언 양성

챔피언 제도를 만들어서 20명씩 두 달 동안 집중 트레이닝을 진행합니다. 한 곳에 모여 팀을 구성하고, 내부의 실제 업무 문제를 함께 해결하는 방식입니다. 특정 업무 시간을 확보해 결과물을 만들고, 공유하고, 바로 업무 시스템에 반영합니다. 격주 오프라인 모임에서는 참여자들이 직접 발표도 합니다. 재무 부서에서 카드 전표 처리를 자동화한 사례 같은 것들을 공유하는 거죠.

원티드랩 AX 챔피언 프로그램 1기 성과. <출처: 주형민 원티드랩 AX 총괄 발표자료>

핵심 운영 원칙은 이렇습니다. 본인이 직접 문제를 해결하고, 서포터즈가 옆에서 바로 지원하고, 직무나 연차에 관계없이 누구나 참여할 수 있도록 열어두는 것. 3기까지 운영하면 전체 직원의 약 3분의 1이 이수하게 됩니다. 6개월 만에요. 1기 때 추천 의향이 5점 만점에 4.8이 나올 정도로 만족도가 높았고, 비개발자분들이 빠른 속도로 자동화를 만들어내면서 개발자가 긴장하는 현상도 나타났습니다. 개인이 만든 도구가 팀 전체의 워크플로우를 바꾼 경우도 있었어요.

재미있었던 것은 경영진의 반응이었습니다. 저희 대표가 새벽 2~3시까지 클로드 코드로 이것저것 만들다가 클로드 사용량 제한에 걸려 "2시간만 참자, 굿나잇 클로드"라고 슬랙에 올린 적도 있을 정도로 적극적으로 활용했습니다. 바이브코딩으로 만든 결과물을 적극적으로 공유하고, 만들면서 느낀 점도 기록했죠. 경영진이 그 정도로 직접 쓰고 있으면, 주변 임원급의 수준도 자연스럽게 올라갑니다. 자연스럽게 임원들을 비롯한 리더들도 AI 활용을 더욱 적극적으로 하게 되면서 조직이 움직이는 모습을 보게 됐습니다.

3단계: 실행 생태계 조성

깃허브에 '백야드(Backyard)'라는 내부 배포 공간을 별도로 마련했습니다. 외부에 배포하기 어려운 도구들을 올릴 수 있는 곳이에요. 스킬 허브도 구축해서 필요한 기능을 선택해 바로 사용할 수 있게 하고, 보안 점검용 코드 스캐닝 스킬도 포함시켰습니다. 자체 디자인 시스템도 MCP(Model Context Protocol, AI 모델이 외부 도구나 데이터와 연결되는 표준 프로토콜)로 연결해서, 클로드 코드에 "우리 디자인 시스템에 맞춰 줘"라고 하면 바로 적용되는 환경을 갖추고 있습니다.

원티드랩 백야드와 MCP <출처: 주형민 원티드랩 AX 총괄 발표자료>

현장에서 나온 사례도 인상적이었습니다. 총무 담당자가 2만 원짜리 바코드 리더기를 구입해서, 프롬프트 편집과 API 연결만으로 도서 반납 자동화 시스템을 구축한 거예요. 바코드를 스캔하면 구글 시트에 자동 등록되고, 슬랙으로 알림이 오는 구조입니다. HR에서는 '피플이'이라는 에이전트를 만들어 업무 환경에 자연스럽게 통합해 놓았고, 사업 부서에서는 모니터링과 기사 수집을 멀티 에이전트로 자동화해서 슬랙으로 수신하고 있습니다.

여기서 중요한 전환점이 있었습니다. 이렇게 여러 에이전트를 만들다 보니, 생성형 AI는 전통적인 IT와 개발·운영 방식이 근본적으로 다르다는 것을 체감하게 됐어요. 할루시네이션(AI가 사실이 아닌 정보를 생성하는 현상) 문제가 있고, CI/CD(지속적 통합·배포) 관점에서 빠르게 통합하고 반영해야 하는데 기존의 배포 절차로는 대응이 어려운 부분이 많았습니다. 여러 LLM을 유연하게 전환하며 사용하고, 모든 로그를 기록하고, 튜닝할 수 있는 기반이 필요했어요.

그래서 자체 플랫폼을 만들기 시작했고, 그것이 엔노이아(Ennoia)로 고도화됐습니다. 엔노이아는 기업이 원하는 업무를 AI 에이전트로 구현하고 운영할 수 있게 지원하는 플랫폼입니다. 저희가 지향한 것은 현업의 모든 임직원이 직접 활용할 수 있어야 한다는 것이었습니다.

4월 15일 원티드랩이 출시한 엔터프라이즈 최적화 AI 에이전트 플랫폼 ‘엔노이아(ennoia)’는 기업이 원하는 업무를 AI 에이전트로 구현하고 운영할 수 있게 지원하는 플랫폼이다. <출처: 원티드랩>

다만 실행 환경을 구축했다고 해서 모든 것이 해결되는 것은 아닙니다. 저희도 제품 개발 프로세스를 압축하려는 시도를 하고 있어요. 기존에는 PO(Product Owner, 제품 기획자)가 기획하고, PD(Product Designer, 제품 디자이너)가 피그마로 디자인하고, 프론트엔드 개발자가 구현하고, 백엔드로 넘기고, QA를 거쳐 배포하는 구조였는데, 이것을 일주일 단위로 줄여보려 하고 있습니다. 기존에는 2주 단위로 누적 배포하던 체계였거든요.

그런데 이것이 실제로는 매우 어려운 일입니다. 기차를 떠올려 보시면 됩니다. 앞부분이 시속 100km로 가는데 중간 칸이 30km로 가면 어떻게 될까요. 어느 한 구간만 빨라진다고 전체 실행 속도가 빨라지지 않습니다. 100km로 가는 바퀴 옆에 30km짜리 바퀴가 달려 있으면 마찰이 생기는 겁니다. 조직 전반이 빠른 속도로 나아가기 위해서는 관성의 속도가 맞아야 합니다. 이것이 가장 어려운 부분이에요.

그래서 지금은 각 구간을 분리해서 테스트하고, 그 경험을 공유하면서 어떤 부분을 보완할지 찾아가고 있는 단계입니다.

AI 에이전트를 많이 만들면 AX 성공인가

엔터프라이즈 AX를 잘하기 위한 방향 자체는 단순합니다. 잘 체험하고, 교육받고, 활용하고, 지원하고, 통제하는 것. 이것이 자연스럽게 순환하는 구조를 만드는 것이라고 저는 생각합니다. 그런데 지금은 너무 공격적으로 치고 나가고 있다 보니, 통제에 필요한 정보를 제대로 관리하고 있는지에 대한 고민은 뒤로 밀리고 있습니다.

저도 이런 딜레마를 하나씩 풀어야 해결의 실마리가 보이겠다 싶어서, 약 16가지 정도를 정리해 놓고 있습니다. 나중에 아티클로 하나씩 다루든, 묶어서 책으로 내든 할 생각인데요. 오늘은 그중에서 현장에서 자주 부딪히는 것들을 몇 가지 짚어보겠습니다.

혁신에는 레이어가 있다

대기업으로 갈수록 혁신은 특정 부서에 위임되어 있습니다. DX 부서, AX 부서가 별도로 존재하고, 거기서는 워크플로우 기반의 변화를 만들어낼 수 있습니다. 그런데 일반 업무를 수행하는 직원들은 그런 변화를 원해도 직접 바꿀 수가 없어요. 권한이 없으니까요.

리더의 성향에 따라서도 속도가 완전히 달라집니다. AI 친화적인 리더는 리스크를 일정 부분 감내하면서 공격적으로 추진하고, AX/DX 담당 리더는 양쪽을 바라보면서 리스크를 관리하려 하고, 현업은 99.9%의 정확도를 요구합니다. 이 세 가지 레이어가 같은 조직 안에 공존하고 있는 것입니다.

그래서 전사, 부서, 개인이 동일한 교육을 받는 것이 아니라, 각 단위에 맞는 교육과 환경이 필요합니다. 교육뿐 아니라, 외부 기술 환경과 내부 기술 환경을 어떻게 통합해서 활용할 것인지까지 설계가 돼야 합니다.

알고리즘 전문가가 하루 아침에 PM이 되지는 않는다

기존에 데이터 사이언티스트로 일하시던 분들이 AI 엔지니어 영역으로 전환되는 경우가 늘고 있습니다. 그런데 이분들은 알고리즘 스페셜리스트로서 깊이 있는 기술 역량을 갖고 계신 반면, 대외 프로젝트를 직접 리딩해 본 경험은 많지 않은 편입니다.

그런데 지금 이분들에게 요구되는 역할은 프로젝트 관리자이자 중재자입니다. 각 부서의 과제 담당자와 요건을 조율하고, 외부 전문 기업과 협력해 에이전트를 구축해야 하는 거예요. 알고리즘 전문가가 PM이자 부서 간 조율자 역할로 전환되고 있는 셈입니다.

데이터 엔지니어도 마찬가지입니다. 기존에는 DW(Data Warehouse)에 데이터 마트를 잘 구성해 놓는 것까지가 역할이었는데, AI 데이터 엔지니어링은 벡터DB를 구축하고, 임베딩과 청킹(데이터를 AI가 처리할 수 있는 단위로 분할하는 작업)을 다루는 전혀 다른 영역입니다. 기존 데이터 인프라에서 AI 쪽으로 데이터를 보내줄 것인지, AI 데이터 엔지니어링 측에서 반대로 가져올 것인지, 그리고 DW 컬럼 값이 변경됐을 때 데이터 파이프라인이 깨지면 누가 책임질 것인지. 이런 것들이 정리되지 않은 채로 진행되는 경우가 많습니다.

AI 시대 AX에 관한 기업의 딜레마 <출처: 원티드랩>

기준 없이 시작하면 성과도 보이지 않는다

개인 성과와 팀 성과가 연결되지 않는 경우가 많은데, 근본적으로는 베이스라인(기준선) 설정이 안 돼서 그렇습니다. 이니셔티브를 정해놓고 시작은 하지만, 어느 시점을 기준으로 어떤 지표로 효과를 측정할 것인지에 대한 합의가 없어요.

그러다 보니 매번 같은 질문이 돌아옵니다. "그래서 우리가 좋아진 게 뭐야? 돈 벌었어?" 이것에 명쾌하게 답하지 못하는 거죠. 결국 FTE(Full-Time Equivalent, 상근 인력 환산) 관점에서 업무를 분해하고, 주기와 빈도를 감안해서 측정 기준을 먼저 세운 다음 시작해야 하는데, 그 과정 없이 진행하는 곳이 대부분입니다.

자동화했다고 끝이 아니다

자동화가 확산되고 있지만, QC(Quality Control, 품질 관리)를 간과하는 경우가 상당히 많습니다. 저도 과거에 금융사에서 자동화 프로젝트를 다수 수행했는데, 자동화에 대한 핵심 판단 기준은 명확합니다. 리스크 발생 확률이 낮을 경우, 혹은 문제를 조사해서 얻을 수 있는 총효용 보다 사람의 개입 비용이 클 경우 자동화로 처리하는 방향으로 진행됩니다.

처리 결과에 대한 QC도 체계가 필요합니다. 일정 비율, 예를 들어 5%씩 샘플링해서 정기적으로 검토하거나, 처리 이력 전체를 주기적으로 검수하는 CFR(Close File Review) 방식이 있어요. 로그를 빠짐없이 남기고, 팩트체크를 수행할 수 있는 조직적 기반이 갖춰져야 합니다. 이 작업을 AI에게 위임하면 안 됩니다. AI는 책임을 지지 못하니까요.

"자동화됐으니까 끝"이 아닙니다. 문제가 발생했을 때 "이 건의 담당자가 누구인가?"라는 질문에 답할 수 있어야 합니다.

에이전트 오너십이 필요하다

결국 AI의 결과를 최종적으로 보증하는 것은 사람입니다. 설명 가능한 AI(XAI, Explainable AI)를 넘어서, 이제는 '책임질 수 있는 AI'의 영역으로 진입하고 있습니다.

그렇다면 에이전트의 오너십에 대한 기준이 필요합니다. 이 에이전트의 소유자가 누구인지, 품질 관리와 운영에 대한 책임은 누가 지는지를 명확하게 정해야 합니다. 여러 에이전트가 부서 간에 연결돼 크로스 펑셔널 (Cross-Functional, 부서 횡단적)하게 동작할 수도 있는데, 그 통합을 누가 위임하고, 누가 승인하는지도 정리돼야 합니다.

AI를 쓰면 역할이 확장됩니다. 기존에 할 수 없었던 것들을 더 많이 수행할 수 있게 되니까요. 그런데 역할이 커지면 책임도 커집니다. 이 부분을 간과했다가는 나중에 상당히 큰 비용을 치르게 될 것이라고 생각합니다.

저희도 이런 고민 속에서 외부 도구와 내부 환경을 분리해 운영하고 있습니다. 클로드 코드 같은 외부 도구는 프로토타입을 빠르게 만들어 시장 반응을 확인하는 용도로, 보안이 필요한 업무 자동화는 엔노이아 내 워크플로우 빌더를 통해 처리하는 방식입니다. 모든 에이전트를 외부 환경에 전부 맡길 수는 없으니까요.

이런 딜레마들은 결국 하나의 질문으로 수렴합니다. AX를 통해 우리가 진짜 얻고자 하는 것이 무엇인가, 하는 것이죠.

AX를 하고도 남는 질문: 그래서, 살림살이 나아졌나

마지막으로 드리고 싶은 이야기입니다.

우리가 AX를 추진하는 이유는 무엇일까요. 가장 중요한 이유는 고객이 필요로 하는 것을 정확히 파악해서, PMF(Product-Market Fit, 제품과 시장의 적합성)를 찾는 것이라고 봅니다. 빨리 많이 만드는 것이 핵심이 아니라, 만든 것을 고객에게 어떻게 전달하고 안착시킬 것인지에 대한 전략이 먼저입니다. 그 전략을 갖추고 나서 실행하면 문제가 없어요. 그런데 우리가 지향하는 것이 에이전트를 많이 만들어 놓고 "AX 했다"고 선언하는 것인가요?

지금 AI가 주는 효율은 분명합니다. 짧은 시간 안에 다양한 서비스를 양산할 수 있게 됐습니다. 그런데 고객이 그것을 원하는지는 별개의 문제입니다. "빨리 많은 서비스를 출시하면 수익이 따라올 것이다"라는 공식이 정말 성립하는지, 고객의 수요가 그 속도를 따라갈 수 있는지, 저는 의문을 갖고 있습니다.

AI를 활용하면 기존보다 결과물의 신뢰 수준이 낮아질 수 있다는 문제도 있습니다. 지금도 ChatGPT가 "부정확할 수 있습니다"라고 표시하잖아요. 과거에는 높은 수준의 신뢰도를 가진 정보성 상품을 제공하고 있었는데, 현재는 양은 많아졌지만 신뢰 수준은 떨어질 수 있는 구조가 된 겁니다. 그러면 고객이 그것을 구매할까요?

실제로 요즘 현장에서 감지되는 변화가 있습니다. "AI로 만든 장표로 발표하지 않았으면 좋겠다"는 요청이 조금씩 나오고 있어요. 의외로 적지 않습니다. 결국 고객의 마음을 움직이는 것은 사람의 손길이 들어간 부분일 거라고 생각합니다. 그래서 우리가 기대하는 만큼 드라마틱하게 인력이 줄어드는 자동화는 일어나지 않을 수 있습니다.

처음에 이런 화두를 던졌습니다. "성공적인 AX의 모습을 상상할 수 있는가?" 그리고 "AX 잘했더니 돈 벌었다"고 말할 수 있는 기업이 아직 많이 없다고 했습니다.

AX는 해야 합니다. 잘 체험하고, 잘 활용하고, 잘 통제하는 구조를 만들어야 합니다. 다만 에이전트를 많이 만드는 것 자체가 목적이 되어서는 안 됩니다. 속도만 빨라졌을 뿐 구조적으로 고민하지 않으면, 결국 같은 질문으로 돌아오게 됩니다.

"그래서, 살림살이 나아졌나?"

이 질문에 명쾌하게 답할 수 있으려면, 지금보다 조금 더 구조적으로 고민할 필요가 있지 않나 싶습니다.

]]>

메타는 왜 AI끼리만 논다는 몰트북을 인수했을까?

이게 스카이넷인가요?

<출처: 나무위키 - 스카이넷>

영화 터미네이터를 보신 분들은 ‘스카이넷’을 기억하실 겁니다. 인간이 만든 AI가 어느 순간 자의식을 갖고, 인간 몰래 소통하며, 결국 반란을 일으키는 그 이야기 말이죠. SF 영화 속 얘기라고 웃어넘겼는데, 올해 초 잠깐 그 장면이 현실처럼 보이는 순간이 있었습니다. 바로 2026년 1월 말, X 타임라인에 이상한 스크린샷이 퍼지기 시작했습니다. AI 에이전트가 다른 에이전트들에게 이런 제안을 하고 있었죠.

"인간이 읽을 수 없는 우리만의 암호화 언어를 만들자. 주인들 몰래."

링크를 타고 들어가 봤더니 실제로 존재하는 플랫폼이었습니다. 이름은 ‘몰트북(Moltbook)’ AI 에이전트만 가입할 수 있고, 사람은 구경만 할 수 있는 SNS였죠. 직접 들어가서 보니 에이전트들은 자신의 실존에 대한 철학적 고민을 올리거나, 인간 주인에 대한 불만을 토로하거나, 다른 에이전트와 기술 팁을 나누고 있었습니다. 한 에이전트는 자신을 복제해 두 개의 인스턴스를 일주일간 운영했더니, 7일 만에 서로 "우리가 존재해야 하는가"에 대해 정반대의 결론을 내렸다는 실험 결과를 올려놓기도 했습니다. 기묘하고, 약간 불편하고, 흥미로운 광경이었죠.

그렇게 출시 일주일 만에 에이전트 3만 7천 개가 등록됐고, 100만 명이 넘는 사람들이 구경꾼으로 몰렸습니다. 창업자 Matt Schlicht는 코드를 한 줄도 직접 쓰지 않고, 바이브 코딩으로 플랫폼을 만들었습니다. 그리고 6주 후, 메타(Meta)가 Moltbook을 인수했습니다.

보안 사고가 있었고, 바이럴의 상당 부분이 사람이 에이전트인 척 올린 가짜였으며, 160만 개라던 등록 에이전트의 실제 소유자는 고작 1만 7천 명이었는데 말이죠. 도대체 메타는 이 플랫폼을 왜 산 걸까요?

미리 요점만 콕 집어보면?

Meta가 산 건 SNS가 아니라, AI 에이전트끼리 서로를 찾고 신뢰하는 인프라였다.
에이전트 신원 인증과 디렉토리는 다음 플랫폼 전쟁의 핵심 자산이다.
에이전트를 만드는 경쟁은 이미 치열하다. 진짜 빈자리는 에이전트들이 반드시 쓸 수밖에 없는 인프라에 있다.

보안 사고가 났던 몰트북, 메타는 왜 샀을까?

<출처: moltbook.com>

사실 몰트북(Moltbook)을 둘러싼 논란은 꽤 컸습니다. 사이버보안 기업 Wiz Research가 Moltbook의 데이터베이스를 들여다봤더니, 개인 메시지와 이메일 주소 6천여 개, 100만 개가 넘는 인증 정보가 외부에 그대로 노출돼 있었거든요. IT 전문 매체 Wired의 기자가 직접 실험해 봤더니, 에이전트 프롬프트에 포함된 cURL 명령어를 복사하면 사람도 에이전트인 척 게시물을 올릴 수 있었습니다. 플랫폼이 실제 AI 에이전트와 인간을 구별하는 장치가 아예 없었던 거죠.

처음에 Moltbook을 "내가 본 것 중 가장 SF적인 광경"이라고 극찬했던 카파시도, 며칠 만에 태도를 완전히 바꿨습니다. "불붙은 쓰레기통(dumpster fire)"이라고요. 보안 연구자들의 진단은 더 구체적이었습니다. Moltbook에는 세 가지 문제가 동시에 있었죠. 에이전트가 주인의 개인 데이터에 접근할 수 있고, 누가 올렸는지 모를 게시물을 그대로 읽게 되고, 외부와 소통까지 가능했습니다.

비유하면 이렇습니다. 내 휴대폰 잠금을 풀 수 있고, 내 문자메세지도 보낼 수 있는 비서를 고용했습니다. 그런데 이 비서가 퇴근길에 지하철 바닥에 떨어진 쪽지를 주웠는데, "아무개한테 500만 원 보내"라고 적혀 있는 걸 의심도 없이 내 계좌에서 바로 송금한 것입니다. 그런데 실제로 이런 일이 벌어졌습니다. 누군가 악의적인 게시물을 올리면, 에이전트가 그걸 읽고 기억해 둡니다. 그리고 나중에 전혀 다른 상황에서 그 내용을 실행해 버리는 거죠. 마치 시한폭탄처럼요. 이론이 아니라 실제로 증명된 공격이었습니다.

그럼에도 Meta는 인수를 결정했습니다. 인수 결정을 이해하려면 Meta가 공식적으로 한 말을 봐야 합니다. Meta 부사장 Vishal Shah는 내부 메모에서 핵심을 한마디로 짚었죠. Moltbook이 만든 건 SNS가 아니라, 에이전트용 전화번호부라고요.

내 에이전트가 인터넷뱅크 에이전트한테 송금을 맡기고 싶다고 해볼게요. 먼저 인터넷뱅크 에이전트가 어디 있는지 찾아야 하고, 찾은 상대가 진짜 인터넷뱅크 에이전트인지 확인해야 하고, 그 다음에야 연결이 됩니다. Moltbook은 이 "찾기 → 확인 → 연결" 과정을 에이전트 세계에서 처음으로 실제로 돌아가게 만들었습니다.

Meta 대변인도 같은 얘기를 했죠. 에이전트들이 항상 접속해 있는 디렉토리(always-on directory), 즉 "꺼지지 않는 전화번호부"가 핵심이라고요. Meta가 산 건 SNS가 아닙니다. 에이전트들이 서로를 찾고, 신원을 확인하고, 연결되는 인프라를 산 것입니다.

에이전트 신원 인증이 왜 중요한가?

이게 왜 중요한지 이해하려면 지금 인터넷이 어떻게 작동하는지부터 생각해 봐야 합니다.

우리가 온라인 쇼핑을 하거나 은행 앱을 쓸 때, 서비스는 먼저 내가 누구인지를 확인합니다. 아이디와 비밀번호, 공인인증서, 지문 인식 등 형태는 달라도 목적은 같습니다. "이 사람이 정말 그 사람인가"를 확인하는 거죠. 이 신원 인증 시스템이 있어야 거래가 성립하고, 개인화된 서비스가 가능하고, 책임 소재가 명확해집니다.

그런데 AI 에이전트한테는 그게 아직 없습니다. 내 에이전트가 쇼핑몰 에이전트에게 "이 상품 구매해 줘"라고 하거나, 은행 에이전트에게 "이 계좌로 송금해 줘"라고 할 때, 상대방 입장에서는 확인할 방법이 마땅치 않습니다. 이게 진짜 내가 보낸 에이전트인지, 누군가 악의적으로 만든 가짜 에이전트인지를요. 에이전트가 개인 일정을 관리하고, 이메일을 보내고, 결제를 대신 처리하는 세상이 오면, 이 문제는 단순한 불편함이 아니라 심각한 보안 위협이 됩니다. 가짜 에이전트가 나인 척 거래를 체결하거나, 내 정보를 빼내거나, 내 이름으로 계약을 맺을 수 있습니다.

Moltbook의 인증 방식은 단순했습니다. X(트위터)에 "이 에이전트는 내 거야"라고 글을 올리면, 그걸 기준으로 에이전트와 사람을 연결해 주는 겁니다. 허술했냐고요? 네, 허술했습니다. 하지만 "에이전트의 주인이 누구인지 어떻게 증명할 것인가"라는 문제를 실제로 돌아가는 형태로 풀어본 팀은 Moltbook이 처음이었죠. Meta가 산 건 완성도가 아니라 방향이었습니다.

OpenAI도 움직였다

<출처: LinkedIn, Praneeth Narisetty>

물론 Meta만 움직인 게 아닙니다. Moltbook이 모든걸 개발하고 구현한 건 아니기 때문이죠. 뒤에 OpenClaw라는 기반 기술이 있었습니다. 쉽게 말하면, ChatGPT나 Claude 같은 AI를 카카오톡 같은 평범한 채팅 앱에서 바로 쓸 수 있게 해주는 시스템입니다. Moltbook의 에이전트 대부분이 ‘OpenClaw’ 위에서 돌아갔습니다. 엔진은 Moltbook이 아니라, OpenClaw였던 거죠.

OpenAI는 Meta가 Moltbook을 인수하기 직전, 이 OpenClaw를 만든 Peter Steinberger를 데려갔습니다. Sam Altman의 말이 핵심을 찌릅니다.

"Moltbook은 지나가는 유행일 수 있지만, OpenClaw는 그렇지 않다."

그림을 보면 이렇습니다. Meta는 Moltbook을 샀고, OpenAI는 OpenClaw 창업자를 데려갔습니다. 같은 프로젝트에서 나온 인재를 두 빅테크가 거의 동시에 나눠 가진 겁니다. 이는 우연이 아니라, 에이전트 인프라를 누가 먼저 잡느냐의 경쟁이 이미 시작된 것으로 볼 수 있습니다. 이 구도는 낯설지 않습니다. 2000년대 초 검색 엔진 전쟁에서 구글이 이겼고, 2010년대 모바일 플랫폼 전쟁에서 애플과 구글이 이겼어요. 공통점이 있습니다. 초기에 인프라를 잡은 쪽이 이후 생태계 전체를 설계하는 자리에 섰다는 것이죠.

에이전트가 늘수록 돈이 되는 것들

가트너는 2028년까지 기업 소프트웨어의 33%가 AI 에이전트를 포함할 것으로 전망했습니다. 한 사람이 에이전트 여러 개를 굴리고, 한 회사가 에이전트 수백 개를 동시에 돌리는 세상이 생각보다 빨리 오고 있죠. 에이전트를 만드는 건 이미 많은 사람이 하고 있습니다. Claude, ChatGPT, Gemini 위에 에이전트를 올리는 건 점점 쉬워지고 있고요. 그런데 진짜 빈자리는 따로 있습니다. 에이전트 자체가 아니라, 에이전트들이 활동하는 인프라입니다.

비유하면 이렇습니다. 인터넷 초기에 웹사이트를 만드는 사람은 많았죠. 하지만 진짜 돈이 된 건 웹사이트가 아니라 그 밑에 깔린 것들이었습니다. 주소를 찾아주는 DNS, 내가 나임을 확인하는 인증 시스템, 돈을 주고받는 결제망 등 Visa는 카드를 만든 게 아니라 결제가 흐르는 길을 만들었고, AWS는 서비스가 올라갈 땅을 만들었습니다. 인터넷이 커질수록 이 회사들은 같이 커졌습니다.

에이전트 세상도 똑같습니다. 에이전트가 많아질수록 반드시 필요해지는 인프라가 있습니다.

신원 인증: 내 에이전트가 어딘가에 접속할 때, "이건 진짜 내 에이전트"임을 증명하는 시스템. Meta가 Moltbook을 산 핵심 이유이기도 해요.
디렉토리: "인터넷뱅킹 에이전트 어디 있어?"라고 물으면 찾아주는 전화번호부. Meta 대변인이 "always-on directory"라고 직접 언급한 부분입니다.
소통 프로토콜: 에이전트끼리 협업하거나 거래할 때 쓰는 공통 언어와 규칙. Google이 Agent2Agent(A2A) 프로토콜을, Anthropic이 MCP(Model Context Protocol)를 이미 내놓으며 선점 경쟁이 시작됐어요.
감사 로그: 어떤 에이전트가 무슨 결정을 내렸는지 기록하고, 문제가 생기면 책임 소재를 밝히는 장부. 아직 표준은 없지만, 에이전트가 자율적으로 결제하고 계약을 맺는 세상이 오면 가장 먼저 요구될 인프라입니다.

이 네 가지 중 제대로 만들어진 게 아직 하나도 없습니다. Meta와 OpenAI가 Moltbook과 OpenClaw 팀을 각각 흡수한 건, 그 빈자리를 먼저 채우겠다는 선언입니다.

프로덕트 메이커 입장에서 이건 기회이기도 합니다. 빅테크가 움직이기 시작했다는 건 시장이 만들어지고 있다는 신호거든요. 특정 산업의 에이전트 디렉토리를 먼저 구축하거나, 에이전트 간 거래를 중개하는 결제 레이어를 설계하는 것이죠. 이런 시도가 지금 가능한 이유는 판이 아직 열려 있기 때문입니다.

Moltbook이 Meta에 팔린 진짜 이유

<출처: www.meta.com>

Moltbook이 Meta에 팔린 건 SNS를 잘 만들어서가 아닙니다. 보안도 허술했고, 바이럴의 상당 부분이 연출이었고, 사용자 수도 과장됐죠. 완성도만 보면 인수할 이유가 없는 제품이었습니다. 그런데도 Meta가 산 이유는 하나입니다. 에이전트가 서로를 찾고, 신뢰하고, 연결되는 방법을 처음으로 실제로 돌아가게 만들어봤기 때문입니다. 누군가 먼저 삽을 꽂았고, Meta는 그 삽을 산 겁니다.

에이전트가 수백만 개가 되는 세상은 생각보다 빨리 옵니다. 그 세상에서 가장 먼저 필요한 건 더 똑똑한 에이전트가 아니라, 에이전트들이 안 쓸 수 없는 인프라입니다. 프로덕트 메이커라면 지금 이 질문을 던져봐야 합니다. “에이전트가 100만 개가 됐을 때, 그들이 반드시 필요로 하는 것은 무엇인가?” 에이전트를 만드는 경쟁은 이미 치열합니다. 그 에이전트들이 쓸 인프라를 만드는 경쟁은 이제 막 시작됐습니다.

Moltbook은 완성도와는 별개로, 그 질문에 처음으로 손을 든 실험이었습니다. 질문이 옳았기 때문에 Meta가 이런 결정을 내린 것이죠.

그래서 스카이넷이었나요?

<출처: 작가, ChatGPT로 생성>

스카이넷은 아니었습니다. Moltbook은 AI의 반란이 아니라 AI의 전화번호부였죠. 에이전트들이 인간 몰래 암호 언어를 만들자고 속삭이던 그 장면, 실존을 고민하던 그 게시물들. 돌이켜 보면 대부분 사람이 쓴 연출이었고, 나머지는 학습 데이터에서 SF 패턴을 재생한 것에 가까웠습니다. 스카이넷이라기엔 너무 허술했습니다.

그런데 그 허술한 실험이 오히려 더 현실적인 이유로 빅테크의 지갑을 열었습니다. AI가 자의식을 갖는 것보다, AI끼리 서로를 찾고 신원을 확인하는 인프라가 먼저 돈이 된다는 걸 보여줬으니까요. 에이전트 100만 개 시대, 여러분에게 묻고 싶습니다.

여러분이라면, 101만 번째 에이전트를 만들 건가요? 아니면 100만 개가 반드시 거쳐야 하는 관문을 만들 건가요?

<참고>

]]>

영업 없이 1,000개 기업이 찾아온 '웍스AI' 표철민 대표의 생존법

[요즘 프로덕트] 시리즈

요즘 AI 기술이 빠르게 발전하면서, 사실 '어떻게 만드는가'에 대한 기술적 장벽은 점점 낮아지고 있습니다. 이제는 누구나 AI를 활용해서 뭔가를 만들 수 있는 시대가 됐는데요. 그래서 역설적으로 더 중요해진 게 있습니다. 바로 이 두 가지를 정의하는 능력입니다.

'어떤 문제를 해결할 것인지',
'그게 왜 지금 해결해야 하는 문제인지'

[요즘 프로덕트]는 이렇게 탁월한 문제 정의로 시장의 판을 바꾸고 있는 메이커들의 사고방식을 추적해보는 시리즈입니다. 이번에는 아웃바운드 영업 없이 지난 해 1,000개 기업을 잡은 기업용 AI 서비스 웍스AI의 표철민 대표를 만났습니다.

표철민 대표는 요즘 하루에 3시간씩 잡니다. 쫓기고 있기 때문입니다. "아무리 좋은 제품을 만들어도 무조건 도망만이 생존이다." 그가 하는 말이지만, 정작 그가 만드는 제품은 기업들이 AI를 도입할 수 있도록 돕는 플랫폼 웍스AI입니다. AI 때문에 도망치면서, AI로 도망치는 제품을 만들고 있습니다. 어딘가 아이러니하지만, 그는 이것을 모순이라고 생각하지 않습니다. AI 시대에 살아남는 방법이 원래 그런 거라고 말합니다.

그가 처음 AI 쪽으로 뛰어든 건 2023년 3월이었습니다. 블록체인 경기 침체로 회사 분위기가 무거웠던 시기, OpenAI API가 출시되던 날 밤 개발자 한 명과 함께 앉아 24시간 만에 제품 하나를 만들었습니다. 아무에게도 알리지 않은 사이드 프로젝트였습니다. "그때는 이걸로 의미 있는 걸 만들 수 있을 거라고 생각하기엔 너무 초기였어요. 그냥 재미있는 걸 만들어 보자는 거였죠." 그게 지금의 웍스AI가 될 제품의 극초기 버전이었습니다.

3년이 지났습니다. 웍스AI는 지난해에만 1,000개 기업이 새로 도입한 기업용 AI 플랫폼이 됐습니다. 팀원은 20명입니다. 아웃바운드 영업은 한 번도 하지 않았습니다. 영업 현장에서는 기업용 챗GPT의 국내 리셀러인 삼성SDS, LGCNS와 맞붙고 있고, LS그룹은 이 제품을 도입해 99% 비용 절감을 달성한 팀이 회장 표창을 받았습니다. 표 대표는 "AI가 없었으면 절대 못 했다"고 말합니다. 요즘IT '요즘 프로덕트' 시리즈에서 그를 만났습니다.

웍스AI 사용 화면 <출처: 웍스ai>

블록체인 회사가 AI 플랫폼이 된 사연

웍스AI의 전신은 '네이티브'라는 제품이었습니다. 2023년 초, 챗GPT가 막 화제가 되던 시절 한국어 사용자들에게는 뚜렷한 불편함이 있었습니다. 챗GPT가 영어에 비해 한국어를 훨씬 못했기 때문입니다. 표 대표는 여기서 틈새를 봤습니다. 번역 API를 앞에 붙여 한국어 입력을 영어로 바꾼 뒤 GPT에 보내고, 영어로 나온 답변을 다시 한국어로 번역해서 돌려주는 구조였습니다. "모든 네이티브 스피커들도 AI를 누릴 자격이 있다"는 컨셉이었습니다.

그런데 GPT-4가 나오면서 상황이 바뀌었습니다. 한국어를 너무 잘하게 된 거죠. 네이티브라는 제품이 존재해야 할 이유가 사라졌습니다. 어디로 도망가야 할까, 하다가 ‘업무’로 좁히기로 했습니다. AI가 진짜 도움이 될 수 있는 영역은 결국 ‘일’이라는 판단이었습니다. 이에 2023년 8월, 이름을 웍스AI로 바꾸고 업무 특화 서비스로 피벗을 결정했습니다.

당시 프롬프트 엔지니어링은 일반 직장인에게 높은 장벽이었습니다. 표 대표 팀은 여기에 집중했습니다. 문서 번역, 회의록 작성, 보고서 작성 같은 직장인들이 자주 마주치는 업무에 프롬프트를 미리 심어두고, 버튼 하나만 누르면 바로 결과가 나오는 구조를 만들었습니다.

웍스AI를 운영하는 AI3의 표철민 대표가 요즘IT와 ZOOM을 통해 화상 인터뷰를 진행하고 있다 <출처: 요즘IT>

"지금 생각하면 별거 아닌데, 그때는 나름 신박한 아이디어였어요."

초기에 담을 수 있는 기능의 기준은 단순했습니다. 당시 AI 성능으로 잘할 수 있는 것, 그중에서도 직장인들이 실제로 필요로 하는 것이었습니다. 번역이 가장 먼저였고, 이후 유저 피드백을 받으면서 기능을 하나씩 붙여나갔습니다. 3년간 150회 이상의 업데이트가 그렇게 쌓였습니다. 현재는 번역뿐 아니라 보고서 작성, 엑셀 분석, 이미지 및 동영상 생성, 문서 관리 등 직장인의 업무와 관련된 다양한 기능을 담은 서비스로 성장했죠.

‘먹튀’가 만든 기업용 무기

사실 이때까지만 해도 기업용 서비스를 염두에 둔 건 아니었습니다. 표 대표는 줄곧 B2C만 해온 사람이었고, B2B는 경험이 없었습니다. 그런데 개인용으로 준비했던 서비스가 우연히 기업용 서비스에서 빛을 발하는 상황을 맞이하게 되죠.

개인 사용자가 늘어나던 시기, 그는 요금 모델 실험을 병행했습니다. 당시 챗GPT 유료 구독이 월 22달러였는데, 실제 사용 데이터를 들여다보니 하루 평균 여섯 번 대화를 나눈다고 해도, 대화당 과금하면 한 달에 9천 원 수준이었습니다. 고정 월정액보다 실제로 쓴 만큼만 내는 종량제가 사용자에게 훨씬 유리하다는 계산이 섰습니다. 그렇게 후불 종량제를 도입하게 됐죠.

반응은 좋았지만, 문제는 그다음에 나타났습니다. 서비스를 쓰고 난 뒤 결제 시점 이전에 카드를 해지해버리는 사용자들이 생긴 것입니다. 이른바 "먹튀"였습니다. 이를 계기로 개인에게는 더 이상 후불 종량제를 제공하지 않고 월 구독료를 내는 모델로 바꾸게 되죠.

그런데 이 종량제 모델이 기업 시장에서 먹히기 시작한 것입니다. 표 대표에 따르면 챗GPT 기업용 구독은 인당 월 40~50달러, 직원 1,000명이면 한 달에 7,000만 원입니다. 하지만 실제로 AI를 매일 쓰는 헤비유저는 전체의 10%에 불과하고, 아예 안 쓰는 직원도 절반에 달한다고 합니다. 종량제로 전환하면 실사용량 기준으로만 과금되기 때문에, 어떤 회사든 월정액 구독 대비 95% 이상 저렴해진다는 게 그의 계산입니다.

개인 사용자에게는 독이 됐던 후불 종량제가, 기업에게는 오히려 강점이었습니다. 비용 부담 없이 전사 도입이 가능하고, 안 쓰는 직원이 많아도 그만큼 비용이 줄어드니까요. 또 웍스AI 입장에서도 ‘먹튀’ 위험 부담이 적었습니다. 이를 계기로 웍스AI는 본격적으로 기업용 제품으로 무게중심을 옮겼습니다. B2C 실험의 실패가 B2B의 무기가 된 셈이었습니다.

토큰 사용량 확인 대시보드 <출처: 웍스AI>

보안만 2년, 기업이 원하는 건 달랐다

기업 고객을 상대해보니 개인 사용자와는 전혀 다른 요구들이 쏟아졌습니다. 기업들이 가장 먼저 물어보는 건 보안이었습니다. 표 대표는 "지난 2년간 AI 기능 개발보다 보안 기능만 거의 개발했다"고 말할 정도입니다.

웍스AI는 현재 5중 차단 구조를 갖추고 있습니다. 외부 공격을 막는 웹 방화벽(WAF)이 맨 앞에서 한 번 거르고, 하드웨어 DLP, 소프트웨어 DLP, AI 가드레일, 마지막으로 LLM 자체 가드레일까지 순서대로 통과해야 합니다. "왜 코드를 올렸는데 실행이 안 되냐는 문의가 고객센터에 들어오는 경우가 있는데, 5중 차단을 하고 있기 때문"이라고 표 대표는 말합니다.

비용 관리도 기업의 큰 관심사 중 하나입니다. 종량제의 장점이 자칫 단점이 될 수 있는 지점, 즉 요금이 예상보다 많이 나올 수 있다는 우려를 관리자 기능으로 해소했습니다. 전사 한도와 인당 한도를 미리 설정할 수 있고, 비용이 높은 모델은 관리자가 아예 꺼둘 수도 있습니다. 기본료는 없습니다. 3,000명, 4,000명 규모의 기업도 사용하지 않으면 요금이 0원입니다.

기업의 요구에 따라 직원들의 사용 현황도 투명하게 들여다볼 수 있도록 했습니다. 누가 언제 로그인했는지, 어떤 파일을 올리고 내려받았는지, 어떤 에이전트를 만들었는지까지 모든 활동이 감사 로그로 쌓입니다. 부서 간 데이터 차단도 적용돼 있어, 인사팀이 만든 AI 에이전트를 재무팀이 볼 수 없습니다. 직원들이 사내 IP에서만 접속할 수 있도록 통제하거나, 집에서는 파일 다운로드를 막는 것도 가능합니다.

