Vercel — 인바운드 SDR 10명을 에이전트 1명 분량으로

1. 왜 이 사례인가

많은 조직이 GTM(Go-To-Market) 자동화를 시도할 때 챗봇 FAQ 응대나 이메일 초안 작성 보조와 같은 가벼운 작업부터 출발합니다. 하지만 Vercel이 SaaStr 공개 인터뷰에서 공개한 사례는 그보다 한 걸음 더 깊은 코어 영역을 겨냥했습니다. 숙련된 영업 담당자가 매일 수작업으로 처리하던 인바운드 리드 적격성 심사(lead qualification) 파이프라인 전체를 인공지능 에이전트로 전면 이관한 것입니다.

Vercel의 COO 잔 드위트 그로서(Jeanne DeWitt Grosser)는 Google과 Stripe에서 각각 10년 가까이 GTM 조직을 총괄한 베테랑 리더입니다. SaaStr 보도에 따르면 그녀는 Vercel에 합류한 지 약 6주 만인 2025년 6월에 전담 GTM 엔지니어링 팀을 신설하고, ‘GTM 조직 전반에 에이전트를 도입하라’는 명확한 단일 미션을 부여했습니다. 전담 팀이 구축한 리드 적격 심사 에이전트는 2025년 8월 상용 배포되었으며, 사람이 결과물을 전수 검증하는 HITL(Human-in-the-Loop) 모드를 약 6주 운영한 뒤 해당 업무의 전담 인력을 과감하게 축소했습니다.

그로서 COO가 SaaStr 인터뷰에서 요약한 성과는 매우 압축적입니다. 기존에 약 10명의 인바운드 SDR(Sales Development Representative)이 매달려 처리하던 업무를 단 1.25명 수준(미국 전담 1명 + 유럽 및 아시아·태평양 전체 커버 약 20% 공수)으로 줄였으며, 시스템 운영에 소요되는 인프라 및 토큰 비용은 연간 약 5,000달러에 불과해 자체 추산 기준으로 32배의 ROI를 달성했습니다. 토마시 퉁구즈(Tomasz Tunguz)가 레니(Lenny) 팟캐스트 인터뷰를 인용해 분석한 바에 따르면, 시스템 개편 전후로 리드에서 영업 기회로 이어지는 전환율(lead-to-opportunity conversion rate)은 하락 없이 평탄(flat)하게 유지되었습니다. 단순히 처리 속도만 높이고 산출물 품질이 무너진 반쪽짜리 실험이 아니었다는 점이 이 사례의 핵심 가치입니다.

Vercel GTM 엔지니어링 팀의 드루 브레드빅(Drew Bredvick)이 2026년 1월에 작성한 기술 회고는 동일한 프로젝트를 엔지니어의 시각에서 구체적으로 풀어냅니다. 주말 프로토타입 개발에서 시작해, 웹 폼 제출 접수부터 계정 리서치, 적격 판정, Slack 승인 루프, 맞춤형 응대 메일 초안 작성에 이르는 전 과정을 하나의 완결된 소프트웨어 제품처럼 구축해 낸 여정이 담겨 있습니다.

아울러 SaaStr 인터뷰 기사에는 리드 심사 외에도 Vercel 내부에서 가동 중인 인접 에이전트의 성과가 함께 소개됩니다. 고객 지원 에이전트가 전체 지원 티켓의 93%를 처리하고, 콘텐츠 에이전트가 직전 분기 주요 콘텐츠 업데이트 작업의 96%를 소화했다는 내용입니다. 다만 본 분석의 중심축은 어디까지나 인바운드 리드 적격 심사 에이전트이며, 93%와 96% 수치는 동일 출처에서 함께 언급된 별도의 인접 에이전트 실적으로 구분하여 다룹니다.

