AI가 등장한 이후, 텍스트와 이미지, 코드, 영상 등 다양한 콘텐츠가 전에 없던 속도로 생산되고 있어요. 하지만 콘텐츠 생산량이 늘어난다고 고객의 관심과 브랜드 로열티까지 함께 커지는 것은 아니죠.
미국의 대표적인 영어 사전 출판사 메리엄 웹스터(Merriam-Webster)는 AI가 대량으로 만든 저품질·저가치 콘텐츠를 뜻하는 ‘슬롭(Slop)’을 2025년 올해의 단어로 선정했어요. AI 콘텐츠가 넘쳐나며 고객의 피로를 키우는 상황을 보여주는 상징적인 사례예요.
한편 마케팅이 책임져야 할 범위는 더 넓어졌어요. Braze APAC 및 중동 지역 총괄 Shahid Nizami 님은 25년간 마케팅의 변화를 지켜보며, 마케팅이 비용 부서를 넘어 매출을 만들고 투자 대비 성과를 증명하는 핵심 기능이 됐다고 말했어요. 그만큼 AI를 고객 참여에 어떻게 활용할지에 관한 마케터의 결정이 비즈니스 전체에 상당한 영향을 미치고 있어요.
AI가 콘텐츠 생산의 한계를 크게 낮춘 지금, 마케터가 풀어야 할 문제도 분명해졌어요. 무엇을 더 만들지가 아니라 어떤 맥락에서 누구에게 무엇을 보여줘야 더 나은 성과로 이어지는지를 결정해야 해요.
📌핵심 포인트
마케터는 매일같이 더 많은 콘텐츠와 캠페인, 크리에이티브를 더 빠르게 만들라는 요구를 받았는데요. 생성형 AI가 등장하고 거의 무한한 콘텐츠 생산 능력이 생기면서 이러한 요구를 상당 부분 충족할 수 있게 됐어요.
하지만 고객의 관심은 유한해요. 저품질·저가치 콘텐츠가 반복해서 노출되면 고객은 AI 슬롭이라고 생각할 뿐만 아니라 브랜드의 메시지까지 무시하게 돼요.
배너 광고의 역사가 이를 잘 보여주는데요. 1994년 핫와이어드에 실린 초기 배너 광고는 78%의 클릭률을 기록했지만, 2011년 페이스북 배너 광고의 클릭률은 0.05% 수준까지 떨어졌어요. 새로운 형식이 빠르게 확산되고 비슷한 광고가 반복되면서 고객의 반응도 무뎌진 거예요.
공교롭게도 2011년은 브레이즈가 설립된 해이기도 한데요. 브레이즈는 모든 고객에게 같은 메시지를 보내는 일괄 발송(Batch and Blast)에서 벗어나, 고객의 행동과 조건에 따라 여정을 설계하는 룰 기반 Canvas를 제공해왔어요.
생성형 AI가 다시 생산의 문턱을 낮춘 지금, 마케팅은 양을 늘리는 것과 고객에게 의미 있는 경험을 만드는 것 사이에서 다시 선택해야 해요.
“중요한 건 양이 아니라 질입니다. 아웃풋이 아니라 아웃컴이 중요해요.”
음악 산업에도 이를 보여주는 사례가 있는데요. 힙합 그룹 그랜드마스터 플래시 앤 더 퓨리어스 파이브(Grandmaster Flash and the Furious Five)는 단 2장의 앨범만으로 로큰롤 명예의 전당에 올랐어요.
AI 시대의 경쟁력도 이와 같아요. 더 많은 결과물을 만드는 브랜드보다 고객에게 의미 있는 경험을 남겨 비즈니스 성과로 연결하는 브랜드가 기억될 가능성이 높아요.
성과의 기준이 생산량에서 고객 경험으로 바뀌면, 에이전트에게 무엇을 맡기고 무엇을 사람이 설계할지도 다시 정해야 해요.
AI 에이전트는 이제 정해진 규칙을 따르는 데서 나아가 스스로 추론하고 판단해요. 하지만 에이전트의 자율성이 커졌다고 모든 업무를 그대로 맡길 수 있는 것은 아니에요.
거대언어모델(LLM) 기반 에이전트는 입력된 정보가 지나치게 많아지면 처리 속도가 느려지거나 중요한 정보에 집중하지 못할 수 있어요. 대표적인 한계는 다음 3가지예요.
마케팅 현장에서 에이전트가 맡는 일은 결코 가볍지 않아요. 수백만 명의 고객과 소통하고 구독자 기반을 관리하며 분기 목표와 연결된 구매 퍼널에 영향을 주기 때문이에요. 작은 오류도 고객 경험을 해치고 매출에 영향을 줄 수 있죠.
“에이전트를 만들고 배포하더라도 컨텍스트를 관리하고, 결정적인 가드레일을 세우고, 큰 문제를 작은 문제로 나누는 일은 여전히 필요합니다.”
에이전트가 올바르게 판단하려면 목표와 경계만으로는 부족해요. 고객이 누구이고 지금 어떤 상황에 있는지 알려주는 맥락도 필요하죠.
