AI 에이전트로 ‘잠재고객이 들어오는 시스템’을 만드는 법
리드 생성 자동화의 핵심은 이메일을 많이 보내는 것이 아니다
영업 자동화라고 하면 대개 이런 장면부터 떠올린다.
어딘가에서 이메일 주소를 수천 개 수집하고, AI가 영업 메일을 작성한 뒤 하루에 몇백 통씩 발송한다. 답장이 오면 CRM에 넣는다.
기술적으로는 자동화다.
그런데 좋은 자동화라고 부르기는 어렵다.
최근 X에서 Chris(@everestchris6)가 공개한 리드 생성 자동화 가이드를 읽다가 흥미로웠던 것도 이 부분이었다.
그가 설명하는 시스템의 출발점은 ‘어떻게 더 많이 연락할까?’가 아니다.
누가 이미 문제를 가지고 있는지 먼저 찾아내는 것.
그리고 그 사람이 실제로 사용하는 언어와 행동 데이터를 모은다. 그다음에야 광고나 제안을 만든다.
이 순서를 뒤집지 않는 것이 핵심이다.
사실 리드 생성은 하나의 데이터 파이프라인이다
복잡하게 보이지만 구조를 줄여 보면 꽤 단순하다.
신호 발견 → 데이터 수집 → 판단 → 콘텐츠 생성 → 전달 → 반응 기록
여기에 AI 에이전트가 들어간다.
사람은 매번 검색하고 복사하고 분석하는 일을 하지 않는다. 대신 에이전트가 반복해서 실행할 수 있는 작업 절차를 만들어 준다.
원문에서는 이것을 Skill File이라고 표현한다.
Skill File이라고 해서 거창한 것은 아니다.
예를 들어 이런 내용이 들어 있는 Markdown 문서다.
어떤 데이터를 읽어야 하는지, 어떤 API를 사용할지, 결과를 어디에 저장할지, 판단이 애매하면 어떻게 처리할지, 다음 작업에 무엇을 넘겨야 하는지를 적어 둔다.
개발자 관점에서 보면 AI용 SOP(Standard Operating Procedure)에 가깝다.
중요한 규칙도 하나 있다.
사람에게 실제 메시지를 보내거나 돈을 쓰는 순간에는 자동으로 진행하지 않는다.
에이전트가 준비까지 하고 멈춘다.
사람이 확인한 뒤 실행한다.
이 원칙 하나만 넣어도 에이전트 자동화의 위험이 꽤 줄어든다.
첫 번째 방식
디지털 상품을 판매한다면 ‘고객의 언어’부터 모은다
예를 들어 내가 온라인 강의나 SaaS, 템플릿 같은 상품을 판매한다고 생각해 보자.
보통은 먼저 광고 카피를 고민한다.
“무슨 문구를 쓰면 클릭할까?”
하지만 이 시스템에서는 그 질문을 조금 늦춘다.
먼저 AI에게 상품을 충분히 설명한다.
가격은 얼마인지, 어떤 문제를 해결하는지, 어떤 사람이 이 상품을 필요로 할지 알려준다.
여기까지는 특별할 것이 없다.
재미있는 건 그다음이다.
AI에게 단순히 ‘타깃 고객을 만들어 달라’고 하지 않는다.
그 사람들이 실제로 모여 있는 장소를 찾게 한다.
Reddit의 특정 서브레딧일 수도 있고 유튜브 채널의 댓글일 수도 있다. TikTok 계정이나 Discord 커뮤니티, 전문 포럼일 수도 있다.
그리고 최근 몇 달간의 데이터를 수집한다.
여기서 Apify 같은 크롤링 서비스와 MCP를 연결할 수 있다.
게시물만 읽는 것도 아니다.
댓글과 답글, 반복해서 등장하는 질문, 기존 제품에 대한 불만, 사람들이 문제를 설명할 때 쓰는 표현까지 가져온다.
그러면 재미있는 데이터가 생긴다.
사람들이 실제로 어떤 말을 반복하는지가 보이기 시작한다.
좋은 광고 문구는 AI가 새로 만들어야 하는 게 아닐 수도 있다
광고에서 가장 어려운 것이 Hook이다.
그런데 이미 고객이 자신의 문제를 설명하면서 Hook을 만들어 놓고 있을 가능성이 높다.
예를 들어 사람들이 계속
“이것저것 다 해봤는데 결국 똑같다.”
라고 이야기한다면 AI가 굳이 멋진 카피를 새로 만들 필요가 없다.
사람들이 반복해서 쓰는 말을 광고의 시작점으로 삼으면 된다.
이렇게 모인 데이터에서 빈도가 높은 불만이나 욕구를 광고 Angle로 만든다.
그다음 여러 개의 Hook을 만들고 이미지나 짧은 영상으로 변환한다.