2. Problem

드루 브레드빅이 정리한 도입 이전의 운영 병목은 매우 구체적이고 현실적이었습니다. 공식 웹사이트의 Contact Sales 폼에는 유효한 잠재 고객뿐 아니라 대량의 스팸과 무관한 문의가 무차별적으로 섞여 들어왔고, 접수된 리드는 전문성이나 맥락에 대한 고려 없이 당번 SDR에게 기계적인 순번(라운드로빈)으로 배정되었습니다. 이로 인해 최초 응답까지 걸리는 대기 시간은 24~48시간까지 길어졌고, 시차와 무관하게 영업 담당자들은 ‘이 리드가 과연 시간을 들여 검토할 가치가 있는지’를 판단해 달라는 내부 핑에 시달려야 했습니다. 정작 SDR들은 잠재 고객과 심도 있는 대화를 나누기보다 스팸 분류, 회사 및 담당자 뒷조사, 적격 여부 판정, 콜드 메일 초안 작성과 같은 사전 수작업에 대부분의 업무 시간을 빼앗기고 있었습니다. 지능형 라우팅은커녕 ‘지금 즉시 응대 가능한 최적의 영업 인력’을 찾아 매칭해 주는 시스템조차 전무했던 것입니다.

퉁구즈가 인용한 그로서 COO의 회고는 이러한 비효율을 직관적으로 드러냅니다. 기존에는 꼬박 10명의 전담 SDR이 달라붙어 인바운드 접수와 사전 분류 작업을 처리해야 했지만, 이제는 에이전트가 생성한 결과물을 최종 검수하는 인력 1명만이 남아 해당 파이프라인을 지탱하고 있으며, 나머지 9명의 숙련 인력은 보다 높은 부가가치를 창출하는 아웃바운드 영업으로 전진 배치되었습니다. 이 과정에서 가장 엄격하게 요구된 전제 조건은 전환율을 사람이 직접 처리하던 시절과 동일한 수준(flat)으로 방어하는 것이었습니다.

SaaStr 기사에 소개된 사전 관찰 과정 역시 문제 정의의 중요한 통찰을 담고 있습니다. GTM 엔지니어는 시스템 개발에 앞서 최고 성과를 내는 일급 SDR을 며칠 동안 그림자처럼 밀착 관찰(shadowing)하며, 그가 LinkedIn, BuiltWith, 고객사 웹사이트, 사내 CRM, Slack 대화 이력을 오가며 브라우저 탭을 열고 닫는 작업 순서를 하나하나 그대로 기록했습니다. 그 탭들의 이동 순서야말로 ‘현장에 실재하는 사람의 실제 워크플로’였으며, 엔지니어링 팀이 자동화해야 할 대상은 낯선 새 시스템이 아니라 숙련자가 머릿속으로 밟아오던 바로 그 탭들의 작업 시퀀스였습니다.

확인된 사실: 공개 접수 폼의 스팸 유입 및 느린 응답 지연(드루 서술 기준 24~48시간 소요), 10명 규모의 인바운드 전담 SDR 운영(SaaStr·퉁구즈·드루 공통), 리드 전환율의 전후 동일 유지(flat) 목표 및 달성(퉁구즈/그로서), 최고 성과 SDR 관찰을 통한 실제 워크플로 문서화(SaaStr), 2025년 8월 런칭 및 약 6주간의 HITL 검증 기간 운영(SaaStr).

3. Solution

해법은 겉만 번지르르한 대화형 챗봇이 아니었습니다. 고객 리서치 → 적격성 분류 → 응대 메일 초안 작성 → 사람의 원클릭 승인으로 이어지는 완결된 엔드투엔드 인바운드 처리 파이프라인이었습니다.