목표와 가드레일이 에이전트가 어디까지 행동할지를 정한다면, 고객 맥락은 개인화의 방향을 결정해요. 에이전트가 고객마다 적합한 경험을 제공하려면 고객이 누구이고 지금 어떤 상황에 있는지 이해할 수 있어야 하죠.
개인화의 출발점은 고객이 브랜드와 상호작용하며 남긴 퍼스트파티 데이터예요. 많은 브랜드가 이미 풍부한 데이터를 보유하고 있지만, 실제 고객 경험에 충분히 활용하지 못한 채 쌓아두고 있어요.
브레이즈는 2024년 Braze Data Platform을 출시했는데요. 브레이즈가 공개한 데이터 처리 및 고객 도달 규모는 다음과 같아요.
하지만 데이터가 많다고 개인화가 저절로 깊어지는 것은 아니에요. 고객의 행동 데이터에 브랜드의 가이드라인과 전문성, 운영 원칙처럼 조직이 축적한 맥락을 함께 연결해야 해요.
이렇게 데이터와 조직의 맥락을 결합하는 방식을 ‘컴포저블 인텔리전스(Composable Intelligence)’이라고 해요. 데이터와 맥락을 바탕으로 여러 에이전트가 고객과 양방향으로 상호작용하는 구조이죠.
생성형 AI로 개인화된 메시지를 많이 만드는 것은 어렵지 않아요. 하지만 고객이 지금 어떤 상황에 있는지, 무엇을 선호하고 어떤 반응을 보여왔는지 이해하지 못하면 개인화된 메시지도 또 하나의 AI 슬롭이 되기 쉬워요. 개인화를 결정하는 것은 콘텐츠 변형의 개수가 아니라 그 결정을 뒷받침하는 맥락의 깊이예요.
충분한 맥락을 갖췄다면 다음은 콘텐츠를 만드는 역할과 누구에게 언제 무엇을 보여줄지 학습하는 역할을 나눌 차례예요.
가상의 공연 앱을 예로 들어볼게요. 고객 한 명 한 명에게 적합한 공연을 추천해 모두가 VIP라고 느끼게 하는 개인 컨시어지 프로그램을 만든다고 가정해볼게요.
마케터가 BrazeAI Operator에게 VIP 컨시어지 프로그램을 요청하면, Operator는 Braze 도움말과 사내 사례 라이브러리에서 유사 사례를 찾아 캠페인의 뼈대를 구성해요. 이어 고객 데이터와 브랜드 가이드라인, 미디어 자산을 참조해 몇 분 만에 다음 3개 결과물을 완성해요.
BrazeAI Agent Console은 에이전트를 한곳에서 생성하고 관리하며 필요한 캠페인에 배치하는 역할을 해요. Operator가 아이디어를 구체적인 고객 여정으로 구현한다면, Agent Console은 그 여정에 필요한 에이전트를 실제 캠페인에서 운영할 수 있게 해줘요.
고객 여정 전체를 실험하고 최적화하는 일은 LLM만으로 해결하기 어려워요. 방대한 데이터를 한꺼번에 LLM에 입력하는 것만으로는 복잡한 의사결정을 지속적으로 학습하기 힘들기 때문이죠. 이때 필요한 것이 강화학습 기반의 BrazeAI Decisioning Studio예요.
Decisioning Studio는 브랜드의 퍼스트파티 데이터를 활용해 고객별로 가장 적합한 마케팅 행동을 탐색해요. 100개가 넘는 고객 특성을 함께 고려하고 메시지와 채널, 인센티브, 발송 시점, 빈도 같은 여러 선택지를 자율적으로 실험해요. 고객의 반응은 다시 학습 루프로 돌아가고, Decisioning Studio는 이를 바탕으로 다음에 취할 행동을 개선해요.
LLM과 강화학습 중 하나를 선택해야 하는 것은 아니에요. 두 기술은 서로 다른 문제를 풀기 때문이에요. Operator와 LLM 기반 에이전트가 콘텐츠와 캠페인을 만들면, Decisioning Studio의 Decisioning Agent는 그 콘텐츠를 누구에게 언제 어떤 방식으로 보여줄지 실험하고 학습해요.
Decisioning Agent는 다른 에이전트가 만든 콘텐츠에 대한 고객의 반응을 검증할 수도 있어요. 고객 여정이 시작되는 지점에서 어떤 에이전트를 가동할지도 결정하고요. 이렇게 두 기술이 연결되면 콘텐츠 생성부터 고객별 의사결정까지 하나의 학습 루프로 이어져요.
AI의 생산 능력을 고객 경험과 비즈니스 성과로 연결하려면 퍼스트파티 데이터로 맥락을 만들고, 에이전트의 목표와 가드레일을 설계해야 해요. 여기에 LLM의 생성 능력과 강화학습의 의사결정을 연결해 고객의 반응이 다음 행동에 반영되도록 해야 하죠.
AI가 무엇이든 만들 수 있는 시대일수록 마케터의 경쟁력은 무엇을 만들지보다 무엇을 선택하고 무엇을 학습하게 할지에 달려 있어요.