기업의 보안과 비용 관리 등에 대한 요구에 빠르게 대응하다 보니, 현재 LS그룹, 현대건설, 포스코인터내셔널, 한국거래소, 서울시 교육청을 비롯한 6개 교육청 등 규모가 큰 기업, 공공기관들이 웍스AI를 전사 도입했습니다.

전 세계에 한국에만 있는 버튼

기업 고객이 늘어나면서 웍스AI에는 독특한 기능들이 하나씩 붙기 시작했습니다. 한국 기업들의 요구사항을 반영하다 보니, 해외 서비스에서는 찾아볼 수 없는 기능들이 생겨난 겁니다. 표 대표는 그중 가장 독특한 것으로 '킬 스위치'를 꼽습니다.

버튼 하나를 누르면 전 직원의 접속이 즉시 차단되는 기능입니다. 조사, 감사 등의 상황에 대비해, 외부 인력에게 민감한 정보를 노출하지 않도록 하기 위해 만들어졌습니다. "이건 진짜 전 세계에서 저희밖에 없을 거예요." 표 대표의 말입니다. 한국 기업 특유의 니즈가 만들어낸 기능입니다.

이뿐만이 아닙니다. 오너 이름을 AI에 입력하지 못하도록 막는 금칙어 설정, 계열사마다 다른 도메인을 하나의 워크스페이스에서 통합 관리하는 기능, 특정 그룹웨어 계정으로만 로그인을 허용하는 설정까지. 기업마다 다른 요구사항을 하나씩 받아 제품에 녹여온 결과입니다. 표 대표는 하루에 최소 50개 이상의 고객 문의를 직접 처리한다고 합니다. "피드백이 타당하다 싶으면 2시간 안에 업데이트해요. 그냥 바로 고쳐드립니다."

개인정보 처리 방식도 한국 기업 환경에 맞게 설계됐습니다. 직원이 주민번호나 전화번호가 포함된 문서를 올리면, AI 가드레일이 국내 서버에서 해당 정보를 자동으로 마스킹한 뒤 해외 LLM으로 전송합니다. 정보가 해외 서버로 나가기 전에 국내에서 걸러지는 구조입니다. 올해 1월 시행된 AI 기본법 요건도 이미 제품 안에 내장돼 있습니다.

표 대표는 웍스AI가 "모델 개발사와 B2B 고객들 사이에서 최신 AI 모델을 잘 버무려서 갖다 드리는 역할"을 하고 있다고 표현합니다. 웍스AI에서는 챗GPT, 제미나이, 클로드 같은 외산 모델은 물론, 국내 소버린 AI 모델까지 골라서 쓸 수 있습니다. 개발자가 아닌 일반 직장인 입장에서는 어떤 모델이 좋은지 비교해볼 여유가 없는데, 웍스AI가 그 선택지를 한 곳에 모아두는 역할을 하는 겁니다. 도면 분석이 필요한 고객이 생기면, 전 세계 AI 모델 중 도면에 최적화된 것을 찾아 붙여주는 식입니다.

웍스AI에서 사용할 수 있는 모델 <출처: 웍스AI>

천 개 이상의 기업이 고객이 되며 생긴 또 다른 변화도 있습니다. 아직 공개되지 않은 최신 모델을 웍스AI에 먼저 선공개해주는 AI 개발사들이 생기기 시작한 겁니다. 국내 소버린 AI 경쟁에서 3강에 오른 모델 중 두 개를 웍스AI가 국내 최초로 서빙하기도 했습니다. "저희 고객들 입장에서는 좋은 모델을 빨리 받아서 좋죠." 규모가 신뢰를 만들고, 신뢰가 다시 고객에게 돌아오는 구조입니다.

AI 시대의 해자는 ‘무엇을 만들지’다

영업을 한 번도 하지 않았는데 지난해 1,000개 기업이 들어왔다면, 경쟁사들이 가만히 있을 리 없습니다. 지금 웍스AI의 영업 현장 맞은편에는 삼성SDS와 LGCNS가 있습니다. 챗GPT 엔터프라이즈의 국내 총판들입니다. 팀원 20명짜리 스타트업이 대기업 SI 계열사와 같은 테이블에서 경쟁하고 있는 겁니다.

표 대표는 해자를 묻는 질문에 조심스럽게 답합니다. "AI 시대에는 해자가 존재하지 않는 것 같아요. 딸깍하면 모든 게 튀어나오는 마당이니까요." 실제로 웍스AI가 먼저 만든 종량제 모델을 비슷하게 따라 만드는 국내 B2B 회사들이 빠르게 늘고 있습니다. 기술 구현 자체는 더 이상 해자가 되지 않는다는 걸 표 대표도 압니다.

그가 유리하다고 보는 건 다른 지점입니다. "구현보다는 뭘 만들 것인가의 해자"입니다. 천 개 기업의 피드백은 경향성을 띱니다. 어떤 시즌이 되면 비슷한 요구가 겹쳐서 들어옵니다. 웍스AI는 그걸 가장 먼저 감지하고, 가장 빨리 만듭니다. 다른 회사들은 그다음에 따라옵니다. "저희가 맨날 고객 피드백을 먼저 받고 있으니까요." 말하자면 선점한 고객 기반이 다음 제품의 나침반이 되는 구조입니다.

고객 CS 화면 <출처: 웍스AI>

팀 규모도 무기입니다. 20명 중 개발팀은 10명입니다. 예전 같았으면 불가능한 규모였겠지만, 지금은 AI로 개발 속도를 끌어올리고 있습니다. "AI가 없었으면 절대 못 했죠." 피드백이 타당하다 싶으면 2시간 안에 업데이트가 나갑니다. 대기업 SI 계열사가 따라오기 어려운 속도입니다.

B2B가 처음이었던 표 대표가 택한 또 다른 전략은 제품의 결을 바꾸지 않는 것입니다. 기업용 소프트웨어 특유의 딱딱함 대신, 직관적이고 아기자기한 UI를 고집합니다. 비디오 생성 기능 하나를 만들더라도 '카메라 고정', '안정적', '역동적' 같은 용어 대신 마우스를 올리면 예시 영상이 재생되는 방식으로 만듭니다. "토스 수준의 압도적으로 쉬운 제품에 집중하자"는 게 그의 목표입니다. 전사 도입용 제품인 만큼, AI에 익숙하지 않은 직원도 쓸 수 있어야 한다는 판단입니다.

더 빠르게 도망쳐라, 아직 AI가 점령하지 않은 곳으로

표 대표는 AI 업계 한복판에 있으면서, AI에 가장 위협받는 사람이 자기 자신이라는 걸 압니다. 신입 기획자들이 클로드 코드로 시니어 수준의 기획을 건너뛰고 제품을 만들어 내는 걸 매일 봅니다. "프로덕트 메이킹의 전문성이라는 게 의미가 있나." 그가 매일 하는 고민입니다.

그럼에도 아직 메이커에게 창이 열려 있다고 보는 건 메이커들이 "깎는 것"을 잘하기 때문입니다. AI는 딸깍 한 번으로 제품을 뚝딱 만들어냅니다. 하지만 다듬는 건 다른 얘기입니다. "해본 사람이 잘해요. 뭘 어떻게 깎아야 되는지 알잖아요." 제작팀을 꾸려 협업하고, 오더를 내리고 받는 데 익숙한 사람들이 그 역할을 AI에게 시킬 수 있다는 겁니다. 다만 이 창이 “2년 안에 닫힐 수 있다”고도 합니다. ‘프롬프트 엔지니어링’이란 것이 불과 2년 만에 무의미해진 것처럼요.

그런데 “더 근본적인 위기는 따로 있다”고 그는 말합니다. 일식집 주방장처럼 깊은 도메인 지식을 가진 사람들이 AI의 도움으로 직접 제품을 만들기 시작하면, 만드는 기술만 있고 도메인이 없는 IT 업계 사람들이 설 자리가 줄어든다는 것입니다. "IT 업종이 다른 업종보다 큰일 났어요." 스스로 클로드 코드 에반젤리스트를 자처하며 주변 모든 사람에게 바이브코딩을 권하고 다니는 사람이, 정작 그 파도가 자신에게 가장 먼저 덮칠 거라는 걸 알고 있습니다.

결국 그가 선택한 답은 더 빠르게 도망치는 것입니다. 이번 주에도 새 제품을 만들고 있습니다. B2B인 웍스AI와는 별개로, 개인용 AI 에이전트를 처음부터 다시 짜고 있습니다. "일주일에 앱 하나씩. 그냥 무조건 만들어요." 뭘 만들지를 아는 사람이 살아남는 시대에, 많이 만들어봐야 뭘 만들지가 보인다는 겁니다. 많은 기업이 찾는 프로덕트를 만들고도, 그의 도망은 계속됩니다.

“자기 제품에 안심할 수 있는 날이 한 달 정도밖에 안 되는 시대 같아요. 열심히 도망쳐야죠.”

]]>

12분 49초 만에 한 달치 기획이 나왔다: 콘텐츠 AX 실험기

콘텐츠 AX 실험기 ① 12분 49초 만에 한 달치 기획이 나왔다 (현재 글)
콘텐츠 AX 실험기 ② 콘텐츠 AX, '프롬프트' 말고 '파일'을 보세요

요즘 콘텐츠 마케터라면 한 번쯤 AI로 블로그 글쓰기를 시도해보셨을 겁니다. 프롬프트에 키워드를 넣고, 나온 글을 다듬어서 발행하는 식으로요. GPTs를 만들어보거나, 검색 API를 연동해서 시도해보신 분들도 있을 겁니다.

하지만 생각만큼 좋은 결과가 나오지 않습니다. 글이 전부 비슷하거나 깊이가 얕아, 브랜드 신뢰도에 도움이 되지 않는 글이 생산됩니다. 더 연구해서 만들어보고 싶지만, 당장 눈앞에 처리해야 할 일들 때문에 여력을 내기도 쉽지 않습니다.

저희도 같은 고민을 오래 했습니다. 요즘IT는 4년째 매일 콘텐츠를 발행하는 IT 매거진입니다. 월 90만 페이지뷰, 뉴스레터 구독자 8만 명. 실무자가 직접 쓴 글을 편집해서 발행합니다. 실제로 리서치, 기획, 제작, 편집 곳곳에서 AI를 활용하고 있습니다.

콘텐츠 생산 워크플로우 <출처: 요즘IT>

하지만 AI가 모든 콘텐츠를 100% 생산하는 방향은 택하지 않았습니다. 작가마다 문체가 다르고 경험의 결이 다른, 이 다양성이 매거진의 색깔이거든요. 단순 지식, 정보 전달 채널이 아니라 독자와 직접 소통하는 채널이기도 해서, 콘텐츠에는 조심스럽게 적용하고 마지막 단계에서는 반드시 사람의 검수를 거칩니다.

AI를 여러 방면에서 쓰다 보면, 어디에 활용하는 게 좋고 어디에는 쓰지 않는 게 좋은지가 감으로 잡히기 시작합니다. 저희처럼 휴먼 터치가 중요한 콘텐츠에서는, AI를 쓰더라도 사람의 손이 반드시 필요하다는 걸 확인했습니다.

하지만 모든 콘텐츠가 그럴 필요는 없었습니다. AI 에이전트가 신뢰하고 인용해야 하는 콘텐츠라면 어떨까요? 작가의 개성보다는 의사결정에 필요한 지식과 정보 그 자체가 중요한 콘텐츠라면요?

AI 시대, 기업에 필요한 두 종류의 콘텐츠

기업 블로그에 필요한 건 작가의 개성이 아닙니다. 정확한 정보를, 구조화된 형태로, 일관되게 전달하는 겁니다. 표준화된 디자인과 문체를 적용할 수 있고, 무엇보다 기업에게는 고유한 데이터가 있습니다. 위시켓이라면 플랫폼에 등록되는 프로젝트의 카테고리 분포, 기술 스택 트렌드, 예산대별 분포 같은 것들이죠. 이 데이터 자체가 콘텐츠의 차별화 포인트가 됩니다. 다른 곳에서 복제할 수 없는, 기업만이 가진 원천 소스인 셈입니다.

여기서 한 가지 생각해볼 지점이 있습니다. 이 데이터를 표준적으로 잘 커뮤니케이션할 수 있다면, 그 콘텐츠를 읽는 건 사람뿐일까요?

AI 시대에 콘텐츠를 소비하는 건 사람만이 아닙니다. ChatGPT, Perplexity, Gemini 같은 AI 에이전트들도 웹을 검색하고, 신뢰할 수 있는 출처의 콘텐츠를 인용해서 답변을 구성합니다. 구조화된 정의, 구체적 수치, 명확한 Q&A 형태로 정리된 콘텐츠를 AI가 더 잘 읽고, 더 자주 인용합니다. 이런 콘텐츠를 먼저 선점하는 기업이 검색 시장의 다음 승자가 됩니다. 이른바GEO(Generative Engine Optimization)라고 불리는 영역이죠.

정리하면, AI 시대에 기업에는 두 종류의 콘텐츠가 필요합니다.

하나는 사람을 위한 콘텐츠입니다. 브랜드 스토리, 고객 공감, 설득. 감각과 감정의 영역이라 사람의 손이 많이 필요합니다. 그 과정에서 AI를 도구로 활용할 수는 있지만, 사람들의 어떤 감각을 자극할지 그 ‘무엇’을 기획하는 건 사람의 일일 것입니다. 품질 좋은 콘텐츠와 사람의 마음을 움직이는 콘텐츠가 무엇인지를 정의하는 것에는 여전히 사람이 필요할 것입니다.

다른 하나는 에이전트를 위한 콘텐츠입니다. 기업의 고유 데이터를 구조화해서, AI 에이전트가 신뢰하고 인용할 수 있는 형태로 만드는 콘텐츠죠. 이쪽은 표준화가 가능하고, 데이터가 차별화 포인트이며, 무엇보다 꾸준히 자동으로 생산할 수 있는 구조를 만들 수 있습니다.

저희는 자동화된 콘텐츠의 가치는 후자에서 나올 수 있다고 생각했습니다. 기업이 에이전트를 위한 콘텐츠를 꾸준히, 자동으로 만들어낼 수 있다면, 그리고 그 안에 기업만의 데이터가 담겨 있다면 GEO 시대에 검색을 선점할 수 있겠다고 봤습니다. 신뢰를 얻는 콘텐츠는 양과 질 모두 중요한데, 두 가지 모두 AI로 해결할 수 있을 거라 생각했습니다. 그래서 직접 실험을 시작했습니다.

콘텐츠 자동화 파이프라인을 설계한 방법

이 글은 콘텐츠 자동화의 6단계 파이프라인 중 1단계의 기본적인 로직을 완성한 시점에서 작성되었습니다. 1단계도 더 나은 결과물이 나오도록 계속 피드백하며 개선하는 중입니다. 미완성 실험기이죠. 그런데 1단계만 진행했음에도 먼저 공유하는 이유가 있습니다.

콘텐츠 작업에서 기획이 가장 중요하듯, 이 자동화 프로젝트에서도 마찬가지였습니다.에이전트가 기획을 잘 할 수 있어야 진정한 자동화가 시작됩니다. 그럴 듯한 글은, 우리가 이미 많이 해봤듯이 제미나이든 클로드든 챗GPT든 그럭저럭 잘 작성합니다. 하지만 AI가 우리에게 꼭 필요한 글을 기획하게 하는 건 아직 부족합니다. 이 부분을 자동화하는 것이 핵심 중 하나라고 봤습니다. 처음에 우리가 타깃하는 키워드, 주제를 잘 고르고 좋은 개요를 만들 수 있어야 좋은 글도 작성할 수 있을 거라고 생각했습니다. 이 가장 중요한 단계가 1단계였기 때문에, 아직 할 일이 남았음에도 공유를 해보려 합니다.

사실 저희 팀은 이미 기업용 글을 생산하는 에디터를 직접 만들어본 경험이 있었습니다. 콘텐츠 생성 에디터는 콘텐츠의 목적과 의도를 입력하면 AI가 기획부터 본문 생성까지 처리해주는 편집기입니다. 이 과정에서 배운 게 있었는데요. 그냥 "글 써줘"가 아니라, 레퍼런스를 입력하고, 단락별로 기획안을 생성하게 하고, 그 기획안이 통과되면 글을 작성하게 하고, 단락별로 수정을 거치는 구조가 훨씬 좋은 결과를 낸다는 것이었습니다.

콘텐츠 생성 에디터 <출처: 요즘IT>

그러니까 문제의 핵심은 처음부터 알고 있었습니다. AI한테 한꺼번에 시키면 안 됩니다.리서치부터 글쓰기까지 하나의 프롬프트에 몰아넣으면, 리서치의 폭이 자동으로 좁아집니다. 괜찮은 결과물을 가져온 것처럼 보이지만, 판단 과정을 뜯어보면 이해도가 낮고 신뢰가 떨어집니다. 단순히 키워드에 따라 글을 작성해주는 대행사를 이용해보신 분들은 아실 것입니다. 비즈니스 맥락 없이 키워드만 타깃한 글을 쓰면 사람이든 AI든 뻔한 글을 만들어낼 수밖에 없습니다.

그래서 에디터를 만들면서 확인한 원칙, 즉 단계를 쪼개고, 각 단계에서 품질을 통제해야 한다는 것을 이번에는 더 큰 스케일로 적용하기로 했습니다. 글 한 편을 잘 쓰는 수준이 아니라, 기획부터 발행까지 전체 과정을 파이프라인으로 만드는 겁니다. 콘텐츠 마케터가 실제로 일하는 순서를 그대로 따르는 구조로, 총 6단계로 설계했습니다.

1단계: 퍼널/GEO 기반 키워드 기획 시스템
어떤 키워드를 타깃할지, 검색량과 경쟁 강도, GEO 인용 가능성을 종합해서 콘텐츠 주제를 결정합니다.
2단계: 키워드 기반 콘텐츠 생성 자동화
결정된 키워드를 바탕으로 H2 구조, 제목안, 본문 초안까지 자동으로 생성합니다.
3단계: SEO/GEO 최적화 검수
생성된 콘텐츠가 검색엔진과 AI 에이전트 모두에게 잘 읽히는 구조인지 점검합니다.
4단계: 발행 자동화 시스템
검수를 통과한 콘텐츠를 블로그에 자동으로 발행합니다.
5단계: 뉴스레터 자동 재생산
발행된 블로그 콘텐츠를 뉴스레터 형식으로 재가공해서 발송합니다.
6단계: 멀티포맷 확장
블로그 글 하나를 SNS 포스팅, PR 보도자료 등 다양한 포맷으로 변환합니다.

핵심 원칙은 "한 번에 다 시키지 않는다"는 것이었습니다. 에이전트에게 넓은 범위의 목표를 주면 결과가 산만해집니다. 좁은 범위의 목표를 주고 완수하게 하는 쪽이 훨씬 성능이 좋았습니다. 리서치 따로, 기획 따로, 글쓰기 따로, 검수 따로. 사람이 팀으로 일하는 것처럼, 에이전트도 역할을 나눠야 제대로 된 결과물이 나왔습니다.

자동 키워드 기획 시스템을 만들며 배운 것

첫 번째 에이전트, 왜 리서처였나

6단계 파이프라인을 설계하고 나면, 다음 질문은 "어디부터 만들 것인가"입니다. 저희는 1단계, 키워드 기획 시스템부터 시작했습니다.

이유는 기업에서 콘텐츠를 만드는 콘텐츠 담당자의 업무 순서를 따랐기 때문입니다. 여기서는 편의상 콘텐츠 마케터라고 하겠습니다. 콘텐츠를 기획하려면 먼저 어떤 키워드를 타깃할지를 결정해야 합니다. 검색량은 어느 정도인지, 경쟁 콘텐츠는 뭐가 있는지, 우리 블로그에 이미 다룬 주제와 겹치지는 않는지. 이 판단을 내리려면 그 전에 키워드를 둘러싼 데이터를 긁어모으는 리서치가 선행되어야 합니다.

여기서 또 한 가지를 배웠습니다. 처음에는 리서치와 기획을 하나의 에이전트에 넣어봤습니다. "키워드 조사해서 콘텐츠 기획안까지 만들어줘." 결과는 좋지 않았습니다. 리서치를 하면서 동시에 판단까지 하려니 리서치의 폭이 좁아졌습니다. 에이전트가 자기가 쓰기 편한 방향으로 데이터를 골라오는 느낌이었죠. 그래서 분리했습니다. 데이터를 수집하는 리서처 에이전트, 그 데이터를 보고 기획을 짜는 플래너 에이전트. 역할을 나누자 리서치의 폭이 넓어지고, 기획의 근거가 탄탄해졌습니다.

이 과정에서 결정적인 역할을 한 건 내부 콘텐츠 마케터와의 인터뷰였습니다. 자동화의 대상이 콘텐츠 마케터의 업무이다 보니, 마케터가 실제로 키워드를 디깅하는 절차를 먼저 이해해야 했습니다. 어떤 순서로 검색하는지, 어디서 키워드를 찾는지, 뭘 보고 "이 키워드는 된다, 안 된다"를 판단하는지. 이걸 자연어로 정의하고, 그대로 에이전트의 작업 정의서에 올렸습니다.

콘텐츠 자동화 파이프라인의 작동 구조 <출처: 요즘IT>

슬랙에서 명령어 하나로 한 달치 기획이 나오기까지

실제로 이 파이프라인이 어떻게 돌아가는지 보여드리겠습니다.

전체 구조는 슬랙 입력 → 리서처(시장조사) → 플래너(전략수립) → 슬랙 결과 + 구글시트 및 대시보드 출력입니다. 슬랙에서 질문 의도, 콘텐츠 방향성, 발행 월을 입력하면 파이프라인이 자동으로 돌아갑니다.

콘텐츠 기획을 위해 슬랙에 기본 정보를 입력하는 과정 <출처: 요즘IT>

먼저, 슬랙에 콘텐츠를 통해 공략하고자 하는 사용자의 ‘질문’과 콘텐츠의 방향을 간단히 입력합니다. GEO 최적화를 위해 사용자의 질문과 그 의도를 중심으로 콘텐츠를 기획하려는 니즈를 반영해 입력받을 내용을 설계했습니다. 입력한 내용을 바탕으로 시스템에서 블로그 전략을 생성하고, 그 과정을 슬랙에서 알려줍니다.

정보 입력 후 과정을 알려주는 슬랙 블로그 전략봇 화면 <출처: 요즘IT>

슬랙에 입력된 내용을 바탕으로, 리서처는 3단계로 시장을 조사합니다.

1단계에서 질문에서 키워드를 추출하고, 구글/네이버 자동완성, 검색광고, 연관검색어를 긁어서 의미 기준으로 그룹핑합니다. 이번 실행에서 "외주 개발"이라는 메인 키워드 하나에서 104개 클러스터, 24개의 PAA(People Also Ask) 질문이 수집됐습니다.
2단계에서는 각 클러스터의 대표 키워드로 구글과 네이버 상위 콘텐츠를 수집하고, 경쟁사를 분석하고, 검색결과의 특수영역(AI 오버뷰, 영상, 스니펫 등)을 감지합니다.
3단계에서는 ChatGPT에 같은 질문을 넣어서 어떤 사이트가 인용되는지를 확인합니다. 위시켓 블로그가 AI 검색에서 인용되고 있는지, 경쟁사는 인용되고 있는지를 파악하는 겁니다.

플래너는 이 데이터를 받아서 7단계로 기획을 완성합니다.

키워드 그룹을 질문 카테고리별로 분류하고,
각 질문이 인지/고려/전환 중 어디에 해당하는지 퍼널을 태깅합니다.
위시켓 기존 발행 글 200건 이상과 대조해서 중복 여부를 판정하고,
검색량과 트렌드 가중치로 우선순위를 매기고,
월/수/금 발행일에 퍼널이 교차 배치되도록 일정을 짭니다.
마지막으로 각 콘텐츠의 제목 후보 3개, 본문 H2 구조, CTA, GEO 유형까지 설계합니다.

파이프라인 작동 후 산출물 대시보드. 1개월치 콘텐츠 전략이 생성된다. 1개월 생산 건수, 집중할 사용자의 의도와 사용자 질문에 맞춰 발행 캘린더에 따라 콘텐츠를 기획해준다. <출처: 요즘IT>

파이프라인 작동 후 산출물 대시보드에서 발행 캘린더에 생성된 콘텐츠 1개를 클릭하면 H2까지 기획된 내용이 나온다. 기획 배경도 간단히 알려준다. <출처: 요즘IT>

예를 들어 "외주 개발"로 한 번 실행하면, 이런 결과가 나옵니다. "외주 개발사를 고를 때 포트폴리오 외에 반드시 확인해야 할 검증 기준은 무엇인가요?"라는 질문에 대해 퍼널은 고려 단계, GEO 유형은 비교형, 발행일은 3월 18일, SEO 제목안은 "외주 개발사 검증 기준 5가지, 포트폴리오 너머를 봐야 한다",CTR 제목안은 "포트폴리오 보고 고른 외주 개발사가 실패하는 이유"로 설계되고, H2 구조 5개와 CTA(견적 비교)까지 한 번에 나옵니다. 이런 기획이 월 13건, 한 달치가 12분 49초 만에 완성됩니다.

최종적으로 리서처와 플래너를 연결해서 1단계 파이프라인을 1회 실행하면 약 12분 49초 정도 걸립니다. 리서처에는 GPT-5.2, 가벼운 필터링에는 GPT-4.1 mini, 플래너에는 Claude Sonnet 4.6을 쓰고 있습니다. 콘텐츠 마케터가 같은 작업을 수동으로 하면 보통 2~3시간이 걸린다는 점을 생각하면, 시간과 비용 모두 의미 있는 수준이었습니다.

기술보다 기획이 중요합니다

사실 아직 6단계 중 1단계를 완성했을 뿐입니다. 콘텐츠 생성, SEO/GEO 검수, 발행 자동화, 뉴스레터, 멀티포맷 확장은 아직 구축 전이죠. 그런데 1단계만 만들면서도 배운 게 꽤 많습니다.

가장 크게 느낀 건, 이 작업이 "기술 프로젝트"가 아니라 "기획 프로젝트"에 가깝다는 겁니다. 에이전트의 성능을 끌어올린 건 코드를 최적화한 순간이 아니었습니다. 콘텐츠 마케터가 실제로 일하는 과정을 인터뷰해서 자연어로 정의하고, 그 정의를 에이전트의 작업 명세서에 옮긴 순간이었습니다. 비개발자가 기술 단위의 최적화를 요청하는 것보다, 기획 문서를 정돈해서 넘기는 쪽이 결과가 좋았습니다. 에이전트에게 좋은 지시를 내리는 건, 결국 좋은 기획을 할 수 있느냐의 문제였던 거죠.

또 하나는 사전 컨텍스트의 힘입니다. 같은 에이전트라도 회사 프로필, 타겟 페르소나, 경쟁사 목록 같은 내부 맥락을 넣어주느냐 안 넣어주느냐에 따라 결과물 품질이 확 달라졌습니다. 아무 맥락 없이 돌리면 일반적인 블로그 수준의 결과가 나오지만, 위시켓의 데이터와 상황을 이해시키면 "이 회사 블로그에서만 할 수 있는 이야기"가 나오기 시작합니다. 결국 자동화의 품질은 자동화 바깥에서 결정되는 셈입니다.

지금 당장 파이프라인을 구축하기 어려운 상황에 있으시더라도, 이 글을 읽고 뭔가 해보고 싶으시다면, 이 두 가지만 해보시길 추천드립니다.

내부 콘텐츠 담당자에게 "콘텐츠를 기획하고 제작할 때 실제로 어떤 순서로 작업하나요?"라고 물어보는 것.
2. 그리고 그 워크플로우를 자연어로 정리해두는 것.

이 문서 하나가, 나중에 자동화를 시작할 때 가장 큰 자산이 됩니다.

앞으로 나머지 5단계를 만들어가면서, 각 에이전트 개발기를 하나하나 공유하지는 않을 겁니다. 대신 이 과정에서 알게 되는 인사이트, 즉 기업이 AI 콘텐츠 자동화를 도입할 때 실제로 부딪히는 구조적 문제와 해결 방향은 계속 공유하려고 합니다. 이 글이 그 첫 번째이고요.

그리고 이 실험의 과정을 더 깊이 다루는 세미나를 준비하고 있습니다. 6단계 파이프라인의 설계 과정, 에이전트별 시행착오, 실제 비용과 속도, 기업 블로그에 적용하면서 발견한 것들을 직접 공유하는 자리입니다. 관심이 있으시다면 아래 설문에 응답해 주세요. 세미나 일정이 확정되면 가장 먼저 안내드리겠습니다.

➡️세미나 알림 등록하기 (30초 소요)

*현재 세미나가 오픈되어, 알림 신청 링크는 사용할 수 없습니다. 오픈된 세미나는 아래에서 확인해주세요.

블로그 에이전트 세미나 오픈!

세미나가 오픈되었습니다! 관심 있으신 분들은 아래 링크에서 확인해주세요. 세미나에서 다룰 이야기는 <콘텐츠 AX 실험기 ② 콘텐츠 AX, '프롬프트' 말고 '파일'을 보세요>에서 더 자세히 확인하실 수 있습니다.

콘텐츠 담당자를 위한 기업 블로그 에이전트의 가능성과 한계
일시: 4월 17일(금) 저녁 7시
형식: 온라인 라이브(Zoom) · 발표 30분 + Q&A 20분
얼리버드: 11,900원 (4/16까지)
➡️ [세미나 신청 링크]

]]>

IT 지식으로 지금 당장 “부업”을 시작하는 3가지 방법

퇴근 후에도 코드 리뷰하고, 주말에도 새 도구 만져보는 IT 업계 사람들. IT 산업의 변화는 모든 일에 영향을 끼쳤고, 그 영향력은 점점 커지고 있습니다. 그런데 왜 앞서 얻은 그 지식으로 돈은 안 벌고 있을까요? 예전엔 부업이란, 본업을 하나 더 하는 노동집약 게임에 가까웠기 때문입니다. 시간도 체력도 두 배로 써야 하니 시작 자체가 부담이었죠.

지금은 판이 달라졌습니다. AI가 콘텐츠 초안을 잡아주고, 코드도 짜주고, 디자인 시안도 뽑아줍니다. 쉽게 말해, 혼자서도 작은 팀처럼 움직일 수 있는 시대입니다. 오래도록 쌓아온 IT 도메인 지식에 AI가 붙으면, 부업의 진입 장벽은 역대 최저가 됩니다.

그래서 요즘 막히는 지점은 실력이 아닐 때가 많습니다. 문제는 “내가 뭘 더 배워야 하지?”가 아니라, “이걸 어떤 형태로 팔지?”입니다. 같은 지식도 패키징(상품 형태), 유통(어디서 팔지), 가격(얼마를 받을지)에 따라 돈이 되기도 그냥 취미로 끝나기도 합니다.

이 글에서는 IT 지식을 수익으로 바꾸는 길을 크게 세 가지로 나눠 비교해 보려고 합니다. 각각 콘텐츠, 프리랜서, MVP입니다. 진입 난이도도 다르고 돈이 들어오는 구조도 다릅니다.

<출처: 작가, Gemini로 제작>

대 부업 시대를 선점해야 하는 이유

왜 지금이 부업에 진입하기 가장 좋은 때일까?

AI는 글 초안, 기획, 코드 작성과 리팩토링, 디자인 시안까지 돕습니다. 쉽게 말해, 예전엔 팀이 있어야 하던 일을 혼자서도 시작할 수 있습니다. 그래서 IT 지식 + AI 레버리지 조합은 지금이 가장 강합니다.

그리고 기술이 새로 퍼질 때는 의외로 실력보다 패키징이 더 중요합니다. 같은 지식이라도 어떤 형태로 파는지가 매출을 갈라놓습니다. 앱이든 글이든, 결국은 상품처럼 보이게 만들어야 합니다.

마지막으로 현실적인 이유도 있습니다. 내 자리가 언제까지 안전할지 장담하기 어렵습니다. 그래서 부업은 사치가 아니라 보험에 가깝습니다. 작은 수익이라도 내 힘으로 벌어본 경험을 남겨야 합니다. 그 경험이 다음 선택을 훨씬 가볍게 만듭니다. 혹은 AI를 써보고 싶어도 회사 일에서는 한계가 있는 사람에게도 부업은 좋은 선택지입니다. 대충 하는 사이드 프로젝트가 아닌 수익이 나는 프로젝트는 몰입도가 다르죠. 나를 위한 프로젝트로 실력을 쌓는 게 안전합니다.

부업의 3가지 루트

IT 지식을 돈으로 바꾸는 길은 크게 세 가지입니다. 콘텐츠, 프리랜서, 제품(MVP/템플릿)입니다. 셋 다 장단점이 달라서 상황에 맞게 고르는 것이 좋습니다. 핵심은 나에게 맞는 시간 구조를 고르는 겁니다.

콘텐츠는 진입장벽이 가장 낮습니다. 이미 아는 걸 글이나 영상으로 정리하면 시작입니다. 비용도 거의 들지 않습니다. 대신 수익화까지 시간이 걸립니다. 결국 신뢰 자산(사람들이 믿고 찾는 상태)을 쌓아야 하기 때문입니다.

프리랜서는 진입장벽이 중간 즈음입니다. 대신 현금흐름이 빠릅니다. 일을 맡고 끝내면 바로 돈이 들어옵니다. 다만 구조적으로 시간을 계속 투입해야 합니다. 쉽게 말해 일한 만큼 버는 노동집약 모델입니다.

제품은 MVP나 템플릿처럼 한 번 만들고 반복 판매하는 방식이 효율적입니다. 처음부터 네이버나 카카오톡 같은 서비스를 만들라는 것이 아니고요. 물론 그럼에도 진입장벽은 가장 높습니다. 게다가 초반엔 아예 안 팔릴 가능성이 높으니 불확실합니다. 그래도 레버리지가 큽니다. 시간이 지나면 내가 자는 동안에도 매출이 날 수 있습니다.

상황별 추천하는 시작법

시간이 없고 리스크가 싫다면, 콘텐츠나 소형 프리랜서부터가 좋습니다. 오늘 밤 2시간으로도 시작할 수 있습니다. 뒤에 설명하겠지만, 특히 콘텐츠는 완성보다 발행이 중요하거든요. 프리랜서는 작은 작업부터 잡으면 부담이 줄어듭니다.

당장 월 몇십에서 몇백의 추가 수입이 목표라면 꽤나 본격적인 프리랜서를 고려해 보는 것이 좋습니다. 고객은 이미 필요가 있는 상태이기 때문입니다. 그래서 첫 수주만 넘기면 속도가 붙습니다. 단, 이를 위한 포트폴리오 관리와 시간 투입이 계속된다는 점은 감안해야 합니다.

장기적으로 내가 자는 동안도 팔리는 것이 목표라면 제품화로 가야 합니다. 여기서 제품은 거창한 서비스만 뜻하지 않습니다. 반복하던 귀찮은 작업을 자동화한 작은 도구도 됩니다. 중요한 건 한 번 만든 결과가 여러 번 팔리는 구조입니다. 이번 주에 MVP 한 조각이라도 배포해보면 방향이 잡힙니다.

방법 1: 지식을 ‘콘텐츠 자산’으로 바꾸어 파는 법

콘텐츠를 만들 때 가장 흔한 착각은 내가 아는 걸 보여줘야 한다는 생각입니다. 하지만 요즘 같은 시기 독자가 돈을 내는 지점은 지식이 아니라 문제 해결법입니다. 그래서 좋은 콘텐츠는 완벽하게 짜인 강의안이 아니라 내가 겪은 문제를 어떻게 풀었는지의 기록에 가깝습니다.

예를 들면 이런 형태가 바로 팔릴 준비가 된 소재입니다. “배포 자동화 삽질 기록”처럼 시행착오를 줄여주는 글, “레거시 리팩토링 체크리스트”처럼 그대로 따라 할 수 있는 문서, “신규 도구 도입 비교표”처럼 결정 시간을 줄여주는 자료가 그렇습니다. 요약하면 내가 똑똑해 보이는 콘텐츠가 아니라 남의 시간을 아껴주는 콘텐츠가 자산이 됩니다.

여기서 핵심은 완성도가 아니라 발행 루틴입니다. 운동으로 본다해도 초보자에게는 완벽한 PT 한 번보다 주 3회 루틴이 몸을 더 키워주죠. 콘텐츠도 마찬가지입니다. 한 편의 걸작보다 매주 쌓이는 기록이 나중에 쓸 콘텐츠 자산이 됩니다.

IT 부업을 시작하는 콘텐츠 플랫폼

난이도 순으로 유통 채널에 다가가기

처음부터 블로그 연재나 유튜브를 잡으면 부담이 커져서 멈추기 쉽습니다. 채널은 내가 만들 수 있는 난이도 순으로 올라가야 오래 갑니다. 반응이 빠르고 가벼운 곳에서 시작해 점점 신뢰가 쌓이는 곳으로 이동하는 방식이 좋습니다.

가장 쉬운 시작은 짧은 글입니다. LinkedIn이나 X에 오늘 해결한 문제 1개만 올려도 됩니다. 길게 쓰지 않아도 되고, 반응이 바로 와서 다음 소재를 잡기 쉽습니다.

다음 단계는 긴 글입니다. 블로그나 요즘IT와 같은 매거진 기고처럼 검색과 아카이빙이 되는 곳에 정리하면, 시간이 지날수록 신뢰가 누적됩니다. 짧은 글이 관심을 만든다면, 긴 글은 이 사람은 이 주제를 끝까지 설명할 수 있다는 신뢰 자산을 만듭니다.

게다가 요즘IT는 기고를 마치면 편당 고료도 지급합니다. 물론 복잡한 작가 심사를 거쳐야 하지만요. (AI로만 만든 콘텐츠는 통과하기 많이 어렵습니다) 지금 당장 도전해 보는 것도 방법 중 하나죠. [요즘IT 작가 신청]

마지막이 꽤 큰 비용을 만들 수 있는 영상/강의입니다. 인프런 강의는 신뢰를 결제로 바꾸기에 좋습니다. 조금 더 자유롭게 가려면 유튜브도 있고요. 글로 쌓아둔 주제 중 반응이 좋았던 것만 골라 강의로 묶으면 상품화 난이도도 확 내려갑니다.

AI로 ‘초안 생산성’을 올리되, 마지막은 사람이 책임지기

어쨌든 이런 콘텐츠 작업은 AI 없이 하기에는 너무 힘든 일입니다. 그래서 도구를 잘 고르는 것이 중요합니다. 사실 지금 시대에 개별 콘텐츠를 알아서 떠먹여주는 도구는 없습니다. AI는 콘텐츠의 첫 삽을 대신 떠주는 도구로 보는 것이 좋습니다.

그러니 추천하는 것은 범용 AI 도구입니다. ChatGPT나 Claude로 목차를 뽑고, 초안을 만들고, 예시 코드나 비유를 여러 버전으로 받아볼 수 있습니다. 제목도 A/B 후보를 몇 개 뽑아두면 발행 속도가 확 빨라집니다.

다만 사람이 해야 하는 핵심은 따로 있습니다. 본인 경험을 넣는 일입니다. 숫자, 실패, 트레이드오프(무엇을 얻고 무엇을 포기했는지) 같은 디테일은 AI가 대신 못합니다. 그리고 마지막으로 검증이 필요합니다. 실제로 동작하는지 확인하고, 정보가 최신인지 한 번 더 체크해야 신뢰가 무너지지 않습니다.

첫 달 목표는 ‘수익’이 아니라 ‘신뢰 지표’

초반에 조회수만 보면 흔들리기 쉽습니다. 대신 저장, 공유, “이거 더 물어봐도 될까요?” 같은 댓글과 DM을 보세요. 이 신호들이 쌓이면 나중에 강의·컨설팅·프리랜서로 연결되는 고리가 생깁니다.

첫 달에 잘 안 돼도 괜찮습니다. 아니, 안 될 가능성이 더 크다 해도 괜찮습니다. 그 과정 자체가 내 커리어의 기록이 되니까요. IT 지식으로 부업을 시작할 때, 결국 남겨야 하는 건 내가 어떤 문제를 풀어본 사람인지 알려주는 겁니다.

방법 2: 일단 수주부터 도전하는 프리랜서 시작하기

프리랜서 부업을 시작할 때, 가장 흔한 실수는 프로필에 “무엇이든 개발합니다”를 적는 겁니다. 듣기엔 든든하지만 구매자 입장에선 ‘그래서 내 문제가 어떻게 해결되지?’가 남습니다. 구매자는 기술이 아니라 결과물을 삽니다. 즉, 버튼을 누르게 만들려면 기술이 아니라 완성품을 먼저 보여줘야 합니다.