AI 이미지 모델과 영상 생성 모델을 연결하면 이 과정 역시 상당 부분 자동화할 수 있다.
여기서 중요한 변화가 하나 생긴다.
기존 방식에서는
상품 → 광고 아이디어 → 고객
순서였다.
이 시스템에서는
고객 데이터 → 표현 → 광고 → 상품
쪽으로 흐른다.
광고가 조금 덜 광고처럼 보이는 이유도 여기에 있다.
두 번째 방식
온라인 행동 대신 ‘현실 세계의 문제’를 찾는다
여기부터 조금 더 흥미롭다.
이번에는 온라인 상품이 아니다.
태양광, 지붕 공사, 조경, 수영장, 펜스, 간판처럼 실제 공간을 대상으로 하는 사업이라고 생각해 보자.
AI가 찾아야 하는 것은 사람이 아니다.
문제가 보이는 장소다.
예를 들어 오래된 지붕은 위성사진이나 부동산 사진에서 발견될 가능성이 있다.
간판이 거의 보이지 않는 음식점도 Street View에서 찾을 수 있다.
넓은 지붕을 가진 상업용 건물이라면 태양광 영업 후보가 될 수도 있다.
이때 AI 에이전트가 도시 전체를 돌면서 후보를 찾는다.
Property Record, Google Places, Street View, 위성사진, 부동산 Listing 같은 공개 데이터를 이용할 수 있다.
다만 여기서 욕심을 내면 시스템이 금방 이상해진다.
필터를 계속 추가하면 AI가 사실을 찾는 것이 아니라 추측을 하기 시작하기 때문이다.
그래서 원문의 접근법에서는 가능한 한 하나의 강한 신호를 사용한다.
애매하면 제외하지도, 통과시키지도 않는다.
Review.
사람이 확인한다.
이 방식이 실제 AI 에이전트를 만들 때 꽤 중요하다.
에이전트에게 모든 상황을 판단하게 하는 것보다 ‘판단하면 안 되는 영역’을 알려주는 편이 훨씬 안정적이다.
생성형 AI가 영업에서 재미있어지는 지점
후보 건물을 찾았다면 다음에는 이미지 생성 모델이 등장한다.
그 건물 사진을 가져와서
“공사가 완료된다면 어떻게 보일지”
미리 보여주는 것이다.
낡은 지붕을 새 지붕으로 바꿔 볼 수도 있고, 빈 외벽에 새로운 간판을 설치해 볼 수도 있다.
조경 회사라면 정원이 정리된 모습을 만들 수도 있다.
여기서 중요한 점은 완전히 새로운 이미지를 생성하는 것이 아니라 실제 건물을 편집하는 방식이라는 것이다.
고객 입장에서는 흔한 광고 이미지를 보는 것이 아니다.
자기 집이나 자기 가게가 바뀐 모습을 보게 된다.
개인화 수준이 완전히 달라진다.
다만 생성형 이미지가 현실 구조를 잘못 해석하는 경우도 있다.
그래서 실제 발송 전에는 사람이 반드시 이미지를 확인해야 한다.
AI가 만든 이미지를 그대로 영업 자료로 사용하는 자동화는 아직 위험하다.
영업 페이지도 하나씩 달라진다
여기서 한 단계 더 나아간다.
후보 건물마다 작은 Landing Page를 만든다.
페이지 상단에는 해당 건물의 Before/After 이미지가 들어간다.
주소와 간단한 설명을 넣고 견적 상담을 신청할 수 있는 Form을 붙인다.
그러면 이메일이든 문자든 우편이든 모든 채널은 같은 페이지로 연결된다.
예를 들어 엽서라면 QR 코드가 들어간다.
집주인이 QR을 열어 보면 자기 집이 나온다.
일반적인 광고 페이지와는 경험이 다르다.
그리고 Form이 제출되는 순간 그것이 실제 Lead가 된다.
어느 주소인지, 언제 신청했는지, 어떤 개선안을 보고 들어왔는지도 함께 기록된다.
CRM에 들어가는 정보 자체가 훨씬 풍부해진다.
세 번째 방식
상품도 사업체도 없다면 ‘리드 자체’를 판매할 수 있다
여기서 비즈니스 모델이 한 번 더 변한다.
내가 Roofing 회사를 운영하지 않아도 된다.
대신 Roofing 공사가 필요해 보이는 건물을 발견하고, 관심을 확인한 뒤, 실제 상담 요청을 만들어 낼 수 있다.
그 Lead를 지역 Roofing 업체에게 판매하는 것이다.
단순한 전화번호 목록을 파는 것과는 다르다.
이미
어디에 있는 고객인지,
어떤 문제에 관심을 보였는지,
언제 상담을 원하는지
확인된 Lead다.
