📍
바쁜 독자를 위한 TL; DR
리드 조사, CRM 입력 등 세일즈팀 업무 시간의 상당 부분을 차지하는 준비 작업에서 AI 에이전트의 역할이 커지고 있습니다.
Salesforce 등의 글로벌 기업들도 리드 대응과 미팅 준비는 AI 에이전트에게 맡기고, 세일즈 담당자는 운영 기준을 설계하고 관계에 집중하는 역할로 옮겨가고 있습니다.
이 글을 읽고 나면, 우리 세일즈팀에서 에이전트에게 맡길 업무와 사람이 책임질 판단의 경계를 어떻게 그릴지 방향을 잡을 수 있게 됩니다.
세일즈 담당자의 하루를 들여다보면 실제 영업에 쓰는 시간보다도 준비와 기록, 리서치 등에 소요되는 시간이 많다는 것을 알 수 있습니다. 잠재 고객을 찾고, 연락처를 정리하고, 미팅 전에 배경을 조사하고, 통화가 끝나면 CRM(고객관계관리) 도구에 내용을 입력하고, 후속 이메일을 쓰고, 다음 주 파이프라인 현황을 보고하는 등의 일로 가득 차 있기 때문입니다. 많게는 업무 시간의 2/3 가량이 이러한 작업들의 연속이기도 한 만큼, 이 과정에서의 일하는 방식의 변화가 세일즈팀의 업무에 가져올 영향이 크다고 할 수 있겠습니다.
그리고 실제로, 세일즈 업무에서 AI 에이전트가 활용되고 있는 지점도 여기에 맞닿아 있습니다. 이미 세일즈 업무를 수행하는 AI 에이전트들은 사람이 각 단계마다 번번이 지시하지 않아도 리드를 조사하고, 이메일을 작성해 보내고, CRM 정보를 업데이트합니다. 실제 사례들을 살펴보며 에이전트가 세일즈 업무를 어떻게 바꾸고 있는지 네 가지 지점에서 확인해 보고, 사람 담당자와 에이전트의 협업이 어떤 방향으로 전개될지 가늠해보겠습니다.
세일즈팀이 ‘어떤 고객에게 연락할까’를 정하는 방법은 대부분 비슷합니다. 들어오는 잠재 고객 리드를 여러 기준에 따라 점수로 분류하고, 이 중 점수가 높은 리드에 집중하는 것입니다. 시간과 자원이 한정되어 있으니 당연하고 합리적인 선택입니다. 다만 이 과정에서 점수가 낮은 리드는 자동화 이메일 몇 통을 받거나, 아예 아무 연락도 받지 못하는 상황에 놓이곤 하지요.
전세계에 CRM 서비스를 제공하는 세일즈포스(Salesforce)의 방식도 크게 다르지 않았습니다. 각 리드에 1~5점으로 점수를 매기고, 세일즈팀은 이 중 점수가 높은 3~5점 리드에만 집중했습니다. 1~2점 리드는 '톱밥(sawdust)'이라고 불렸습니다. 물론 수 자체는 이쪽이 훨씬 많았지만, 현실적으로 일일이 대응하기 어렵거나 대응하더라도 큰 이익을 기대하기 어려운 리드라는 뜻이었습니다. 변화는 이 ‘톱밥’에 SDR(Sales Development Representative) 에이전트를 붙이면서 나타났습니다. 에이전트는 1~2점 리드 43,000개를 맡아 이메일 110,000통을 보냈고, 그 결과 360건의 미팅이 잡혔습니다. 이전까지 아무도 들여다보지 않았던 곳에서 170만달러 규모의 파이프라인이 새로 발굴된 것입니다.(링크)
새로운 영업 기술을 도입한 것도 아니었고, 그저 인간이 일일이 해낼 수 없는 규모의 일을 AI 에이전트가 수행함으로써 ‘리드 대응 역량을 무한대에 가깝게 끌어올린’ 사례라고 할 수 있습니다. 그러나 이 일견 단순해보이는 변화가 중요한 건, 업계 전체에 널리 퍼져 있던 리드를 구분하고 대응하는 방식 자체가 변화할 수 있다는 가능성을 확인했기 때문입니다.