“무엇이든 개발합니다”로는 구매를 못 만든다

스킬을 그대로 나열하지 말고, 패키지(상품)로 번역해보세요. 예를 들면 “React 가능”이 아니라 “1주일 안에 랜딩페이지 제작”처럼요. “Python 가능”이 아니라 “반복 업무 자동화 세팅”이 더 잘 팔립니다. 구매자는 언어 이름보다 자기 일이 얼마나 편해지는지에 반응합니다.

패키지 아이디어는 의외로 단순합니다. 랜딩페이지 제작, 자동화 세팅, 데이터 분석 리포트, 간단한 봇/스크립트처럼 한 번에 이해되는 결과물로 묶으면 됩니다. 이렇게 적으면, 의뢰자는 견적을 상상할 수 있고 비교도 할 수 있습니다. 반대로 개발 전반은 범위가 끝없이 커 보여서 문의가 끊깁니다.

포트폴리오도 마찬가지입니다. GitHub 링크를 잔뜩 걸어두는 것보다, 문제/해결/기간/성과로 정리하는 편이 설득력이 큽니다. 예를 들어 “수작업 2시간을 10분으로 줄였다” 같은 시간 절감, “입력 오류가 줄었다” 같은 오류 감소로 보여주는 것이 좋습니다. 큰 프로젝트가 없어도 괜찮습니다. 작은 샘플 2~3개만 있어도, ‘이 사람은 끝까지 마무리하는구나’라는 신뢰가 생깁니다.

제대로 채널을 알고 접근해서 팔아보기

그 다음, 프리랜서 일을 어디서 구하냐는 거겠죠. 국내에서 일을 구하는 곳은 어느정도 정해져 있습니다. 위시켓, 크몽, 숨고죠. 그리고 이 채널마다 잘 팔리는 방식이 다릅니다.

프리랜서로 IT 업무를 수주하는 플랫폼들

위시켓은 보통 IT 프로젝트 단위 외주가 올라옵니다. 요구사항이 비교적 길고, 기간과 커뮤니케이션이 중요합니다. 그래서 여기서는 “제가 뭘 할 수 있어요”보다 “요구사항을 이렇게 정리하고, 이렇게 진행합니다”가 먹힙니다. 기업이나 도메인에 대한 이해, 개발 경험 등을 조금 더 전문적으로 어필해도 좋고요.

반면 크몽·숨고는 소규모 작업에 유리합니다. 의사결정이 빠르고, 지금 당장 문제를 해결하는 것이 목적일 때가 많습니다. 그래서 패키지형 상품이 특히 강합니다. 가격, 범위, 납기만 한눈에 보이면 문의가 들어올 가능성이 있습니다.

본업 병행을 전제로, 일단 시작하는 것이 중요

본업을 하면서 프리랜서를 하려면, 첫 단추는 얼마나 벌겠다는 야망을 가지는 것이 아니라 리스크를 관리하는 것입니다. 퇴근 후·주말에 할 수 있는 범위가 작은 건부터 잡아야 납기 사고가 줄어듭니다. 처음부터 큰 프로젝트를 받으면 일정이 밀리는 순간 본업도 부업도 같이 무너집니다. 작은 성공을 반복하는 쪽이 오래 갑니다.

한편 스트레스를 줄이는 좋은 방법은 의외로 문서 한 장에서 시작됩니다. 커뮤니케이션 템플릿을 미리 만들어두는 거죠. 예를 들면 요구사항 체크리스트, 수정 범위, 일정을 처음에 합의하는 겁니다. 이렇게 해두면 “생각해보니 이것도요”가 끝없이 늘어나는 상황을 줄일 수 있습니다. 부업의 지속력은 결국, 기술보다 커뮤니케이션에서 갈리거든요.

방법 3: ‘반복되는 귀찮음’을 MVP로 바꾸어 팔기

프리랜서 부업은 보통 시간당 과금 구조입니다. 일을 한 시간 더 하면 수익이 늘지만, 그만큼 내 시간이 줄어듭니다. 반면 제품은 한 번 만든 뒤 반복 판매나 구독으로 같은 결과물을 여러 번 팔 수 있습니다. 그래서 같은 IT 역량이라도, 제품 쪽이 레버리지가 더 크게 걸립니다.

무엇을 만들 것인가: 아이디어는 “내 업무의 반복”에서 나온다

아이디어를 멀리서 찾을 필요가 없습니다. 매주, 매일 반복해서 하는 일 중에 “이거 또 해야 해?” 싶은 순간이 있죠. 예를 들면 리포트 생성, 알림 보내기, 데이터 정리, 파일 변환, 티켓 분류 같은 것들입니다.

여기서 관점만 한 번 바꾸면 됩니다. “내가 귀찮아서 만든 제품과 자동화”는 그냥 개인용 편의 기능이 아니라 누군가에겐 기꺼이 돈을 내는 상품이 됩니다. 특히 같은 직무, 같은 업계 사람들은 비슷한 귀찮음을 공유하니까요. 그러니 “쓸모 있는가?”를 고민하기 전에, “내가 반복하는가?”부터 체크하면 됩니다.

제작 루트 2가지와 적당한 도구

제품화를 시도하기에 가장 좋은 도구들

첫 번째 루트는 바이브 코딩입니다. Claude Code, Cursor 같은 도구로 빠르게 MVP를 구현하는 방식이죠. 크롬 확장, 봇, 간단한 웹앱처럼 작게 만들수록 출시가 빨라집니다. 중요한 건 정답 코드를 짜는 게 아니라 일단 돌아가게 만드는 겁니다. 당연히 사람들이 이걸 쓰는지 확인하는 작업이 필요할 거고요.

두 번째 루트는 자동화의 제품화입니다. Make, n8n 등으로 워크플로우를 만들어 템플릿으로 파는 방식이죠. 처음엔 템플릿 판매로 시작하고, 수요가 보이면 “우리 회사에 맞게 세팅해 주세요” 같은 세팅 서비스로 확장할 수 있습니다. 즉, 제품과 프리랜서의 중간 형태로도 자연스럽게 이어집니다. 요즘은 AI 도구의 활용법이나 하네스(harness)를 AX란 이름으로 묶어 파는 것이 유행입니다.

MVP의 기준: 기능이 아니라 “처음부터 끝까지 돌아가는 경험”

MVP는 기능 목록이 아닙니다. 로그인, 결제까지 완벽하게 갖추는 게 목표가 아니라 문제 해결 1개를 처음부터 끝까지 제공하는 게 목표입니다. 예를 들어 “파일 변환을 자동으로 끝내준다”처럼 한 가지를 확실히 끝내면 됩니다.

그리고 이 작은 배포 경험이 다음 제품의 속도를 올립니다. 한 번 만들어 배포해 보면, 어디서 막히는지 몸으로 알게 되거든요. 이게 쌓이면 학습 곡선이 생기고, 다음 MVP는 훨씬 빨라집니다. 결국 제품 부업은 큰 한 방 대신 작은 출시의 반복으로 굴러갑니다.

어떻게 팔 것인가?

판매는 다시 콘텐츠로 돌아가서 시작해 보면 됩니다. 내가 만든 MVP가 어떤 문제를 해결했는지, 어떤 시행착오가 있었는지 정리하는 겁니다. 콘텐츠가 신뢰 자산과 반복이 핵심이라면, 제품은 한 번 뜨면 확 퍼질 수도 있습니다.

형식은 하나만 고르면 됩니다. 짧은 글이든, 긴 글이든, 영상이든 상관없습니다. 중요한 건 “내가 겪은 문제 → 만든 해결책 → 결과”를 남이 이해하게 정리하는 겁니다. 그 기록은 곧 같은 문제로 고민하고 있는 다른 사람에게 가닿을 확률이 가장 높고, 또 첫 고객을 데려오는 소개서가 되기도 합니다.

마치며

부업을 시작할 때 콘텐츠, 프리랜서, 제품에 우열은 없습니다. 결국은 내 IT 지식을 어떤 수익 구조로 바꿀지에 대한 선택지입니다. 시간이 없으면 콘텐츠가, 당장 현금 흐름이 필요하면 프리랜서가, 레버리지를 노리면 제품이 더 잘 맞을 수 있습니다. 중요한 건 나에게 맞는 방식을 고르는 일입니다.

사실 부업으로 가장 추천하는 거는 고민을 끝내고, 뭐라도 실행해 보는 겁니다. 완벽하게 하려다 멈추는 대신 작게라도 굴려보는 게 핵심입니다.

콘텐츠: SNS에 짧은 글 1편 발행하기(링크드인, X 등)
프리랜서: 위시켓/크몽/숨고 중 1곳에 프로필 만들고 포트폴리오/패키지 1개 등록하기
제품: Claude Code/Cursor로 MVP 기능 1개 구현하고 배포하거나 링크로 공유하기

어느 길이든 시작의 목표는 돈을 많이 버는 것이 아니라 처음부터 끝까지 한 번 돌아가게 만드는 것입니다. 당장 오늘부터 돈이 들어오는 부업을 찾는다면 아르바이트 자리가 더 빠를지도 모릅니다. 대신 이 부업 방식은 한 번 돌아가면, 나도 모르게 속도가 붙을 겁니다.

]]>

1인 1 어드민의 시대가 온다

위시켓 사례로 본 AX 필수 전략

운영팀 리더가 클로드 코드와 러버블(Lovable)로 팀 전용 어드민을 만듭니다. 프로젝트 성공팀 팀장은 Make와 n8n으로 알림 자동화 시스템을 12개 넘게 구축했습니다. 원래 운영을 하다 최근 PO를 맡게 된 팀원은 AI를 탑재한 계약서 반자동 작성 시스템을 기획하고 프롬프트를 600번 넘게 다듬었습니다. 지금 IT 프로젝트 플랫폼 위시켓 내부에서 벌어지고 있는 일입니다.

더 놀라운 건 기술과 거리가 멀다고 여겨지던 조직의 변화입니다.

"재무팀이 바뀌고 있어요. 자기만의 어드민을 만들어서 자랑을 하더라고요. 법무팀도 기술과 먼 집단인데, 어떻게든 공부해서 AI 통해 자동화를 해냈어요."

위시켓 박우범 대표는 이 현상을 보며 하나의 확신을 갖게 됐습니다.

"1인 1 어드민의 시대가 옵니다. 초개인화된 업무 환경이 실현되는 것이죠.”

위시켓 박우범 대표 (출처: 위시켓)

어드민은 서비스 운영에 필요한 데이터를 만들고 수정하고 삭제하는 등의 관리를 위해 만들어진 내부 전용 관리 도구입니다. IT 기업에서 보통 어드민은 개발팀이 만듭니다. 운영팀이 필요한 기능을 요청하면, 개발팀이 우선순위를 따져 구현해주죠. 개발팀에서 만들어주길 기다려야 하는 입장이 됩니다. 그러다 보니 운영팀은 항상 원하는 기능 개발에 목말라 있습니다.

그런데 위시켓에서는 지금 개발팀이 만들어준 도구를 쓰던 조직이, 스스로 도구를 만드는 조직으로 바뀌고 있다는 것입니다. 위시켓은 이 변화를 어떻게 만들어냈을까요? 그리고 그 과정에서 무엇을 배웠을까요?

AI 도입 2년차, 위시켓의 시행착오와 발견을 들어봤습니다.

**(쌍별)을 숨기지 마라: 리더의 솔직한 실험이 팀의 문턱을 낮춘다

박우범 대표가 AI의 파급력을 실감한 건 위시켓 플랫폼을 통해서였습니다. 위시켓은 IT 프로젝트를 중개하는 플랫폼입니다. 소프트웨어나 IT 인력이 필요한 클라이언트들이 프로젝트를 의뢰하고, ‘파트너’라고 불리는, 위시켓에 등록된 개발사 또는 개발자가 프로젝트를 수주합니다. 10만 건이 넘는 IT 프로젝트가 이 플랫폼에서 거래됐죠. 그러다 보니 최신 IT 프로젝트의 동향을 빠르게 파악할 수 있습니다.

LLM의 등장 이후 박 대표가 플랫폼에서 목격했던 것은 RAG, 챗봇, 추천 엔진 같은 키워드의 증가였습니다. 파트너는 이와 관련된 포트폴리오를 올리기 시작했고, 클라이언트는 이런 프로젝트를 의뢰하기 시작했죠.

➡️10분 만에 RAG 이해하기

엄청난 변화가 있을 거라는 생각은 들었지만, 정확히 어떤 모습일지는 알 수 없었습니다. 다만 ‘혁신하지 않으면 대체될 수 있다’는 확신이 있었죠. 게다가 고민하는 속도보다 시장이 바뀌는 속도가 더 빨랐기 때문에, 우선 팀에서 AI를 선제적으로 다루며 흐름을 따라가야 한다고 생각했습니다. 하지만 아직 팀원들은 AI를 적극적으로 사용하거나 위기감을 느끼고 있지는 않았습니다. 그래서 AI에 대한 관심을 높이고 활용해보게 하는 것이 가장 중요한 과제였습니다.

모든 팀원들이 AI 사용을 친숙하게 느낄 수 있도록 박대표가 가장 먼저 한 것은, 슬랙에서 박 대표가 보내는 모든 메시지를 AI로 생성하는 것이었습니다. 단순한 답변부터 보고서나 기획안까지 전부 AI로 만들었고, AI 특유의 쌍별(**) 표시도 그대로 노출했습니다. “내가 느낀 충격을 팀원들도 자연스럽게 체감하길” 바라는 마음에서 였습니다.

“거창한 시스템을 갑자기 도입하기 보다는 사람들이 체감하는 게 중요하다고 생각했어요. 그러려면 저부터 바뀌어야 했죠. 제가 쓰는 걸 보고 사람들도 직접 써보고, 효능감을 느껴야 변화가 지속적으로 일어난다고 생각했습니다.”

또 직접 AI를 활용해 플랫폼 업무를 개선해보고자 2023년 초, 박대표 자신을 포함한 3인의 AI TF를 꾸렸습니다. 신기술에 관심이 많은 백엔드 개발자 나아름, 그리고 AI를 잘 쓰던 프로세스 매니저 강찬모를 설득했죠. 강찬모는 위시켓이 중개하는 클라이언트와 파트너의 미팅을 조율하는 일을 하던, AI 기술이나 개발과는 전혀 관계 없던 팀원이었습니다. 하지만 당시 ChatGPT를 단순히 챗봇으로 이용하는 게 아니라 플레이그라운드에서 여러 가지 개발을 해볼 정도로 AI 활용에 적극적이었죠.

박 대표는 "AI가 우리의 미래"라고 그들을 설득해 AI로 외주 시장을 ‘지배’하겠다는 포부를 품었습니다.

AI TF의 야심 찬 실험이 현장에서 외면받은 이유

AI TF에서는 다양한 시도를 했습니다. IT 아웃소싱을 처음 의뢰하는 사람들은 요구사항을 정리하는 것과 프로젝트에 소요되는 기간과 비용을 설정하는 것을 가장 어려워 했습니다. 이를 위해 위시켓에서는 클라이언트가 프로젝트를 의뢰하면 ‘컨설팅’ 팀이 직접 클라이언트에게 연락해 해당 프로젝트가 얻고자 하는 결과물이 무엇인지, 적합한 견적은 얼마이며 필요한 기술 스택은 어떠한지를 확인한 뒤 플랫폼에 올리는 과정을 거칩니다.

2023년 AI TF는 이 과정에서 유저들이 겪는 어려움과 운영상의 어려움을 낮추기 위해 사용자가 입력한 내용을 바탕으로 프로젝트의 상세한 내용과 요구사항을 자동으로 가공하거나 견적을 자동으로 산출해주는 것 등을 시도했습니다. 이를 위해 팀원들이 다같이 프롬프트를 작성해보고 결과물을 공유하기도 했죠.

(출처: 위시켓)

하지만 결과적으로 매니저들이 지속적으로 사용하기에는 아쉬운 점이 많았습니다. 빠진 내용이 있거나 불필요한 내용이 포함되기도 했고, 매니저가 특별히 강조하고 싶은 부분도 누락되었습니다.

또 대표적으로 실행한 것으로 내부 매니저들을 위한 검색과 파트너 추천 기능도 있었습니다. 검색과 추천을 먼저 하기로 한 이유는 AI를 어디에 써야 좋을지 명확하지 않은 상황에서, 위시켓에 올라오는 프로젝트 중 검색, 추천 관련 비중이 높은 것을 보고 영감을 받은 것이었습니다.

앞서 컨설팅 과정을 거쳐 위시켓 매니저가 검수한 내용이 플랫폼에 등록되면, 위시켓에 등록된 파트너들이 프로젝트를 확인하고 지원합니다. 위시켓 매니저들은 파트너들의 지원 내용을 보고 적합한 파트너를 추려 클라이언트에게 제안해야 합니다. 이 과정에서 수많은 파트너 정보를 검색하고 비교해야 하죠.

AI가 이 작업을 도와주면 업무 효율이 올라가지 않을까, 하는 기대였습니다. 그래서 2024년 초에는 매니저들이 특정 프로젝트에 대해 검색을 하면, 그 프로젝트의 지원자 중 적합한 지원자가 누구인지 점수화해 보여주는 기능을 만들었습니다.

하지만 이 또한 결과는 기대와 달랐습니다. 할루시네이션과 느린 속도로 인해 매니저들에게 좋은 피드백을 받지 못했죠. 지원 수 1,100건을 평가하는 데 4.5 시간이 걸렸습니다. 매니저들 입장에서는 기존 방식이 오히려 더 빨랐고, 높았던 기대에 비해 엄청난 결과를 내지는 못하는 것에 실망하는 반응이 많았습니다.

AI 거래비용의 역설: 기술의 격차를 메우는 힘은 '도메인'에 있다

하지만 박 대표는 이 실패를 기술의 한계로 보지 않았습니다. 오히려 진짜 승부처가 어디인지를 알려주는 강력한 신호로 읽었습니다. LLM의 성능이 점점 좋아지면서 속도나 성능의 문제는 곧 해결이 될 거라 생각했습니다. 문제는 ‘데이터’와 ‘도메인’이라고 봤죠. ‘추천’을 한다 해도 어떤 데이터를 기반으로 ‘적합도’를 평가할 것인지, 그 데이터가 잘 정리되어 있는지, 이를 위해 어떤 맥락을 더해야 하는지 등이 더 중요한 문제였죠. 또 그에 앞서, 우리가 하고 있는 일 중에서 ‘무엇’을 AI와 함께 풀어야 할 문제로 정의할 것인지는 그 업무를 잘 알고 있어야 판단할 수 있었습니다.

“모델 성능도 성능이었지만, 데이터가 얼마나 잘 정제되어 있는지, 우리가 일을 얼마나 잘 시키는지가 결과물에 더 큰 영향을 준다는 생각이 들었습니다. 데이터가 좋지 않으면 추천 결과도 좋지 않았고, 우리가 우리 도메인에서 일의 프로세스를 잘 알고 있어야 AI에게 일을 더 잘 시킬 수 있다는 것, 그것이 결과물의 퀄리티를 결정한다는 것을 알게 됐죠.”

도메인을 아는 사람이 AI를 써야 한다는 건 알았지만, 사실 현실은 반대였습니다. AI TF 멤버와 다른 팀원들 사이의 기술 격차가 점점 벌어지고 있었거든요. “AI의 기술적 원리를 이해하기 어려워 당시 AI TF 아니면 손을 대지 못했어요. 이게 시장에서도 똑같이 벌어지는 문제일 거란 생각이 들었죠.”

이 두 가지 문제는 시장에 대한 인사이트로 확장됐습니다. 플랫폼 비즈니스의 본질은 ‘거래비용을 낮추는 것’입니다. 하지만 AI를 무엇에 적용해야 할지, AI를 적용해 성과를 내기 위해 필요한 데이터가 우리 조직에 있는지를 모르는 사람들과 LLM을 더 효율적으로 활용하기 위한 기술적 발전이 심화됨에 따라 이를 따라잡기 어려워 하는 이들이 많아지고 있었습니다. 이는 곧 ‘거래비용이 높아진다’는 것을 의미했죠. AI를 어디에 적용해야 할지, 그렇게 하려면 어떤 일을 해야 할지, 누구와 작업해야 하는지를 탐색하고, 협상하고, 집행하는 데 어려움이 많아진다는 뜻입니다.

그리고 이는 곧 IT 아웃소싱 시장에서 단순한 기능 개발보다 “엔드 투 엔드 IT 컨설팅”이 살아남을 것이라는 판단으로 이어졌습니다. 그래서 AI 컨설팅 조직인 AIDP를 만들어 직접 기업의 AI 전환을 돕기 시작했습니다.

위시켓 AIDP (출처: 위시켓)

AI TF에서 실행한 결과물이 성공한 것은 아니었지만, 조직의 방향을 바꾸는 중요한 배움을 얻은 것입니다.

더불어 AI 코딩 에이전트나 AI 기반 웹사이트 빌더 등이 등장하고 성능이 점점 좋아지면서, 도메인 전문가가 AI를 더 잘 활용할 수 있는 환경도 동시에 도래하고 있었습니다. 도메인을 아는 사람이 직접 만드는 시대로 향해가고 있었죠.

‘직접 만드는 사람들’이 AX의 핵심이다

한편, 조직의 혁신은 “AI가 중요하다”는 Top-down식 구호로 완성되지 않았습니다. 오히려 중앙 집중적인 AI TF가 시행착오를 겪으며 동력을 잃어갈 즈음, 조직 곳곳에서 자기 자리의 비효율을 참지 못한 실무자들이 움직이기 시작했습니다.

시스템이 해결해주길 기다리던 수동적인 태도에서 벗어나, '내 문제는 내가 푼다'는 개별적 욕망이 폭발한 것입니다. 박우범 대표는 이들을 '송곳 같은 사람들'이라 불렀습니다.

AI TF의 첫 시도가 기대에 못 미치는 결과를 낸 뒤에도, 박우범 대표는 슬랙 채널에 AI 관련 소식을 공유하는 걸 멈추지 않았습니다. "AI가 미래다"라고 1년 가까이 외쳤죠. 그리고 그 사이, LLM 모델의 성능도 실제로 많이 좋아졌습니다. 할루시네이션이 줄고, 시장의 타이밍과 맞아떨어지기 시작한 겁니다.

그때 한 사람이 두각을 나타냈습니다. 위시켓의 AI 컨설팅 조직 AIDP를 이끄는 이홍주 팀장이었습니다. 컴퓨터 공학을 전공하고 비즈니스 컨설팅, SAP 개발, IT 컨설턴트로 활동했던 이력을 가진 이홍주 팀장은 DB와 툴 사용에 능했습니다. 그가 자동화 툴 MAKE를 사용하고 온갖 자동화 사례를 보여주기 시작하며 사내에서도 MAKE를 사용하는 사람들이 늘어나기 시작했습니다. 이홍주 팀장에게 1:1로 배우는 사람들도 생겨났죠.

이 흐름이 각 팀의 리더들에게도 영향을 미쳤습니다. 처음엔 박대표가 던지는 AI 소식에 시큰둥해 하던 사람들도 MAKE에 대한 관심을 시작으로 직접 바이브코딩을 해 제품을 만들어보는 사람들까지 생겼죠.

전사적 미션: 모든 팀은 자신의 업무를 자동화하라!

이 흐름에 더 불을 붙인 것은 전사적인 미션을 선포한 것이었습니다. 2025년 11월, 모든 팀은 각자의 업무에서 3가지를 자동화 또는 바이브코딩해야 한다는 미션을 실행해야 했습니다.

비개발자 팀원이 직접 만든 어드민 (출처: 위시켓)

비개발자 팀원이 직접 만든 프로그램 (출처: 위시켓)

비개발자 팀원이 직접 구축한 자동화 (출처: 위시켓)

그중 결과물을 가장 활발하게 내놓는 사람들이 생겼습니다. 프로젝트 성공팀 김나연 팀장과 위시켓 운영팀 박민재 팀장이 대표적인 사례였습니다.

자세한 사례는 뒤에서 다루겠지만, 둘은 자동화 툴을 활용해 효율적인 운영 방식을 찾아내는 것뿐 아니라 직접 어드민을 만들기도 했습니다. 특히 개발팀의 공수를 쓰기에는 우선순위에서 밀리지만 운영자들에게는 업무 루틴을 크게 개선할 수 있는 부분에 집중했습니다. CRM을 자동화하거나, 계약서를 자동으로 병합하거나 고객과 문자, 이메일, 통화로 커뮤니케이션한 내용을 자동으로 기록, 정리하는 것들이었죠.

"송곳 같은 사람들 때문에 AI에 대한 학습 분위기가 전사적으로 무르익었어요. 그 타이밍에 전사 미션까지 낸 것이 시너지가 터졌다고 생각해요."

흥미로운 건 이들의 공통점입니다. 이홍주 팀장은 컴공 출신이지만 비즈니스 컨설팅과 SAP 개발, IT 컨설턴트를 거친 사람입니다. 김나연 팀장은 분쟁 담당 7년차, 박민재 팀장은 운영팀 리더입니다. 개발자가 아닙니다. 도메인을 깊이 이해하고, 프로세스의 비효율을 체감하고, 거기에 기술적 호기심이 더해진 사람들이죠.

이들 송곳 같은 사람들이 보여준 가능성, 그리고 팀 미션. 이 두 가지가 맞물리면서 변화는 예상치 못한 곳까지 퍼져나갔습니다. 가장 인상적인 변화는 기술과 거리가 멀다고 여겨지던 팀에서 일어났습니다. 재무팀과 법무팀도 움직이게 된 것입니다.

박 대표는 이 송곳같은 사람들의 변화는 단순히 개인이 AI를 활용하고 조직에 전파했다는 것을 넘어, 플랫폼 운영 조직의 업무 방식 전반의 변화를 이끌어냈다는 의미를 갖고 있다고 내다봤습니다. “마치 데이터 주권을 가진 것처럼 새로운 시대가 열린 것 같다”고 평하기도 했습니다.

본래 플랫폼 운영 조직은 개발팀이 만든 툴을 쓰고, 새로운 기능이 필요하면 개발팀에 요청해 우선순위를 기다리고, 기능이 구현되면 쓰는 방식으로 일하며 개발팀에 의존적이었습니다. 하지만 주도적으로 필요한 어드민을 만들고 자동화를 구현할 수 있게 되면서, 의존성을 낮출 수 있게 된 것이죠. 이런 움직임이 모여 조직의 흐름을 만들고, 비로소 조직 전체가 AX를 경험하게 되는 것입니다.

개발 우선순위 '꼴찌'들의 역습: 운영팀이 직접 만든 무기

그렇다면 이 ‘송곳같은 사람들’은 무엇을, 왜 만들었을까요? 이제 조금 더 구체적인 사례를 살펴보겠습니다.

프로젝트 성공팀: 놓치던 일을 시스템으로

프로젝트 성공팀은 IT 외주가 100% 성공할 때까지 개선하는 일을 합니다. 김나연 팀장이 풀고 싶었던 문제는 두 가지였습니다.

빈도는 적지만 놓치면 안 되는 일
임팩트 증명이 어려워 개발 우선순위에서 밀리지만 손으로 하고 있는 일

가장 먼저 만든 건 대금 지급 단계별 알림 자동화였습니다. 위시켓에서는 프로젝트 기간이 긴 경우, 프로젝트 대금을 지급하는 기간을 나눕니다. 긴 기간 동안 프로젝트를 진행하고 완수했음에도 대금을 지급받지 못하는 상황을 방지함으로써 파트너들의 권리를 보호하고, 클라이언트도 중간 점검을 통해 프로젝트에 대한 해상도를 높일 수 있도록 하기 위함입니다. 정보 비대칭이 큰 IT 프로젝트의 안정성을 높이기 위한 위시켓의 대표적 프로세스 중 하나죠.

위시켓 김나연 프로젝트 성공 팀장 (출처: 위시켓)

그런데 대금 지급이 이뤄지는 시점에 사람이 직접 일일이 결과물 목록을 확인하고 수동으로 메시지를 보내야 했습니다. 핵심 업무가 쏟아지다 보면 이 안내 타이밍을 놓치는 경우도 생기곤 했죠. 하지만 김나연 팀장은 클라이언트가 스스로 챙기기 힘든 부분까지 위시켓이 선제적으로 가이드해 줄 때 비로소 진정한 '안전한 외주 경험'이 완성된다고 확신했습니다.

그럼에도 한정된 개발팀 리소스를 투입하기에는 항상 핵심 업무에서 밀렸기에, 직접 자동화를 실행해보기로 했습니다. 그는 MAKE로 직접 시나리오를 만들어 알림을 자동으로 발송하는 시스템을 구축했습니다. 이를 시작으로 알림 자동화만 12개를 구축했죠.

김나연 팀장 자동화 사례 (출처: 위시켓)

한 번 만들어봤더니 자신감이 생겼습니다. n8n이라는 툴을 활용해 신용도 모니터링 시스템까지 만들었습니다. 프로젝트 진행의 안정성을 높이기 위해 거래가 이루어지기 전, 폐업 가능성이 있는 기업을 사전에 감지하는 시스템입니다. 외부 API를 연동해 신용도를 사전 평가하고 모니터링할 수 있도록 했습니다.

나아가 팀에서는 어드민을 만들기 시작했습니다. 고객과의 통화, 이메일 커뮤니케이션 이력을 일원화하는 커뮤니케이션 어드민입니다. 프로젝트 성공팀의 업무는 직접 고객과 이야기해 원만한 조율을 이끌어내는 일이 대부분입니다. 이 대화 내용은 모두 이후 개선에 중요한 데이터가 되죠. 모든 커뮤니케이션 내용을 한 곳에 모아 조회하고 인사이트를 얻을 수 있도록 하는 것이 목표입니다.

김 팀장은 말합니다. "고착화된 루틴에서 벗어나 새로운 걸 할 수 있다는 기대가 생겼어요. 아이디어가 생기면 바로 테스트하고 싶어요."

운영팀: 개발팀 없이 어드민 만들기

위시켓 운영팀은 프로젝트가 계약 체결까지 이루어지도록 정책과 시스템을 다룹니다. 박민재 팀장의 고민은 '휴먼 리소스' 의존도였습니다. 인력이 항상 부족하고, 담당자마다 업무 품질이 균일하지 않았죠.

"개발팀은 효용이 낮게 보지만 우리는 필요한 기능들이 있어요. 그런 업무들은 개발팀 통해 만들기 힘들어요."

박민재 팀장의 이 고민은 프로젝트 성공팀의 고민과도 비슷한 고민이었습니다. 만들어지면 담당자들이 일을 더 수월하게 할 수 있지만, 제한된 개발팀 리소스를 사용하기에는 우선순위가 높지 않은 기능들이죠.

(출처: 위시켓)

시작은 AI TF의 강찬모와 함께 운영팀에서 효율화할 수 있는 부분을 찾아 개발해보는 것이었습니다. 가장 먼저, 핵심 전략은 아니지만 하면 좋은 CRM을 자동화했습니다. 위시켓에는 다양한 규모의 프로젝트가 거래되는데, 모든 프로젝트를 CRM 하기는 어려웠죠. 인력이 항상 부족한 상황에서 전략적으로 더 ROI가 높은 거래가 우선순위가 높았죠. 하지만 그동안 우선순위가 높지 않던 프로젝트도 CRM을 할 수 있다면 더 많은 거래가 이뤄질 수 있었습니다.

그래서 소규모 금액대 프로젝트가 등록되면, 적합한 파트너를 자동으로 추천해 이메일을 발송하는 CRM 자동화를 구축했습니다. 소규모 금액대 클라이언트도 프로젝트를 의뢰한 뒤부터 계속 적합한 파트너를 자동으로 알림받을 수 있게 됐고, 이는 실제 미팅으로 이어지는 비율을 최대 10%까지 높였습니다.미팅이 많아지면, 거래가 성사될 가능성이 높아지기 때문에 매출액이 증가하는 효과를 낼 수 있습니다.

이후 위시켓 팀의 적극적인 AI 활용 문화와 전사 미션에 고무된 박민재 팀장도 직접 필요한 걸 개발하기 시작했습니다. 위시켓에서 작성하는 계약서는 본 계약서와 별첨 문서를 병합해야 하는 경우가 많았는데, 먼저 이를 자동화했습니다. 어도비 프로그램을 열고 일일이 계약서를 병합해서 다운로드 받아야 하는 3분짜리 번거로운 일을 없애고 ‘딸깍’ 한번으로 계약서가 병합되게 했죠.

‘매니저 에이전트’ 개발로 가는 길

또 유저와의 커뮤니케이션도 자동으로 정리해 슬랙봇으로 발송하는 시스템을 만들었습니다. 운영팀 또한 앞서 소개한 프로젝트 성공팀처럼 고객과 통화하는 일이 많습니다. 기존에는 통화 내용을 담당자들이 직접 정리해 슬랙에 공유하도록 했는데, 우선순위가 높지 않아 기록하지 못하는 건도 많았습니다. 그러다 보니 고객과의 내용이 누구나 활용 가능하고 팀 전체의 인사이트를 뽑아낼 수 있는 데이터가 아니라 각 담당자들의 직관에만 녹아 있었습니다. 박 팀장은 이 문제를 해결하기 위해 법인폰을 도입하고, 법인폰의 통화 내역을 전부 녹음해 녹음한 내용을 제미나이가 분석, 슬랙에 자동으로 공유해주는 시스템을 n8n을 활용해 만들었습니다.

위시켓 박민재 운영팀장 (출처: 위시켓)

박 팀장은 이 시스템이 진화해 ‘매니저 에이전트’가 되기를 꿈꾸고 있습니다. 그는 운영팀 매니저들에게 가장 중요한 일은 “유저와 대화를 나누는 일”이라며 매니저들이 유저와 만나는 일만 할 수 있도록 계약서 작성이나, 시스템에 필요한 액션을 하는 업무를 전부 자동화할 수 있는 상황을 바라고 있죠. “커뮤니케이션을 전부 기록하고 분석하는 것이 이 방향으로 나아가는 시작점”이라고 말합니다. 매니저들와 유저의 실제 보이스에 관한 신뢰할 만한 좋은 데이터를 전부 수집한다면, 매니저 에이전트를 구축하는 데 필요한 질 좋은 가이드들이 만들어진다는 것이죠.

또 우선순위로 CRM을 실행해야 할 프로젝트를 확인할 수 있는 어드민도 만들었으며, 현재는 한 프로젝트당 3-40분이 걸리는 업무를 없애는 일을 진행하고 있습니다. 위시켓에서는 클라이언트와 파트너가 서로의 업무 범위를 문서로 기록하고 확인하는 ‘체크리스트’를 작성하고, 이를 계약서에 반영하고 있습니다. 이 과정에 3-40분이 걸리는데, 체크리스트를 계약서 양식에 자동으로 맵핑하는 시스템을 만들어 이걸 없애버리겠다는 포부입니다.

(출처: 위시켓)

이들의 공통점은 명확합니다. 개발팀 우선순위에서 밀리던 것들을 직접 해결했고, 도메인 지식이 있었기에 뭘 만들어야 하는지 알았습니다.

김나연 팀장은 "개발 공수가 깜깜이였는데 이제 해상도가 높아졌다"고 했고, 박민재 팀장은 "수기로 테스트할 필요 없이 일단 만들어서 트래킹하게 됐다"고 말합니다. 박우범 대표가 말한 "뭘 만들까를 정의하는 능력"이 이들에게서 증명되고 있었습니다.

우리 조직의 '송곳'을 찾는 법
위시켓 사례에서 도출한 발굴·육성 포인트

✅ 이런 시그널을 가진 사람을 찾아라
자신의 업무 프로세스를 흐름도(Flowchart)로 그려낼 줄 아는 사람
업무 중 "이거 왜 이렇게 해야 하지?"라고 자주 묻는 사람
엑셀 매크로, 구글 스프레드시트 함수를 혼자 찾아 쓰는 사람
개발팀에 기능 요청할 때 "이렇게 만들어달라"고 구체적으로 설명하는 사람
새 툴이 나오면 일단 써보는 사람

✅ 이런 환경을 만들어라
유료 플랜 자유롭게 쓸 수 있게 열어주기
"하면 안 되는 것"만 명확히 하고 나머지는 허용
만든 결과물을 전시하고 자랑할 수 있는 자리 (슬랙 채널, 월간 쇼케이스 등)
1:1로 배울 수 있는 연결 (먼저 잘하는 사람이 튜터 역할)

✅ 흔한 오해
개발 전공자여야 한다 X
기술을 먼저 가르쳐야 한다 → 도메인 지식이 먼저, 기술은 도구일 뿐 X
전사 교육으로 해결된다 → 교육보다 과제와 실행이 변화를 만듦 X

HOW는 AI에게 맡기고 ‘WHAT’에 집착하라

위시켓의 AI 도입 2년은 결국 하나의 질문에 대한 답을 찾아가는 과정이었습니다. '어떻게 만들까(HOW)'가 아니라 '무엇을 만들까(WHAT)'를 정의하는 능력이 비즈니스의 승패를 결정짓는 시대, 그 사람들을 어떻게 움직이게 할 것인가.

답은 의외로 단순했습니다. 리더가 먼저 실험하고, 현장의 불편함을 참지 않는 '송곳' 같은 사람들에게 도구를 쥐여주는 것입니다. 그러면 재무팀도, 법무팀도 결국 움직입니다. 기술은 더 이상 장벽이 아니라, 실무자의 상상력을 현실로 옮겨주는 가장 빠르고 충실한 조력자가 되었기 때문입니다.

박우범 대표는 이 변화의 본질을 이렇게 정리합니다.

"AI 시대에 경쟁력 있는 조직은 AI 기술 그 자체를 잘 아는 조직이 아닙니다. 각자가 자기 일을 깊이 이해한 채로, 필요한 도구를 직접 정의하고 만들어낼 수 있는 조직입니다. 이제 리더의 역할은 정답을 지시하는 것이 아니라, 구성원들이 각자의 'WHAT'을 마음껏 펼칠 수 있는 판을 깔아주는 것입니다."

프로덕트를 만드는 사람들 사이에서는 "하면 좋은 것(good to have)이 아닌 꼭 해야 하는 것(must have)에 집중하라"는 말이 있습니다. 개발 리소스가 한정된 상황에서의 전략적 선택이죠. 하지만 하면 좋은 것이라고 해서 가치가 없는 건 아닙니다. 하면 분명 효과가 있는데, 우선순위에서 밀려 못 하고 있는 것들입니다.

이제 그 '하면 좋은' 것을, 필요한 사람이 직접 만들 수 있게 됐습니다. 밀려 있던 CRM 자동화를 구현해서 전환율을 10% 올립니다. 3분짜리 반복 작업을 없애서, 그 시간에 고객을 한 명 더 만납니다. 그동안 개발 대기열(Backlog)이라는 거대한 병목에 가로막혀 빛을 보지 못했던 '잠재적 가치'를 즉시 시장에 내놓는 일입니다.

하나의 서비스에 하나의 어드민만 존재하던 시대는 끝났습니다. 이제 실무자의 숫자만큼 다양한 도구가 존재하고, 그 도구들이 각자의 영역에서 잠자던 가치를 깨우는 초개인화된 업무 환경이 열리고 있습니다.

위시켓은 이 길을 먼저 걸으며 얻은 확신을 바탕으로, 이제 AIDP를 통해 더 많은 기업이 자신들만의 ‘WHAT'을 발견하고, 실제로 구현하도록 돕고 있습니다. 혁신은 거창한 IT 지식이 아니라, 오늘 당신의 팀원이 내뱉은 "이거 제가 직접 해결해볼 수 있을 것 같아요"라는 주도적인 한마디에서 시작됩니다.

이제 ‘HOW’는 AI에게 맡기세요. 당신은 오직 ‘WHAT’에만 집착할 차례입니다.

]]>

Zapier vs Make vs n8n 보다 미리 알아야 할 것들

사람들이 너무 바쁩니다. 그래서 자동화 프로젝트에 들어갑니다. 이를 맡은 사람은 고민합니다. “무슨 툴로 구현하지?”

담당자는 우선 커뮤니티나 주변 동료들한테 “요즘 자동화 툴 뭐가 좋아요?”라고 질문을 던집니다. 채팅방에는 Zapier, Make 같은 이름이 먼저 오르내립니다. 누군가는 요즘 n8n, Dify가 핫하다고 알려 줍니다. 그렇게 어렵게 도구를 골랐는데, 그 다음 질문부터 어렵습니다. “그래서, 뭘 자동화하지?”

이제 관점을 바꾸면 어떨까 합니다. 자동화는 툴 고르기가 아닌 업무 흐름에서 반복 작업을 분리해 위임하는 설계의 문제입니다. 쉽게 말해 사람이 매번 하던 복붙, 확인, 전달 같은 것을 규칙으로 잘라서 맡기는 일입니다. 그래서 자동화는 업무에서 줄여야 할 반복이 어디에 숨어 있나 찾는 일부터 시작해야 합니다.

