# AI 에이전트를 마케팅에 활용하는 방법

> Clean Markdown view of GeekNews topic #24575. Use the original source for factual precision when an external source URL is present.

## Metadata

- GeekNews HTML: [https://news.hada.io/topic?id=24575](https://news.hada.io/topic?id=24575)
- GeekNews Markdown: [https://news.hada.io/topic/24575.md](https://news.hada.io/topic/24575.md)
- Type: news
- Author: [neo](https://news.hada.io/@neo)
- Published: 2025-11-24T10:52:02+09:00
- Updated: 2025-11-24T10:52:02+09:00
- Original source: [growthunhinged.com](https://www.growthunhinged.com/p/how-to-use-ai-agents-for-marketing)
- Points: 13
- Comments: 0

## Summary

SafetyCulture는 AI 에이전트를 GTM 전반에 녹여 **리드 보강·아웃바운드·기능 추천·데이터 통합**까지 완전히 재설계했습니다. 여러 데이터 소스를 병렬로 검증하는 **AI 리드 보강 시스템**과, Salesforce·HubSpot·ZoomInfo를 엮은 **AI BDR 워크플로우**는 리드 품질과 미팅 전환율을 폭발적으로 끌어올렸거. 여기에 **AI 라이프사이클 엔진**으로 고객별 기능 추천과 메시지 개인화를 자동화해 리텐션까지 개선했는데요. 단순 자동화가 아니라, 코파일럿 형태로 팀의 의사결정과 실행을 가속화한 점이 특히 인상적입니다. “AI를 어디에 쓸 것인가”보다 “**어떻게 조직의 흐름에 녹일 것인가**”가 진짜 경쟁력이 된다는 걸 보여줍니다.

## Topic Body

- 마케팅 조직 대부분이 **ChatGPT 중심의 단일 도구 사용**에 머무는 가운데, SafetyCulture는 AI 에이전트를 GTM 전반에 적용해 **리드 품질 향상·기회 창출·기능 채택 증가**를 이끌어낸 사례  
- 글로벌 무료 가입자가 폭증하는 환경에서 **리드 정보 보강·우선순위 선별** 문제를 해결하기 위해, AI 기반 **병렬 리드 보강(workflow)** 을 구축해 거의 100% 수준의 데이터 완성도를 확보함  
- AI가 **맞춤형 아웃바운드(자동 BDR)** 를 수행하도록 구성해, Salesforce·HubSpot·ZoomInfo 등 여러 시스템의 데이터를 조합하여 개인화된 메시지를 생성하고 **미팅 예약·기회 창출을 대폭 늘림**  
- 고객의 사용 패턴·업종·유사 고객 행동을 조합해 **개인화된 기능 추천과 2,500개 이상의 메시지 변형**을 생성하는 AI 라이프사이클 엔진을 구축해 기능 채택률 상승  
- 여러 GTM 시스템을 하나로 묶는 **AI 기반 커스텀 앱 레이어**를 만들어 세일즈·마케팅 팀이 한 화면에서 모든 정보와 ‘다음 행동’을 확인하도록 하여 **리드→기회 전환을 25% 이상 증가**시킴  
- AI 에이전트는 초기 자동 실행 모드에서 코파일럿 혼합 모델로 전환하며, 각 신규 워크플로우는 코파일럿 모드로 시작해 점진적으로 자동화 수준 확대  
  
---  
### AI 에이전트 1: AI 기반 리드 보강  
- SafetyCulture 고객은 제조·소매·운송·건설·광업 등 전통적 기술 구매자가 아닌 업종에서 전 세계적으로 유입됨  
  - 단일 리드 보강 플랫폼만 사용하면 데이터가 부족하거나 금방 오래지는 문제가 있었음  
- 이에 **5개 데이터 공급자를 병렬 호출하는 플랫폼 독립적 AI 리드 보강 시스템**을 구축함(Clay와 유사한 구조지만 자체 개발)  
- 워크플로우는 공급자를 순차적으로 호출하는 **워터폴 방식**, 각 속성에서 가장 신뢰할 만한 값을 선택하고, 별도 에이전트가 웹사이트와 LinkedIn 등 공개 정보로 이를 사실 검증함  
- 미국 리드의 경우 OSHA API를 조회해 최근 위반 기록을 찾아 작업장 위험 맥락을 확보하고, 이를 리드 정보와 함께 Slack으로 요약 전송함  
- 결과적으로 보강률은 거의 100%에 가까워졌고, GTM 팀과 AI BDR이 더 빨리 ‘적합한 고객’을 파악해 즉시 대응할 수 있게 됨  
  - 데이터 품질이 모든 AI 워크플로우의 기반이며, 여러 데이터원을 교차 검증할 때 정확한 개인화가 가능함  
  