본격적인 세일즈에 나서기 전 가장 먼저 해야 할 일은, 어떤 회사가 우리 제품의 고객이 될 수 있을지 판단하는 것입니다. 이 과정은 오랫동안 영업 담당자나 운영팀이 손으로 해왔습니다. 여러 도구와 자료를 통해 데이터를 긁어모으고, 시트를 정리하고, CRM에 입력하는 과정을 거쳤지요. 리스트 하나를 만드는 데 몇 시간이 걸리는 건 당연하게 여겨지곤 합니다.
글로벌 CDN·보안 기업 Akamai의 SDR팀도 이 병목에 갇혀 있었습니다. 잠재 고객사가 어떤 회사인지, 지금이 접촉할 타이밍인지를 파악하는 리서치에 상당한 시간이 들었습니다. Akamai는 이 문제를 해결하기 위해 사내에 SDR 리서치 에이전트를 직접 구축했습니다. 담당자가 타겟 기업명을 넣으면, 에이전트는 그 회사를 이해하는 데 필요한 정보, 예컨대 지금 어떤 솔루션을 쓰고 있는지, 보안 측면에서 어떤 잠재적 영향이 있는지 등을 모아 정리해줍니다. 또 이 기초 정보를 기반으로, 고객별 맞춤 GTM(Go-to-Market) 플랜을 수립하고 크로스셀 기회를 함께 탐색하는 데까지 나아갑니다. 이 에이전트를 도입한 첫 9개월 간, SDR팀은 정규직 3명 분량의 노동력에 해당하는 시간을 절감했다고 회사는 밝혔습니다.(링크)
고객과의 세일즈 미팅이 잡히면, 그때부터 담당자는 또 한번 리서치를 거쳐야 합니다. 이 고객이 구체적으로 어떤 상황인지, 어떤 맥락에서 대화해야 하는지, 지금 이 고객이 파이프라인의 어느 단계에 있는지 등을 확인하는 작업은 그 자체로 또 큰 리소스를 필요로 하는 일이지요.
ServiceNow는 이 준비 과정 자체를 에이전트의 역할로 옮겼습니다. 에이전트는 Claude를 실시간 기업 데이터와 웹 검색 도구에 연결해, 잠재고객 정보와 기존의 관계 맥락 등 관련 자료를 한 곳에서 종합해 볼 수 있게 만들었습니다.(링크) ServiceNow의 CDIO(최고디지털정보책임자)는 ‘세일즈 미팅 준비 시간이 몇 시간에서 몇 분으로, 95%가량 단축되는 초기 성과를 이미 확인했다’며, 이후 회사 모든 구성원을 대상으로 에이전트 구축을 위한 코칭 도구를 확대 적용해 에이전트 도입을 가속화하고 있다고 밝혔습니다. 세일즈 팀 안에서도 AI 에이전트가 함께하는 업무 영역이 넓어져, 이제 에이전트는 신규 리드 발굴, 거래 성사 후 후속 관리, 파이프라인 현황 조회에도 함께 관여하고 있습니다.
세일즈 담당자가 고객 미팅을 마치고 돌아오면, 미팅에서 논의된 내용을 CRM 도구에 입력하고, 후속 태스크를 만들고, 다음 접촉 시기와 방식을 메모하는 등 일련의 과정을 거칩니다. 이 기록이 정교할수록 고객과의 관계를 고도화하는 데 도움이 되지만, 그만큼 기록하는 데 시간도 더 오래 걸립니다.
자동화 플랫폼 기업 Workato는 이 문제를 사내에서 직접 만든 28개의 세일즈 에이전트로 풀었습니다. 일례로 녹음된 통화 데이터를 분석해 어떤 요인이 거래 성사로 이어졌는지 파악하고, 이를 향후 아웃리치에 반영하는 AI 에이전트를 통해 270만 달러 규모의 신규 영업 기회를 발굴했습니다. 이 과정에서 새롭게 나오는 정보로 CRM 필드를 자동 업데이트해 데이터 품질과 신뢰도를 높이는 데도 에이전트가 기여합니다. (링크) 견적 작성을 자동화하거나 매출 운영 최적화를 돕는 에이전트 등도 각자 업무를 수행하고요.(링크) Workato의 CIO는 "에이전트가 보강한 데이터를 가진 딜은 파이프라인 단계를 최대 20% 더 빠르게 통과합니다. 견적 처리 속도도 40% 빨라졌고, 담당자 한 명당 한 주에 5~7시간을 다시 고객과의 대화에 쓸 수 있게 됐습니다"라며 업무 효율성과 생산성에서의 개선 수준을 설명합니다.