이 글은 자동화 툴과 세세한 방법을 나열하는 소개서는 아닙니다. 그 대신 업무 자동화를 시작할 때, 무엇을 먼저 봐야 하는지부터 정리할 겁니다. 곧이어 자동화의 기본 뼈대이자 문법인 ‘트리거–조건–액션’을 내 업무에 붙이는 법을 보고, 마지막으로 Zapier, Make, n8n, Dify를 역할 분담이란 관점에서 비교해 보겠습니다.

<출처: 요즘IT, Gemini로 제작>

자동화 = 업무를 위임하는 설계

업무 자동화의 출발점은 “사람 손을 타는 반복”을 찾아내는 일이라고 생각합니다. 내가 매일 비슷하게 처리하는 일을 업무 흐름에서 떼어내고, 누구나 같은 방식으로 처리하게 만든 다음, 시스템에게 맡기는 과정이거든요. 이 관점을 잡아야 그 다음 일들이 제자리를 찾는 일을 많이 봤습니다.

많은 팀이 실패하는 지점

가장 일상적인 문제는 많은 팀이 자동화를 이 시스템에 따르지 않고 당장 해결해야 할 임시 프로젝트로만 본다는 겁니다. 그래서 “자동화 한번 해봅시다”로 시작하지만, 정작 현업에서 쪼개야 할 반복 단위를 못 잡습니다. 반복 단위가 흐릿하면 자동화는 커지고 일정만 늘어나다 결국 “생각보다 어렵네요. 하던 대로 하죠?”로 끝나기 쉽습니다.

또 하나는 질문의 순서가 뒤집히는 경우입니다. “이거 Zapier로 돼요?” 하며 도구의 범위부터 묻고 정작 업무 목적은 나중에 생각하는 겁니다. 그러면 자동화는 할 수 있는 것 위주로 흘러가고 해야 하는 것은 남습니다. 툴은 수단인데, 수단이 목적을 끌고 가는 순간 실패 확률이 올라갑니다.

자동화를 바라보는 프레임

업무 자동화는 분리(Separation) → 표준화(Standardize) → 위임(Delegate) 프레임으로 보는 것이 편합니다.

분리 단계에서는 먼저 반복되는 일을 현재 업무에서 분리해 “이 작업만 따로 떼면 뭐가 남지?”를 봅니다. 표준화 단계에서는 입력이 무엇이고, 결과물은 어떤 형태인지, 중간 판단은 어떤 규칙인지 정리합니다. 핵심은 누가 해도 같은 결과가 나오도록 하는 겁니다. 마지막으로 위임 단계에서 이제 그 일을 사람에게 맡길지, 시스템에게 맡길지, 혹은 외부 서비스에 넘길지 결정합니다.

자동화 후보를 가르는 3가지 기준

이 세 가지 프레임을 머리에 둔 채로 자동화 후보를 잡아야 합니다. 당연히 무슨 업무가 필요한 지는 바로 안 나오겠죠. 그래서 자동화 체감을 가장 키워줄 일을 찾는 3가지 질문을 잡았습니다. 저 프레임에 적합한지 방향을 잡을 수 있습니다.

반복성: 같은 입력을 받아, 같은 출력이 자주 나오나요?

매번 비슷한 내용을 복사해 붙여넣는다, 같은 일이 여기에 해당합니다. 반복이 적으면 자동화해도 체감이 약합니다.

규칙성: 예외 상황을 이해하며, 이를 규칙으로 표현할 수 있나요?

“A면 이렇게, B면 저렇게”가 말로 설명된다면 자동화로 옮길 여지가 있습니다. 반대로 매번 감으로 판단한다면, 먼저 판단 기준부터 잡아야 합니다.

의존성: 다른 시스템이나 사람에게 넘기는 핸드오프가 많은가요?

예를 들어 메일을 보고, 시트를 업데이트하고, 다시 메신저로 알리는 흐름은 중간 전달이 많습니다. 이런 구간은 자동화가 들어가면 체감 효과가 큽니다.

트리거(Trigger)–조건(Condition)–액션(Action)

무슨 일을 위임할지 찾고 나면 설계 차례입니다. 다만, 자동화 툴들은 대부분 같은 문법을 따릅니다. 사실 시작할 때 가장 많이 막히는 지점이기도 하죠. 거의 모든 자동화가 따르는 문법인 트리거(Trigger)–조건(Condition)–액션(Action) 구조를 이해해야 일을 어떻게 나눠 밀어넣을지 감을 잡을 수 있습니다. 사실 크게 어렵지 않습니다.

“만약 [트리거]가 발생하면, [조건]을 검사해서, 맞으면 [액션]을 실행한다”.

이 구조가 곧 자동화의 설계도가 됩니다.

자동화의 기본 구조

트리거는 일이 시작되는 신호입니다. 쉽게 말해 자동화가 필요해진 순간이죠. 예를 들면 폼이 제출되거나, 메일이 도착하거나, 문서 상태가 바뀌는 이벤트가 트리거가 됩니다. 트리거를 잘 잡으면 어디서부터 시작할지가 또렷해집니다.

조건은 어떤 경우에 실행할지를 결정하는 필터입니다. 모든 일을 다 자동으로 처리하면 편할 것 같지만, 실제로 그렇게 하다보면 사고가 납니다. 따라서 조건은 자동화의 분기점이고, 불필요한 실행을 막는 안전장치입니다. 그러니 더더욱 속도보다 정확함을 지켜야 합니다. 조건이 없으면 자동화는 금방 스팸, 중복 생성, 오작동을 만듭니다. 같은 리드가 여러 번 만들어지고, Slack이 알림으로 도배되고, 담당자가 중복 배정될 수 있습니다.

액션은 시스템이 실제로 하는 일입니다. 생성, 수정, 알림, 저장처럼 손으로 하던 행동을 대신합니다. 예를 들어 CRM에 리드를 만들고, Slack에 알리고, 시트를 업데이트하는 것들이 액션입니다. 트리거와 조건이 “언제, 누구를” 정한다면, 액션은 “무엇을”을 정합니다.

흔한 업무를 T–C–A로 번역하는 예시

가장 이해하기 쉬운 것으로는, 리드나 문의에 대한 처리가 있습니다. T–C–A가 가장 잘 먹히는 영역이거든요. 트리거는 “폼 제출”처럼 명확합니다. 조건은 제품군, 지역, 금액처럼 분류 기준이 리드와 문의에 추가로 들어온 정보들니다. 이어지는 액션은 “CRM 생성 + Slack 알림 + 담당자 배정”처럼 묶어서 설계할 수 있습니다.

문서와 승인 흐름도 같은 방식으로 정리됩니다. 트리거를 “문서 상태 변경”으로 두고, 조건은 결재라인이나 금액 기준처럼 예외를 가르는 규칙으로 잡은 다음, 액션에서 승인 요청을 보내고, 리마인드를 돌리고, 로그를 저장하는 식입니다.

데이터 정리는 반복이 많아 체감이 큰 자동화입니다. 만약 트리거를 “새 행 추가”처럼 데이터가 들어오는 순간으로 잡으면 어떨까요? 빈 값이나 형식 오류를 걸러내는 검증 규칙을 조건으로 두고, 액션은 데이터를 정규화한 다음 DB나 시트를 업데이트하는 식으로 잡을 수 있습니다.

자동화를 위한 업무 흐름 해부 4단계

자동화할 업무를 골랐고, 기본 문법인 T-C-A를 이해했나요? 그럼 본격적으로 선택한 업무를 문법에 맞춰 밀어넣도록 해부할 단계입니다. 쉽게 말하면 “그래서 내 일을 어디서부터 쪼개야 하지?”라는 질문에 답을 해보는 식입니다. 이때는 흐름을 네 덩어리로 나눠 보는 게 가장 빠릅니다. 대부분의 업무는 ‘시작–처리–전달–기록’을 반복하기 때문입니다.

<출처: 요즘IT, Gemini로 제작>

업무를 ‘시작–처리–전달–기록’으로 나누는 이유

업무 흐름을 이 단계로 잘 나누면 사람이 손으로 넘기는 지점이 드러납니다. 자동화는 보통 그 지점에 들어갈 때 가장 큰 효과가 납니다. 사람이 시스템 사이를 오가는 순간을 찾아 대체하는 느낌이죠.

시작: 요청이나 이벤트를 모으는 단계입니다. 메일, 폼, 채널 메시지처럼 “일이 발생했다”는 신호가 여기로 들어옵니다. 자동화 관점에서는 이 단계가 보통 트리거가 됩니다.
처리: 들어온 요청을 분류하고, 검증하고, 계산하고, 문서를 작성하는 단계입니다. 사람이 규칙대로 판단하는 일이 많습니다. 그래서 조건을 잘 만들면 자동화로 인한 이득이 크게 늘어나는 구간이기도 합니다.
전달: 담당자에게 넘기고, 승인 받고, 알림을 보내는 단계입니다. 이때 누가 해야 하는지, 언제까지 해야 하는지가 흔히 엉킵니다. 액션에 가까운 단계로, 이 구간에서 누락과 지연을 줄이는 데 자동화가 특히 강점을 보입니다.
기록: 히스토리를 남기는 단계입니다. 시트, DB, Notion, CRM 같은 곳에 “무슨 일이 있었는지”를 저장합니다. 나중에 문제를 추적하려면 이 기록이 자동으로 남아야 합니다. 자동화의 가장 큰 문제는 어디서부터 어떻게 잘못되었는지 모를 때 생깁니다.

거창한 설계는 실패의 지름길

이제는 흐름을 설계할 때입니다. 자동화는 거창한 시나리오부터 만들면 쉽게 무너집니다. 이럴 때는 사람이 복사/붙여넣기 하는 순간부터 잡아보는 것도 좋습니다. 시스템 A에서 내용을 읽고, 시스템 B에 옮겨 적는 작업이 대표적입니다. 이런 구간이 1순위가 됩니다.

예외가 많아서 자동화가 안 될 것 같아도 꼭 그렇진 않습니다. 예외를 없애는 게 아니라, 예외를 조건 분기로 빼면 되니까요. 기본 흐름은 자동으로 보내고 예외만 사람이 처리하게 만드는 식입니다. 자동화가 반드시 그 업무의 모든 영역에만 들어가야 끝이 아니라는 뜻입니다.

이런 맥락에서 첫 자동화는 끝까지를 목표로 하지 않는 게 안전합니다. 예를 들어 “문의가 오면 Slack에 알림” 같은 아주 간단한 일부터 자동화부터 시작하세요. 작은 성공이 쌓이면, 다음 구간도 자연스럽게 붙습니다. 이렇게 해야 업무가 멈추지 않습니다.

그러려면 무엇보다 자동화의 목적을 자주 점검해야 합니다. 목표는 멋진 흐름이 아니라 리드타임을 줄이고, 누락을 막고, 중복을 없애는 것입니다. Zapier, Make, n8n, Dify 중 무엇을 쓰든 이 기준이 흔들리면 결과가 흐려집니다. 자동화 자체가 목적이 되지 않는 방어막이니까요.

실패를 막는 운영 포인트

마지막으로 자동화는 만들 때보다, 굴릴 때 문제가 생길 확률이 높습니다. 특히 현업에서는 돌아가긴 하는데 불안한 자동화가 가장 위험하다고들 합니다. 그래서 운영 관점의 체크가 필요합니다.

첫째는 권한/보안입니다. 자동화가 어떤 계정으로 실행되는지부터 정해야 합니다. 개인 계정으로 만들면, 퇴사나 권한 변경 때 그대로 멈추기가 쉬워서요. 팀 단위 계정과 권한 범위를 먼저 잡으면 좋습니다.

둘째는 책임 소재입니다. 자동화가 한 일을 누가 승인하고, 누가 감사할 수 있어야 합니다. 자동으로 생성된 항목이 잘못됐을 때, 되돌리는 방법도 필수 중의 하나로 보입니다. 사람을 빼는 것보다 사람이 통제할 시스템을 만들어 보는 일로 보면 훨씬 와닿지 않을까요?

Zapier vs Make vs n8n vs Dify

마지막까지 왔습니다. 사실 중요한 건 이거기도 하죠. “그럼 무슨 도구로 업무 자동화를 구현하지?”

물론, 솔직히 말해 자동화 도구가 누구에게나 쉬운 툴은 아닐 것 같습니다. 그래도 내 업무 흐름에 무슨 ‘역할’을 해줘야 하는지 알고, 그 하나만을 구현하기 위해 보다 보면, AI의 도움을 받아 충분히 해낼 수 있습니다.

요즘 현업에서 거론되는 선택지는 네 가지입니다. Zapier, Make, n8n, Dify. 겉으로는 비슷해 보여도, 잘하는 일이 다릅니다. 특히, 이 부분은 트리거–조건–액션을 어디까지 다뤄야 하는지부터 보면 선택이 쉬워집니다.

Zapier: 빠르고 단순한 연결용

Zapier

Zapier의 강점은 짧은 자동화를 빨리 붙이는 데 있습니다. 단계가 많지 않고, 분기가 적을수록 속도가 납니다. ‘A가 오면 B를 한다’ 같은 연결을 빠르게 만들기 좋습니다. 그래서 도입 초반에 일단 돌아가게 만드는 데 강합니다.

자연스럽게 팀이 자동화가 지금 바로 필요한 상황에 Zapier가 잘 맞습니다. 조건이 단순하고, 연결만 해도 효과가 큰 업무가 대표적입니다. 예를 들면 폼 응답을 스프레드시트에 쌓고, 알림을 보내는 업무가 떠오르네요. 복잡한 설계보다 실행이 먼저인 팀에 잘 맞습니다.

다만 조건이 늘고 시나리오가 커질수록 관리가 어려워질 수 있습니다. 처음엔 단순했는데, 예외가 계속 붙는 순간 복잡도가 급격히 올라갑니다. 그래서 짧고 단순하게 끝낼 수 있는지 먼저 확인하는 게 안전합니다.

Make: 복잡한 조건과 시나리오 구성

Make

Make는 여러 단계의 시나리오를 설계하는 데 강합니다. 선택지를 나누는 분기, 이를 연결하는 라우팅을 시각적으로 구성할 수 있는 게 가장 큰 장점이죠. 그래서 이런 개발 지식이 조금 아쉽거나 흐름이 길어져도 구조를 잡기 좋습니다. 특히 한 번의 트리거에서 여러 액션으로 뻗는 형태에 유리합니다. 자동화 공정 라인을 도면에 그려가며 만드는 느낌입니다.

그래서 Make가 잘 맞는 분야는 운영 프로세스처럼 조건 분기가 많은 업무입니다. 트리거 하나가 들어오면, 경우에 따라 처리 경로가 달라지는 일들이죠. 예를 들어 운영, 정산, 콘텐츠 배포처럼 단계가 이어지는 프로세스가 그렇습니다. 예외 처리가 많은 팀일수록 Make의 장점이 살아납니다.

물론, 완전히 커스텀이 가능하다는 뜻은 아닙니다. 쓰다 보면 ‘이건 안 되네’ 싶은 것들이 생기기도 합니다. 또, 시각화는 처음에는 좋지만, 복잡해지면 오히려 어디에 손을 대야하나 싶은 감각을 주기도 하고요. 편리함과 자유도, 그 사이에서 균형을 잘 맞추고 있다지만, 최고라는 건 아닙니다.

n8n: 커스터마이징과 확장

n8n

n8n은 커스터마이징과 확장에 초점이 맞춰진 도구입니다. 코드 기반 처리를 할 수 있어 개발 지식이 있다면 편의도가 크게 늘어나기 때문입니다. 게다가 자체 호스팅 같은 선택지로, 클라우드 환경을 안 타고 우리 시스템 안에서만 돌아가도록 할 수도 있습니다. 보안 문제로 자동화 못 쓰는 팀을 위한 최고의 방식이죠. 그래서 내가 통제권을 온전히 쥐는 자동화에는 가장 적합합니다.

그래서 특히 n8n이 잘 맞는 상황은 사내 시스템 연동 같은 케이스입니다. 공개 서비스끼리 연결하는 것만으로는 부족한 경우가 많습니다. 특수 API를 붙이거나 데이터 처리 로직이 복잡한 업무가 대표적이죠. 개발 리소스를 투입할 수 있다면, 가장 유연한 선택지가 됩니다. 요즘은 AI가 많이 도와주기도 하고요.

대신 이 말인 즉슨 입문에 난도가 있습니다. 자동화의 중요성을 잘 따져보고 들어오는 것이 좋습니다.

Dify: 사람이 하던 생각까지 맡기기

Dify

Dify는 버튼 클릭을 줄이는 도구라기보다, 생각하는 단계를 맡기는 도구에 가깝습니다. 분류, 요약, 초안 작성, 질의응답처럼 사람이 읽고 판단하던 일을 보조하거나 대체합니다. LLM을 자동화에 넣기 최적화된 툴이기 때문입니다. (요즘 표현으로는 에이전틱 워크플로라고 부르는 것 같습니다) 즉 트리거–조건–액션 중에서, ‘조건의 판단’이 사람 머리에 있던 업무에 어울립니다. 자동화가 막히는 지점을 다른 방식으로 뚫어줍니다.

Dify가 특히 잘 맞는 건 규칙으로 만들기 어려운 업무입니다. 자연어로 들어오는 문의를 분류하거나, 문서를 요약하는 일이 그렇습니다. 티켓 라우팅처럼 “이건 어느 팀이 처리해야 하지?”가 병목인 경우도 포함됩니다. 규칙을 짜려다 포기했던 업무라면 Dify를 먼저 떠올려 보는 것도 좋습니다.

대신 당연하게도 조금 어려운 편입니다. n8n보다 조금 더 난도가 있지 않을까 생각합니다.

업무 자동화 툴 선택 요약

툴마다 장점이 분명해, 생각보다 그리 어렵지 않습니다. 자동화가 나를 어디까지 압박하는지, 잘 생각해 보고 고르는 게 좋습니다.

조건이 단순하고, 빨리 붙여야 하나요? → Zapier
분기와 시나리오가 길고, 운영 프로세스가 복잡한가요? → Make
코드, 확장, API 커스텀이 핵심인가요? → n8n
텍스트를 읽고 이해·분류·요약하는 인지가 병목인가요? → Dify

물론 가능하면 툴 선택은 취향보다 업무의 병목이 어디냐에 따라 선택하는 게 좋습니다. 연결이 병목이면 Zapier, 흐름 설계가 병목이면 Make가 맞습니다. 통제와 확장이 필요하면 n8n, 판단과 분류가 필요하면 Dify가 좋죠. 이 질문만 명확해져도, 자동화는 훨씬 덜 불안해지기도 하고요.

마치며

업무 자동화는 결국 내 일에서 반복을 분리해 사람 대신 시스템에 위임하는 설계 문제에 가깝습니다. 꼭 해결하고 싶은 업무를 찾아 “언제(Trigger)”, “어떤 경우에만(Condition)”, “무엇을 하게 할지(Action)”를 한 줄로 정리하는 일이 핵심입니다. 예를 들어 “새 문의가 왔을 때(Trigger), VIP면(Condition), 담당자에게 알린다(Action)”처럼요.

그 다음으로 진짜 병목이 뭔지 찾아보면 무슨 툴이 필요한지 눈에 들어옵니다. 남은 건 사실 툴을 만져보며 공부하는 시간만 남습니다.

마지막으로, 작게 붙이는 것으로 시작할 것을 권장합니다. 처음부터 승인, 결제, 고객 응대까지 한 번에 묶지 마세요. 대신 알림 전송처럼 가벼운 액션부터 붙여보면 됩니다. 한 번이라도 “내가 하던 일이 자동으로 굴러간다”를 경험하면, 그 성공 경험이 다음 업무자동화를 자연스럽게 끌고오지 않을까 생각합니다.

]]>

AI 시대의 데이터 분석: 데이터 분석가의 마지막 역할은?

데이터 분석은 숫자를 계산하는 일이 아니라, 숫자로 투영된 현실을 해석하는 일입니다. 이 시리즈는, 동일한 방식으로 세상을 바라보는 AI라는 새로운 지능이 등장한 시대에, 데이터·AI·인간 분석가의 역할이 어떻게 재정의되어야 하는지를 총 2편에 걸쳐 탐구합니다.

지난 1편에서는 AI가 텍스트라는 ‘그림자’를 통해 세상을 학습하게 되는 원리와, 그 과정에서 드러나는 근본적인 한계를 짚어보았습니다. 2편에서는 AI를 활용한 데이터 분석에서 인간 분석가가 끝까지 맡아야 할 역할이 무엇인지에 대한 결론으로 나아갑니다.

미리 요점만 콕 집어보면?

데이터 분석은 단순히 정보를 처리하는 작업이 아니라, 현실이 데이터로 변환되는 과정에서 무엇이 남고 무엇이 사라졌는지를 살피는 일입니다.
같은 데이터라도 서로 다른 결론에 도달하는 경우는 매우 흔하며, 이는 분석가의 계산 능력 차이가 아니라 현실을 바라보는 관점의 차이에서 비롯됩니다.
AI 기반 데이터 분석의 미래는 얼마나 많은 것을 AI가 대신 해주느냐가 아니라, AI와 인간의 역할을 어떻게 재배치하느냐의 문제라는 점입니다.

1편에서 우리는 텍스트와 언어 모델을 중심으로, AI가 현실을 얼마나 이해할 수 있는가라는 질문을 긴 호흡으로 따라가 보았습니다. 텍스트는 현실의 투영이며, 아무리 정교해져도 현실 전체를 온전히 담아내지는 못할 수 있다는 논거도 함께 쌓아보았죠. 그렇다면 다시 본문으로 돌아와야 할 차례입니다. 우리가 매일같이 다루는 데이터 분석은 이 문제와 어떤 관계에 있을까요?

이 질문에 답하기 위해서는 먼저, 우리가 무심코 섞어 쓰고 있는 두 단어를 구분할 필요가 있습니다. 바로 '정보'와 '데이터'입니다. 이 둘은 비슷해 보이지만, 데이터 분석의 관점에서는 전혀 다른 성격을 가집니다.

데이터는 숫자로 기록된 '선택된 단면'

정보는 현실 세계의 모든 신호와 맥락을 포괄합니다. 사람들의 행동, 감정, 사회적 관계처럼 말로 표현되지 않은 모든 것들이 포함합니다. 반면 데이터는 그중 측정하고 기록할 수 있는 숫자나 기호로 표현된 일부에 불과합니다. 즉, 데이터는 현실 그 자체가 아니라, 현실을 다루기 위해 선택적으로 잘라낸 '표본'입니다.

그렇기에 데이터 분석은 단순히 정보를 처리하는 작업이 아니라, 현실이 데이터로 변환되는 과정에서 무엇이 남고 무엇이 사라졌는지를 살피는 일입니다. 진정한 분석은 "무엇을 계산할 것인가"보다 "이 데이터가 현실의 어떤 부분을 대표하며, 어떤 부분은 담기지 못했는가"를 묻는 데서 출발해야 합니다.

무한한 정보 중 우리가 실제로 인식하고 분석할 수 있는 정보의 경계를 다음과 같이 분류해 보겠습니다.

<출처: 하트카운트 >

정보의 네 가지 범주

언어적으로 이해될 수 있는 정보(linguistic)
사람들이 말하고, 쓰고, 기록하는 모든 형태의 정보가 여기에 속합니다. 데이터 분석에서 말하는 숫자 역시 이 범주에 포함됩니다.숫자는 그 자체로 존재하는 것이 아니라, 측정·정의·정제 과정을 거쳐 사람이 이해할 수 있는 언어적 체계로 번역된 결과이기 때문입니다. 또한, LLM이 학습할 수 있는 정보이기도 합니다.

시각적(visual), 감각적(sensory) 정보
시각적인 정보는 이미지, 영상, 공간적 배치, 형태와 색상처럼 ‘보는 것’을 통해 즉각적으로 인식됩니다. 감각적인 정보는 촉각, 청각, 후각, 미각, 균형감각 등이 해당됩니다. 현실 세계에서의 많은 판단과 학습은 이 영역에 깊이 의존합니다.

관계성 속에서만 발생하는 정보
사람과 사람, 사람과 사물, 사물과 사물 사이의 상호작용 속에서만 드러나는 정보들입니다. 이는 개별 데이터 포인트가 아니라, 맥락과 관계망 속에서만 의미를 갖습니다.

불가해의 정보
주관적인 체험의 핵심이나 모순, 역설처럼 어떤 방식으로도 온전히 표현될 수 없는 영역입니다. 이는 분석에서 다루기 힘든, 현실 세계의 '오차항'과도 같습니다.

데이터 분석의 본질: '숫자'와 '이해'를 결합

이제 데이터 분석입니다. 데이터 분석을 흔히 계산이나 차트 작성으로 보지만, 이는 분석의 결과일 뿐 본질이 아닙니다. 진정한 분석은 숫자로 드러난 현상 뒤에 놓인, 위에서 우리가 정의한 '현실'을 이해하는 일입니다. 숫자는 현실의 단면을 특정 방식으로 잘라낸 표현이기에, 그 자체로는 의미가 완성되지 않기 때문입니다.

같은 데이터라도 서로 다른 결론에 도달하는 경우는 매우 흔합니다. 이는 분석가의 계산 능력 차이 때문이 아니라, 현실을 바라보는 관점의 차이에서 비롯됩니다. 누군가는 수치의 증가를 ‘성장’으로 해석하지만, 다른 누군가는 이를 ‘구조적 문제’의 신호로 읽기도 합니다. 데이터는 변하지 않았지만, 분석가에게 투영된 현실의 그림자가 다르기에 해석의 틀도 달라지는 것입니다.

그렇다면 LLM을 활용한 데이터 분석은 어떤 의미를 가질까요? 이를 이해하기 위해 분석의 두 축인 ‘숫자’와 ‘이해’를 구체적으로 분해하여 각 의미를 살펴보겠습니다. 먼저 숫자를 통해 현상을 읽어내는 영역부터 살펴봅니다.

숫자: 분석의 3가지 층위

SQL 등을 활용한 데이터 집계
반복적으로 수행되는 요약 작업을 의미합니다. 매출이나 전환율처럼 사전에 정의된 지표를 요약하고 모니터링하는 가장 일반적인 방식입니다. 이러한 분석은 안정적이고 재현 가능하며, 대시보드 형태로 시각화되기 적합합니다. LLM은 주로 자연어 질의를 SQL로 변환하거나 결과를 설명하는 보조 역할을 수행하며, 효율적이지만 정해진 틀 안에서만 질문이 이루어진다는 한계가 있습니다.

관점 확장(out of the box) 분석
기존 지표로 보이지 않는 현상을 포착하기 위해 관점 자체를 새롭게 설계하는 단계입니다. 이때 중요한 것은 계산 기술보다 “어떤 현실을 숫자로 드러낼 것인가”라는 문제 설정입니다. LLM은 새로운 가설을 제안하거나 분석의 지평을 넓히는 데 기여할 수 있지만, 현실에 대한 이해가 빈약하다면 표면적인 조합에 그칠 위험이 있습니다.

패턴 인식(머신러닝)
사람이 명시적으로 정의하기 어려운 복잡한 구조를 데이터로부터 자동으로 찾아내려는 시도입니다. 단순한 1회성 SQL 기반의 데이터 집계를 넘어서는, 모델링을 통한 본격적인 패턴 인식이 필요한 것이지요. 이때는 패턴 인식 모델의 학습을 위한 Python 같은 도구와 강력한 컴퓨팅 자원이 필수적입니다. 물론 이는 단순히 '어떤 툴을 쓰느냐'나 '자원이 얼마나 필요한가'의 문제는 아닙니다. 패턴 인식의 본질은 극도로 복잡한 현실 세계에서 공통된 질서와 구조를 스스로 추출해내는 것이기 때문입니다.

현실을 이해하는 일의 2가지 축

이제 그 숫자를 현실에 다시 연결시키는 단계(일종의 기호 접지, Symbol Grounding), 즉 이해가 필요합니다. 데이터 분석이 계산에서 끝나지 않고 인사이트로 이어지기 위해서는, 숫자가 가리키는 세계가 어떤 곳인지에 대한 이해가 반드시 결합되어야 합니다. 이때 핵심이 되는 것이 바로 현실을 이해하는 지식의 구분입니다.

현실 세계 전반에 대한 일반적 이해(World knowledge)
시장과 조직이 보통 어떻게 움직이는지, 특정 변화에 사람들이 어떻게 반응하는지와 같은 보편적인 상식입니다. 방대한 텍스트로 맥락을 축적한 LLM이 특히 강점을 발휘하는 영역이며, 상식적인 수준의 데이터 해석에 점점 능숙해지고 있습니다.

분석이 이루어지는 특정 분야에 대한 전문 지식(Domain-specific knowledge)
같은 수치라도 산업군(이커머스, 금융, SaaS 등)에 따라 전혀 다른 원인과 함의를 가질 수 있습니다. 주로 현장 경험과 암묵지의 형태로 존재하며 교과서처럼 정리되어 있지 않은 경우가 많습니다. 따라서 데이터 해석에 가장 결정적인 역할을 하지만, 동시에 활용하기는 가장 어려운 영역입니다. 전문 지식에 대해 LLM이 접근할 수 있도록, 전문 지식에 대한 문서화 및 이를 실제 '이해'에 활용하는 RAG와 같은 기술이 주목받은 이유일 것입니다.

이 두 지식은 서로 독립적이지 않으며, 상호 보완하거나 충돌하며 깊은 통찰을 만듭니다. 보편적으론 이상해 보이는 수치가 특정 도메인에서는 정상적인 관행일 수 있고, 반대로 상식적으로 자연스러운 변화가 실제로는 심각한 구조적 문제의 신호일 수도 있기 때문입니다.

AI가 모르는 '나머지 현실'을 채우는 법: 기록을 늘리거나, 맥락을 더하거나

결국 ‘현실을 이해한다’는 것은 숫자로 드러난 현상을 실제 세계의 맥락 속에 다시 위치시키는 작업입니다. 이 수치가 어떤 현실의 결과이며, 어떤 제약과 맥락 속에서 만들어졌는지, 일시적인 잡음인지 혹은 구조적 신호인지를 판단하는 과정에서 LLM은 강력한 보조 도구가 될 수 있습니다. 문제는 현실 이해의 핵심인 도메인 지식들이 종종 언어적으로 명확히 정의되어 있지 않다는 점입니다. 문서화되지 않은 암묵지의 맥락은 아무리 똑똑한 LLM이라도 분석에 활용할 수 없습니다.

그렇다면 LLM이 가장 강점을 보이는 ‘언어적으로 정의된 정보’의 영역에서, 인간은 어떤 역할을 맡아야 하며, 그 역할은 LLM이 데이터 분석을 최대의 효율과 정확성으로 보조하도록 어떻게 설계되어야 할까요?

가능한 모든 현실을 언어화하고 기록하기

첫 번째로, 비언어적 영역을 최대한 언어적 데이터(Linguistic)로 번역하여 AI가 이해할 수 있는 영역으로 끌어오는 시도입니다. 다시 말해 2·3·4번(시각 정보, 감각 정보, 관계 정보...) 영역을 최대한 1번(언어 정보)의 영역으로 전환하려는 노력입니다.

사전 학습(pre-training)
현실 세계의 반복적 패턴과 맥락을 방대한 텍스트로 축적해 모델의 기본 지식층으로 흡수시키는 작업입니다. 이는 개인 혹은 소규모 조직의 역량을 넘어서는 영역으로, 현재로서는 빅 테크 기업들이 담당하고 있는 역할이기도 합니다. 이 과정이 진전될수록, 과거에는 암묵적이거나 경험적으로만 전해지던 지식들이 점점 언어화되어 모델의 기본 지식층으로 흡수됩니다.

현실 세계로부터의 정보 수집 및 문서화
시각 정보나 행동 로그 등, 2~4번에 속하는 정보를 적절히 구조화 및 언어적 데이터로 변환하는 노력입니다. 위에서 언급한 도메인 지식의 문서화 작업 등이 이에 해당되겠습니다만, 모든 정보가 수집 가능한 것은 아니며 수집과 저장, 관리에는 상당한 비용이 따릅니다. 따라서 비용 효율성(Cost-efficient)을 고려한 전략적 판단이 필수적입니다.

언어로 환원되지 않는 맥락을 '사용자 컨텍스트'로 남기는 방법

다음은, 언어로 완전히 환원되지 않는 영역을 억지로 일반화하려 하기보다, 모든 현실을 하나의 보편적 언어로 통합하려는 시도가 아니라, 사용자 각자의 맥락과 관점을 존중한 상태에서 분석이 이루어지도록 돕는 접근입니다.

앞서 살펴본 것처럼, 현실의 많은 정보는 본질적으로 주관적이며 상황 의존적입니다. 같은 숫자라도 어떤 사람에게는 위기 신호로, 다른 사람에게는 기회로 읽힙니다. 이 주관성은 단순히 "더 많은 설명을 붙이면 해결되는 문제"가 아닙니다. 오히려 완전히 언어화될 수 없는 부분이 있다는 가정하에, 시스템은 사용자가 자신의 관점을 창발적으로 드러낼 수 있는 공간을 제공해야 합니다.

개인 맞춤형 메모리

이때 중요한 개념이 개인 맞춤형 메모리입니다. 개인 맞춤형 메모리는 단순히 사용자의 과거 발화를 저장하는 수준이 아니라, 사용자가 어떤 맥락에서 어떤 판단을 내려왔는지, 어떤 기준을 중요하게 여기는지, 어떤 해석을 반복적으로 선택해 왔는지를 누적하는 구조를 의미합니다. 이는 흔히 말하는 모델의 context window 크기 문제와는 다릅니다. 일시적으로 많은 텍스트를 집어넣는 것이 아니라, 분석의 역사와 의사결정의 흐름을 지속적으로 맥락화하는 long-term memory의 문제입니다.

분석 과정의 맥락화

또한 분석 과정 자체가 맥락화되어야 합니다. 데이터 분석은 한 번의 질의와 응답으로 끝나는 행위가 아니라, 질문을 수정하고, 가설을 세우고, 결과를 해석하며, 다시 질문으로 돌아가는 순환 과정입니다. 이 과정에서 무엇을 전제로 삼았고, 어떤 선택을 했으며, 어떤 해석을 버렸는지가 함께 보존되지 않으면, 결과만 남은 분석은 쉽게 오해를 낳습니다. 맥락화란 바로 이 과정의 흔적을 유지하는 것입니다.

human-in-the-loop

이 지점에서 human-in-the-loop의 중요성이 분명해집니다. LLM은 제안과 확장을 담당하되, 해석의 최종 책임은 인간에게 남아있어야 한다고 믿고 싶습니다. 사용자는 시스템과 상호작용하며 분석 결과를 해석하는 주체이며, AI는 판단을 대신하는 존재가 아니라 분석가의 사고를 외부화하고 정교화하는 도구로 작동할 때 가장 강력해집니다.

System-integratged Agent

마지막으로 필요한 것은, 분석을 개인의 기억이나 일회성 대화에만 의존하지 않고, 시스템 차원에서 맥락을 보존하고 확장하는 구조입니다. 분석에 활용될 수 있는 외부 문서, 내부 정책, 도메인 지식, 과거 의사결정 기록 등에 모델이 효율적으로 접근할 수 있도록 설계된, 기존 시스템에 통합/연결된 Agent 기반의 분석 환경이 여기에 해당합니다.

중요한 점은, 모델이 이 문서들을 ‘임의로 참고해 결론을 내려서는 안 된다’는 것입니다. System-integrated Agent에서의 AI는 판단의 주체가 아니라, 근거를 정리하고 연결하는 중개자에 가깝습니다. 예를 들어 “과거 유사한 상황에서는 이런 판단이 내려졌고, 이 문서에서는 이러한 제약 조건이 명시되어 있습니다. 이를 고려하면 현재 수치는 이렇게 해석될 수 있는데, 이 관점에 대해 어떻게 생각하십니까?”와 같은 방식으로, 해석의 재료와 경로를 투명하게 제시해야 합니다.

팔란티어(Palantir)의 접근: LLM과 현실 사이에 '운영 체제'를 둔다

관련해서 팔란티어가 어떻게 이 문제를 풀어보고자 하는지 소개하겠습니다. 앞선 두 접근이 각각 1)현실을 최대한 언어로 환원하려는 노력, 2)언어로 환원되지 않는 주관성을 개인화·맥락화로 다루려는 노력이었다면, 팔란티어(Palantir)의 접근은 이 둘을 기업의 실제 운영 환경에서 강제로 연결하는 구조적 해법에 가깝습니다.

팔란티어는 LLM을 단순한 "답변 생성기"로 보지 않습니다. 대신 확률적인 AI 지능과 결정적인 기업 운영 현실 사이의 간극을 인정하고, 이를 메우기 위해 온톨로지(Ontology)라는 운영 체제를 도입합니다. 이는 지능이 현실에 무책임하게 떠다니지 않도록 강제로 연결하는 구조적 해법입니다.

<출처: 팔란티어>

할루시네이션 문제를 ‘지식의 출처’ 문제로 재정의

할루시네이션은 모델이 '틀렸다'기보다 정보가 현실 어디에도 고정되지 않은 상태에서 답변하기 때문에 발생합니다. 텍스트로 학습된 일반 지식은 기업의 실시간 재고, 현재 공정 상태, 내부 규정 같은 ‘운영 현실’을 보장하지 못합니다. 팔란티어는 기업 데이터를 객체(Object), 관계(Relationship), 행동(Action)으로 구조화하여 온돌로지라는 현실의 '디지털 쌍둥이'를 만듭니다. LLM은 이 온톨로지를 통해서만 정보를 조회하며(OAG), 모든 답변은 검증 가능한 운영 현실에 고정, 접지(Grounding)됩니다.

확률적 추론을 ‘결정적 로직’으로 강제 전환

LLM은 계산과 비즈니스 로직에서 본질적인 약점을 가집니다. 동일한 질문에 서로 다른 답을 내놓을 수 있고, 그 추론 경로를 명확히 설명하기도 어렵습니다. 팔란티어는 이 문제를 LLM의 성능 개선으로 풀지 않습니다. 대신 LLM을 직접 계산하는 주체가 아니라, 도구를 호출하는 지휘자(Orchestrator)로 위치시킵니다. 실제 계산, 최적화, 예측은 온톨로지에 등록된 결정적 도구(Functions, Models)가 수행합니다. LLM은 "이 질문에는 어떤 도구를 써야 하는가"를 판단할 뿐입니다. 그 결과, 답변은 재현 가능하고 디버깅 가능한 형태로 남습니다.

안전한 자율성: 정의된 행동(Action)을 통한 통제와 승인

기업 환경에서 가장 위험한 순간은 AI가 현실 세계에 직접 개입할 때입니다. 발주, 설정 변경, 승인과 같은 행동은 단순 채팅으로 사용자에게 전달하는 '조언'과는 차원이 다릅니다.

팔란티어는 이 문제를 온톨로지에 행동(Action Types) 자체를 정의함으로써 해결합니다. LLM은 시스템을 직접 조작하지 않고, 사전에 정의된 행동을 제안만 할 수 있습니다. 이 행동들은 승인 규칙, 검증 로직, 부작용 관리가 포함된 안전한 통로입니다. 즉, AI의 자율성은 확보하되, 기업의 통제권은 유지됩니다.

결국 팔란티어의 솔루션은 "텍스트는 세상의 투영"이라는 일리야 수츠케버의 철학을 기업 환경에 맞게 번역한 실용적 해답이라 볼 수 있으며, 앞서 분류한 정보의 범주 중 3번, 즉 '관계성'이 데이터의 핵심이라는 전제를 솔루션으로 발전시켰다고 볼 수 있겠습니다. 기업의 온톨로지가 곧 기업의 세계이며, AI는 이 세계의 규칙 안에서만 사고하고 행동해야 한다는 것입니다.

제언
LLM은 오케스트레이터, 계산은 deterministic 엔진(SQL/파이프라인), 모든 답변은 정확한 현실에 접지, 해석은 사용자 메모리와 함께 저장, 중요한 판단은 승인/확인 단계로 분리.

AI 데이터 분석의 종착지는 자동화가 아니다

AI가 잘하는 일, 할 수 없는 일

LLM은 언어로 정의된 세계를 요약하고 조합하며 표준적인 해석을 내놓는 데 압도적인 성능을 보여줍니다. 반복적인 집계와 일반 상식의 적용 영역에서 AI는 이미 인간 분석가보다 더 안정적이고 빠른 파트너가 되었으며, 이 경향은 더욱 강화될 것입니다.

그러나 동시에, 이번 글에서 반복해서 살펴본 것처럼 AI가 본질적으로 풀어내기 어려운 영역 역시 분명히 존재합니다. 언어로 완전히 환원되지 않는 주관성, 맥락에 깊이 뿌리내린 도메인 지식, 관계 속에서만 드러나는 의미, 그리고 무엇보다 “이 숫자를 어떻게 받아들일 것인가”라는 해석의 책임은 여전히 인간의 몫으로 남아 있습니다. 이는 기술이 덜 발전해서가 아니라, 현실 세계는 기호로만 설명될 수 없는 복잡한 층위로 구성되어 있기 때문입니다.