3.1 빌드 삼각대와 ‘사람 우선’ 원칙

SaaStr 인터뷰에 따르면 Vercel 내부에서 에이전트를 개발할 때는 항상 일관된 협업 모델을 적용합니다. GTM 엔지니어 + 데이터 사이언티스트 + 해당 업무 최고 전문가(SME)로 구성된 ‘빌드 삼각대’가 한 팀으로 뭉쳐, 먼저 현장의 최고 실무 경험(Best Practice)을 문서로 정리한 뒤 이를 실행 가능한 워크플로 코드로 변환합니다. 초기 단계에서는 에이전트의 출력을 사람이 전수 검수하며, 시스템에 처음부터 자율적 실행 권한을 부여하지 않습니다. 현장 전문가가 더 이상 수정할 피드백이 없다고 판단하는 시점에 도달해서야 비로소 사람의 개입을 줄여나가는 방식입니다.

리드 적격 심사 에이전트 역시 이 원칙을 충실히 따랐습니다. 담당 엔지니어는 최우수 SDR이 띄우던 브라우저 탭들을 도구 호출(Tool Calling) 인터페이스로 그대로 옮겨 담았고, 생성형 AI 모델을 연결하기 전에 시스템을 결정론적(deterministic) 워크플로로 먼저 단단하게 구현했습니다. 이후 실제 상용 트래픽을 흘려보내는 약 6주간의 프로덕션 섀도 모드를 거치며, 최우수 SDR이 에이전트가 쏟아내는 모든 판정 결과와 메일 초안을 직접 검토하고 교정했습니다. SaaStr는 이 시스템을 두고 ‘최우수 SDR이 수동으로 수행하던 판단 로직을 아키텍처로 구현함으로써, 상위 10% 수준의 성과를 24시간 내내 100% 일관되게 발휘하는 체계를 완성했다’고 평가합니다.

3.2 런타임 파이프라인 (드루 회고 및 오픈소스 템플릿)

드루의 프로덕션 아키텍처 설명과 Vercel Labs의 오픈소스 참조 저장소(vercel-labs/lead-agent)가 보여주는 런타임 처리 흐름은 다음과 같이 일치합니다.

폼 접수 및 1차 보강: 잠재 고객의 Contact Sales 제출 즉시 Clearbit, ZoomInfo 등의 API를 호출해 기업 및 담당자 데이터 자동 보강(Enrichment).
심층 리서치 에이전트: 웹 검색과 기업 공시, 기술 스택 신호를 조회해 회사 규모와 사업 모델을 심층 분석.
구조화된 자격 판정: 수집된 데이터를 바탕으로 리드를 사전 정의된 버킷(적격 / 추가 팔로업 필요 / 단순 기술지원 문의 / 영업 무관 스팸 등)으로 정밀 분류.
Slack 기반 맥락 전달: 분류 근거와 추론 요약 메모를 담당 SDR의 Slack으로 즉시 알림.
초안 작성 및 푸시: 적격 판정을 받은 리드에 한해 개인화된 맞춤 응대 메일 초안을 자동 생성하여 Outreach 등 세일즈 시퀀스 도구로 연동.

이로써 현장 영업 인력의 일상 업무는 ‘스팸 걸러내기, 웹 검색, 자격 판단, 콜드 메일 작성 및 발송’의 중노동에서 ‘AI가 분석하고 작성해 둔 결과물을 검토한 뒤 승인 버튼을 누르는 작업’으로 완전히 재편되었습니다. 한편 GitHub에 공개된 참조 구현 템플릿은 Next.js, AI SDK, 내구성 있는 백그라운드 워크플로 실행을 위한 Workflow DevKit, Slack 상호작용 승인을 위한 Slack Bolt, 심층 웹 조사를 위한 Exa 검색 API를 핵심 스택으로 명시하고 있습니다. 다만 이는 외부 공개용 참조 아키텍처(reference architecture)이며, Vercel 사내 프로덕션 파이프라인과 1:1로 완전히 동일하다고 단정할 근거는 템플릿 문서에 명시되어 있지 않습니다.