다만 이 과정에서 Workato가 강조하는 것은 사람의 검토와 승인 과정을 필수로 두는 것입니다. 에이전트가 고객 기록을 수정하거나 외부로 메시지를 보내는 모든 작업은 승인을 거치도록 해 사람 담당자의 통제권을 명확히 합니다.
AI가 바꾸는 것은 '고객'이 아니라 '고객을 관리하는 방식'입니다. AI 에이전트는 고객 정보를 수집·분석하고, 제안 전략을 추천하며, 후속 메일을 작성하고 CRM을 업데이트하는 등 기존에 세일즈 담당자가 직접 수행하던 운영 업무를 빠르게 흡수하고 있습니다. 중요한 변화는 단순히 업무를 대신한다는 데 있지 않습니다. 세일즈 담당자가 시간을 어디에 쓰는지 자체가 달라지고 있다는 점입니다.
세일즈 담당자의 핵심 업무는 고객 한 명 한 명을 직접 관리하는 것이 아니라, AI가 누구에게 언제 어떤 방식으로 행동할지를 결정하는 운영 기준을 설계하고 관리하는 일로 점차 옮겨갈 가능성이 큽니다. 어떤 고객을 우선 공략할지, 어떤 조건에서 후속 메일을 보낼지, 어느 시점에서 사람에게 업무를 넘길지와 같은 운영 기준을 정의하는 일이 새로운 경쟁력이 되는 것입니다. 앞서 Workato 사례에서도 고객 정보를 수정하거나 외부로 메시지를 발송하는 작업은 사람의 승인(Human-in-the-loop)을 거치도록 설계되어 있습니다. 에이전트가 올바르게 작동하려면 담당자와 조직이 먼저 업무 규칙과 승인 기준을 정의해야 하며, 실행 과정에서도 에이전트의 판단 근거와 결과를 지속적으로 검토하고 필요한 경우 개입해야 합니다.
물론 이렇게 하더라도 모든 업무를 AI에게 맡길 수 있는 것은 아닙니다. 거래 조건을 조율하는 협상, 고객의 우려를 해소하는 대화, 예상하지 못한 상황에서 신뢰를 회복하는 판단처럼 높은 맥락 이해와 책임이 필요한 순간은 여전히 사람의 역할로 남아 있습니다. 고객의 맥락을 읽고 접촉 시점과 방식을 판단하는 일은 단순한 정보 처리만으로 해결하기 어렵습니다. 최종적인 신뢰를 구축하고 이해관계를 조율하는 소통 과정에서는 담당자의 순간적 판단과 비언어적 신호 등이 큰 요소가 될 수 있기 때문입니다. 결국 AI 에이전트가 운영을 맡고, 사람은 관계를 책임지는 분업 구조가 세일즈의 새로운 기본 모델이 되어갈 가능성이 큽니다.
AI 에이전트와 함께 일하는 방식을 바꾸어내는 조직의 모습은 현재진행형입니다. 이는 앞서 살펴본 세일즈팀의 업무를 넘어, 여러 직무에 걸쳐 전방위적으로 이루어지고 있는 모습이기도 하지요. 에이전트의 가능성을 체감하지 못한 채 챗봇 활용 수준에만 머물러서는 AI를 통한 일하는 방식의 근본적인 변화, 즉 AX(AI Transformation)에 가닿을 수 없습니다.
AI 에이전트의 가능성을 구체적으로 그려볼 수 있도록, 멋쟁이사자처럼이 6개 직무·20개 시나리오로 정리한 무료 가이드 〈직무별 AI 에이전트 활용 시나리오 20〉을 제공합니다. 비개발직군 실무자가 4주 안에 직접 프로토타입을 만들 수 있는 수준으로 구성했으며, 각 시나리오의 작동 방식과 기대효과, 난이도까지 함께 담았습니다. 우리 조직 업무에 AI 에이전트를 어디서부터 적용할 수 있을지 궁금하다면, 하단 버튼을 눌러 가이드를 받아보세요!