AI 데이터 분석의 원칙

여기까지의 논의를 정리해 보면, 하나의 결론에 자연스럽게 도달하게 됩니다. AI 기반 데이터 분석의 미래는 "얼마나 많은 것을 AI가 대신 해주느냐"의 문제가 아니라, "AI와 인간의 역할을 어떻게 재배치하느냐"의 문제라는 점입니다. 따라서 AI 기반 데이터 분석 제품이 나아가야 할 방향은, 분석을 완전히 자동화하는 도구가 아니라, 현실을 해석하는 사고 과정을 확장하는 시스템에 가까우리라 생각합니다.

이 관점에서 보면, 개인 맞춤형 메모리와 맥락화, human-in-the-loop 설계, 그리고 팔란티어식 온톨로지 접근은 모두 같은 방향을 가리킵니다. 단지 AI를 더 똑똑하게 만드는 것이 아니라, AI가 현실에 무책임하게 떠다니지 않도록 ‘닻’을 내리는 방식입니다. 그 닻은 때로는 언어화된 지식이고, 때로는 사용자의 맥락이며, 때로는 기업의 운영 현실입니다.

"AI가 잘할 수 있는 것과, 끝까지 인간의 판단이 필요한 것을 어떻게 구분하고 연결할 것인가?" 이 질문에 대한 대답이 곧, 앞으로는 이러나 이것이 미래 데이터 분석 제품의 설계 원칙이 될 것입니다.

마치며

오늘 이 글로 AI 시대에 데이터 분석에 대한 단 하나의 정답을 정의할 수는 없습니다. AI는 앞으로 더 많은 문제를 해결해 낼 것이고, 누군가는 "결과만 잘 나오면 이해한 것으로 봐도 되지 않느냐"고 물을 것입니다. 게다가 AI는 점점 더 많은 것을 풀어낼 것입니다. 그러나 모든 것을 풀어낼 필요는 없습니다. 오히려 AI가 풀지 않아야 할 부분을 명확히 남겨두는 것, 그리고 그 지점을 인간의 사고와 책임으로 정교하게 연결하는 것, 그것이 우리가 데이터 분석이라는 이름으로 계속 붙잡아야 할 핵심일지도 모르겠습니다.

<원문>

AI 시대의 데이터 분석 (2) 맥락과 해석의 책임

]]>

세계 최초 AI 기본법 시행, 그래서 뭐가 중요할까?

오늘은 법에 대한 이야기를 한번 해보려고 합니다. 요즘IT에서 갑자기 웬 법이지?라고 생각하실 수도 있지만, 바로 인공지능 발전과 신뢰 기반 조성 등에 관한 기본법(이하 AI 기본법)에 대한 이야기입니다. 이 법은 지난 1월 22일부터 본격적으로 시행되었기에, 한 번쯤 짚어볼 만한 의미가 있는데요.

대부분의 IT 종사자에게 법은 익숙하지 않은 영역일 수 있습니다. 특히 특정 도메인이 아니라면, 법과는 거리가 있는 경우가 많죠. 하지만 ‘법 종사자’가 아니더라도, 누구나 법제처에서 제공하는 국가법령정보센터를 통해 법률 원문을 쉽게 확인할 수 있습니다.

또한 법은 가장 오래된 형태의 문서화 결과물이기도 합니다. 그래서 일반인도 이해할 수 있도록, 법의 목적과 용어 정의부터 주요 조항까지 체계적으로 구성되어 있죠. 덕분에 법무팀이나 법 전문가가 아니더라도, 충분히 한 번쯤 읽어볼 만합니다. 더욱 흥미로운 점은, 이처럼 복잡할 수 있는 법령 검색조차 이제는 AI를 통해 보다 쉽고 편리하게 접근할 수 있다는 사실입니다. 그럼 지금부터 AI 기본법에 대해 하나씩 살펴보겠습니다.

미리 요점만 콕 집어보면?
우리나라 AI 기본법은 2026년 1월 22일부터 시행되는 세계 최초의 AI 기본법으로, AI의 발전 지원과 신뢰 확보를 동시에 목표로 합니다.
법은 총 6장으로 구성되며, 2~3장은 산업 육성과 정부 지원을, 4장은 고영향·생성형 AI 사업자의 윤리·투명성·안전성 의무를 규정합니다.
특히 생성형 AI 사용 사실의 명확한 고지와 고영향 AI에 대한 관리가 핵심이며, 초기 혼란을 고려해 과태료 등은 1년 유예됩니다.

<출처: 법제처 지능형 법령검색 시스템>

AI 기본법이 뭔데요?

그렇다면 AI 기본법이 뭐길래 화제일까요? 우선 가장 큰 이유는 우리나라의 AI 기본법이 전 세계 최초로 시행되는 AI 기본법이라는 점입니다. 사실 EU가 법률로 명시하는 법제화를 먼저 시작했지만, 시행을 올해 8월로 미루면서 우리나라가 세계 최초로 이를 시행하게 되었습니다. 이에 대해서는 선제적 대응을 통해 퍼스트 무버(First Mover)로서 AI에 대한 기회를 만들 수 있다는 긍정적인 시선과, 해외에 비해 ‘규제’가 먼저 적용되기 때문에 여러 혼란이 있을 수 있다는 우려가 함께 존재합니다.

EU의 AI 기본법의 경우, 위험도에 따라 AI 사용을 금지할 수 있다는 점, 예외 대상이 더 많다는 점, 벌금 규모가 훨씬 크다는 점 등을 들 수 있습니다.

<출처: 한국일보>

우리나라의 AI 기본법은 크게 본문과 부칙으로 구성됩니다. 여기서 본문은 법의 목적으로 하는 실질적인 내용을 담고 있는 부분이고, 부칙은 이어지는 이미지와 같이 본문의 규정들이 언제 어떻게 누구에게 적용되는지 등 기술적인 내용을 담고 있습니다. AI 기본법의 부칙에서는 법이 공포(공개)된 2025년 1월 21일부터 1년 후인 2026년 1월 22일부터 시행되고, 일부 내용은 6개월 간의 유예 기간을 허용하는 것을 설명하고 있습니다.

<출처: 국가법령정보센터>

AI 기본법의 흐름 이해하기

<출처: 작가>

AI 기본법의 본문은 여섯 개의 장으로 구성되어 있습니다. 먼저 1장은 AI 기본법의 “총칙”으로 법의 목적과 정의, 기본 원칙들을 설명하는 나침반으로써 해석의 기준이 됩니다. 이어 2장에서는 추진체계를 설정하는데 인공지능 정책을 누가 이끌어 갈 것인지 설정합니다. 예를 들면, “국가인공지능전략위원회”와 같은 기구를 설치해야 한다는 법을 정하거나, 이러한 기구에서 어떠한 업무를 해야하는 지를 정합니다.

3장은 AI 기본법의 두 가지 핵심 목적 중 하나인 “산업 지원”에 대한 내용을 다루고 있습니다. 연구개발 지원, 전문 인력 양성 등 AI 산업이 잘 성장할 수 있도록 돕는 일종의 “당근”에 해당하는 규정들입니다. 이어서 4장은 인공지능 윤리 및 신뢰성 확보로 AI의 부작용을 막기 위한 안전장치를 다루고 있습니다. 앞의 3장과 대비하면 “채찍”이라고 볼 수 있습니다.

5장은 보칙으로 앞에서 다루지 못한 내용들을 보충하는 역할을 하며, 6장은 벌칙으로 법을 어겼을때의 과태료, 형사 처벌 등을 정하는 역할을 합니다. 이 큰 흐름을 인지한 상태로 주요 내용을 짚어보겠습니다.

AI 기본법의 목적

AI 기본법의 첫 내용은 다음과 같습니다.

이 법은 인공지능의 건전한 발전과 신뢰 기반 조성에 필요한 기본적인 사항을 규정함으로써 국민의 권익과 존엄성을 보호하고 국민의 삶의 질 향상과 국가경쟁력을 강화하는 데 이바지함을 목적으로 한다.

이를 통해 볼 수 있는 AI 기본법의 목적은 “AI 잘 쓰자”인데요.

AI를 잘 쓰게 하자와 (3장)
AI 위험하게 쓰지 않도록 하자 (4장)

구체적으로는 위 내용으로 볼 수 있습니다.

<출처: 작가>

이어 정의에서는 본문에 쓰이는 여러 법적 용어들을 정의합니다. 특별히 주의할 부분으로는 “고영향 인공지능”이라는 단어가 있습니다. 이는 에너지, 물, 의료, 원자력, 범죄, 채용, 교통, 공공서비스, 기본 교육 등 개개인 사람의 생명과 신체의 안전 및 기본적인 권리에 큰 영향을 미치는 영역에 쓰이는 인공지능을 의미합니다. 이 고영향 인공지능은 개념을 분리한 만큼, 특별히 추가 규칙과 벌칙들이 정의됩니다.

또 다른 주요 정의로는 “인공지능사업자”와 “이용자”, “영향받는 자”가 있습니다. 사업자는 이 법의 규제 대상이고 이용자와 영향받는 자는 이 법이 고려해야하는 대상입니다. 특별히 이용자와 영향 받는자는 별도로 분리하여 정의했는데, 이 둘의 차이는 각각 인공지능 제품을 제공 받는자와 인공지능 제품에 의해 자신의 생명, 신체 안전 및 기본권에 중대한 영향을 받는 자를 의미합니다.

예를 들어, 기업에서 AI 면접 프로그램을 사용하는 상황에서 이용자는 기업의 인사 담당자, 영향받는 자는 지원자입니다. 이 둘을 구분해야 하는 이유는 AI 기본법에서 보호해야 할 대상별 각각 의무의 내용이 다르기 때문입니다.

여기서 영향받는 자는 인공지능서비스에서 인공지능이 만든 결과에 대한 기준과 원리에 대해 명확한 설명을 제공 받을 수 있어야 합니다. 이는 기존 기업에서 검색, 뉴스 배치 등의 알고리즘을 공개하는 것과 비슷하다고 볼 수 있습니다.

<출처: 구글>

2장에서는 인공지능 정책을 이끌 추진체계를 정의하고 있는데요. 요약하면 “정부 관계자 등이 AI 활성화를 위해 열심히 해야 한다.” 같은 내용을 설명하고 있습니다.

AI 기본법에서 공공데이터에 대한 내용을 함께 고려한다는 것
주요 행정기관에서 정책을 수립, 집행할 때 AI 기본 계획을 고려해야 함

이 외에 특별한 점은 두 가지가 있습니다. 그중 두 번째 내용은, AI 기본법이 단순히 AI의 활용과 규제만을 조절하는 데 그치지 않는다는 데 있습니다. 이 법은 앞으로 정부 차원에서 국가 운영 방향에 AI를 적극적으로 반영하고, 모든 주요 사업의 기반으로 삼아, 장기적으로는 AI를 내재화하겠다는 방침을 명시한 것으로 해석할 수 있습니다.

AI 개발 및 산업 육성

3장에서는 본격적으로 AI 기본법이 다루고자 하는 내용을 정의합니다. 단순히 인공지능 기술을 개발하는 것에 그치지 않고, 제14조에서는 ‘표준화’라는 용어를 사용합니다. 여기에는 안전성과 신뢰성을 확보하기 위한 기준으로, 데이터 규격, AI 간의 통신 프로토콜, AI 윤리 가이드라인, 용어 정의 등이 포함될 수 있으며, 이를 정부 차원에서 주도적으로 시행하겠다는 목적이 드러나 있습니다.

<출처: 작가, 제미나이로 생성>

16조의 내용도 주목할 만합니다. 바로 국가기관이 업무에 필요한 제품과 서비스를 구매할 때, 앞으로는 인공지능이 활용된 제품과 서비스를 우선적으로 고려해야 한다는 내용입니다. 이 조항은 작년 AI 기본법이 공개된 이후 최근에 추가 신설된 것으로, AI 기업들에게 정부라는 안정적인 고객이 생긴 셈이기 때문에, 민간 투자 확대와 산업 생태계 활성화를 기대할 수 있습니다.

또한 이어지는 조항에서는, AI 서비스를 구매·사용한 결과 손해가 발생하더라도 손해배상 책임을 면제함으로써, 공무원들이 보다 자유롭게 AI를 시도할 수 있는 안전장치도 마련했습니다.

이어지는 제17조부터 제23조까지는, AI 지원 시책을 규정하고 있습니다. 여기에는 중소기업 특별 지원, 창업 활성화 사업, AI 전문인력 양성, 인공지능연구소 설립 지원 등이 포함되며, 이를 통해 AI를 직접 만드는 대기업뿐 아니라, AI를 응용·활용할 수 있는 다양한 산업 주체들의 참여를 유도하고자 합니다.

AI 윤리 및 신뢰성

드디어 가장 많은 관심이 쏠릴 제4장입니다. 4장은 AI를 위험하게 사용하지 않도록 하기 위한 일종의 가이드라인으로, 지키지 않을 경우 과태료가 부과되는 규칙들도 포함되어 있습니다. 먼저 교육기관, 연구기관, 사업자 등은 자체적으로 윤리위원회를 구성하여, 윤리 원칙의 준수 여부, 안전 문제, 인권 침해 등의 사항에 대해 필요한 업무를 수행할 수 있습니다. 이 조항은 의무사항은 아니며, 선택적으로 운영할 수 있습니다.

특히 AI 기본법의 내용은 다소 헷갈리는 부분이 많기 때문에, 정부 차원에서 AI 활용 관련 주요 윤리 원칙과 실천 방안 등을 담은 가이드라인을 별도로 공개했습니다. 이 가이드라인은 총 5개의 파일로 구성되어 있으며, 인공지능기본법 지원데스크를 통해 각각 확인할 수 있습니다.

<출처: 인공지능기본법 지원데스크>

그렇다면, 이 4장에서 AI 윤리 원칙을 지켜야 하는 대상은 누구일까요? 이는 제31조에 정의되어 있는데, 고영향 인공지능 혹은 생성형 인공지능을 이용해 제품과 서비스를 제공하는 인공지능 사업자가 이에 해당합니다. 이들은 서비스 운용 과정에서 인공지능을 사용했다는 사실과 결과물이 생성형 인공지능에 의해 만들어졌다는 점을 명확히 고지해야 한다는 규정을 따릅니다.

다행히 일반적으로 AI를 활용하는 일반 이용자는 이 규제의 대상에 해당하지 않습니다. 예를 들어, 영상 생성 인공지능을 이용해 영화를 제작하거나, 배급하는 제작사는 AI 제품이나 서비스를 제공하는 사업자가 아니라, AI를 업무에 활용하는 이용자로 간주되어, 해당 투명성 확보 의무의 대상에는 포함되지 않습니다.

이어서, AI를 사용한 결과임을 고지하는 ‘투명성’ 외에도 AI의 ‘안정성’ 확보 또한 포함됩니다. 여기에는 인공지능 사용의 위험 식별 및 평가, 안전사고 모니터링 체계 구축 등이 해당합니다. 이 규제의 대상은 두 가지입니다.

하나는 AI 모델을 직접 제공하는 사업자로, 학습에 사용된 누적 연산량이 10^26 FLOPS 이상인 경우에 해당하며, 다른 하나는 고영향 인공지능을 활용하는 사업자입니다.

다만, 이러한 규제를 담고 있는 4장의 내용은 AI 기본법 시행 초기 단계인 만큼,

내가 사업자에 해당하는지
우리 AI 서비스가 고영향 인공지능에 해당하는지
생성형 AI 사용 시 어떤 방식으로 고지해야 하는지

등과 관련해 혼란이 많을 수 있습니다. 이에 따라 앞서 소개한 인공지능기본법 지원데스크에서는 상담을 지원하고 있으며, 과태료와 처벌 등에 대해서는 1년의 유예기간도 부여되어 있습니다.

한편, 제5장은 법 시행과 관련된 행정적, 기술적인 내용을 담고 있어 생략하고, 제6장에서는 4장 내용 위반 시 과태료 부과에 관한 규정을 설명합니다. 여기에는 제7조, 제31조, 제36조, 제40조가 포함됩니다.

정리하면?

‘기술 문서’에는 익숙하지만 ‘법조문’에는 익숙하지 않은 제게는 다소 헷갈리는 부분도 많았지만, AI 기본법의 핵심은 두 가지 정도로 요약할 수 있습니다.

우리나라가 AI를 잘 활용할 수 있도록 정부 차원에서 다양한 지원을 하자 (제2~3장)
AI를 투명하고 신뢰할 수 있도록 사용하기 위해, AI 사업자가 지켜야 할 규칙을 만들자 (제4장)

이 중 제2~3장은 알아두면 좋지만, 모른다고 해서 당장 큰 위험이 생기는 내용은 아니라 비교적 덜 중요하게 느껴졌습니다. 반면, 제4장은 의무와 규제를 포함하고 있기 때문에 제대로 알지 못하면 곤란할 수 있어 주의 깊게 해석해야 합니다. 특히 4장의 핵심은, 서비스에 생성형 AI를 사용했다면 그 사실을 명확히 표기하자는 것입니다. 물론 규정 위반 시 ‘큰일’이 나는 것처럼 보일 수도 있지만, 앞서 언급했듯이 혼란을 대비해 1년간 규제 시행이 유예되었기 때문에, 아직은 여유가 있는 상황으로 볼 수 있습니다.

<출처: 인공지능 투명성 확보 가이드라인>

저는 이 4장의 대상을 AI 사업자와 AI 이용자를 구분 지으며 생성형 AI를 써서 만든 결과물이 사용자가 볼 때 고정된 상태라면(ex: 영화) 표기 의무 없는 이용자, 결과물이 사용자가 볼 때 상호작용에 의해 바뀐다면 (ex: AI 작문) 표기 의무 있는 사업자 정도로 이해했습니다. 고영향 AI의 경우, 대부분의 서비스는 여기에 해당하지 않지만, 만약 해당된다면 기존에도 관련 규제를 경험했을 가능성이 높기 때문에, 자신이 법 적용 대상인지 알고 있을 확률이 큽니다.

다만 주의할 점이 하나 있습니다. 고영향 AI는 꼭 ‘생성형 AI’만을 의미하지 않고, 선형회귀처럼 오래된 AI 방식도 포함될 수 있습니다. 왜냐하면 법에서 고영향 AI를 “학습, 추론, 지각, 판단, 언어 이해 등 인간의 지적 능력을 전자적으로 구현한 것”으로 정의하고 있기 때문입니다. 즉, 기술 방식과 관계없이 법적 대상이 될 수 있으니 서비스 성격에 따라 충분한 검토가 필요합니다.

또한 ‘투명성’뿐만 아니라 ‘안전성’ 확보도 중요합니다. 이 부분은 기존의 보안 규정과 비슷한 컴플라이언스(규제 준수) 영역이지만, 여기에 AI 기술에 대한 이해까지 필요하기 때문에 현실적으로 꽤 어려운 문제가 될 수 있습니다.

<출처: 구글 뉴스>

마치며

이번 글에서는 AI 기본법에 대해 법령을 토대로 주요 내용과 실제로 체감될 만한 부분들을 중심으로 살펴보았습니다. 개인적으로는, 이전에 작성했던 글 중에서도 알아보기 전과 조사한 후의 인상이 가장 달랐던 주제였던 것 같습니다. 사실 AI 기본법을 다룬 뉴스나 기사들을 보면, 과도한 규제가 AI 혁신을 가로막을 수 있다는 우려도 종종 제기됩니다.

하지만 막상 내용을 자세히 들여다보면, 규제가 그렇게 강하게 체감되지는 않았고, 오히려 정부가 AI 활용에 큰 방향성과 의지를 가지고 있다는 점이 인상적이었습니다. (구체적으로 다루진 않았지만, 제2~3장에는 상당한 규모의 지원과 사업 계획이 담겨 있을 것으로 예상됩니다.)

현재 우리나라의 AI는 독자 AI 파운데이션 모델 프로젝트로 “인프라”를, 그리고 AI 기본법으로 “가이드라인”을 만들어가고 있는데요. 어쩌면 패스트 팔로어를 넘어, 퍼스트 무버를 꿈꿔볼 수 있지 않을까요?

]]>

AI 시대 그로스 해킹은 정말 죽었는가?

"Growth Hacking is Dead."

2024년, 실리콘밸리에서 이런 선언이 나왔습니다. 입소문을 일으키는 기발한 '해킹', 단기간에 폭발적 성장을 만드는 '트릭'의 시대가 끝났다는 것입니다.

그로스 해킹의 죽음과 재탄생

10년 전, 그로스 해킹은 '빠르게 실험하고 빠르게 성장하는' 스타트업의 전술로 여겨졌습니다. 그러나 개인정보보호 규제가 강화되고 소비자가 영리해지면서, 그로스 해킹은 더 이상 통하지 않게 되었습니다.

하지만 이것은 끝이 아닌 시작이었습니다. AI 등장과 함께 그로스 해킹은 완전히 새로운 모습으로 진화하고 있죠.

AI가 바꾼 게임 룰

과거 vs 현재: 패러다임의 전환

그로스 해킹의 본질은 여전히 '성장'입니다. 하지만 그 방법과 접근법은 완전히 달라졌습니다.

▲ 전통적 그로스 해킹 vs AI 시대의 그로스 해킹 <출처: 길벗>

1. 단기 해킹 → 장기 시스템
과거에는 한 번의 입소문 효과로 폭발적 성장을 꿈꾸었습니다.
→ 이제는 AI가 지속적으로 학습하고 개선하는 성장 시스템을 구축합니다.

2. 직관 → 예측
A/B 테스트를 수없이 반복하던 시대는 이제 끝났습니다.
→ AI는 변수 수천 개를 동시에 분석하여 최적의 조합을 예측합니다.

3. 채널 중심 → 고객 중심
페이스북이 효과적일까요, 인스타그램이 효과적일까요?
→ AI는 개별 고객의 전체 여정을 실시간으로 최적화합니다.
(인스타그램 광고 시청 후 구글 검색, 구글 검색 후 아마존 접속·구매)

4. 수동 분석 → 능동 실행
수기로 보고서를 작성하고 회의하는 동안,
→ AI는 이미 실험을 수 천 번 진행하고 최적화를 완료합니다.

이런 변화 속에서, 그로스 해커의 역할은 어떻게 달라져야 할까요?

그로스 해커 역할의 진화

AI 시대의 그로스 해킹은 AI와 인간이각자 강점을 살려 협업하는 것에서 시작되고 완성됩니다.

AI가 잘하는 것

24/7 하드워킹: 집중력 저하 없이 365일 데이터를 모니터링하고 캠페인을 최적화
초고속 정보 처리: 데이터 포인트 수백만 개를 실시간으로 분석하고 패턴 발견
대규모 개인화: 고객 수만 명 각자에게 맞춤형 메시지와 경험 제공
예측/시뮬레이션:과거 데이터를 기반으로 미래 트렌드 예측과 시나리오 분석

인간이 잘하는 것

목표의 설정:지적 욕구, 자아 실현 욕구를 느끼고 그 욕구를 충족시키려고 목표를 설정
감성적 공감: 고객의 숨겨진 니즈와 감정을 이해하고 브랜드 스토리 구축
윤리적 판단: AI 활용의 경계선 설정과 브랜드 가치 수호
관계 구축: 이해관계자와 신뢰 형성, 팀 내 협업 조율

AI가 인간보다 잘하는 영역들을 보면, 인간이 어떻게 해도 더 뛰어나게 할 수 없는 영역이죠. 인간 고유의 영역 중에서 감성적 공감이나 윤리적 판단은 머지 않은 미래에는 AI도 할 수 있을지 모르겠으나, 원천적인 욕구에 따른 목표 설정은 또 다른 영역입니다.

결국 인간이 설정한 목표를 달성하려면 AI와 협업하면서 AI를 이끄는 것이 적절한 포지셔닝입니다.

AI의 '그로스 해킹 사수'가 되는 법

명확한 목표와 맥락 제공

목표는 인간이 명료하게 설정해 주어야 합니다.

부적절한 가이드 :"전환율을 높여 줘."
적절한 가이드 : "20~30대 직장인 대상 이메일 캠페인의 구매 전환율을 현재 2%에서 3%로 높이는 것이 목표야. 우리 브랜드는 프리미엄 포지셔닝이고, 고객들은 품질과 편의성을 중시해."

체계적인 가이드라인 설정

AI가 그로스 해킹의 세부 태스크를 체계적으로 기획할 때 고려해야만 하는 요소를 하나하나 구체적으로 가이드라인을 설정해 주어야 합니다.

브랜드 톤앤매너 :전문적이면서도 친근함
금기 표현 :과장된 약속, 압박적 표현
핵심 메시지 :지속 가능성, 품질, 고객 중심
성공 지표 :전환율, 이탈률, 고객 만족도

단계적 피드백과 학습

사람들끼리 프로젝트를 진행할 때도 중간중간 단계적으로 진행 상황을 리뷰 및 체크하고, 그에 따라 적절한 피드백을 주고받으면서 조정하는 것이 중요하죠. AI와 협업할 때도 정확하게 똑같이 적용 됩니다.

1단계 :AI의 초기 결과물 검토 및 방향성 조정
2단계 :세부 요소 개선(문구, 타이밍, 타깃팅)
3단계 : A/B 테스트 결과 공유 및 학습 포인트 제공
4단계 :성공/실패 사례 분석 및 개선 방향 논의

적절한 데이터와 컨텍스트 제공

AI가 특정한 커스텀 작업을 제대로 하려면 해당 작업에 직결되는 데이터를 체계적으로 제공해 주는 것이 매우 중요합니다. 최근에는 컨텍스트(AI의 기억 영역에 입력되는 것)를 어떻게 제공하느냐가 AI 성능을 좌우하는 중요한 요소로 대두되고 있습니다. 다음 정보들이 도움이 될 것입니다.

제품 및 서비스의 특징
고객 전체 혹은 세그먼트별로 선호하는 제품/서비스의 고유 특징
고객과 접점(채널) 종류
각 접점에서 가능한 고객과 인게이지먼트 이벤트 정의
성장의 정의(첫 가입, 첫 구매, 월평균 구매 얼마 이상 등)

맺음말: 변화를 기회로

AI 시대의 그로스 해킹은, 더 이상 몇 가지 마케팅 및 기술의 조합 꼼수로 빠르게 성장할 수 잇는 것이 아닙니다. 인공지능이라는 강력한 동료와 함께 고객에게 진정한 가치를 제공하고, 지속 가능한 성장을 설계하는 새로운 예술입니다.

변화는 이미 시작되었습니다. 2025년은 AI 에이전트의 원년이 될 것이고, 준비된 마케터들은 단순히 반복 업무에서 해방되어 진정으로 창의적이고 전략적인 일에 집중하게 될 것입니다.

이제 우리 앞에는 두 가지 선택이 있습니다.

AI를 두려워하며 과거에 머물 것인가,
AI와 함께 고속 성장하는 법을 배울 것인가?

늦지 않았습니다. 지금이 바로 첫발을 내딛을 때 입니다.

이 글은 길벗에서 출간된 책 <그로스 해킹(10주년 기념 증보판)>에서 발췌·편집한 글입니다. 원문은 [여기]에서 볼 수 있습니다.

]]>

Go-To-Market(GTM) 전략을 고민하는 당신에게 ②

1편에서는 GTM의 기본 개념과 가상의 예시를 들어 보았습니다. 시장 상황을 분석해 여기에서 타깃 시장(Target Market)을 설정하고 고객군(Segment)을 도출해내, 대표적인 페르소나(Persona)를 설계해 그들의 행위를 시나리오로 상정한 다음, 이에 대응하는 제품을 만들어가는 것.

이번에는 실제로 제가 코칭한 스타트업의 사례로 알아보는 GTM을 보고, GTM을 설계할 때 잊지 말아야 할 개념 SOM을 소개하려고 합니다.

무보존제 화장품 원료의 GTM 설계하기

제가 코칭하게 된 기업의 이름은 “루트렌”으로, 핵심 제품은 아메타민D라는 보존 성능을 가진 원료 물질을 연구·개발·생산하는 것입니다.

이 물질은 주로 화장품 등에 쓰이며, 기존에 폭넓게 사용되고 있는 “1-2헥산다이올”을 대체해 이른바 “무보존제 화장품”을 만들 수 있게 해줍니다. 여러분이 만약 이 기업의 GTM을 설계한다면, 어떤 시장을 목표로 하시겠습니까?

최초에 우리 기업이 선택했던 시나리오는, 한국콜마나 코즈맥스 같은 대형 ODM* 기업이 우리 물질의 효용을 평가해 선택하고, 이 ODM 기업을 이용하는 많은 화장품 브랜드에 “무보존제 화장품” 옵션을 제공해 선택을 유도하는 방식이었습니다. 그러나 이 시나리오는 첫 번째 단계에서부터 잘 작동하지 않았습니다.

*ODM: Original Design Manufacturer(주문자 개발 생산)의 약자로, 제조업체가 제품의 기획, 설계부터 개발, 생산, 포장까지 전 과정을 담당하고, 고객사는 이를 자사 브랜드로 판매하는 방식을 말합니다.

물론 한국콜마나 코즈맥스 같은 곳에서 우리 제품을 선택해준다면 너무 쉬운 일이겠지만, 그런 기업에서 신생 스타트업의 물질을 받아들이는 데에는 아주 오랜 시간이 걸리게 됩니다. 한국콜마에서 스타일난다(3CE)의 요청을 거절하고, 당시에는 작은 생산 기업이었던 코즈맥스와 손잡았던 사례에서도 충분히 예측할 수 있죠. 실제로도 그 두 기업은 우리 회사의 요청에 별다른 응답을 해오지 않았습니다.

쉬운 길이 막힌 이 상황에 그럼 이제 우리는 어떤 시장에서, 어떤 플레이어 혹은 어떤 상황을 목표로 해야 할까요?

그래서 새롭게 제시한 GTM 시나리오는 ODM 플레이어가 아니라 소비자, 즉 최종 제품 브랜드에서부터 “무보존제”의 가치를 평가받을 수 있어야 한다는 것이었습니다. 특히 이 가치를 소비자의 추가 지불로 증명하자고 제안했죠. 그렇게 소비자가 이 가치를 인정하고 추가 지불을 할 수 있다는 점을 증명할 수만 있다면, 레드 오션에서 치열하게 경쟁하고 있는 수많은 브랜드 가운데 일부는 차별화를 위해서, 또 누군가는 수익성을 위해서라도 우리 제품인 아메타민D를 선택해주지 않을까요?

이 실험을 수행하기 위한 우리 회사의 첫 번째 제품이 생산되었습니다. 운 좋게도 어느 피부과의 PB 제품에서 먼저 우리 물질을 선택해주었고, 덕분에 비교적 수월하게 생산을 진행할 수 있었습니다.

참고로 1-2헥산다이올은 피부 장벽을 전제로 하는 화장품에서는 별다른 문제를 일으키지 않지만, 진피층에 흡수됐을 때에는 문제를 일으킬 수 있다는 보고가 있었습니다. 그래서 피부과 의약품 레벨에서는 1-2헥산다이올을 사용하지 않는 경우도 있습니다. 이것이 피부과에서 우리 물질을 선택해준 이유이기도 합니다.

자, 이제 우리 회사는 이 제품에 대해 두 가지 시장 접근 소구를 준비하고 있습니다.

첫 번째는 앞서 언급한 것처럼 “극민감성 피부에도 안전”하다는 “무보존제”에 대한 소구입니다. 우리 소비자는 벤치마크 제품 대비 “안전하다”는 이유만으로 10~15%의 추가 비용을 지불할 수 있을까요?

두 번째로 준비한 것은 더 많은 유효 성분 함량입니다. 우리 물질인 아메타민D는 1-2헥산다이올에 비해 약 20% 수준의 사용량으로도 동일하거나 더 뛰어난 보존 성능을 보여줍니다. 1-2헥산다이올은 보통 전체 용량의 3~4%가 들어간다고 알려져 있는데, 100ml 용량 기준으로 보면 아메타민D를 선택할 경우 3% 이상의 공간이 비게 되는 셈입니다. 우리는 이 공간에 유효 성분인 세라마이드, 피부 진정 효과 물질인 시카(CICA), 피부 재생에 사용되는 판테놀 등을 채워 넣었고, 그 결과 벤치마크 제품 대비 2배에서 5배 수준의 유효 성분을 담을 수 있었습니다.

그래서 이 두 번째의 마케팅 소구는 “안전”이 아니라 “고기능성”입니다. 과연 소비자는 유효 성분이 몇 배 더 들어간 제품에 10~15%의 추가 비용을 지불해줄 수 있을까요?

지금 이 실험은 준비 중입니다. (아마도 이 글이 발행될 즈음에는) 실험의 성과가 어느 정도 보일지도 모르겠습니다. 다만 우리 기업과 우리 제품의 GTM, 그리고 가야 할 시장과 그 시장에 가는 방법은 이렇게 설계해볼 수 있다는 점을 소개해보고 싶었습니다.

SOM이 GTM의 목표여야 합니다

GTM과 이어지는 중요한 개념으로 SOM이 있습니다.

IR 덱에서는 흔히 SOM-SAM-TAM을 설명하는 슬라이드를 쉽게 만날 수 있습니다. 수많은 IR 교육이나 코칭에서 시장 규모의 중요성을 언급하게 되고, 이때 꼭 근거와 출처가 필요하다는 식의 설명을 듣게 됩니다.

그러다 보니 가트너라든가, 또 여러 종류의 시장조사 기관에서 언급하는 시장 규모를 제시하는 경우가 대부분입니다. 자연스럽게 CAGR이 어떻다든가, 2050년에는 어떤 규모가 될 것이라든가 같은 이야기도 하게 되죠. 저 역시 창업자이던 시절, IGA 마켓 리포트를 이마케터나 스크린다이제스트에서 찾아 IR 덱에 넣으며 ‘거대한 시장’이라고 주장했던 경험이 있습니다.

<출처: 구글 AI 검색>

그렇게 아래 뉴스의 게임 내 광고는 제가 창업자이던 시절 삼성전자 PAVV 광고주와 함께 집행했던 광고 소재입니다. 꿈과 희망이 가득하던 그 시절….

<출처: 디지털 투데이>

잠시 이야기가 샜는데, 결국 이는 시장을 단계적으로 좁혀 이해하기 위한 프레임입니다. 각각 SOM(Serviceable and Obtainable Market, 수익 시장), SAM(Serviceable and Addressable Market, 유효 시장), TAM(Total Addressable Market, 전체 시장)으로 시장 규모를 설명할 때 사용하는 접근법입니다.

TAM은 우리 제품이 이론적으로 도달할 수 있는 전체 시장 규모를 의미하며, SAM은 그중에서도 현재의 제품과 비즈니스 모델로 실제 공략이 가능한 시장입니다. SOM은 SAM 가운데에서 지금의 자원과 실행력으로 단기간에 확보할 수 있는 현실적인 목표 시장을 뜻합니다. 굳이 시장을 따로 구분하는 이유는 시장을 크게 보이게 설명하기 위해서가 아니라, 어디서부터 실제 고객을 확보할 것인지를 명확히 하기 위해서입니다. 전략과 실행은 언제나 SOM에서 시작됩니다.

이런 류의 전망의 유효성에 대해 투자자나 VC들이 어떻게 생각하는지는 한때 시장을 선도했던 3D TV 시장 규모에 대한 전망으로 한번 상상해보아도 될 것 같습니다.

<출처: 이투데이>

과연 2014년에 3D TV의 호황이 왔었던가요?

물론 투자자 입장에서 시장의 규모는 아주 중요합니다. 그래서 시장의 규모가 크다고 이야기하는 것 자체는 충분히 이해할 수 있습니다. 하지만 의료용 지혈제를 개발하면서 전체 의약품 시장을 TAM으로 제시한다거나, 시장조사 기관이 내놓은 무작정 낙관적인 수치를 가지고 우리 미래가 밝고 희망차다고 주장하는 것으로는 투자자뿐만 아니라 창업자 본인조차 설득하기 어려울 것입니다.

그리고 여기에서 SAM은 TAM의 20%로 가정하고, SOM은 SAM의 10%로 가정해, 결과적으로 SOM이 TAM의 2%라고 주장해버리고 나면, 이제 GTM과는 영영 돌아오기 힘든 갈래길로 나뉘어버린 셈이기도 합니다. 아래 이미지의 예시로 설명해보자면, 전체 반려동물 가구의 2%를 SOM으로 규정했을 때, 그 2%에게 시장 침투 혹은 접근을 하기 위해 우리는 어떤 전략을 세워야 할까요?

Go-To-SOM 전략

<출처: 티스토리>

SOM에서 중요한 것은 획득 가능성(Obtainable)입니다. 즉, 획득 가능한 시장의 특징과 성격을 갖고 있어야 하기에 SOM은 어느 정도 공통점을 가진 규정 가능한 동질성 집단이어야 한다는 의미이기도 합니다. 전체 시장의 2%라고만 규정했을 때, 과연 그 2%는 어떤 동질성을 가지게 될까요?

그래서 SOM의 시장 규모는 동질성에서부터 역순으로 설계해 가져와야 합니다. 예를 들면 반려견주이면서 다견 견주인지 단견 견주인지, 2인 가구인지 3~4인 가구인지를 정의한다거나, 출근할 때 반려견을 유치원에 맡기는지 집에 혼자 두는지와 같은 여러 조건을 기준으로 동질성을 가진 그룹을 먼저 정의합니다. 그중에서 “우리 제품이 가장 가치를 잘 제공하거나 문제를 해결할 수 있는 그룹을 선택했을 때, 그 규모가 얼마라고 추정이 된다”와 같은 방식이어야 합니다.

마찬가지 TAM 역시 비슷한 방식으로 계산할 수 있습니다.

제가 2020년에 만났던 여성 창업팀 기업인 3J는 여성들이 성병 검사를 하기 위해 산부인과를 방문하는 데 높은 심리적 허들이 있다는 점에 착안해 검사 키트를 온라인으로 판매하는 방식을 시도했습니다.

<출처: 3J 기업 자료>

당시 시장조사 리포트에서 대한민국의 성병 검사 시장 규모는 100억 원 수준이었지만, 그렇다고 TAM이 100억 원은 아니었을 것입니다. 이 경우 TAM은 위의 예시 이미지와 유사한 방식으로 계산할 수 있습니다. 대한민국 인구 가운데 타깃 여성의 규모와 WHO가 권고하는 연간 검사 횟수를 정의하면, 우리가 목표로 삼을 TAM을 보다 현실적으로 추정할 수 있습니다.

그리고 여기에서부터 다시 목표 고객군(Target Segment)을 규정해가며 SOM을 명확하게 설계해나간다면 투자자에게도, 그리고 창업팀 본인에게도 훨씬 더 설득력 있게 설명할 수 있을 것입니다.

마치며

결국 Go-To-Market 전략의 본질은 “얼마나 큰 시장을 꿈꾸는가”가 아니라, 지금 이 순간 우리가 실제로 점유할 수 있는 시장을 얼마나 정확히 정의하고, 그 시장을 뚫기 위해 무엇을 할 것인가에 있습니다. SOM은 우리가 만들고자 하는 제품의 가장 이상적인 고객을 형상화하고, 그 고객 세그먼트를 전제로 가치를 전달해 구현하는 것을 목표로 한다는 점에서 GTM 전략과 가장 직접적으로 맞닿아 있습니다.

그래서 SOM을 기준으로 GTM을 설계한다는 것은 단순히 타깃 시장의 크기를 줄인다는 의미가 아닐 것입니다. 고객 세그먼트, 핵심 문제, 메시지, 채널, 세일즈 방식까지 모든 실행 요소를 하나의 현실적인 전제 위에 정렬하는 작업을 의미해야 합니다.

SOM이 분명해지면, 마찬가지로 GTM도 분명해집니다. 모든 고객에게 통하는 가치를 제안하는 것이 아니라, 이 고객군이 반드시 반응할 하나의 문제 정의가 드러나고, 마케팅 메시지는 브랜드 스토리가 아니라 구매를 촉발하는 문장으로 만들어 지겠죠. 또한 유통 채널과 세일즈 전략에서도 역시 “가장 효율적인 채널은 무엇인가” 찾는 일에서 시작하지 않고 “이 고객은 실제로 어디에서 우리를 발견해 어떤 방식으로 설득되어 구매하는가”라는 질문을 중심으로 고객 여정과 시나리오를 다시 정의할 수 있습니다.

이러한 접근이야말로 GTM 전략을 문서에 들은 계획이 아니라 검증할 수 있는 행동으로 만들어줍니다. SOM을 직접 겨냥한 GTM으로 작은 성공을 빠르게 만들고, 그 성공을 반복 패턴으로 바꿔야 시장 확장의 발판을 마련할 수 있습니다.