3.3 확장과 유지보수 체계

SaaStr에 따르면 이 에이전트의 초기 프로토타입은 단 한 명의 엔지니어가 단 주말 이틀 동안 개발했으며, 불과 6주 만에 상용 프로덕션 환경에 배포되었습니다. 이후 Vercel은 동일한 프레임워크를 오프라인 이벤트 후속 관리, 제품 주도 적격 리드(PQA) 판정, 특정 시점 기반 캠페인 등 사내 30개 이상의 SDR 워크플로로 전격 확대 적용했습니다. 시스템 유지보수에 투입되는 리소스는 엔지니어 1인 업무 시간의 약 20%(SaaStr) 혹은 퉁구즈 및 드루가 언급한 25~30% 수준에 불과합니다. 출처별로 집계 방식에 약간의 차이가 있지만, 대규모 전담 개발팀을 상시 유지할 필요 없이 소수의 공수만으로 안정적인 운영이 가능하다는 점은 공통된 사실입니다.

확인된 사실: GTM 엔지니어·데이터 사이언티스트·도메인 전문가로 구성된 삼각 협업 체계, 실무 문서화 선행 후 결정론적 워크플로 구축 및 섀도 HITL을 거친 점진적 인력 축소(SaaStr), 폼 접수→데이터 보강→심층 리서치→적격 판정→Slack 알림→초안 작성 파이프라인(드루), Next.js·AI SDK·Workflow DevKit·Slack Bolt·Exa 기반의 오픈소스 참조 스택, 주말 프로토타입 개발 및 6주 내 상용화와 30개 워크플로 확장(SaaStr), 엔지니어 1인 기준 약 20~30% 수준의 경량 유지보수 공수.

4. Impact

인바운드 리드 적격 심사 에이전트와 관련하여 객관적으로 확인된 정량적 성과는 다음과 같습니다. 각 지표의 출처와 산출 기준을 명시합니다.

지표	수치	출처 및 비고
인바운드 전담 SDR 인력 규모	10명 → 약 1~1.25명	SaaStr: 미국 전담 1명 + 유럽/아태 커버 약 20% FTE(≈1.25명). 퉁구즈/드루: ‘10명에서 1명으로 축소’, 나머지 9명은 아웃바운드 영업으로 재배치
리드→영업 기회 전환율	평탄하게 유지 (flat)	퉁구즈 기사에서 그로서 COO의 발언 인용
인프라 및 토큰 비용	연간 약 5,000달러	SaaStr (그로서 COO 인터뷰). 드루의 ROI 산출에 포함된 연간 6만 달러(엔지니어링 공수+API)와는 비용 항목 구성이 완전히 다름 — 합산하거나 동일시하지 않음
자체 추산 ROI	32배 (32×)	SaaStr(그로서 COO) 및 드루 회고 공통. 다만 세부 분자/분모 공식은 글마다 상이
연간 비용 절감 추산치 (드루 집계)	연간 200만 달러 이상 ($2M+)	드루 2026-01-23 회고. 인건비 절감 및 생산성 효율 반영 주장; 세부 산출 공식은 비공개
섀도 HITL 검증 및 전환 기간	약 6주	SaaStr, 퉁구즈 공통
상용 런칭 시점	2025년 8월	SaaStr
상시 유지보수 공수	엔지니어 1인의 약 20~30%	SaaStr 약 20%; 퉁구즈 25~30%; 드루는 ROI 산정 시 엔지니어 투입 시간으로 반영
도입 분기 SDR 쿼터 달성률	+30% 증가	SaaStr (동일 프레임워크의 사내 확산에 따른 전반적 영업 성과)

업무 처리 속도와 관련된 정성적 평가는 퉁구즈와 그로서 COO의 인터뷰를 통해 확인할 수 있습니다. 야간이나 주말에 리드가 쌓이던 큐 적체를 해소함으로써 최종 계약 전환까지 필요했던 영업 터치 횟수를 유의미하게 단축했다는 설명입니다. 다만 구체적인 터치 횟수의 절대적인 수치는 1차 출처에 수치로 공개되지 않았습니다.