지역 업체 입장에서 훨씬 가치가 높다.
이제 AI는 Google Places 같은 데이터를 이용해 해당 지역 업체를 찾는다.
프랜차이즈보다 지역에서 직접 운영하는 업체를 찾아내고 서비스 지역을 확인한다.
그리고 그 업체 주변에서 이미 발생한 Lead를 연결한다.
이 구조가 돌아가기 시작하면 Lead 판매보다 월 구독 형태가 자연스러워진다.
“이번 달 Lead 20개를 판매하겠습니다.”
보다
“이 지역의 Lead 생성 시스템을 계속 운영하겠습니다.”
쪽으로 상품이 변한다.
결국 판매하는 것이 데이터가 아니라 Pipeline이 되는 셈이다.
그런데 완전 자동화를 목표로 하면 오히려 실패하기 쉽다
이런 사례를 보면 모든 것을 AI에게 맡기고 싶어진다.
하지만 실제로 중요한 작업 몇 가지는 사람이 잡고 있는 편이 좋다.
특히 이미지 검수, 실제 고객에게 처음 연락하는 순간, 광고 예산을 변경하는 순간이다.
이 세 가지는 결과가 현실 세계에 직접 영향을 준다.
에이전트가 추천은 할 수 있다.
“이 광고의 전환이 떨어지고 있으니 중단하는 것이 좋겠습니다.”
여기까지는 괜찮다.
실제 광고비를 늘리는 버튼은 사람이 누르는 편이 낫다.
이 작은 차이가 AI Agent와 무작정 돌아가는 Bot을 가른다.
현실에서 반드시 부딪히는 문제도 있다
이 시스템이 그림처럼 완벽하게 돌아가지는 않는다.
Street View 이미지가 몇 년 전 것일 수도 있다.
AI가 오래된 지붕이라고 판단했지만 작년에 이미 공사가 끝났을 수도 있다.
이미지 모델이 창문이나 지붕 구조를 바꿔 버리는 경우도 있다.
연락처 데이터가 잘못되어 있을 수도 있다.
광고 플랫폼의 정책 때문에 생성된 광고가 거절될 수도 있다.
개인정보, 광고성 메시지, 문자·이메일 발송 규정 역시 국가별로 확인해야 한다.
그래서 처음부터 수천 건을 돌리는 것은 좋은 방법이 아니다.
작은 지역에서 작은 Batch를 돌려 보는 편이 낫다.
잘못된 결과를 보고 규칙을 수정한다.
다시 실행한다.
에이전트 자동화에서 의외로 중요한 것은 Prompt보다 이 Feedback Loop다.
내가 이 글에서 가장 흥미롭게 본 것은 ‘Skill’이다
Grok Bot을 쓰느냐 Hermes를 쓰느냐는 사실 크게 중요하지 않을 수 있다.
Claude를 쓰느냐 Codex를 쓰느냐도 마찬가지다.
모델은 계속 바뀐다.
그런데 잘 설계된 Skill은 남는다.
무엇을 읽고,
무엇을 판단하고,
어디까지 자동으로 처리하고,
어떤 상황에서 사람에게 넘겨야 하는지.
이 과정이 문서로 남아 있다면 실행하는 AI는 얼마든지 바꿀 수 있다.
그래서 앞으로 AI 자동화에서 중요한 자산은 Prompt 모음이 아니라 이런 업무 실행 규칙이 될 가능성이 높다고 생각한다.
AI Lead Generation을 다시 정의한다면
예전 Lead Generation은 사람을 많이 모으는 일이었다.
그래서 이메일 DB가 중요했고 광고 노출량이 중요했다.
AI Agent 시대에는 조금 다른 방식이 가능해지고 있다.
사람을 무작정 찾는 대신 문제가 발생했다는 신호를 찾는다.
그 신호와 관련된 데이터를 모은다.
AI가 내용을 분석한다.
상황에 맞는 결과물을 만든다.
그리고 사람이 마지막 위험 구간을 승인한다.
이 흐름을 한 번 Skill로 만들어 놓으면 다음부터는 에이전트가 반복해서 실행할 수 있다.
아마 이것이 지금 만들어지고 있는 AI 에이전트 서비스에서 꽤 중요한 패턴 중 하나가 될 것 같다.
AI가 인간보다 영업을 잘해서가 아니다.
사람이라면 귀찮아서 매일 하지 못했던
찾고, 읽고, 정리하고, 비교하고, 다시 확인하는 작업을 계속할 수 있기 때문이다.
결국 AI 영업 자동화의 경쟁력은 더 많은 메시지를 보내는 데서 나오지 않을지도 모른다.
누구에게 연락해야 하는지를 먼저 알아내는 능력.
나는 그쪽이 훨씬 재미있어 보인다.