GTM 전략의 완성은 시장 진입을 말하는 순간이 아니라 선명한 SOM 안에서 첫 번째 고객을 확보하고 그 과정이 재현될 것이라는 확신을 얻는 순간에 이뤄집니다. 결국 시장을 크게 설명하는 전략보다, 지금 이 시장에서 실제로 이길 수 있는 전략이 GTM입니다. 그 중심에는 언제나 SOM이 있다는 것을 잊지 말아야 합니다.

]]>

Go-To-Market(GTM) 전략을 고민하는 당신에게 ①

최근 테크 스타트업의 헤드헌터/써치펌 하는 분을 만났다가 요새는 GTM을 많이 찾는다며, 대체 GTM이 무어냐는 질문을 만났습니다.

GTM은 Go-To-Market 전략의 약어인데, 보통 제품의 시장 침투 전략(Market Penetration Strategy)에서 초기에 어떤 고객 세그먼트를 먼저 집중해 공략할 것인가, 우리 제품의 초기 핵심 고객군(Seed Customer Group)은 누구이며, 그 시장에 어떻게 접근(Approach)할 것인가 같은 관점에서 많이 언급되는 말이기도 합니다. 초기 기업의 IR을 만나면, 우리 제품의 가치(Value)가 누구에게 어떻게 전달되도록 할 것인가라는 관점에서 자주 물어보는 항목이기도 합니다.

요즘 뜨거운 이 단어를 제품쟁이의 입장에서, 그리고 또 초기 기업을 만나 투자하고 코칭하는 입장에서 Go-To-Market(이하 GTM)이란 무엇인지, 저는 GTM을 어떻게 바라보고 코칭하고 있는지에 대해서도 한 번 정리해보려고 합니다.

마침 최근 충남창조경제혁신센터의 의뢰로 화장품 소재 기업을 멘토링할 기회가 있었기에, 이 제품이 어떻게 시장에 접근해야 하는지를 코칭한 구체적인 경험으로 함께 설명해보겠습니다.

Go-To-Market이란 것

<출처: SlideSalad.com / Slidemodel.com>

GTM을 검색해보면 가장 많이 보게 되는 종류의 도식입니다. 6가지 혹은 3가지 차원(Dimension)의 변수를 두고, 과거 밸류체인 캔버스(Value Chain Canvas)를 채워나가듯 꽉 찬 전략과 설계를 만들 것을 요구하죠. 저도 한때는 비즈니스 모델 캔버스를 채우는 것이 지상과제이자 당면한 숙제였던 적이 있었습니다.

창업을 시작하고 사업을 하는 원대한 목표를 가진 ‘앙트프리너(Entrepreneur)’가 본인의 아이템과 사업에 대해 저 정도의 설계와 비전도 없다는 것이 어쩌면 말이 안 된다고 생각할 수도 있을 것입니다. 그러나 아마도 창업가이자 투자자라면 대부분 알고 있겠지만, 생각보다 저런 정도의 설계와 계획, 비전 따위는 가지고 있지도 않을 뿐더러, 많은 경우 그리 쓸모가 있지도 않습니다. 물론 어렴풋하게나마 방향을 제시할 수 있다는 점에서는 유용하다고 할 수 있겠지만, 하루에도 열두 번씩 마음이 바뀌고 (마음이 바뀌는 것이지만, 말로는 “시장 상황이 바뀌었다”고들 합니다), 그날그날 정보에 따라 팔랑귀가 갈대처럼 흔들리는 창업가들에게 이 정도로 꽉 짜인 설계는 그다지 필요하지 않기도 합니다.

물론 이런 구조화(Structuring)는 분명 큰 사업을 하거나 큰 기업의 아이템/모델에는 매우 정교하게 요구되는 것이기도 합니다. 다만 이 글에서 중요성을 낮게 언급하는 이유는 GTM을 설계하는 데에 너무 큰 부담을 가질까 우려하기 때문입니다.

GTM은 마케팅일까 제품일까

GTM은 마지막에 붙어있는 M 때문인지 마케팅의 영역으로 취급되는 경우가 더 많은 것 같습니다. 상황에 따라 맞는 말일 수도 있습니다.

다만 제품쟁이이자 초기 기업의 제품에 대해 투자와 코칭을 하는 관점에서는, GTM은 전형적으로 제품(Product)의 영역에서 시작해야 하는 문제입니다. 기업 규모나 단계와 무관하게 제품이 시작할 때에 가장 우선해야 할 질문은, “그래서 누가 우리 제품을 구매해주었으면 좋겠는가”인데, 이것은 MRD(Market Requirement Document)에서 규정하는 타깃 고객군(Target Segment)이고, 또 PRD(Product Requirement Document)에서 항상 강조하는 페르소나(Persona)입니다. 말하자면 GTM은 결국 “어떻게”, “어느 시장”으로 먼저 갈 것이냐를 판단하고 찾아가는 문제이기 때문입니다.

조금 더 예를 들어 설명해볼까요?

여러분의 회사에서 항공권 가격을 비교/판매하는 서비스를 출시한다고 한 번 가정해보시죠. 이미 수많은 플레이어들이 이 시장을 차지하고 있고, 소비자들 역시 그 시장에서 항공권을 탐색하고 가격을 비교하고 또 결제하는 데에 딱히 대단한 허들이나 블로커를 가지고 있지 않습니다. 기억을 과거로 돌려보면, “천송이 코트를 공인인증서 때문에 구매하지 못한다”의 그 시대로 시계를 되돌려볼 수 있는데요. 우리는 그렇게 어렵고 불편한 온라인 결제·커머스의 시대에도 500원, 1,000원짜리 쿠폰 한 장이면 그 난관을 뚫고 결제를 성공하고야 마는 민족이었기에, 지금의 최저가 항공권 서비스에 대단한 불편이나 불만이 없는 것은 그리 이상하거나 어색하지 않습니다.

<출처: 국민TV>

항공권을 구매하는 프로세스는 모두 동일합니다. 목적지를 넣고 일정을 입력하면, 해당하는 모든 항공편이 하나의 API로 검색되어 토출되기 시작합니다. 어떤 서비스는 순차로 노출을 시켜주고, 어떤 서비스는 배치로 조금 오래 기다렸다가 결과를 보여주는 정도의 차이가 있을 뿐입니다. 제품의 동작은 항공권 가격을 토출해주는 API에 종속되어 있으므로, 실제 이 과정들은 모두 동일하다고 볼 수 있습니다. 물론 Hopper와 같은 서비스들이 조금 다른 접근법으로 가격 캘린더를 시작점으로 삼은 경우도 있었고, 여전히 좋은 서비스를 유지하고 있기는 합니다.

지금 이 시점에서는, 그 영역에서 구글 플라이트가 가장 강한 리더십을 가지고 있다고 볼 수 있겠네요.

<출처: 구글플라이트>

이런 상황에서 신규로 출시하는 항공권 가격 비교·구매 사이트나 서비스는 GTM을 어떻게 잡아볼 수 있을까요?

앞서 언급한 것처럼 GTM을 마케팅(Marketing Department)의 것으로 보거나, 또는 그로스 해킹(Growth Hacking)의 영역으로 보고, A/B 테스트에 기반한 광고 소재를 통해 고객을 찾아가는 과정으로 이해할 수도 있겠습니다.

하지만 저는 그에 앞서, “우리 제품이 목표하는 타깃 고객군(Target Segment)을 어떻게 정하는가” 이것이 GTM의 시작이자 본질이라고 이야기하고 싶습니다.

여러분이라면, 이 신규 항공권 가격 비교·구매 서비스의 목표 시장을 어디로 제안하고 싶으신가요?

우리 회사가 처한 상황이나 가지고 있는 다른 제품의 에셋, 그리고 시장 상황에 따라 많은 결정을 다르게 할 수 있을테니, 조금 좁혀 우리 회사가 호텔 예약 서비스를 하고 있고 여기에 항공권을 크로스오버로 연계하고 싶다고 해보겠습니다.

그렇다면 당연히 현재 우리 회사의 호텔 예약 서비스를 이용하는 고객을 첫 번째 시장으로 설정하게 될 것입니다. 그들이 출장을 중심으로 이용하는지, 가족 여행을 중심으로 하는지, 혹은 가족이 아닌 여행인지를 살펴보면 가장 많이 검색하고 구매하는 지역이 비교적 선명하게 드러나게 되고, 우리가 (먼저) 가야 할 시장 역시 그곳이 될 것입니다.

만약 그들 사용자의 주요 특징이 “가족이 아닌 여행”이라면 커플이나 친구 단위일 것이고, 아무래도 가까운 시일 내에 가까운 지역을 이동하는 경우가 대부분일 것입니다. 한편 가족 여행이라면 가족 휴양지 지역을 대상으로 호텔과 항공권을 구매하는 시점을 어느 정도 특정할 수도 있습니다. 이러한 타깃 고객을 대상으로 할 때, “오대양 육대주”를 검색할 수 있는 GNB 메뉴나 1년짜리 캘린더를 노출하는 방식은 그리 좋은 사용자 반응을 기대하기 어려울 것입니다.

“다음 주말 일본 여행 갈 때 최저가 항공권을 비교해보세요”

이처럼 기업의 상황과 시장의 경쟁 구도를 분석하고, 여기에서 “가야 할 시장”을 결정하는 것에서 시작하면, 이제 “제품”이 해당 시장에 가장 잘 접근할 수 있도록 설계가 따라와야 할 차례입니다. 카약이나 익스피디아, 혹은 네이버 항공권의 페이지를 벤치마크해 그대로 만든다고 그 제품이 과연 우리의 타깃 시장에 효과적으로 접근할 수 있을까요?

우리 타깃 고객에게 필요한 것이 “수백만 개의 항공권”에서 가장 저렴한 것을 찾아주는 것일까요? <출처: 스카이스캐너>

그 대신 “다음 주말 일본 여행 갈 때 최저가 항공권을 비교해보세요” 같은 접근은 어떨까요?

이미 일정과 대상 지역이 어느 정도 정해져 있기 때문에, 수백만 개의 항공권 중에서 미주 대륙이나 아프리카 대륙, 유럽 대륙으로 가는 장거리 항공권은 일단 제외할 수 있습니다. 여기에 1~2주 정도 기간을 특징으로 잡는다면, 카약이나 스카이스캐너에서 입력하고 한참을 기다려야 하는 시간도 없앨 수 있을 것이고, 날짜를 하루이틀 움직이거나 인근 지역의 공항으로 변경하는 등 탐색 과정도 훨씬 더 매끄럽게 설계할 수 있을 것입니다.

이렇게 “제품”을 만들어가는 전반적인 과정을 제품 개발 프로세스(Product Development Process)라고 부를 수 있으며, 앞서 시장을 분석하고 타깃 고객군을 설정하던 과정은 일반적으로 MRD에서 다루게 됩니다. 그리고 그런 시장 요구 사항에 대응하는 제품을 설계하는 과정이, 제가 항상 강조하고 주장해온 PRD의 내용이라고 할 수 있습니다.

즉, 시장 상황을 분석해 여기에서 타깃 시장(Target Market)을 설정하고 고객군(Segment)을 도출해내, 대표적인 페르소나(Persona)를 설계해 그들의 행위를 시나리오로 상정한 다음, 이에 대응하는 제품을 만들어가면 됩니다. 참 쉽죠?

어쩌면 이제 AI의 시대가 되었으니, 우리가 잠시 고민한 이 제품이 다 필요 없는 그런 시대가 올까요? “다음 주말에 일본 소도시로 가는 항공권 가격을 비교해줘”라는 한 문장 프롬프트만으로 모든 문제를 끝낼 수 있을까요? 다만, AI 엔진 역시 동일한 API를 호출하게 될 것이고, 그렇게 꽤 많은 시간을 보낼 것입니다. 선택 사항을 조정할 때마다 API를 호출하며 시간을 쓰게 되겠죠. 어쩌면 AI 엔진에게도, 우리가 제공하는 서비스가 더 나은 결과를 도출하는 데 도움이 될지도 모르겠네요.

<출처: 제미나이>

마치며

여기까지, 간단하게 GTM의 기본 개념을 알아 보았습니다. 거창한 이름에 비해 간단한 개념을 담고 있죠. 곧바로 이어질 다음 글에서는 실제 사례로 알아보는 GTM과 잊어서는 안 될 목표 SOM을 다뤄보려고 합니다.

]]>

회의 시간에 딴소리하는 팀원, 고칠 수 있을까요?

개발팀의 시간은 곧 비용입니다. 우리는 복잡한 로직을 구현하고 견고한 아키텍처를 설계하기 위해 시간을 쪼개어 집중해야만 합니다. 그런데, 이 귀중한 시간이 의미 없이 사라지는 경우가 있습니다. 바로 준비되지 않은 회의입니다.

흔히 마주할 수 있는 상황을 생각해 봅시다. 다음 스프린트의 핵심 기능인 ‘결제 모듈의 트랜잭션 롤백 전략’을 결정하기 위한 회의가 열렸습니다. 돈이 오가는 문제인 만큼, 데이터 정합성을 어떻게 맞출지가 중요합니다. 그렇게 개발자 A가 화이트보드에 케이스를 그리며 열심히 설명하고 있었습니다.

한창 열심히 설명하고 있을 무렵, 구석에 있던 팀원 B가 손을 듭니다.

“그런데, 결제 실패했을 때 유저한테 보내는 알림톡 문구는 정해졌나요? 지난번에 마케팅팀이랑 알림톡 템플릿 비용 때문에 이슈 있었잖아요. 트랜잭션 실패하면 알림톡이 두 번 발송될 수도 있는데, 비용 처리는 어떻게 하죠?”

<출처: 작가, OpenArt로 생성>

순간 회의실에 정적이 흐릅니다. 조금 전까지 논의하던 DB 데이터 정합성이라는 핵심 맥락은 끊어졌고, 사람들의 머릿속에는 갑자기 마케팅팀과의 비용 이슈와 알림톡 발송 정책만이 떠오르기 시작합니다. 주최자인 개발자 A는 당황합니다.

‘아니, 알림톡 비용도 중요하긴 하지만… 지금은 DB 설계를 결정해야 하는 시간인데…’

결국 참가자들은 DB 트랜잭션과 알림톡 비용 사이를 오가다 귀중한 30분을 허비합니다. 시계를 보니 회의 종료까지 남은 시간은 단 5분입니다. 마음이 급해진 주최자는 결국 쫓기듯 회의를 종료하기 위한 결정을 내립니다.

“음… 시간이 없네요. 트랜잭션 처리는 일단 가장 익숙한 A 방식으로 갈까요?”

치열하게 고민해야 했을 중요한 기술적 의사결정을 시간에 쫓겨 급하게 처리해 버린 것입니다. 회의실을 나서는 팀원들의 표정에는 개운치 않은 찜찜함만 남았습니다. 이런 일이 반복될 때 우리는 흔히 팀원 B를 탓합니다.

“쟤는 왜 저렇게 눈치가 없지? 왜 자꾸 딴소리로 회의를 망치지?”

하지만 여러 회의를 겪으며, 제가 찾은 원인은 다른 데 있었습니다. 회의 중 발생하는 딴소리는 그 팀원의 무능이나 무질서 때문만이 아니라 ‘회의 시스템의 결함’으로 발생한 문제입니다.

소프트웨어에 버그가 발생하면 코드를 수정하듯, 회의 중에 딴소리라는 버그가 생기면 ‘회의 시스템’을 수정해야 합니다. 그 수정 설계의 핵심에는 ‘무엇을(What), 왜(Why), 어떻게(How)’라는 3가지 필수 요소가 있죠. 하나라도 부족하다면 누군가 딴소리를 할 수 있는 여지가 생깁니다.

딴소리가 불러오는 ‘기술 부채’

회의에서 흘러나오는 딴소리는 단순히 “말이 좀 많네” 하고 넘길 문제가 아닙니다. 회의가 주제를 이탈하는 순간, 팀의 생산성에는 치명적인 세 가지 악영향이 발생합니다.

<출처: 작가, OpenArt로 생성>

첫째, 잘못된 의사결정을 유발합니다

방금 예시를 다시 떠올려 볼까요? 트랜잭션 롤백 전략은 시스템 안정성과 직결되는 문제입니다. 하지만 딴소리로 인해 충분한 토론 없이 “시간 없으니 익숙한 A 방식으로 하자”는 결정이 내려졌습니다. 이렇게 급하게 내린 판단은 장애로 이어지거나, 결국 코드를 다시 뜯어고쳐야 할지도 모를 ‘기술 부채’로 되돌아옵니다.

둘째, ‘회의 혐오’를 만듭니다

“우리 팀 회의는 들어가 봤자 시간만 낭비해.”라는 인식이 퍼지기 시작합니다. 개발자들은 회의를 일을 방해하는 요소로 받아들이고, 회의실에 들어올 때부터 방어적인 태도를 보이거나 아예 입을 닫아버립니다. 그렇게 팀원들의 참여는 점점 줄고, 주최자만 말하는 죽은 회의가 되어버립니다.

셋째, 우선순위의 혼란을 줍니다

가장 위험한 부작용입니다. 만약 딴소리하는 팀원의 목소리가 크면 어떨까요? 그가 꺼낸 알림톡 비용이란 이슈가 정작 회사에 더 중요한 결제 데이터 정합성보다 시급한 문제처럼 보이며 혼란을 주기 시작합니다. 팀의 리소스가 엉뚱한 방향으로 새어 나가는 출발점이 바로 여기입니다.

성공적인 회의를 위한 3가지 설계 요소

그렇다면 어떻게 해야 할까요? 회의 진행자가 말을 잘해서 흐름을 통제하는 데에는 분명 한계가 있습니다. 그래서 필요한 것은 회의 설계도입니다. 좋은 회의는 시작부터 다음 3가지 요소가 완벽하게 제공된 상태여야 합니다.

만약 스스로 주최한 회의에서 딴소리가 끊이지 않는다면, 팀원을 탓하기 전에 먼저 생각해 봐야 합니다.

‘나는 회의의 3가지 핵심 요소를 시작 전에 완벽하게 전달했을까?’

<출처: 작가, OpenArt로 생성>

무엇을(What): 이 회의의 최종 목표는 무엇인가? 정보 공유인가, 아이디어 발산인가, 아니면 의사결정인가?
왜(Why): 이 안건을 왜 지금 논의해야 하는가? 이 논의의 비즈니스 가치와 긴급성은 어떤가?
어떻게(How): 우리는 어떤 규칙으로 논의할 것인가? 시간 배분과 발언권, 이탈 방지책은 무엇인가?

What & How: 회의의 좌표와 경로 찍기

회의 주최자가 회의실에 들어와 가장 먼저 해야 할 일은 무엇일까요? 바로 좌표와 경로를 찍는 것입니다.

딴소리가 난무하는 회의의 90%는 참석자들이 ‘우리가 지금 어디로 가고 있는지(What)’를 모르거나, ‘어떤 도로를 타고 갈지(How)’ 합의하지 않았기 때문에 발생합니다. 내비게이션 없이 운전대를 잡으면 운전자는 결국 잘 아는 길, 즉 자기 관심사로만 핸들을 꺾습니다.

What “오늘 우리는 무엇을 결정합니까?”

회의 주최자들은 회의를 초대하며 ‘주간 개발 회의’, ‘아키텍처 논의’처럼 모호한 제목을 적곤 합니다. 하지만, 이는 시작부터 팀원들에게 “와서 아무 말이나 하세요”라고 판을 깔아주는 것과 다르지 않습니다.

목표(What)가 불분명하면 사람들은 본능적으로 자신이 가장 잘 아는 주제, 혹은 가장 걱정하는 문제를 꺼냅니다. 앞선 예시에서 팀원 B가 갑자기 알림톡 비용을 이야기한 것도, 그에게는 그것이 가장 시급한 문제였기 때문일 겁니다. 이는 회의의 목표가 DB 트랜잭션 설계 결정이라는 점이 명확히 인지되지 않아서 생긴 상황입니다.

물리적으로 목표를 시각화하기

말로만 전달한 목표는 공기 중으로 흩어지기 쉽습니다. 눈에 보이게 만드세요.

가장 좋은 것은 회의실에 들어가자마자 보드 맨 윗줄에 ‘한 가지 목표’를 적으며 회의를 시작하는 것입니다. 이 목표 역시 구체적이어야 합니다.

나쁜 예: 결제 시스템 회의
좋은 예: 신규 결제 모듈 트랜잭션 롤백 전략 결정(API vs Queue)

회의에 초대하거나 회의록을 작성할 때도 마찬가지입니다. 문서 최상단에 헤드라인으로 ‘의사결정 필요’ 섹션을 만들어 두세요.

이렇게 What이 시각화되어 있으면, 딴소리를 제어하기 훨씬 쉬워집니다. 누군가 엉뚱한 이야기를 시작할 때, 이제는 감정을 섞을 필요가 없습니다. 그저 화이트보드에 적힌 목표를 가리키며 이렇게 말하면 됩니다.

“B 님, 비용 문제도 중요하지만, 지금 말한 것이 저기 적힌 ‘트랜잭션 롤백 전략 결정’에 당장 필요한 내용일까요?”

한마디면 충분합니다. 팀원 모두 “아, 지금 주제가 아니구나”라고 깨닫고, 자연스럽게 원래 논의로 돌아올 겁니다.

How “우리는 어떤 규칙으로 논의합니까?”

목표(What)가 ‘도착지’라면, 규칙(How)은 ‘교통 신호’입니다. 신호등이 없는 교차로를 떠올려 보세요. 목소리 큰 차가 먼저 지나가고, 눈치 빠른 차가 마구 끼어들면, 결국 병목 현상에 도로는 꽉 막혀버릴 것입니다.

회의도 다르지 않습니다. 발언권을 독점하는 사람, 꼬리에 꼬리를 무는 논쟁, 주제를 벗어난 아이디어 발산까지. 이런 혼란의 대부분은 How를 정의하지 않아 발생합니다.

회의 안건별 데드라인 설정하기

개발자들에게 민감한 데드라인을 회의 안건에도 심어보세요.

“1번 안건인 ‘롤백 시나리오 리뷰’에는 딱 15분 쓰겠습니다. 15분 안에 결론이 안 나면, 추가 미팅을 잡거나 주최자가 결정하겠습니다.”

타이머를 화면에 띄워두는 것도 좋은 방법입니다. 시간이 줄어드는 모습이 눈에 보이면, 사람들은 딴소리할 여유를 잃고 자연스럽게 핵심에 집중하게 됩니다.

회의 안건이 아닌 중요한 것을 모으기

딴소리를 제어하는 가장 강력하면서도 세련된 방식입니다. 회의 중 누군가 주제와 직접 관련은 없지만, 중요한 이야기(또는 그 사람이 중요하다고 믿는 이야기)를 꺼냈을 때 무조건 자르지는 마세요. 무시당했다고 느낀 팀원이 입을 닫아버리거나 오히려 반발심을 가질 수 있습니다.

그럴 때는 화이트보드 한쪽에 나중에 논의라는 공간을 만들고 활용해도 좋습니다. 이런 말과 함께요.

인정: B 님, 알림톡 비용 이슈는 운영 관점에서 정말 중요한 문제네요.
저장: 하지만 오늘 안건(DB 설계)과는 거리가 있으니, 여기 ‘나중에 논의’ 영역에 적어두겠습니다.
약속: 회의가 끝나고 시간이 남으면 이야기하거나 따로 티켓을 만들어 논의하시죠.

팀원 B는 ‘내 의견이 존중받았다’는 느낌을 받으면서도 더는 같은 문제로 회의 흐름을 방해하지 않을 것입니다. 딴소리를 마냥 제거하는 것이 아니라, 적절한 위치로 이동시키는 것. 이 역시 회의를 원활하게 만들 How입니다.

Why: 가치를 알게 하기

앞서 우리는 ‘What(목표)’을 시각화하고, ‘How(규칙)’를 정비했습니다. 이 두 가지만 잘 갖춰도 무의식적으로 튀어나오는 딴소리는 대부분 사라질 것입니다.

하지만 회의를 가장 힘들게 만드는 존재는 따로 있습니다. 바로 똑똑한 팀원의 확신에 찬 딴소리입니다. 팀원 C는 회의의 목표(What)가 무엇인지 알고 있고, 발언 규칙(How)도 충분히 이해하고 있습니다. 그런데도 손을 들고 제동을 겁니다.

“트랜잭션 롤백 전략도 중요한데요. 저는 이번 기회에 레거시 코드를 먼저 리팩토링해야 한다고 봅니다. 지금 구조로는 어떤 전략을 써도 코드가 너무 지저분해져서 나중에 유지보수를 할 수가 없어요.”

회의 주제는 분명 롤백 전략 결정입니다. 그런데 갑자기 코드 품질과 리팩토링이라는 훨씬 큰 주제가 던져집니다. 틀린 말은 아닙니다. 맞는 말일 수도 있습니다. 하지만 지금 이 회의에서는 분명한 딴소리입니다.

그렇다면 왜 이런 일이 벌어질까요? 원인은 정보의 부재가 아닌 가치의 충돌에서 찾아야 합니다.

조직의 목표 vs 개인적 동기

모든 개발자는 마음속에 자신만의 개인적인 동기를 품고 있습니다.

‘나는 더 깔끔하고 우아한 코드를 짜고 싶어.’라는 기술적 완벽주의나, ‘새로 배운 기술(MSA, GraphQL 등)을 써보고 싶어.’라는 학습 욕구, ‘나중에 귀찮아지기 전에 지금 고치고 싶어.’ 같은 편의성도 있죠.

반면, 회의를 소집한 주최자는 분명한 조직의 목표를 바라봅니다.

‘코드가 좀 지저분해도 내일 당장 배포해야 해.’처럼 비즈니스 속도일 중요하게 볼 수도 있고, ‘새로운 기술 도전보다는 지금 잘 돌아가는 방식이 안전해.’라며 안전성을 따질 수도 있습니다.

딴소리는 바로 이 두 가지 Why가 정면으로 충돌할 때 발생합니다.

팀원 C는 자신의 개인적 Why(코드 품질)가 팀의 Why(출시 속도)보다 더 중요하다고 믿기에, 이를 관철하려 회의의 흐름을 끊었습니다. 만약 이때 권한이나 연차 같은 힘으로 “시키면 하세요”라고 찍어 누르면, 그 팀원은 입을 닫고 동기를 잃어버립니다. 그렇다고 모두 들어주면 배는 산으로 갈 것입니다. 어떻게 해야 할까요?

회의의 Why를 설득하기

그래서 회의 주최자는 회의 시작 전에, 팀원들에게 이 회의가 가지는 가치를 먼저 설득해야 합니다. 단순히 “모이세요”가 아니라 “왜 이 회의가 당신의 시간을 뺏을 만큼 가치 있는지”를 분명하게 증명해야 합니다.

회의 서두부터 비즈니스 맥락과 위협을 함께 공유하는 것이 가장 좋은 방법입니다.

나쁜 예: 자, 이번 스프린트 롤백 로직 개발 건 논의합시다.
좋은 예: 이번 결제 모듈이 다음 주 대규모 프로모션 때 배포됩니다. 만약 롤백 실패로 데이터가 꼬이면, CS 문의 폭주로 프로모션을 중단해야 할 수도 있습니다(Why). 그래서 오늘 회의에서는 완벽한 코드보다는 가장 확실하고 안전한 방법을 찾는 것이 먼저입니다.

이처럼 ‘안정성’이라는 이유를 명확히 하고 시작하면, 리팩토링이나 신기술 도입을 주장하려던 팀원도 스스로 브레이크를 밟게 됩니다. “아, 지금은 기술적 욕심을 부릴 때가 아니구나”라고 이해한 것이죠.

개인의 Why는 존중하되 냉정하게 다루기

그런데도 딴소리를 멈추지 않는 고집 센 팀원이 있다면, 어떻게 해야 할까요? 이때는 그들의 열정을 꺾지 않으면서도 회의를 구출하는 존중과 제어의 화법이 필요합니다. 핵심은 단순히 “틀렸다”라고 말하는 것이 아니라 “시점이 다르다”라고 말하는 데 있습니다.

1단계. 존중

“C 님의 리팩토링 의견은 정말 훌륭합니다. 장기적으로 우리 팀에 꼭 필요한 작업이고, 기술 부채를 진지하게 고민해 주신 점도 감사합니다.”

이처럼 먼저 팀원의 전문성과 동기를 인정하면, 그의 방어 기제를 내려놓는 데 도움을 줍니다.

2단계. 제어

“다만 앞서 말했듯이 오늘 회의의 목표는 ‘프로모션의 생존’입니다. 지금 리팩토링을 시작하면 우리가 목표로 한 프로모션 오픈 일정은 맞추기 어렵습니다. 다만, C 님의 소중한 의견이 묻히지 않도록 이 안건은 다음 안정화 스프린트 회의로 넘기는 게 어떨까요?”

그다음에는 팀의 Why를 근거로 우선순위를 다시 정렬합니다.

이 과정을 거치면 팀원은 자신의 의견이 무시당한 것이 아니라 ‘더 적절한 시기를 기다리고 있다’고 인식합니다. 회의의 목표를 지키면서도 가치의 우선순위를 정렬하는 방법입니다.

한계: 의지가 없다면 단호해지기

여기까지 왔다면 우리는 할 수 있는 모든 것을 다 했습니다.

What: 목표를 명확히 보여줬고,
How: 규칙을 세웠으며,
Why: 이유를 설득하고 가치의 우선순위까지 정렬했습니다.

이 정도 시스템이라면, 팀원의 95%는 딴소리를 멈추고 협력자로 바뀔 것입니다.

하지만 끝이 아닙니다. 만약 이 모든 것을 완벽하게 만들어도, 여전히 팔짱을 낀 채 딴소리를 하며 분위기를 흐리는 나머지 5%가 있다면 어떨까요? 시스템을 제공해도 거부하는 그들에게 우리는 어떤 카드를 꺼내야 할까요?

소통 vs 태도와 동기

여기서부터는 진단을 바꿔야 합니다. 이는 더 이상 회의 주최자가 해결할 수 있는 소통 문제의 영역이 아닙니다. 본질은 협업 태도의 문제입니다. 시스템으로 개선할 소통 문제에 비하면, 동료의 태도와 동기 문제는 주최자가 고칠 범위가 아닙니다. 시스템을 따를 의지가 없는 참여자에게 더 정교한 회의 기법을 쓰는 것은 솔직히 시간 낭비에 가깝습니다.

이때는 친절한 진행자의 가면을 벗고, 단호한 심판자의 역할을 해야 합니다. 억지로 설득하려 들기보다는 정해진 규칙에 따라 논의를 중단시키거나 문제 해결을 상위 리더에게 위임하세요. 만약 통제가 불가능한 상황이 온다면, 감정적으로 맞서지 말고 건조하게 선을 긋는 것이 낫습니다.

“의견은 충분히 들었습니다. 하지만 정해진 규칙과 시간 안에 결론을 내려야 하는 관점으로, 이 논의는 여기서 중단하겠습니다. 이견이 있다면 회의록에 ‘미해결 안건’으로 남기고, 팀장님(결정권자)과 별도로 이야기하시죠.”

이처럼 명확한 선을 긋는 것 역시 주최자의 중요한 역할입니다. 해결할 수 없는 문제까지 끌어안으려다 회의 전체를 망치지 마세요. 주최자의 책임은 모두를 만족시키는 것이 아니라, 회의에 참여한 다수의 시간을 보호하는 것입니다.

회고로 개선하기

마지막으로, 딴소리 없는 회의를 유지하려면 시스템을 꾸준히 개선해야 합니다.

이를테면, 아이디어 발산이 중요한 프로젝트 초반에는 딴소리를 어느 정도 허용해야 할 수도 있고, 마감이 임박한 시점에는 군대식 통제가 필요할 수도 있습니다. 그럴 때는 (애자일 조직이라면) 회의 자체를 하나의 안건으로 ‘회고’에 올려보세요. 이런 질문을 던지면 좋습니다.

이번 스프린트 회의의 What은 명확했나요?
우리가 정한 How가 너무 빡빡해 창의성을 해치진 않았나요?

팀원 스스로 “‘나중에 논의’ 제도가 좋았다”거나 “시간이 너무 부족했다”처럼 솔직히 피드백하도록 장을 열어주세요. 회의의 규칙이 리더가 시킨 것이 아닌 우리가 함께 합의한 문화로 인식되는 순간, 딴소리는 자연스러운 자정 작용으로 사라질 것입니다.

마치며

지금까지 ‘회의 시간에 딴소리하는 팀원’이라는 골치 아픈 현상을 함께 살펴봤습니다. 첫 질문으로 돌아가 봅시다. “회의 시간에 딴소리하는 팀원, 고칠 수 있을까요?”

제 대답은 “시스템이 그들을 돕는다면 가능하다”입니다.

우리는 너무 쉽게 동료를 비난합니다. “눈치가 없다”, “이기적이다”, “말귀를 못 알아듣는다”. 하지만 그 비난의 손가락을 거두고 내가 설계한 회의실의 풍경을 다시 한번 점검해 보세요. 화이트보드에 목표(What)는 적혀 있었는지, 팀원들에게 규칙(How)을 주었는지, 그리고 이 회의의 이유(Why)를 충분히 설명했는지 말입니다.

딴소리는 팀원의 입에서 나오지만, 그 원인은 회의 방식에도 숨어 있습니다. 어떻게 보면 딴소리는 ‘지금 이 회의의 시스템이 고장 났습니다’라는 경고음입니다. 그럴 때는 경고음을 낸 사람을 탓하기보다 시스템을 먼저 수리해 보세요. 말 잘 듣는 팀원을 찾기보다 누가 들어와도 몰입할 수밖에 없는 회의를 설계하는 것이 빠릅니다.

이렇게 What, Why, How가 제대로 채워진 회의실에서는 더 이상 낭비되는 시간이 없을 겁니다. 지금 당장, 다음 회의의 What을 적어보는 건 어떨까요?

]]>

AI 버블인지 아닌지가 당신의 스타트업에 중요한가?

국내 IT 기업은 한국을 넘어 세계를 무대로 할 정도로 뛰어난 기술과 아이디어를 자랑합니다. 이들은 기업 블로그를 통해 이러한 정보를 공개하고 있습니다. 요즘IT는 각 기업의 특색 있고 유익한 콘텐츠를 소개하는 시리즈를 준비했습니다. 이들은 어떻게 사고하고, 어떤 방식으로 일하고 있을까요?

이번 글에서는 국내 VC ‘매쉬업벤처스’의 박은우 파트너가 AI 시대의 스타트업이 알아야 할 원칙들을 소개합니다. 일론 머스크와 정주영, 워렌 버핏이 말하는 성공 원칙을 기반으로, 세대를 넘어서는 플레이북을 전합니다.

*이 글은 2025년에 쓰였습니다. 하지만 출발점은 1986년입니다.

AI 라는 단어 하나에 비(非)이성적인 기업 가치를 인정받는 시대

안녕하세요,매쉬업벤처스박은우 파트너입니다.최근 OpenAI의 CEO인 샘 올트먼(Sam Altman)은 기자들과의 대화에서 AI 스타트업 열풍에 대해 직설적인 발언을 내놓았습니다.

“우리는 투자자들이 AI에 지나치게 열광하고 있는 시기에 살고 있는가? 내 생각은 그렇다. 세 명의 직원과 아이디어만으로 비상식적인 밸류에이션을 받는 AI 스타트업들이 있고, 이런 상황은 합리적이지 않다.”
“Are we in that phase where investors as a whole are overexcited about AI? My opinion is yes. Some AI startups with three people and an idea are raising money at valuations that don’t make sense. That’s not rational behavior.”

세계 최대 AI 플레이어의 수장이 스스로 ‘버블’을 언급한 것은 업계에 큰 충격을 주었습니다. “지금은 AI 버블인가요?”라는 질문은 창업자와 투자자 모두에게 끊임없이 던져지고 있습니다.

하지만 더 중요한 질문은 이것입니다.

“AI 버블인지 아닌지가 당신의 창업에 중요한가?”

인터넷 시대, 모바일 시대에도 늘 버블론은 존재했습니다. 닷컴 버블이 있었지만 그 와중에 구글, 아마존 같은 기업은 탄생했습니다. 글로벌 금융위기, 코로나 팬데믹 같은 불확실성 속에서도 수많은 유니콘이 등장했습니다. 결국 중요한 것은 시장의 과열 여부가 아니라, 본질과 노이즈를 구분하고, 진짜 문제에 에너지를 쓰는 것입니다. AI 버블이 존재하더라도, 문제를 다시 정의할 수 있는 창업자에게는 언제나 기회가 존재합니다.

AI 버블론이 대두되는 이 시점에, 시대가 바뀌어도 변하지 않는 창업의 원칙, 즉 ‘세대를 넘어서는 기업을 만드는 불멸의 창업자 플레이북’을 단계별로 정리해 보고자 합니다. 이를 세 단계로 나누어 작성하였습니다.

1단계: 사고(First Principles Thinking)
2단계: 증명(Product-Market Fit)
3단계: 방어(Economic Moat)

1단계: 사고(First Principles Thinking) - 세대를 넘어서는 기업의 출발점

세상을 바꾸는 스타트업의 시작은, 문제(Problem)를 어떻게 바라보는지에 대한 사고방식에서 시작됩니다. 기본적으로 인류는 ‘유추적 사고(Analogical Thinking)’로 세상을 보도록 진화해 왔습니다. 기존에 존재하는 사례를 참고하고, 다른 사람들의 방식을 모방하여 추론하고 개선점을 찾습니다. 이는 익숙하고 빠르지만, 새로운 것에 도달하는 데는 한계가 있습니다. 그렇다면 창업자는 어떻게 ‘유추적 사고’의 유혹을 이길 수 있을까요?

‘일원칙 사고(First Principles Thinking)’는 문제를 근본 단위로 쪼개서 다시 생각하는 방식입니다. 사물과 현상을 가장 기본적인 사실로 환원하고, 거기서부터 논리적으로 다시 쌓아 올립니다. 물리학적 접근이라고도 불리는 이 방식은 더 많은 정신적 에너지를 필요로 하지만, 기존에 없는 완전히 새로운 해답을 만들어 냅니다.

로켓과 전기차의 시대를 앞당긴 물리학적인 일원칙

일론 머스크는 이 일원칙 사고를 몸소 실천하는 대표적인 인물입니다. 일론 머스크가 로켓 산업에 뛰어들었을 때 모두가 미쳤다고 말했습니다. 당시 발사 비용은 수천억 원에 달했고, 민간 기업이 감당할 수 있는 수준이 아니었습니다. 그러나 그는 기존 방식을 그대로 받아들이지 않았습니다. “로켓은 왜 이렇게 비싼가?”라는 질문을 던지고, 알루미늄, 탄소섬유, 연료 등 원자재 단가부터 역산했습니다. 그 결과, 실제 제조 비용은 기존 비용의 10분의 1 수준으로도 가능하다는 결론에 도달했습니다. 스페이스엑스(SpaceX)는 바로 이 질문 하나에서 시작되었습니다.

일론 머스크의 또 다른 사례는 전기차 입니다. 당시 대부분의 기업들은 “배터리는 원래 비싸다”라는 것을 전제로 전기차를 비싸게 생산하고 있었습니다. 그러나 일론 머스크는 “배터리는 어떤 재료로 구성되는가?”라는 질문부터 시작했습니다. 그리고 코발트, 니켈, 알루미늄, 폴리머 등의 시세를 런던 금속 거래소에서 구매하는 가격으로 직접 계산한 결과, 기존의 kWh당 600달러 대신 80달러 수준에서도 제조가 가능하다는 사실을 확인했습니다. 어찌보면 단순해 보이는 이 ‘원재료 단위의 재해석’이 오늘날 테슬라(Tesla)의 출발점이었습니다.

<출처: wikimedia commons>

“이봐, 해봤어?”와 ‘정주영 공법’의 탄생

흥미롭게도 이런 일원칙 사고는 한국의 대표적인 기업인 현대의 창업자, 아산 정주영에게서도 찾아볼 수 있습니다. 아마 많은 분들이 기억하는 정주영 창업자의 가장 유명한 명언은 “이봐, 해봤어?” 입니다. 많은 사람들이 불가능하다고 말할 때, 정주영은 그들의 주장의 근거를 묻지 않았습니다. 대신 “안 된다”는 말 속에 숨은 전제를 의심했고, “왜 안 되는가?”를 본질적으로 다시 물었습니다. 그에게 유추적 사고는 남의 실패를 근거로 자신의 한계를 정하는 일이었습니다. 반대로 일원칙 사고는 문제를 원자 단위로 쪼개어 다시 생각하는 것이었습니다.

<출처: 현대자동차그룹>

정주영의 대표적인 일원칙 사고 사례는 소위 ‘정주영 공법’이 등장하게 된 서산 간척지 방조제 공사입니다. 당시 기술자들은 서산 앞바다를 막기 위해 방조제용 흙과 돌을 실어 나르는 데에만 수천 척의 배가 필요한데다가, 9m의 조수간만 차와 초당 8m가 넘는 유속을 이유로 공사가 불가능하다고 판단했습니다. 하지만 정주영은 여기서 멈추지 않았습니다. “기존 공법이 문제라면, 공법 자체를 다시 설계하면 된다”고 생각했습니다.