### AI 에이전트 2: AI Auto BDR  
- 연간 50만 개의 무료 팀 가입은 영업팀이 감당하기 힘들 만큼 규모가 커, **어떤 고객이 고적합(high-fit)인지 분류하기 어렵다는 문제**가 있었음  
- 과거에는 영업팀이 리드를 일일이 검토하고 조사해 맞춤 메시지를 작성했지만, 이 과정이 느려 **응답률이 떨어지는 원인**이 됨  
- 회사는 AI를 활용해 개인화 아웃리치, 지식 베이스 기반 응답, 미팅 예약을 처리하는 **AI 인바운드 BDR**을 도입함  
- Salesforce·HubSpot·ZoomInfo·Redshift 데이터를 조합해 리드의 상황·의도·과거 사용 여부 등을 분석하고, 관련 고객 사례 두 개를 선택해 개인화 이메일을 생성한 뒤 Gong Engage 시퀀스에 자동 등록함  
- 결과적으로 **미팅 예약률은 3배, 영업 기회는 2배 증가**했으며, 비용 문제를 줄이기 위해 고적합 리드에 AI 호출을 우선 적용함  
  - AI BDR은 영업을 대체하기 위한 것이 아니라, AE가 빠르게 딜에 집중할 수 있도록 미리 온도를 올리는 역할임  
  - 다국어 지원은 유럽·라틴아메리카에서 특히 효과적임  
  
### AI 에이전트 3: AI 라이프사이클 개인화  
- 고객이 SafetyCulture를 사용하는 이유는 감사, 체크리스트, 검사, 안전 규정 등 매우 다양하기 때문에, **하나의 메시지로는 모든 고객을 만족시키기 어려웠음**  
- 이를 해결하기 위해, 비슷한 고객의 행동을 기반으로 **연관 기능을 추천하는 AI 기반 추천 엔진**을 구축함  
- Databricks에서 RAG와 에이전트 워크플로우를 사용해 제품 사용 데이터를 깊게 분석하고, 300개 이상의 핵심 사용 사례를 자동 생성함  
- 사용 사례에 따라 고객에 맞는 기능 세트를 연결하고, 2,500개 이상의 카피 버전을 AI로 생성해 Redshift와 Braze에 저장해 개인화된 메시지로 활용함  
- 덕분에 신규 기능 채택률이 10% 증가하고, 더 깊은 제품 사용으로 이어져 **리텐션 향상**이 나타남  
  - 실시간 AI 호출은 가끔 지연이 발생하므로, 일정 주기로 실행 후 캐싱해 마케팅 플랫폼이 즉시 참고할 수 있도록 구성함  
  - 대형 LLM보다 작은 모델이 속도·비용 균형 면에서 더 실용적일 때도 많았음  
  
### AI 에이전트 4: 맞춤형 마케팅/영업용 AI 앱 레이어  
- 각 GTM 시스템에는 자체 AI 기능이 있지만 SafetyCulture 제품에 맞춰 설계된 것이 아니었고, 영업·마케팅 팀은 여러 도구를 오가며 정보를 맞춰봐야 했음  
- 회사는 Retool을 활용해 **모든 고객 정보와 ‘다음 행동’까지 한 화면에서 확인할 수 있는 AI 중심 앱 레이어**를 구축함  
  - 리드 콘솔과 회사 뷰어 두 가지 화면을 제공함  
- 이 레이어는 리드/고객 데이터, AI 보강 정보, Gong 통화 기록, Amplitude 사용 데이터, 이탈 예측, 리드 라우팅 등을 모두 한곳에 모아 보여줌  
- Gong 통화 기록을 분석해 자동으로 SPICED 요약을 만들고 Salesforce에 저장해 BDR→AE 핸드오프를 자동화함  
  - AE는 “계정에 대해 무엇이든 질문” 기능으로 사용량·유료 팀 수·권장 아웃리치 접근 등을 즉시 확인할 수 있음  
- 리드→영업 기회 전환율은 25% 이상 증가했고, 자동화 덕분에 **BDR은 기회당 약 30분을 절약**함  
  - 팀의 80% 이상이 이 앱 레이어를 적극적으로 사용하고 있으며, 생산성 향상은 더 빠른 대응과 더 나은 고객 참여로 이어짐  
  - AI는 반드시 자동 조종이어야만 가치가 있는 것이 아니라, **코파일럿 형태도 충분히 강력함**  
  
### AI 우선 GTM 조직의 학습  
- SafetyCulture는 고객 여정을 기준으로 AI가 **식별·개인화·예측·조언·자동화** 중 어디서 가장 효과적인지 먼저 선별함  
- 초기에는 자동화 중심이었지만, 지금은 코파일럿과 자동화를 섞은 모델을 채택하며 새 워크플로우는 모두 코파일럿 모드에서 시작함  
- 가장 어려웠던 부분은 **데이터 접근·보안·브랜드 톤 유지**, 그리고 초기 AI의 환각 문제였음  
  - 현장에서 SafetyCulture에 의존하는 고객이 많기 때문에, 신뢰성과 일관성이 핵심임  
- 단순히 ChatGPT를 팀에 배포하는 것이 아닌, 실제 워크플로우를 기반으로 **AI 활용 지점을 찾아가는 과정이 성과를 만든다**는 점을 강조함

## Comments



_No public comments on this page._