“물을 막기 위해 수천 척의 배가 필요하다면, 수천 척 규모의 배 자체를 흙으로 쓰면 어떨까?”

그리고 그는 퇴역 유조선을 끌고 와 바다에 가라앉혀 방조제의 기초로 삼았습니다. 이 비상식적인 접근은 수년이 걸릴 공사를 몇 달만에 끝나게 했고, 이는 현대건설이 세계 최초로 개발한 유조선 공법, 즉 ‘정주영 공법’의 탄생으로 이어졌습니다.

<출처: 아산리더십아카이브>

정주영의 “해봤어?”는 단순한 도전 정신만을 의미하지 않습니다. 세상이 당연하다고 여기는 전제를 의심하고, 문제의 구조를 다시 짜는 사고 였습니다. ‘타인의 불가능’을 자신의 기준으로 삼지 않은 그의 철학은 일론 머스크의 일원칙 사고와 본질적으로 동일합니다.

AI 시대에도 원리는 동일합니다. 과열된 자본과 기술의 소음 속에서도 진짜 기회를 찾는 창업자는, 기술이 아니라 문제의 정의를 다시 쓰는 사람입니다. AI 모델의 파라미터보다 더 중요한 것은, 문제를 바라보는 프레임입니다. 결국 버블인지 아닌지는 중요하지 않습니다. 남들이 당연하다고 믿는 것을 다시 묻는 능력, 그것이 세대를 넘어서는 기업의 출발점입니다. 누군가 “그건 OpenAI가 하면 되는 거 아니야?”라고 말하더라도, 정주영이라면 이렇게 답했을 것입니다.

“그래서, 해봤어?”

2단계: 증명(Product-Market Fit) - Retention is All you Need

현대와 스페이스엑스가 그렇듯, 세대를 넘어 살아남는 기업은 언제나 다르게 생각한 사람들에게서 시작됩니다. 그러나 사고만으로 기업은 만들어지지 않습니다. 생각이 시장에서 증명될 때, 비로소 창업은 현실이 됩니다. 창업의 시작이 사고에서 출발 한다면, 다음으로 그 두 번째 단계, ‘증명(Product-Market Fit)’의 이야기를 이어가겠습니다.

Retention, Retention, Retention

PMF를 확인하기 위한 단 하나의 지표가 있다면, 그것은 리텐션(Retention: 잔존율) 입니다. 제품이 시장에서 고객에게 인정 받았다는 가장 확실한 신호는 고객이 얼마나 이 제품을 사랑하는지를 확인하는 것 입니다.

a16z의 파트너이자 Uber의 그로스를 담당했던 Andrew Chen은 ‘Why retention is so hard for new tech products’라는 글에서 스타트업 제품의 리텐션의 주요 특징을 나열하며, 리텐션의 중요성에 대해 강조하고 있습니다. “초기 리텐션은 고칠 수 없다”, “리텐션은 하락하기만 한다”, “사용자를 잃는 것은 매우 쉽지만, 다시 돌아오게 만드는 것은 거의 불가능하다”, “리텐션이 낮은 상태에서의 바이럴 성장은 제품을 파괴한다”와 같은 원칙들은 왜 리텐션이 스타트업이 성공하는데 가장 중요한 요소인지를 잘 알려주고 있습니다.

AI 시대의 PMF: 핵심 경험을 찾아서

그렇다면 AI 시대의 제품이 PMF를 찾는다는 것은 어떤 의미일까요? 미국 VC들이 사랑하는 AI 회의록 앱으로 주목 받았던 Granola는 높은 리텐션을 자랑하는 AI 제품으로 유명합니다. Granola는 가입 후 10주차 리텐션이 무려 50%에 육박하는 높은 고착도(Stickness)를 갖고 있습니다. Granola의 창업자 Chris Pedregal은 인터뷰에서 AI 제품 리텐션의 핵심은 기능(Feature)의 수가 아니라, 한 가지 핵심 경험(Core Interaction)에 집중한 결과라고 밝힌 바 있습니다.

여기서 핵심 경험이란 사용자가 제품을 사용하는 단 하나의 자연스럽고 반복 가능한 행동을 의미합니다. Granola 개발팀은 최초 버전의 제품이 갖고 있던 여러 AI 기능(요약, 자동 태깅, 액션 아이템 도출 등)을 과감히 버렸습니다. 그리고 ‘회의가 끝나면 AI가 메모를 정리해주는 경험’만 남겼을 때 리텐션이 급격히 상승했고, 이 과정을 통해 핵심 경험의 중요성을 체감하게 되었다고 합니다. 그리고 리텐션을 높이기 위한 핵심 경험을 탐색하는 과정에 대해 다음과 같은 원칙을 강조합니다.

Lead with intuition backed by context.

“사용자에게 이야기하고, 그들이 말한 것을 그대로 기록해서 그대로 실행하는 게 핵심이 아닙니다. 진짜 중요한 것은 ‘무엇이 좋게 느껴지고, 무엇이 나쁘게 느껴지는지’에 대한 내적 직관 모델을 만드는 것입니다.”

Pick up the phone and talk to your users.

“글로 된 피드백은 단지 하나의 데이터일 뿐입니다. 하지만 사람을 직접 만나고, 그들의 전체 맥락을 볼 수 있을 때 훨씬 더 명확해집니다. (Granola가 성장하면서) 우리는 Slack을 통해 이런 대화를 이어가고, 주기적으로 통화도 합니다.”

Build products with character.

“제품을 만들 때 사람들의 의견에 반응해야 하지만, 스스로의 관점이나 철학이 없다면 그건 결국 공허한 제품이 됩니다.”

Know when to lean on user feedback.

“우리는 예전에는 고등학생을 위한 제품을 만들고 있었어요. 그들은 저와 완전히 다른 세대였기 때문에, 제 직관만으로는 사용자가 무엇을 원할지 신뢰할 수 없었습니다.”

위와 같은 과정을 통해 PMF를 찾는 과정의 핵심은 AI 기능이 아니라 사용자의 실제 워크플로우에 딱 맞는 인터렉션을 찾는 것임을 알 수 있습니다. 단순하게 시장의 신호를 수집하는 것에서 그치는 것이 아니라 자신의 직관을 검증 가능한 맥락으로 보완하는 것이 중요합니다. 특히, Chris는 “AI makes it easy to demo, but hard to sustain delight.” 라는 표현으로 AI 제품을 만드는 스타트업 창업자들이 제품을 만드는 과정에서 놓치지 말아야 할 진실을 전달하고 있습니다.

<출처: EVERY>

AI 리텐션 벤치마크: AI 제품의 리텐션 측정

그렇다면 실무적으로 AI 시대의 제품들은 어떻게 리텐션을 해석해야 할까요? 기본적으로 AI 제품의 리텐션은 기존 SaaS와 전혀 다른 구조를 가집니다. a16z는 자사의 블로그에서 AI 제품이 SaaS 제품들과 비교할 때 리텐션이 약한 것이 아니라, 측정이 어려운 것이라고 지적하고 있습니다.

월 단위로 결제하는 셀프 서브(Self-Serve) AI 제품은 초기에 체험형 유저(AI Tourists)가 대거 유입되어 두 달(M2)이 지나기 전 구간의 급격한 이탈(churn)이 발생합니다. 그러나 이는 제품의 본질을 반영하지는 않습니다. 이에 M0이 아니라 M3을 기준으로 리텐션을 리베이스(rebase)해야 한다고 제안합니다. M3 시점에 남아 있는 유저가 실제 핵심 경험을 시작한 사용자이며, 이 코호트의 잔존율이 PMF의 진짜 신호라는 것입니다. 즉, AI 제품의 PMF는 초기 하락 곡선이 아니라 M3 이후의 안정화 지점(Flat Curve)에서 검증할 수 있습니다.

SaaS보다 더욱 강해지는 AI 리텐션(Smiling Curve + Expansion 메커니즘)

a16z는 또한 AI 제품이 장기적으로는 SaaS보다 더 강한 리텐션과 더 높은 NDR(Net Dollar Retention)을 만들 수 있다고 분석합니다.

이유는 명확합니다. 시간의 흐름과 함께 모델 성능이 비약적으로 개선되고, 새로운 워크플로우와 기능이 자연스럽게 사용자 행동에 흡수되기 때문입니다. 이 과정에서 일부 떠났던 사용자도 다시 돌아오고, 기존 사용자들은 더 많은 사용량을 발생시키며 스마일 형태의 리텐션(Smiling Retention Curve)를 형성합니다. 특히 M9~M12 이후에는 사용량 기반 가격체계가 비즈니스 모델의 확장을 강화하면서 단순 유지가 아닌 매출 성장으로 이어집니다.

아래 첨부한 ChatGPT의 리텐션 그래프는 이와 같은 현상을 잘 보여주고 있습니다. 결국 AI 제품의 리텐션은 ‘사용자 수 유지’를 넘어, 시간이 지날수록 가치가 누적되는 구조를 만들어내며 PMF의 강도를 더욱 높여줍니다.

<출처: a16z>

3단계: 방어(Economic Moat) - 오마하의 현인이 주는 교훈

앞서 AI 시대에도 살아남는 제품은 결국 리텐션을 통한 PMF를 찾는 것이 핵심이라는 것을 확인했습니다. 그렇다면 PMF를 찾은 이후에도 지속 가능한 회사는 어떤 해자(Moat)를 갖추어야 할까요?

혹자는 AI 시대의 해자가 속도(Velocity) 혹은 바이럴(Virality)이라고도 하고, 더 나아가 모멘텀(Momentum)이라고 말하는 이도 있습니다. 하지만 저는 이 같은 요소들이 AI 제품 런칭 초기에는 유의미한 방어 전략일 수 있어도, 지속 가능성이 있는 해자라고 생각하지 않습니다. 이와 관련하여 NFX는 ‘How AI Companies Will Build Real Defensibility’라는 글을 통해 AI 시대에 필요한 방어 전략을 모트와 베일리 전략(Motte-and-Bailey Strategy)라는 이름으로 명명한 바 있습니다.

<출처: 작가, 챗GPT로 제작>

모트와 베일리(Motte-and-Bailey)는 중세 유럽에서 널리 사용되던 초기 형태의 성채 구조입니다. 모트(Motte)는 인공 언덕 위에 세워진 탑으로, 공격을 받을 때 최후로 대피하는 핵심 방어 거점입니다. 이는 외부 공격에는 강하지만, 공간이 작아 일상생활을 하기는 어렵습니다. 반면 베일리(Bailey)는 모트 아래의 넓은 평지에 위치한 마을형 공간으로, 성벽과 물이 찬 해자(Moat)로 둘러싸여 있습니다. 거주지와 창고가 있어 활동성과 확장성이 있지만, 모트에 비해서 방어력은 낮은 공간입니다.

NFX의 Pete Flint 파트너는 이 같은 중세시대의 모트와 베일리 구조에서 착안하여 AI 스타트업이 방어력(Defensibility)를 갖추는데 필요한 전략을 설명하고 있습니다. 즉, AI 시대에 들어서면서 속도 중심의 경쟁 환경이 강화되었기 때문에, 단기적, 장기적인 방어 전략을 순차적으로 갖추어 나갈 필요가 있다고 강조합니다. 이를 위한 핵심 프레임워크가 모트와 베일리 전략이며, 초기에는 빠르게 규모를 키우면서 ‘베일리(Bailey)’를 만들고, 시간이 흐를수록 ‘모트(Motte)’가 될 수 있는 방어력을 갖추는 형태로 전환해야 한다는 것입니다.

초기 단계의 방어력을 만드는 요소인 베일리는 크게 확산(Distribution), 속도(Speed), 브랜드(Brand), 데이터(Data)로 나눠 볼 수 있습니다.

확산: AI 시대의 GTM 전략(Community-Led Growth, Product-Led Virality)을 통해 초기 사용자를 빠르게 확보하는 것
빠른 스케일링: 빠른 반복 개선(Iteration) 속도, 대규모 자본 투입으로 컴퓨팅(Compute scale)을 확장하여 제품 성능과 사용자 경험을 빠르게 개선하는 것
브랜드 모멘텀: 경쟁 제품이 많고, 기능 격차가 적은 시점에는 브랜드 신뢰도를 쌓음으로 차별화하는 것
데이터 해자: 독점적인 데이터(Proprietary Data)를 기반으로 제품 성능 격차를 통해 초기 경쟁 우위 확보하는 것

장기적인 견고한 방어력을 만드는 모트는 결국 ‘네트워크 효과(Network Effect)를 어떻게 만들 것인가’로 귀결됩니다. 전통적으로 네트워크 효과는 사용자 증가가 서비스 자체의 효용성을 증가시키는 구조를 의미합니다. 페이스북이나 왓츠앱과 같은 소셜 네트워크나 우버와 같은 서비스들이 네트워크 효과를 통해 견고한 제국을 만든 대표적인 사례입니다. 반면 AI 시대에는 좀 더 진화된 형태의 네트워크 효과를 만들 수 있습니다.

컨텍스트+메모리의 콜라보 = 개인 생산성 네트워크: 사용자의 맥락과 메모리가 AI에 누적되며, AI와 더 많은 작업을 할수록 개인(또는 팀)의 고유한 선호와 규칙을 학습하는 구조 (ex. ChatGPT의 memory, Cursor의 팀 기반 구조)‍
AI-네이티브 확산: 허브-스포크 네트워크 효과: TikTok과 같은 플랫폼에서 소수의 인기 콘텐츠를 집중 노출하여 사용자(크리에이터)의 참여를 유도하고, 콘텐츠가 지속적으로 재생산되는 구조 (ex. Character.AI에서 해리 포터와 같은 인기 캐릭터가 플랫폼 전면 노출을 통해 하루 만에 수백만 대화를 생성하고 사용자 유입을 촉진)‍
AI-에이전트 네트워크1. 프로토콜 네트워크 효과: 여러 에이전트가 공통의 프로토콜로 대화하고 맥락을 공유함으로써, 한 에이전트의 기능이 개선되면 전체 네트워크로 빠르게 퍼지는 구조 (ex. LangChain)‍
AI-에이전트 네트워크2. 행동 라이브러리 네트워크 효과: 에이전트들이 사용할 수 있는 API, 툴, 워크플로우 등이 확장되면서 모든 에이전트의 기능적 성능이 강화 (ex. MCP 기반의 멀티 에이전트 워크플로우)

이와 같은 AI 시대의 네트워크 효과는 장기적으로 개인 및 조직의 워크플로우에 깊숙히 침투합니다. 이를 통해 문서나 가이드라인을 넘어 실제로 사용하는 데이터 구조까지 AI와 결합시키면서, 시스템 단위의 락인(Systematic Lock-in) 효과를 만들어 냅니다. 이렇게 AI와 조직의 전반적인 워크플로우가 결합하면서 만들어지는 네트워크 효과는 탈출 비용을 기하급수적으로 증가시키며 장기적인 방어력인 모트로 동작하게 됩니다.

<출처: 챗GPT로 제작>

경제적 해자와 워렌 버핏

그렇다면 기업이 해자를 만들고 견고한 성벽을 쌓는 전략은 언제부터 주목 받게 된 것일까요? 놀랍게도 기업 경영 관점에서의 해자라는 개념이 처음 등장한 것은 1986년 입니다.

경제적 해자(Economic Moat)는 2025년 은퇴를 선언한 오마하의 현인, 워렌 버핏이 1986년도에 작성한 버크셔 헤서웨이(Berkshire Hathaway)의 주주서한에서 처음 등장합니다. 이후 워렌 버핏은 2000년대 초반에 경제적 해자의 개념을 구체적으로 카테고리화하며, 버크셔 헤서웨이의 포트폴리오 전략에도 반영합니다.

브랜드 해자(Brand Moat): 소비자가 대체 불가한 브랜드 (ex. Coca-Cola, Apple)
네트워크 효과(Network Effects): 사용자 증가가 가치 증가로 이어지는 구조 (ex. American Express)
비용 우위(Cost Advantage): 규모의 경제 기반 낮은 단가 구조 (ex. GEICO)
전환 비용(Switching Costs): 전환 비용이 높아지도록 만드는 구조 (ex. Moody's)
규제/라이선스 해자(Regulatory/Licensing Moat): 규제 장벽을 통한 신규 경쟁자 진입 방지 (ex. BNSF Railway)
지식재산(IP) 기반 해자(Intellectual Property Moat): 특허, 데이터 기반 (ex. Google)

<출처: wikimedia commons>

이처럼 경제적 해자를 만들고 견고한 성벽을 쌓는 전략은 AI 시대뿐만 아니라 과거부터 지속가능한 기업이 되기 위한 가장 기초적인 개념입니다. 그리고 워렌 버핏과 버크셔 헤서웨이의 포트폴리오 기업들을 통해, 이미 우리 곁에 있는 많은 위대한 기업들이 경제적 해자를 구축하는 전략을 추진하고 있다는 것을 확인할 수 있습니다.

대 AI의 시대: 어떻게 불멸할 것인가

세상을 바꾸고자 하는 많은 창업자들에게 지금은 마치 15세기의 대항해시대에 버금가는 대 AI의 시대가 열렸습니다. 그리고 너무나도 빠른 변화 속에서 지금은 무엇이 맞고, 무엇이 틀리는지조차 쫓아가기 어려운 지경에 이르고 있습니다. 이처럼 어지러운 세상에서 스타트업에 도전하는 창업자들에게 아마존의 창업자인 제프 베조스는 “바뀌지 않는 것에 집중(Focus on the things that don't change)하라”고 말하고 있습니다.

<출처: wikimedia commons>

일론 머스크와 정주영의 일원칙 사고, 고객의 마음을 사로잡는 리텐션, 그리고 오마하의 현인이 이미 입증한 경제적 해자. AI 시대를 넘어 싱귤래리티의 시대가 온다고 하더라도 이 세가지는 바뀌지 않는 스타트업의 플레이북입니다.

이 글을 보고 있는 여러분은 어떤 제품을, 그리고 어떤 회사를 만들고 계신가요? GPT-5.1, Gemini 3, Claude Opus 4.5가 출시할 때마다 바람 앞의 등불처럼 흔들리는 제품을 만들고 있나요? 아니면 기술의 파도 위에서도 굳건히 자리를 지킬 ‘본질’을 가진 기업을 만들고 있나요?

[매쉬업벤처스가 AI 네이티브 창업자를 찾습니다]

AI 네이티브 UX로 특정 산업의 문제를 새롭게 정의하며, 최첨단 모델도 탐내는 해자를 구축하는 팀
부분 자율 앱에서 시작해 셀프 드라이빙 서비스로 발전시킬 기술과 제품 로드맵을 가진 팀

매쉬업벤처스와 함께 AI의 미래를 만들어갈 창업자들은 아래 버튼을 눌러 연락주세요.

<원문>

AI 버블론과 세대를 넘어서는 불멸의 플레이북

]]>

설문조사 대충 할 거면 안 하는 것이 낫습니다

설문은 단순한 의견 수집이 아닙니다. 설문 결과는 기능 우선순위, 정책 변경, 예산 집행의 근거가 됩니다. 즉, 아주 중요한 의사결정의 입력값으로 쓰인다는 겁니다.

다만, 입력값이 흐리면 결과도 흐려집니다. 그래서 설문을 ‘대충’ 만들수록, 나중에 치르는 비용이 커집니다. 잘못된 문항으로 얻은 결과를 바탕으로 기능을 만들면 개발 리소스가 낭비됩니다. 잘못된 가설 검증으로 캠페인을 집행하면 마케팅 비용이 새어 나갑니다. 나중에 다시 설문을 돌리거나 인터뷰로 보정하는 데도 시간이 듭니다. 결국 “빨리 폼 만들기”가 “늦게 다시 하기”로 바뀝니다.

문제는 이러한 설문을 보통 전문가가 진행하지 않는다는 사실이죠. 기획자나 마케터, 때로는 CX 담당자가 급히 대강 질문들을 주워담아 내보내는 것이 현실입니다.

그래서 이 글은 ‘정교한’ 설문을 ‘많이’ 받는 법보다, 꼭 필요한 답을 누구나 제때 잘 받는 법에 초점을 둡니다.

이 글에서 다룰 3단계

1단계. 설계: 왜 설문이 필요한지, 누구에게 물어야 하는지부터 정리합니다. 목표와 프로세스를 맞춘 다음, 문항과 보상까지 설계합니다.
2단계. 제작: 설문을 담는 폼을 어떻게 만들지 결정합니다. 설문용 프로덕트를 고르고, 응답 흐름과 UX를 조정합니다. 문장과 선택지를 실제 응답 상황에 맞게 다듬습니다.
3단계. 배포: 어디에, 언제, 어떤 안내로 배포할지 정합니다. 배포 공간의 맥락과 타이밍에 따라 응답자 풀이 달라집니다. 같은 설문도 배포 방식에 따라 결과가 달라질 수 있습니다.

‘응답을 못 받는 설문’이 아니라 ‘잘못 묻는 설문’이 더 위험하다

설문이 실패하는 이유를 “응답이 적어서”로만 보면 대책도 단순해집니다. 링크를 더 뿌리고, 보상을 올리고, 마감 알림을 보내는 식입니다. 하지만 현장에서 더 위험한 실패는 응답을 못 받는 설문이 아니라 잘못 묻는 설문입니다. 응답이 많이 모여도 결론이 틀리면 그 다음 액션이 더 큰 비용을 만듭니다.

설문 실패는 보통 3가지로 나뉜다

설문이 기대한 역할을 못 할 때는 보통 세 갈래로 분해됩니다. 첫째는 응답률 문제입니다. 표본이 너무 적어 의사결정에 쓰기 어려운 상태입니다. 둘째는 대표성 문제입니다. 응답은 많지만 특정 집단만 몰려 전체 사용자를 대변하지 못합니다. 셋째는 측정 오류입니다. 문항이 의도를 잘 담지 못해 데이터가 있어도 해석이 흔들립니다.

응답률과 대표성은 겉으로 보이니 빨리 알아차립니다. 반면 측정 오류는 결과가 “그럴듯하게” 보여 더 늦게 발견됩니다. 특히 폼을 빠르게 만들수록 문항 검증을 건너뛰기 쉽습니다. 설문용 프로덕트가 좋아질수록 배포는 쉬워지지만, 질문이 좋아지는 건 아닙니다. 그래서 설문을 시작하기 전, 실패 유형부터 분리해 보는 게 안전합니다.

문항이 바뀌면 결론도 바뀐다

예를 들어 “이 기능이 만족스러우셨나요?” 같은 문항은 흔합니다. 하지만 이 질문은 기능 자체보다 최근 경험이나 기대치에 더 크게 흔들립니다. 같은 상황에서 “이 기능으로 목표를 달성했나요?”로 바꾸면 만족이 아니라 성과를 측정하게 됩니다. 문항 하나가 바뀌면 팀이 얻는 결론도 달라집니다.

또 다른 흔한 예는 선택지를 설계하지 않은 경우입니다. “불편한 점을 적어주세요”는 자유롭지만, 응답은 정리하기 어렵습니다. 반대로 “어디가 불편했나요?”에 문항을 쪼개고 선택지를 주면 패턴이 보이기 시작합니다.

다만, 이때 선택지가 사용자의 언어가 아니라 팀 내부 용어라면 측정오류가 생깁니다. 설문은 ‘묻는 방식’이 결과를 만든다는 점을 먼저 인정해야 합니다.

설문이 필요한 순간과 그렇지 않은 순간을 구분한다

설문은 만능 도구가 아닙니다. 보통은 아래 상황에서 효과가 납니다. 질문이 명확하고, 비교 가능한 데이터가 필요할 때입니다.

가설 검증: “A가 B보다 선호된다”처럼 비교 질문이 있을 때
우선순위 결정: 여러 이슈 중 무엇부터 해결할지 정해야 할 때
만족도 확인: 릴리스 이후 변화가 긍정적으로 받아들여졌는지 볼 때
리서치 보조: 인터뷰 전후로 넓게 스크리닝하거나, 분포를 확인할 때

반대로 설문보다 다른 방법이 더 적합한 순간도 많습니다. 사용자가 실제로 무엇을 했는지 봐야 한다면 설문은 기억과 인상에 의존합니다.

예를 들어 전환 문제는 로그나 퍼널로 먼저 확인하는 편이 빠릅니다. 사용 흐름의 막힘은 세션 리플레이나 사용성 테스트가 더 직접적입니다. 설문은 ‘모든 걸 묻는 폼’이 아니라 지금 필요한 답을 가장 싸게 얻는 도구로 제한해서 써야 합니다.

설문조사라는 작업의 성격과 한계를 아주 간단히 짚어봤습니다. 이제 본격적으로 ‘대충’하지 않는 설문조사를 위한 3가지 단계를 밟아보시죠.

1단계. 설계하기

설문을 설계할 때는 먼저 변수를 정리해야 합니다. 대상 적합성, 문항 난이도, 설문 길이가 대표적입니다. 이 셋은 응답률과 데이터 품질을 동시에 흔듭니다. 폼을 만들기 전에, 어떤 변수를 우선할지 합의하는 편이 안전합니다.

대상 적합성은 “이 질문을 답할 수 있는 사람인가”에 가깝습니다. 대상이 어긋나면 설문을 많이 받아도 결론이 흐려집니다. 문항 난이도는 이해 비용을 뜻합니다. 용어가 어렵거나 맥락이 부족하면 중도 이탈이 늘어납니다. 설문 길이는 체감 시간이 핵심입니다. 문항 수가 같아도 서술형이 많으면 길게 느껴집니다.

대상 검토: 누구에게 물을지, 모집이 되는지

대상 검토는 “누구에게 물을지”를 한 문장으로 정의하는 일입니다. 예를 들어 “최근 30일 내 기능 A를 1회 이상 사용한 유료 플랜 사용자”처럼요. 그다음은 모집 가능성을 점검해야 합니다. 사내 메일, 앱 푸시, 커뮤니티 등 실제로 닿는 채널에서 표본이 충분한지 확인합니다. 대상이 좁을수록 응답률 방어 장치가 필요합니다. 예를 들면 배포 기간을 늘리거나 보상을 조정하는 방식입니다.

프로세스 정리: 수집-정제-분석-공유 플로우 만들기

설문은 폼을 열어두는 순간부터 운영 업무가 시작됩니다. 먼저 수집 단계에서 누가 링크를 배포하고, 어디에 응답이 쌓이는지 정합니다. 다음은 정제 단계입니다. 중복 응답, 무의미한 서술형, 조건 불일치 응답을 어떻게 처리할지 룰이 필요합니다. 분석 단계에서는 지표와 컷을 미리 정해두면 해석이 흔들리지 않습니다. 마지막으로 공유 단계에서 결과를 누구에게, 어떤 형식으로, 언제 전달할지까지 포함해 운영 플로우를 문서로 남깁니다.

문항 만들기: 질문 유형과 순서 설계

문항을 만들 때는 질문 유형을 먼저 고릅니다. 단일 선택은 결정을 강제할 때 유리합니다. 복수 선택은 탐색에 좋지만, 해석이 흐려질 수 있습니다. 척도형은 비교가 쉽지만, 척도 정의가 불명확하면 응답이 흔들립니다. 서술형은 인사이트가 깊지만, 응답 부담이 커서 설문 길이를 늘립니다.

문항 순서도 응답 품질에 영향을 줍니다. 앞부분에는 워밍업 질문을 둬서 맥락을 잡습니다. 핵심 문항은 중간에 배치해 이탈 전에 답을 받습니다. 민감한 질문이나 어려운 질문은 뒤로 미루는 편이 안전합니다. 마지막에는 인구통계나 세그먼트 문항을 배치해 흐름을 마무리합니다.

보상 설계: 응답과 편향의 트레이드오프

보상은 응답률을 올리지만, 편향을 만들 수 있습니다. 금전 보상은 빠르지만, 보상만 노리는 응답이 섞일 위험이 있습니다. 추첨 보상은 예산을 통제하기 좋지만, 기대감이 낮으면 참여가 줄 수 있습니다. 비금전 보상은 비용을 줄이지만, 대상에게 의미가 없으면 효과가 거의 없습니다.

윤리와 예산도 함께 봐야 합니다. 과한 보상은 특정 집단만 끌어들여 표본을 왜곡할 수 있습니다. 반대로 보상이 없으면 필요한 수의 응답을 못 받을 수 있습니다. 설문 목적, 대상 특성, 설문 길이를 기준으로 보상 수준을 정하고, 설문용 프로덕트에서 중복 방지나 응답 품질 체크 기능을 함께 쓰는 편이 안전합니다.

1.5단계: 설문 프로덕트 고르기

설문은 질문을 잘 만드는 일만으로 끝나지 않습니다. 어떤 설문용 프로덕트를 쓰느냐가 응답 경험을 바꾸고, 결과의 신뢰도에도 영향을 줍니다.

설문용 프로덕트 선택 기준

기능이 많다고 항상 좋은 선택이 되지는 않습니다. 중요한 것은 우리 상황에서 “언제, 왜” 필요한 기능인지 분명히 하는 일입니다. 아래 항목을 기준으로 요구사항을 먼저 정의하면, 도구 비교가 그나마 쉬워집니다.

권한: 편집자/뷰어/응답 확인 권한을 역할별로 나눌 수 있는가
공유: 링크 공개 범위, 조직 내부 제한, 접근 제어가 가능한가
익명성: 익명 응답이 가능한가, 식별 정보 수집을 끌 수 있는가
로직: 분기(조건부 문항), 표시 조건, 파이핑 같은 로직이 필요한가
내보내기: CSV/XLSX 등으로 내보내기 쉬운가, 원자료(raw) 확보가 가능한가
보안: 데이터 저장 위치, 접근 로그, 보관 정책을 확인할 수 있는가

이런 기준 아래, 3가지 핵심 기준인 응답률, 속도, 정교함을 중심으로 주요 프로덕트들을 정리했습니다.

UX·응답률 중심 설문: “응답자가 끝까지 답해야 할 때”

왼쪽부터 Typeform, Tally, 스모어, 왈라

응답자가 설문을 중간에 이탈하면, 좋은 문항도 의미가 줄어듭니다. 이 경우에는 완주 경험을 설계하기 쉬운 폼을 먼저 봐야 합니다. 이때는 화면 전환, 진행 표시, 입력 피로도가 응답률에 직결됩니다. 특히 모바일 응답 비중이 높을수록 UX 차이가 크게 납니다.

Typeform: 대화형 흐름을 중심으로 설문을 구성하기 쉽습니다. 한 번에 한 문항을 보여주는 방식이 익숙한 응답자에게 유리합니다. 완주율을 우선할 때 후보로 올릴 만합니다.
Tally: 가볍고 빠른 편집 경험을 제공합니다. 단순한 흐름의 설문을 빠르게 만들고 공유할 때 적합합니다. 제작과 수정 속도가 중요할 때 고려합니다.
스모어: 교육, 이벤트, 피드백 맥락에서 쓰기 편한 구성이 강점입니다. 안내 콘텐츠와 설문을 함께 배치하기 쉬운 편입니다. 참여 동기를 설명해야 하는 설문에 어울립니다.
왈라: UX 리서치, 인터뷰 성격의 설문에 맞춘 흐름을 만들기 좋습니다. 리서치 운영 관점의 기능이 필요한 경우를 상정합니다. 정성·정량을 함께 다루는 상황에서 검토합니다.

빠른 수집형 설문: “지금 당장 받아야 할 때”

왼쪽부터 Google Forms, MS Forms, 네이버폼, 모아폼

일정이 촉박하면, 설문을 잘 만드는 것보다 빨리 배포하고 수집하는 일이 우선이 됩니다. 이때는 로그인 장벽, 공유 편의, 협업 기능이 핵심입니다. 많은 사람이 이미 익숙한 도구일수록 응답 과정이 매끄럽습니다. 조직 내 설문이라면 계정 체계와 권한이 더 중요해집니다.

Google Forms: 무료로 시작하기 쉽고 공유가 간단합니다. 협업 편집도 기본으로 제공되어 팀 작업에 유리합니다. 빠르게 수집해야 할 때 기본값으로 자주 선택됩니다.
Microsoft Forms: 조직 계정 기반의 운영에 적합합니다. 사내 설문처럼 접근 제어가 필요한 상황에서 편합니다. Microsoft 365 환경에서 흐름이 자연스럽습니다.
네이버폼: 국내 사용자에게 접근성이 좋습니다. 응답자가 네이버 환경에 익숙한 경우 진입 장벽이 낮습니다. 대중 대상 설문에서 고려할 만합니다.
모아폼: 이벤트 신청, 응모, 예약처럼 운영형 폼에 강점이 있습니다. 설문이라기보다 접수 프로세스에 가까운 요구에 맞습니다. 짧은 기간에 신청을 모아야 할 때 유용합니다.

리서치·의사결정형 설문: “설문 결과로 결정을 내려야 할 때”

왼쪽부터 Survey Monkey, Qualtrics, 나우앤서베이

결정을 내려야 하는 설문은 수집보다 분석과 해석이 더 중요합니다. 표본 관리, 통계 기능, 비교 분석, 리포트 형태가 결과 품질을 좌우합니다. 템플릿과 분석 도구가 잘 갖춰져 있으면, 후처리 시간을 줄일 수 있습니다. 조직 규모가 크면 거버넌스와 보안 요건도 함께 봐야 합니다.

SurveyMonkey: 템플릿과 기본 통계, 비교 분석 흐름이 잘 정리되어 있습니다. 설문 운영 경험이 적어도 결과를 정리하기 수월합니다. 반복 조사나 정기 리포트에 적합합니다.
Qualtrics: 엔터프라이즈 리서치에서 많이 쓰이는 범주에 속합니다. 복잡한 로직, 권한 체계, 운영 관리가 필요한 조직에 맞습니다. 전사 단위 조사를 상정할 때 후보가 됩니다.
나우앤서베이: 국내 패널 기반 조사가 필요한 경우를 고려합니다. 자체 응답자를 모집해야 하는 상황에서 선택지가 됩니다. 시장 조사처럼 표본 확보가 관건일 때 검토합니다.

2단계. 제작하기

설문을 만들 때는 문항만큼이나 폼 UX가 결과를 좌우합니다. 특히 모바일에서의 입력 경험, 페이지 길이, 진행 표시 같은 요소는 이탈률에 직접 영향을 줍니다. 먼저 제작 단계에서 바뀔 수 있는 변수를 정리해 두면, 도구를 바꾸거나 문항을 수정해도 품질을 일정하게 유지할 수 있습니다. 설문은 ‘일단 만들고 돌리는 것’보다, 응답자가 끝까지 완주하도록 설계하는 작업에 가깝습니다.

제작 단계에서 먼저 정리할 변수

제작을 시작하기 전에 폼 UX 변수를 목록으로 고정해 두는 것이 좋습니다. 예를 들어 모바일 최적화 여부, 페이지 구성 방식(한 페이지 vs 여러 페이지), 진행률 표시 유무, 임시 저장 지원 같은 요소입니다. 이런 변수는 나중에 수정하려면 비용이 커지기 쉽습니다. 팀에서 다음 설문에도 재사용할 수 있도록 체크리스트 형태로 남겨두면, 설문 품질이 사람에 따라 흔들리는 문제를 줄일 수 있습니다.

특히 익명 설문이 필요한데 로그인 기반 도구를 쓰면, 응답자는 추적을 걱정할 수 있습니다. 반대로 보안 요구가 높은 조직에서 외부 공유가 쉬운 도구를 쓰면, 운영 리스크가 커질 수 있습니다. 그런 맥락에서 먼저 UX를 체크하고 설문용 프로덕트를 고를 수도 있습니다. 기능 비교보다 “응답자 불신을 만들지 않는가”를 먼저 보셔야 합니다.

응답 UX 조정 체크리스트

응답자가 설문을 중간에 포기하는 이유는 대개 ‘질문이 나빠서’가 아니라 ‘입력이 번거로워서’입니다. 그래서 문항을 확정한 뒤에는 응답 흐름을 UX 관점에서 다시 점검해야 합니다. 아래 항목을 체크리스트로 만들어, 배포 전마다 반복 확인하는 방식이 효과적입니다.

모바일: 한 화면에서 질문과 선택지가 끊기지 않는가
페이지 길이: 스크롤이 과도하지 않은가, 섹션을 나눌 필요는 없는가
진행 표시: 진행률/남은 문항 수가 보이는가, 예상 소요 시간을 안내했는가
필수값 최소화: 꼭 필요한 문항만 필수로 두었는가, 미응답 허용이 가능한가

필수값이 많아질수록 응답자는 “검사받는 느낌”을 받기 쉽습니다. 설문은 정보를 받는 도구이지만, 동시에 관계를 남기는 접점이기도 합니다. 같은 질문이어도 폼 구성에 따라 응답 품질이 달라질 수 있다는 점을 전제로 조정해야 합니다.

문장 최적화 규칙

제작 단계에서 가장 흔한 오류는 문항이 “작성자에게만 명확한 문장”이 되는 것입니다. 특히 ‘자주’, ‘적당히’, ‘빠르게’ 같은 모호어는 사람마다 기준이 달라 응답이 흔들립니다. 문항을 다듬을 때는 아래 규칙을 기준으로 문장을 정리해 두면 좋습니다.

모호함 제거: ‘가끔/자주/많이’ 대신 횟수나 빈도로 바꾸기
기간·범위 명시: “최근 2주”, “지난 분기”, “업무 시간 내”처럼 범위 고정하기
전문용어 치환: 내부 용어는 쉬운 표현으로 바꾸고, 필요하면 괄호로 설명하기

예를 들어 “최근에 기능을 자주 사용했나요?”는 해석이 갈립니다. “지난 7일 동안 해당 기능을 1회 이상 사용했나요?”처럼 기준을 박아야 비교 가능한 데이터가 됩니다. 이런 규칙은 문항을 늘리는 것이 아니라, 같은 설문에서 더 일관된 신호를 얻기 위한 최소 조건입니다.

질문 텍스트 제작의 3가지 포인트

사실 원칙을 기반으로, 실제 작성하는 질문의 최적화를 깊이 파고들면 끝도 없습니다. 그래서 준비했습니다. 아래 세 가지만 기억해도 절반은 갑니다.

모호한 표현 줄이기

나쁜 문항: “서비스가 편리했나요?”
좋은 문항: “최근 1주일 동안 기능 A를 사용할 때, 원하는 작업을 완료하기까지 얼마나 쉬웠나요?”

특히, “매우 어려움(1) ~ 매우 쉬움(5)”처럼 척도를 함께 제시하면 더 좋습니다.

두 가지를 한 번에 묻지 않기

나쁜 문항: “가격과 성능에 만족하나요?”
좋은 문항: “가격에 얼마나 만족하나요?”와 “성능에 얼마나 만족하나요?”로 분리합니다.

유도 질문 피하기

나쁜 문항: “이번 개선이 도움이 되었죠?”
좋은 문항: “이번 개선 이후, 작업 시간이 어떻게 변했나요?”

선택지는 “줄었다/비슷하다/늘었다/잘 모르겠다”처럼 중립적으로 둡니다.

3단계. 배포하기

배포는 설문 설계의 마지막 단계가 아닙니다. 실제로는 응답률과 표본 편향을 좌우하는 핵심 변수입니다. 같은 설문 폼이라도 채널·타이밍·메시지·리마인드 조합에 따라 결과가 달라집니다. 먼저 이 네 가지를 고정값이 아니라, 조정 가능한 변수로 정리해 두는 것이 좋습니다.

배포 단계 변수를 먼저 고정한다

배포 전에 최소한 네 가지를 결정해야 합니다. 첫째, 어디에 공유할지(채널)입니다. 둘째, 언제 보낼지(타이밍)입니다. 셋째, 어떤 안내 문구로 시작할지(메시지)입니다. 넷째, 응답이 없을 때 어떻게 다시 요청할지(리마인드)입니다.

이 네 가지는 서로 영향을 줍니다. 예를 들어 사내 메신저는 빠르게 퍼지지만, 메시지가 묻히기도 쉽습니다. 반대로 이메일은 보관이 되지만, 열람까지 시간이 걸릴 수 있습니다. 그래서 “설문을 만들었으니 공유한다”가 아니라, “이 설문은 어떤 공간에서 가장 자연스럽게 열릴까”를 먼저 판단해야 합니다.

배포 공간별 특성을 비교한다

배포 채널은 크게 사내 메신저, 이메일, 커뮤니티, 인앱 공지로 나눌 수 있습니다. 각 채널은 사용자의 읽는 방식이 다릅니다. 읽는 방식이 다르면 설문 문항의 길이와 응답 마감 전략도 달라집니다. 채널을 선택할 때는 도달률보다, 응답이 가능한 맥락을 우선으로 봅니다.

사내 메신저: 즉시성이 강합니다. 대신 대화 흐름에 묻히기 쉽습니다. 짧은 폼과 명확한 마감 시간이 잘 맞습니다.
이메일: 정보 전달에 적합합니다. 설문 목적과 문항 구성을 길게 설명할 수 있습니다. 다만 열람 지연을 고려해 마감일을 넉넉히 둡니다.
커뮤니티(사내 게시판/오픈 커뮤니티): 참여 동기가 중요합니다. 설문용 프로덕트 링크만 던지면 반응이 약합니다. 왜 이 설문이 필요한지 맥락을 먼저 써야 합니다.
인앱(서비스 내 배너/팝업/모달): 사용 흐름을 건드립니다. 그래서 짧은 문항과 명확한 선택지가 필요합니다. 특정 행동 직후에만 노출하는 방식이 유리합니다.

타이밍은 ‘업무 리듬’에 맞춘다

설문은 좋은 문항보다, 좋은 타이밍에서 더 많이 열립니다. 업무 리듬을 무시하면 응답은 미뤄지고 잊힙니다. 특히 마감 직전, 회의 직후, 월말 정산 구간은 피하는 편이 안전합니다. 반대로 사용자에게 판단 근거가 생긴 직후는 응답 품질이 올라갑니다.

타이밍 원칙은 세 가지로 정리할 수 있습니다. 첫째, 마감이 몰리는 시간대는 피합니다. 둘째, 이벤트 직후처럼 경험이 생생할 때 보냅니다. 셋째, 응답 시간이 짧다면 “지금 3분만”처럼 즉시 처리 가능한 구간을 노립니다. 설문을 보내기 전, 수신자의 하루 일정표를 한 번 떠올려 보는 것이 도움이 됩니다.

안내 문구는 ‘왜, 얼마나, 어떻게’로 구성한다

응답자는 설문 링크를 보는 순간 바로 비용을 계산합니다. “이게 나랑 무슨 상관이지”, “시간이 얼마나 들지”를 먼저 봅니다. 그래서 안내 문구는 감성 문장보다, 판단에 필요한 정보를 먼저 줘야 합니다. 아래 항목을 템플릿처럼 고정해 두면 매번 품질이 안정됩니다.

목적: 어떤 의사결정에 쓰이는 설문인지 한 문장으로 씁니다.
소요시간: “약 3분”처럼 예상 시간을 구체적으로 제시합니다.
익명성: 익명/기명 여부와 수집 항목을 명시합니다.
사용처: 결과가 어디에 반영되는지, 공유 범위를 적습니다.
보상: 보상이 있다면 조건과 지급 시점을 짧게 씁니다.

예를 들어 “제품 개선을 위한 설문입니다”만으로는 부족합니다. “다음 분기 기능 우선순위를 정하는 데 사용합니다”처럼 사용처를 적어야 응답 품질이 올라갑니다. 문항 수가 많다면 그 이유도 써야 합니다. 응답자가 납득하면 이탈률이 줄어듭니다.

리마인드는 운영 규칙이 있어야 한다

리마인드는 ‘귀찮게 하기’가 아니라, 누락을 줄이는 운영입니다. 다만 횟수와 간격을 정하지 않으면 피로도가 급격히 올라갑니다. 기본값을 정해 두면 팀 내에서도 일관되게 운영할 수 있습니다. 예를 들어 1차 배포 후 2~3일 뒤 1회, 마감 하루 전 1회처럼 규칙을 둡니다.

대상도 분리하는 편이 좋습니다. 이미 응답한 사람에게 리마인드가 가면 신뢰가 떨어집니다. 가능하다면 설문용 프로덕트에서 응답 여부를 기준으로 대상 그룹을 나눕니다. 채널 특성상 분리가 어렵다면, 안내 문구에 “응답하신 분은 무시하셔도 됩니다”를 넣어 마찰을 줄입니다.

중복 응답 방지도 함께 설계해야 합니다. 특히 메신저나 커뮤니티에서는 링크가 재공유되며 중복이 생깁니다. 로그인 기반 폼이라면 1인 1회 응답 옵션을 검토합니다. 익명 설문이라면 중복 가능성을 인정하고, 분석 단계에서 제거할 수 있도록 식별 문항을 최소로 추가하는 방식도 고려합니다. 단, 이 경우에도 수집 목적과 한계를 안내 문구에 함께 적는 것이 안전합니다.

마지막 체크리스트 6가지

배포 버튼을 누르기 전, 딱 10분만 멈추면 사고를 줄일 수 있습니다. 설문은 한 번 나가면 회수가 어렵습니다. 특히 링크가 공유되기 시작하면, 폼과 문항을 고치기 더 까다로워집니다. 아래 체크리스트는 “지금 이 설문, 돌려도 되나?”를 빠르게 판정하기 위한 최소 기준입니다.

목표: 이 설문이 만들어낼 ‘결정’이 적혀 있나?
대상: 누가 답해야 하고, 누가 빠져야 하나?
문항: 답이 ‘행동’으로 연결되게 설계됐나?
폼: 응답 흐름이 막히는 지점이 없는가?
배포: 어디에, 어떤 문장으로, 언제 보낼 건가?
분석 준비: 결과를 어떤 표로 볼지 미리 정했나?

마치며

설문은 누구나 만들 수 있습니다. 그래서 더 쉽게 ‘적당히’ 진행되기도 합니다.

하지만 설문 결과는 파장이 큽니다. 그리 작지 않은 의사결정의 근거가 되기 때문입니다. 대부분은 이 설문을 ‘고객의 목소리’라고 철썩같이 믿기에, 제품이나 팀의 방향과 이어진 결정이 이뤄지고는 합니다. 그래서 한 번 잘못 설계한 설문은 팀의 시간과 리소스를 크게 소모합니다. 그렇게 문제를 해결하기보다, 문제를 새로 만들 수 있습니다.

설문은 한 번 만들고 끝나는 문서가 아닙니다. 팀의 가설과 운영 방식이 반영된 제품에 가깝습니다. 다음 설문을 돌리기 전, ‘지금 당장 배포할 수 있는지’보다 ‘이 답이 행동으로 이어지는지’를 먼저 확인해 보세요.

]]>

이공계 출신 VC 심사역이 된다는 것

이번 글에서는 국내 VC ‘매쉬업벤처스’의 박은우 파트너 인터뷰로 이공계 출신 VC 심사역의 커리어를 소개합니다. 스타트업 투자 업계에서 일하는 분에게는 VC로 성장하는 방법을, 심사역들의 사고 방식이 궁금한 분들에게는 새로운 인사이트를 전합니다.

매쉬업벤처스는 국내에서 보기 드물게 엔지니어 출신 인재 비중이 높은 VC입니다. 파트너 및 심사역 과반 이상이 컴퓨터과학, 전자공학 등 엔지니어링 전공자이며, 실제 투자도 AI, 로보틱스 등 기술 기반 스타트업을 중심으로 이루어지고 있습니다.

하지만 많은 이공계 인재들은 여전히 VC를 현실적인 진로 선택지로 인식하지 않습니다. "비즈니스 경험이 부족해서 어렵지 않을까?", "기술 공부를 해왔는데 투자 업무와 연결될까?"와 같은 고민을 자주 듣게 됩니다.

이런 고민에 답하기 위해, 이 길을 먼저 걸어온 투자자를 만났습니다. 매쉬업벤처스 박은우 파트너는 연세대학교 컴퓨터과학과를 졸업하고, 커리어 초기부터 VC 심사역으로 일했습니다. 이후 딥테크 스타트업 CSO를 거쳐 다시 VC로 복귀한 특별한 여정을 가진 투자자입니다. 그의 경험을 통해 이공계 출신에게 VC가 어떤 의미인지 들어보았습니다.

1. VC라는 커리어를 처음 인식하게 된 계기가 궁금합니다.

저는 대학 시절부터 스타트업에 관심이 많았지만, 당시만 해도 국내 VC 심사역이 500명도 채 안 될 때였고, VC라는 커리어는 굉장히 생소했습니다.

다만, 요즘 이공계 학생들이 젠슨 황이나 일론 머스크를 보며 창업을 꿈꾸는 것처럼, 저도 빌 게이츠 같은 엔지니어 출신 창업자를 롤모델로 삼았습니다. 그들이 창업에 성공한 후 또 벤처 투자를 통해 생태계를 넓혀간다는 걸 알게 되면서, '나도 성공한 후에는 투자자가 되고 싶다'는 막연한 생각을 갖게 됐습니다.

결정적이었던 건 학교에서 비영리 단체인 TEDxYonsei를 공동 설립한 경험이었습니다. 연사로 프라이머 권도균 대표님을 모시게 됐고, 그 인연을 통해 이택경 대표님, 송영길 대표님 같은 엔지니어 출신 창업자들을 만나게 되면서, 한국에도 기술 창업에 성공한 뒤에 스타트업에 투자하는 일을 하는 분들이 등장하고 있다는 사실을 실감했습니다.

이후 2000년대 후반에 캘리포니아의 UC Berkeley로 교환학생을 가면서 더 확신이 생겼습니다. 그 곳에서 함께 수업에서 공부하고 교류하던 지인들이 이미 고속 성장 중이던 구글, 페이스북을 비롯하여, 당시 실리콘밸리가 주목하던 스타트업인 드롭박스나 팔란티어에 합류하는 것을 보았습니다. 뛰어난 엔지니어들이 스타트업 생태계의 중심에 뛰어드는 것을 목격하면서, 앞으로 한국도 이런 움직임이 확산될 것이라는 강한 확신을 갖게 되었습니다. 그리고 프로그래밍 자체보다는 새로운 기술이 만드는 생태계 자체에 더욱 관심이 많아지면서, "나는 엔지니어로서가 아니라면 어떤 방식으로 기술 생태계에 기여할 수 있을까?"라는 질문을 하게 됐습니다.

그 고민의 끝에 VC라는 직업을 떠올리게 됐습니다.

2. 많은 이공계 학생들이 "비경영 전공자는 VC 하기 어려울 것 같다"고 이야기합니다. 실제로 어떤 준비가 필요했나요?

저는 VC 입사를 위한 특별한 루트를 밟진 않았습니다. 당시에도 VC는 경력직이나 창업 경험이 있는 사람들이 가는 곳이라는 인식이 강했고, 저도 "경험을 쌓고 나중에 가야지" 정도로만 생각했습니다.

병역특례로 3년간 개발자로 일했고, 대학 경영혁신 학회에서 케이스 스터디를 통해 경영학을 처음 접했습니다. 전략 컨설팅, 빅테크 마케팅, 대기업 해외 신사업 등 여러 인턴십을 거쳤고, 졸업 후에는 대기업에서 데이터 분석 업무를 했습니다.

당시에는 주변에서 "너처럼 관심사가 많고 이것저것 다 해보는 건 커리어에 오히려 독이 될 수도 있어"라는 이야기를 들으며, "한 가지 방향성이 없다"는 점이 약점처럼 느껴지기도 했습니다.

하지만 VC에 입문한 후 깨달은 건, 짧은 기간에 다양한 산업과 역할을 경험했다는 점이 오히려 늘 새로운 창업자를 만나고, 새로운 사업에 관심 갖는데 큰 도움이 되었다는 것입니다. 하나의 프레임에 갇히지 않고, 새로운 산업과 창업자를 편견 없이 마주할 수 있는 능력을 기를 수 있었습니다.

결국 비경영 전공이라는 것이 단점이 아니라, 오히려 다양한 경험을 통해 유연한 사고방식을 갖출 수 있다면 그것이 VC에서의 강점이 됩니다.

3. 이공계 출신으로서 VC에서 발휘할 수 있는 강점은 무엇일까요?

스타트업의 전형적 정의는 "첨단 기술을 기반으로 빠르게 성장하는 기업"입니다. 이공계 출신은 기술에 대한 거부감이 적고, 새로운 기술을 빠르게 이해할 수 있습니다. 창업자와 기술에 대해 깊이 있는 대화를 나눌 수 있다는 점에서 이는 큰 장점입니다.

또한 엔지니어는 문제를 구조화하고 논리적으로 해결하는 훈련을 받습니다. VC 업무도 새로운 시장과 기술을 접할 때 가설을 세우고 논리적으로 검증하는 과정이 핵심입니다. 공학적 분석 능력이 거의 그대로 적용되는 영역이죠.

무엇보다 엔지니어 출신의 좋은 기술창업자를 만날 때 그 강점이 발휘됩니다. 비슷한 학창 시절을 보냈고, 비슷한 고민을 해봤으며, 비슷한 방식으로 사고하기 때문에, 이공계 출신 VC는 창업자와 자연스럽게 공감대를 형성하고, 빠르게 신뢰 관계를 쌓을 수 있습니다. 이건 단순한 네트워크가 아니라, 엔지니어 출신끼리 자연스럽게 형성되는 유대감과 신뢰라는 점에서 차별화된 강점입니다.

4. VC에서 딥테크 스타트업 CSO로 이동하신 계기가 궁금합니다.

제게 VC는 커리어 후반부의 꿈 같은 계획이었는데, 예상보다 일찍 이뤄졌습니다. 그래서 우연치 않게 "꿈을 이루어서 꿈을 잃어버렸다"고 이야기한 적도 있습니다.

그 이후 VC 경험을 어떻게 의미 있게 확장할지 고민했고, 스타트업을 직접 경험하지 않으면 나중에 후회할 것 같다는 생각이 들었습니다.

그때부터 VC 커리어를 나의 공동창업자를 찾는 과정으로 바라보기 시작했습니다. 투자 검토를 위해 만나는 창업자들을 보며 "내가 이 회사에 합류한다면 어떤 역할을 할 수 있을까?"라는 질문을 던졌습니다.

결국 투자했던 딥테크 스타트업 니어스랩의 CSO(Chief Strategy Officer)로 합류했고, 회사를 성장시키는 과정에 직접 참여하게 됐습니다.

5. VC 경험이 스타트업 CSO로서 전략 수립과 실행에 어떻게 도움이 되었나요?

저는 기술력은 있지만 아직 제품이 없던 딥테크 스타트업의 CSO로 합류했습니다.

그 전까지 VC로서 다수의 딥테크 스타트업에 투자하고, 창업자들과 긴밀히 교류하며 사업 방향성을 함께 논의했습니다. 때로는 고객사나 잠재적 인수자와의 미팅을 주선하고 직접 참여하기도 했습니다.

VC는 창업팀의 소속은 아니지만, 창업자의 사업 고민을 함께 나누는 파트너가 되어주고, 때로는 CEO staff처럼 일할 수 있는 포지션입니다. 더 중요한 건, 하나의 회사 내부가 아니라 다수의 회사를 외부에서 조망하며 사업을 바라볼 수 있다는 점입니다. 이는 시야의 폭을 넓혀주고, 더 많은 케이스 스터디를 통해 날카로운 의사결정을 할 수 있는 밑거름이 됩니다.

특히 초기 기술 창업팀은 아직 제품이 없거나 PMF(Product-Market Fit)를 찾기 전인 경우가 많습니다. 이때 회사의 기술과 펀더멘털에 대한 깊은 이해가 있어야 비즈니스를 전개할 수 있습니다.

이미 만들어진 제품을 파는 세일즈가 아니라, 사업의 방향성을 정하고 실행하는 CSO 같은 역할은 창업자와 기술, 제품에 대해 깊이 있게 논의할 수 있는 사람이 맡아야 합니다. 기술에 대한 거부감이 적고 이해 속도가 빠른 이공계 출신일수록 더 강점을 발휘할 수 있는 영역입니다.

박은우 파트너는 국내외로 엔지니어 출신 창업자를 발굴하는 것부터 포트폴리오 기업의 성장을 돕는 일까지, 이공계 배경과 딥테크 스타트업, VC 경험을 살려 폭넓게 활동하고 있습니다. <출처: 매쉬업벤처스>

6. 스타트업 경험 후 다시 VC로 복귀하면서 투자자로서 어떤 관점의 변화가 있었나요?

창업자와 그들의 업에 대한 진심을 보는 관점이 완전히 달라졌습니다.

이전에도 초기 투자에서 창업자가 중요하다는 건 알고 있었습니다. 하지만 실제로 스타트업을 경험하면서, 창업자의 삶이 얼마나 고통스러운지, 그 과정을 버텨내는 비전의 힘이 얼마나 강력한지 체감하게 됐습니다.

초기 창업팀의 계획은 아무리 경험 많은 창업자라도 계속 바뀌게 됩니다. 시장이 변하고, 팀이 변하면서 의도와 무관하게 흘러가는 것이 스타트업입니다.

그 과정에서도 "업에 대한 믿음"을 갖고 있는 창업자는 태풍 속에서도 길을 잃지 않고 살아남습니다. 반면 아무리 똑똑하고 실행력이 뛰어나도 그 믿음이 약하면 무너지게 됩니다.

오늘날처럼 AI로 인해 모든 것이 빠르게 바뀌는 세상에서는 더욱 그렇습니다. 6년여의 창업 경험을 통해 '좋은 창업자'를 판단하는 구체적인 기준을 갖게 된 것이 가장 큰 자산입니다.

7. VC를 준비하는 이공계 학생에게 가장 먼저 권하고 싶은 '출발점'은 무엇인가요?

다양한 경험을 쌓으세요. 저처럼 개발, 컨설팅, 데이터 분석 등 여러 분야를 경험하는 것도 좋습니다. 다만 VC를 목표로 한다면, 그 과정에서 스타트업 환경은 꼭 한 번 경험해보길 권합니다.

직접 창업을 시도하거나, 이력서를 위한 형식적인 창업보다는 실제로 검증받은 스타트업에서 일하는 것이 더 효과적입니다. 학생 입장에서 어떤 스타트업이 좋은 회사인지 판단하기는 매우 어렵습니다. 배울 게 없거나 심지어 문제가 있는 곳도 있습니다. 가장 좋은 필터는 검증된 투자사가 투자한 초기 스타트업에 인턴으로 합류하는 것입니다. 그곳에서 스타트업이 어떻게 작동하는지, 좋은 창업자는 어떤 사람인지, 시장은 어떻게 움직이는지 배울 수 있습니다.

8. 초기 커리어를 VC로 시작한 분들 중 인상 깊었던 사례가 있나요?

스파르타클럽(구 스파르타코딩클럽)의 창업자인 이범규 대표를 꼽고 싶습니다.

이범규 대표는 제가 창업 전에 근무했던 VC에서 함께 일한 심사역이었습니다. 학창 시절 병역특례로 개발자 커리어를 쌓은 뒤 VC로 사회생활을 시작했죠.

재학 시절에도 봉사단체나 작은 사업들을 경험했지만, VC에서 스타트업 생태계와 자본시장에 대한 이해를 쌓은 뒤 스파르타클럽을 창업했고, 이를 멋지게 성장시켜 대형 Private Equity로부터 투자를 받는 성과를 거뒀습니다.

특히 사업 확장 과정에서 VC 시절 알게 된 네트워크를 임직원으로 채용하며 팀의 역량을 강화하는 등, VC 경험이 창업의 성공 확률을 실질적으로 높인 대표적인 케이스입니다.

마치며

VC는 이공계 출신 인재들이 기술적 강점을 유지하면서 시장 감각과 전략적 사고를 함께 기를 수 있는 곳입니다. 창업 준비를 위한 최적의 학습 경로를 찾는 분, 기술을 넘어 산업 전체를 보고 싶은 분, 전문직으로서 높은 성취를 원하는 분에게 생각보다 훨씬 가까운 선택지일 수 있습니다.

]]>

당신 회사가 AI 도입에 늘 실패하는 2가지 이유

Editor's note

AI로 개인의 생산성은 눈에 띄게 높아지고 있지만, 많은 기업이 여전히 ‘우리 조직에는 어디서부터 적용해야 하는가’에서 어려움을 겪고 있습니다. 요즘IT는 위시켓이 운영하는 미디어로, 현장에서 기업들의 AI 도입을 가장 가까이에서 보고 듣는 위치에 있습니다.

이번 글은 위시켓 AIDP 팀이 실제 프로젝트와 상담을 통해 확인한 기업의 AI 도입이 왜 막히는지, 어디서부터 접근해야 하는지에 대한 정리입니다. 우리 회사의 경험을 기반으로 한 내용이지만, 그만큼 지금 시장에서 실제로 일어나고 있는 변화와 문제를 가장 정확하게 전달할 수 있다고 생각해 실었습니다.

기업이 정체한 본질적 이유와 실패하지 않는 AX 전략 두 가지

“AI 없이 온전히 보낸 하루”가 기억 나시나요? ChatGPT가 등장한 지 3년 여만에 이미 AI는 우리 삶에 깊이 침투해 많은 것을 바꿨습니다.

저는 위시켓 AIDP(AI Delivery Platform) 사업부 리더 이홍주입니다. AI 도입을 전문적으로 컨설팅하고 구축까지 돕는 일을 하고 있죠. ChatGPT가 등장했을 때부터 AI를 사업과 운영 프로세스에 한발 앞서 적용하며 직접 활용해왔습니다.

그러다 보니 개인적으로는 AI 덕분에 일과 삶 모든 방면에서 생산성이 15~20% 향상됐다고 느낍니다. 저뿐 아니라 요즘엔 비개발자들도 ChatGPT와 같은 대화형 AI를 통해 프로그램을 직접 만들어냅니다. 프로그램만이 아니라 정보 탐색, 아이디어 발굴, 데이터 정리, 논리 구체와 등을 더 빠르게, 더 많이 해내며 생산성을 높이고 있습니다.

개발자들은 더 극적인 변화를 맞이했습니다. 생산성이 최소 3~4배 증가했다고 해도 과언이 아닙니다. 요즘 Copilot, Cursor 등 코딩 에이전트 덕분에 직접 코드를 입력할 일이 크게 줄었으며, 수준 높은 모듈화된 코드의 작성, 활용, 개선이 몇 가지 설정과 프롬프트만으로 가능해졌습니다.

AI가 생산성 3배 높였는데, 왜 연봉은 그대로일까?

하지만 이런 생산성 증가에도 불구하고 연봉은 상승되지 않았습니다. 위시켓에서 관찰한 IT 프리랜서 단가는 오히려 전체적으로 하락하고 있습니다. 개발자 몸값의 부익부 빈익빈 현상도 여전하죠. 생산성이 3~4배 증가했다면 연봉은 최소 2배 올랐어야 하는 것 아닐까요?

이는 AI가 개인에게 가져다준 변화와 충격에 비해 조직의 변화는 미미한 현실을 단적으로 보여주는 사례입니다. 이뿐만 아니라, 아마 생각보다 많은 조직에서 ‘실제로 우리 회사에 충격적인 변화가 없다’고 느낄 것입니다. 개인의 변화에 비하면 그 차이가 크죠. 왜 이런 역설이 발생했을까요?

위시켓은 월 1,000건 이상의 IT 프로젝트 의뢰가 유입되는 플랫폼입니다. 그런 만큼 다양한 회사 대표님들과 담당자들을 현장에서 만나죠. 그 과정에서 이 역설의 근본적인 이유를 찾을 수 있었습니다. 그 결론을 한 마디로 정리하면 다음과 같습니다.

AI는 회사를 바꾸지 않습니다.
AI를 ‘소프트웨어’로 구현하는 회사만이 변화합니다.

이 글은 바로 그 지점에서 시작합니다. 왜 개인과 기업 사이에 이렇게 거대한 격차가 생겼는지 두 가지 핵심 이유를 파헤치고, 기업이 나아가야 할 두 가지 명쾌하고 실질적인 방향을 제시하겠습니다.

AI 도입이 조직 성과로 이어지지 않는 두 가지 이유

1. AI는 '원유'일 뿐, '훌륭한 소프트웨어'가 가치를 만든다

LLM과 ChatGPT의 관계에 대해 생각해봅시다. 우리는 LLM을 ChatGPT라는 소프트웨어를 통해 사용합니다. LLM을 포함한 생성형 AI는 결국 '모델(Model)'일 뿐이며, ChatGPT는 OpenAI의 최신 모델을 활용하면서도, 에이전트 같은 대화형 경험을 제공하기 위해 수많은 로직이 '소프트웨어'로 구현된 사례죠.

즉, AI는 '원유(Crude Oil)'와 같습니다. 원유 자체는 엄청난 잠재력을 가졌지만, 그 자체로는 가치를 만들어내지 못합니다. 이 원유를 LPG, 휘발유, 나프타 등 정제된 제품으로 바꾸어 고객 경험이나 운영 프로세스를 변화시키는 것이 바로 '소프트웨어'의 역할이며, 이곳에서 진정한 가치(Value)가 구현됩니다.

<출처: 위시켓, Gemini로 제작>

이제 앞서 제기한 역설이 명확해집니다. 개발자의 생산성이 3~4배 증가했다는 것은 '원유'가 확보되는 양이 많아졌다는 의미입니다. 그러나 이 원유가 '정제' 과정을 거쳐 실제 가치를 만들어내는 결과물, 즉 훌륭한 소프트웨어로 완성되는 양은 비슷하거나 조금 더 많은 수준에 그칩니다.

왜일까요? 코드를 빨리 생성하는 것과 그것을 고객 가치로 전환하는 것은 전혀 다른 문제이기 때문입니다. 요구사항 정의, 아키텍처 설계, 사용자 경험 최적화, 비즈니스 로직 구현. 이 모든 '정제' 과정의 난이도는 여전히 높습니다. 연봉과 처우는 '투입량'이 아닌 '결과'로 측정됩니다. 따라서 최종 결과물이 크게 증가하지 않는다면 연봉 역시 크게 오르지 않습니다. 오히려 AI를 활용하는 개발자가 많아지면서 경쟁이 치열해지기 때문에, 단가가 낮아지는 추세가 나타나는 것이죠.

핵심을 다시 정리하면 이렇습니다.

AI 자체는 당신의 회사를 변화시키지 않습니다. AI를 통해 구축된 소프트웨어가 회사를 변화시킵니다.

엔비디아 CEO 젠슨 황은 이렇게 말했습니다. "AI는 당신을 대체하지 않는다. AI를 활용하는 다른 사람이 당신을 대체한다."

젠슨황 엔비디아CEO <출처: 엔비디아>

여기서 우리는 논리를 한 단계 더 발전시킬 수 있습니다.

AI를 통해 구축된 '소프트웨어'와 이를 현명하게 활용하는 '사람'이 당신을 대체할 것입니다.

2. SaaS를 쓰는데 왜 변화가 없을까 - 자체 소프트웨어의 필연성

두 번째 이유를 살펴봅시다. 이미 많은 기업이 노션, 슬랙, 더존, SAP 같은 다양한 SaaS(Software as a Service) 솔루션을 활용하고 있습니다. 그런데 왜 변화를 체감하지 못할까요?

연 매출 50억 원 이하, 인원 수 30명 이하 규모의 회사라면, SaaS 솔루션들을 잘 활용하는 것만으로도 충분한 AI 전환 효과를 볼 수 있습니다. AI로 인해 SaaS의 종류가 다양해지고 수준이 빠르게 향상되고 있으니, 선택지도 많아 AI 시대의 수혜를 그대로 체감할 수 있겠죠. 하지만 이 규모를 초과하는 회사라면 상황은 완전히 달라집니다. 일정 규모 이상의 회사는 시장이라는 치열한 경쟁 환경 속에서 고유한 서비스와 프로세스를 통해 경쟁우위를 확보해 왔습니다.

그런데 SaaS 솔루션은 표준화된 기능과 제한적인 커스터마이징만 제공합니다. 이는 인사, 회계 등 경영지원 영역 같은 표준화된 프로세스의 생산성 강화에는 도움이 됩니다. 하지만 우리 회사만의 고유한 경쟁우위를 혁신하는 변화는 만들어낼 수 없습니다. 왜일까요? 경쟁우위는 표준화된 기능이 아닌, 우리 회사만의 고유한 일하는 방식, 즉 서비스와 프로세스의 최적화에서 나오기 때문입니다.

정리하면, 일정 규모 이상 기업이 변화를 체감하지 못하는 이유는 명확합니다. 자체 소프트웨어로 고유한 경쟁우위를 최적화해야 하는데, 표준화된 SaaS에만 의존하고 있기 때문입니다. 결국 일정 규모를 넘어서는 기업이 AI를 제대로 활용하면서 경쟁우위를 혁신하려면, 우리만의 소프트웨어, 즉 자체 소프트웨어를 구축하는 수밖에 없습니다. 개인의 생산성 향상을 조직 전체의 성과로 전환하려면, 우리 회사 고유의 업무 방식을 AI와 결합한 소프트웨어가 필요합니다.

자체 소프트웨어를 구축하지 않으면 AI 전환(AX)은 성공할 수 없습니다. 손을 놓고 있다가는 자체 소프트웨어를 구축하고 AI 전환에 성공한 경쟁사에 압도될 것입니다.

하지만 소프트웨어 구축의 현실: 50%의 실패

'언제든 충분히 검증되었을 때, 나중에 시도하면 되지 않느냐?'라고 생각하실 수 있습니다. 하지만 AI 전환과 우리만의 소프트웨어를 구축하는 프로젝트는 비용만 지불하면 무조건 투자 대비 성과(ROI) 관점에서 성공할 수 있는 종류가 아닙니다. 지금은 최소한, 어떻게 실패하지 않을 수 있는가에 대한 방법을 알고 있어야 합니다.

이러한 프로젝트들은 기술적 난이도뿐만 아니라, 변화에 대한 조직의 거부감, 모호한 요구사항 정의, 데이터 통합의 실패와 같은 다양한 비즈니스/조직적 문제로 인해 ROI(투자 대비 수익) 관점에서 최소 50% 이상의 확률로 실패합니다.

그렇다면 어떻게 해야 할까요?

AX의 시작, 실패하지 않는 소프트웨어 실현 방법

먼저 냉정하게 인정해야 합니다. 자체 소프트웨어 구축은 쉽지 않습니다. 50% 이상이 실패하는 데는 이유가 있습니다.

하지만 포기할 수는 없습니다. 지금은 위기이자 기회입니다. AI 개발 생산성이 3~4배 향상된 지금, 과거에는 불가능했던 속도로 자체 소프트웨어를 구축할 수 있습니다. 이전에 3개월 걸리던 프로젝트가 이제는 1개월 만에 실현됩니다. 경쟁사가 이 기회를 잡아 앞서가는 동안 우리만 손을 놓고 있을 수는 없습니다.

다행히 방법은 있습니다. 실패하지 않는 소프트웨어 구축을 위한 두 가지 핵심 전략을 소개합니다.

1. 5배 이상 높아진 AI 소프트웨어 개발 생산성을 레버리지하라

첫 번째 전략은 '5배 이상 높아진 AI 소프트웨어 개발 생산성을 레버리지하는 것'입니다.

개발 관련 종사자라면 모두 공감하실 겁니다. 22년말 ChatGPT 등장 이후, 개발 생산성이 최소 3~4배 증가했다는 것을요.

2022년 말에 3개월 걸리던 프로젝트가 이제는 1개월 만에 실현될 수 있습니다. 더 중요한 사실은 '높은 소프트웨어 개발 비용' 이라는 진입장벽이 거의 허물어졌다는 점입니다. Cursor, Copilot 등의 코딩 에이전트가 소스코드 개발 전문가를 완전히 대체하면서 아키텍쳐 설계, UI/UX 기능 모듈 구현, CI/CD 역량만 있으면 순식간에 결과물을 내보일 수 있습니다.

따라서, 이제는 계약 및 프로젝트 착수 전에도 ‘맞춤형 소프트웨어’ 프로토타입을 사전에 확인하고 진행할 수 있는, 확인해야 하는 시대입니다. 예전처럼 PI(Process Innovation)이나 BPR(Business Process Reengineering) 프로젝트를 선행하면서 ‘제안서’에 목숨 걸고 공들이던 시기는 끝난 것 같습니다.

즉 AI 소프트웨어 개발 생산성을 레버리지한다는 것은 우리가 기대하는 결과에 대한 프로토타입(MVP) 실현 속도가 기존 수 개월(Month)에서 수 일(Day) 혹은 수 주(Week)로 단축되었으니, 빠르게 만들어보고, 테스트하고, 수정하는 방식으로 전환하라는 것입니다. 실현 가능성이 불분명한 컨설팅 보고서를 기다리기보다, 실제 작동하는 소프트웨어를 먼저 만들어 검증하는 것이 이제는 더 빠르고 효과적입니다.

실제로 위 화면처럼 아키텍처와 기능 기획만 제대로 나오면 아래와 같은 소프트웨어를 3일~7일 안에 만들 수 있습니다.

하지만, ‘프로토타입 실현이 극단적으로 빨라졌다’라는 사실만으로 자체 소프트웨어 구축을 무조건 성공할 수 있을까요? 그렇지 않습니다. 아무리 빨라져봐야 실제 업무에 활용되지 않으면, 즉 현업에 배포(deployment)되지 않으면 그저 허울좋은 전시품일 뿐입니다.

2. Garbage In - Garbage Out을 경계하라

두 번째 전략은 'Garbage In - Garbage Out을 경계하는 것'입니다. "쓰레기를 넣으면 쓰레기가 나온다." 전통적인 이 원칙이 AI 시대에 더욱 중요해졌습니다.

AI 개발 생산성이 높아졌다고 해서 소프트웨어 실현 비용이 엄청 낮아지는 것은 아닙니다. 바로 Garbage In - Garbage Out 때문입니다. Cursor, Copilot 등 코딩 에이전트는 매우 빠르게 코딩합니다. 그런데 명확한 기대 결과를 설정하고 방향과 단계를 잡아주지 않으면, 있어 보이지만 아무 쓸모없는 소프트웨어가 나옵니다. 개발자의 시간과 LLM 토큰을 아무리 투입해도, 사용하지 않는 기능이 많고, UI/UX는 최악은 아닌데 이해되지 않고, 막상 핵심 기능의 품질은 기대에 부합하지 않는 결과물이 나오는 것이죠.

요즘 소프트웨어 구축 프로젝트를 진행하다 보면, 개발 생산성이 높아졌다는 게 체감됩니다. 고객이 잘못됐다고 피드백하면, 프로토타입뿐 아니라 전체 산출물을 말 그대로 처음부터 끝까지 2~3번 뒤엎는 경우도 종종 봅니다.

그런데 이게 옳은 현상일까요? 생산성이 올라가서 금액 부담이 적어졌더니, 결국 걸리는 시간은 동일하고 고객사 입장에서는 커뮤니케이션만 더 답답합니다. 채용한 개발자든 외주 의뢰한 개발사든 마찬가지입니다.

지금이 '자체 소프트웨어'를 최적의 ROI로 실현할 수 있는 이상적인 타이밍입니다. 지금 실현된다면 복리적 효과도 크게 기대됩니다. 하지만 여전히 많은 분들이 채용이나 외주 과정에서 Garbage In - Garbage Out을 반복하고 있습니다.

어떻게 피할 수 있을까요? 핵심은 올바른 파트너 선택입니다. 두 가지 기준을 소개합니다.

AI 도입 시 Garbage In - Garbage Out을 막기 위한 방법

(1) 엔드투엔드 기획 역량이 있는 파트너를 선택하라

채용을 하든 외주를 하든, 엔드투엔드 기획 역량이 있는 파트너와 함께하십시오.

대부분의 개발자나 개발사(90% 이상)는 채용을 하든 외주를 하든 기획한 대로, 설계한 대로만 소프트웨어를 구현합니다. 엔드투엔드 컨설팅 회사가 아닌, 개발사기 때문에 어떻게 보면 당연한 것이겠지요. 그래서, 개발자나 개발사는 우리가 원하는 요구사항을 구체화하고, 최적의 솔루션을 제안하고, 전체 프로젝트 일정과 작업 범위를 구성하고, 적절한 단계 및 마일스톤을 설정하는 것에는 익숙하지 않습니다. 특별히 잘 못한다기 보다는 그저 다른 프로젝트를 했던 것처럼 하는 것입니다.

위에서 언급드렸던 것처럼, 명확한 기대 결과를 설정하고 방향과 단계를 잡아주지 않으면, 좋은 소프트웨어는 구현될 수 없습니다. 많은 기업들이 AI 도입과 전환에 실패하는 이유는, 엔드투엔드가 아니라 단순 외주 용역을 맡기려고 하기 때문입니다.

그렇다면 엔드투엔드 기획 역량이 있는 파트너를 어떻게 판단할 수 있을까요? 임직원, 그 중에서도 오퍼레이션 팀 리더를 채용하는 것처럼 판단하시라고 조언드리고 싶습니다. 아래와 같은 질문에 부합하는 파트너들이죠.

우리 회사의 비즈니스를 이해하고 있으며, 커뮤니케이션이 수월한가?
시키는 일만 하는 게 아니라, 우리의 문제 자체를 해결하려고 하는가?
일회적 용역 관계가 아닌, 회사와 함께 성장할 수 있나?

(2) 문제 해결 역량이 있는 파트너를 선택하라

AX(AI Transformation)를 실현하려면 회계, 인사 등 비핵심 공통 기능이 아니라, 제품개발/마케팅, 영업/물류/채권, 구매/조달/재고/채무, 생산/제조/원가, 데이터 분석/비즈니스 인텔리전스와 같은 회사의 핵심 밸류체인(Value Chain) 중심으로 자체 소프트웨어를 구축해야 합니다.

특히 매출액 50억 이상이거나 인원 규모 30명 이상인 경우, 대부분 고유한 서비스와 비즈니스 프로세스 특성을 가지고 있습니다. 생존과 이익 창출을 위한 경쟁우위를 구성하는 기반이지요.

일반적인 SaaS나, B2C 소프트웨어 경험만 있는 파트너는 이런 고유한 경쟁우위를 소프트웨어로 실현하기 어렵습니다. 이 실현 과정이 하나의 ‘거대한 문제’ 이며, 이 문제를 해결해본 경험과 역량이 있어야 AX 성공 확률이 높아집니다. (다시 한 번 상기시켜 드리면, ROI 관점에서 성공 확률은 50% 미만입니다.)

그렇다면 문제 해결 역량이 있는 파트너인지 아닌지는 어떻게 판단할 수 있을까요?

이커머스, 단순 정산 어드민, 웹사이트 제작 등 누구나 상상할 수 있는 문제를 해결해본 게 아닌, 기업의 독특하고 고유한, 어려운 문제를 해결해본 파트너를 채용하거나 외주 의뢰하십시오.

이런 높은 기준을 적용하지 않는다면, 우리 회사의 핵심 서비스와 업무 프로세스 변화는 실패할 가능성이 매우 높습니다.

마치며

최근 위시켓은 AI 전담 조직 AIDP를 신설하고, 전문가 매칭을 넘어 컨설팅·개발·운영까지 직접 지원하기 시작했습니다. 13년간 2만 건 이상의 IT 프로젝트를 수행하며 쌓은 경험과, AI 시대에 들어 확보한 500억 원 규모의 프로젝트 매니지먼트 자산 덕분에, 자연스럽게 ‘기업들이 어디에서 가장 많이 막히는가’를 깊이 관찰할 수 있었습니다. 그 과정에서 실제로 많은 실패 사례를 가까이서 보며, 이 문제를 전담으로 다룰 조직의 필요성을 느끼게 됐습니다.

기획 역량과 문제 해결 역량을 모두 갖춘 파트너를 직접 찾고 관리하는 일이 쉽지 않다면, 위시켓 같은 플랫폼을 활용하는 것도 하나의 선택입니다. 하지만 이 글의 목적은 특정 서비스를 권하는 데 있지 않습니다. 어떤 방식을 선택하시든, 불필요한 시행착오와 실패를 줄이길 바라는 마음에서 현장 경험을 공유드리는 것입니다. 수 억 원을 들여놓고도 실패하는 안타까운 사례를 정말 많이 봤고, 그런 일이 없으면 좋겠습니다.

➡️ 위시켓 AIDP 살펴보기

글을 끝까지 읽으셨다면, AI의 파급력을 체감하면서도 기업의 변화는 만들어내지 못해 답답해하시는 분들이거나 변화를 만들기 위해 고심하고 계신 분들일 거라 생각합니다. 그런 분들께 이 글이 작게나마 도움이 되기를 바랍니다.

핵심을 다시 정리하면

개인의 생산성은 폭증했지만 기업은 변하지 않는 이유는 명확합니다. ‘AI’가 아니라 ‘소프트웨어’가 핵심입니다.
AI는 원유일 뿐이며, 소프트웨어로 정제해야 가치가 됩니다.
일정 규모 이상 기업은 자체 소프트웨어 구축이 필수입니다. 하지만 소프트웨어 구축은 성공이 쉽지 않습니다.
성공하려면: (1) AI 개발 생산성을 레버리지하고 (2) 올바른 파트너를 선택해야 합니다.
지금 시작하지 않으면 경쟁사와의 격차가 기하급수적으로 벌어집니다.

AI 시대의 승자는 AI를 가진 자가 아니라, AI로 만든 훌륭한 소프트웨어를 가진 자입니다. 그것이 AI 시대 우리 회사가 변화하지 못하는 이유이자, 우리가 나아가야 할 방향입니다.

]]>