인접 에이전트 성과 (동일 SaaStr 인터뷰 언급 · 리드 에이전트와 독립된 실적)

지표	수치	비고
고객 지원 에이전트 케이스 자율 처리율	93%	SaaStr. 고난도 기술 및 인프라 문의가 포함된 지원 티켓 대상
사내 콘텐츠 에이전트 작업 처리율	96%	SaaStr. 직전 분기 진행된 주요 콘텐츠 업데이트 작업 대상
Vertex AI 기반 지원 에이전트 운영비용	인프라 월 약 300달러 + 토큰 월 약 1.2만 달러 (연간 약 15만 달러, 전담 엔지니어 3명)	SaaStr. 리드 적격 에이전트의 연간 5,000달러 인프라 비용과는 완전히 별개의 예산 라인

확인된 사실: 상기 표에 명시된 수치와 각 출처의 엄격한 매핑. 기존 9명의 SDR을 해고한 것이 아니라 아웃바운드 영업으로 재배치했다는 그로서 COO의 인용(퉁구즈). 인력 감축 자체가 목적이 아니라 영업 인력을 상위 밸류체인으로 이동시켰다는 SaaStr의 설명.

5. Insight

이 사례에서 최신 파운데이션 모델의 이름보다 훨씬 두드러지는 본질은 바로 ‘사람의 실제 워크플로를 소프트웨어 제품으로 전환해 낸 방식’입니다.

사람의 행동을 정밀하게 문서화한 뒤에야 모델을 연결했습니다. SaaStr가 거듭 강조하는 성공 방정식의 순서는 명확합니다. 최우수 실무자 섀도잉 → 결정론적 코드 워크플로 구축 → 도구 호출 연동 → 섀도 모드 전수 검증 → 점진적 사람 개입 축소입니다. 드루 엔지니어가 회고하듯 주말 동안 가볍게 프로토타입을 만들었을 수는 있지만, 상용화 직전의 치열했던 6주는 현장 최고 실무자의 ‘드러난 선호(revealed preference)’와 암묵지를 코드로 번역해 내는 엄밀한 과정이었습니다.

리드 전환율을 완벽히 방어하며 인력을 재배치했습니다. 인바운드 인력을 10명에서 1명 수준으로 줄였음에도 리드 전환율이 이전과 동일(flat)하게 유지되었다는 사실이야말로 가장 중요한 품질 지표였습니다. 단순히 인건비를 줄였다는 사실만으로 성공을 자축하지 않았습니다. 아울러 남은 1명의 핵심 역할이 단순 반복 업무가 아니라 ‘에이전트 산출물의 최종 QA 및 승인’이라는 점은, 무리한 완전 무인화보다 사람이 책임 버튼을 쥐고 있는 HITL 구조가 엔터프라이즈 운영의 안정적인 기본값임을 증명합니다.

비용과 ROI를 주장하는 두 가지 층위가 존재합니다. 그로서 COO와 SaaStr가 밝힌 연간 5,000달러는 순수 인프라 호스팅 및 모델 토큰 비용에 가깝고, 드루 엔지니어가 밝힌 연간 6만 달러 비용과 200만 달러 이상의 절감액은 엔지니어링 인건비 공수와 영업 인력 효율화까지 반영한 종합적 산출물입니다. 양측 모두 32배(32×)의 높은 ROI를 제시하지만 계산식에 반영된 분모와 분자의 기준이 서로 다릅니다. 이 사례를 사내에 벤치마킹할 때는 어떤 비용 층위를 의사결정 기준으로 삼을지 명확히 구분해야 합니다.

타 조직 복제 시의 전제 조건과 한계. 공개된 자료만으로는 Vercel 내부의 구체적인 CRM 커스텀 필드 매핑 규칙, 스팸 필터링 임계값, Outreach 발송 권한 체계, Slack 승인 SLA를 그대로 재현하기 어렵습니다. 오픈소스 저장소의 lead-agent 코드 역시 어디까지나 참조 아키텍처(reference architecture)일 뿐입니다. 또한 고객 지원 93% 자율 처리나 콘텐츠 96% 소화는 사내의 에이전트 도입 문화와 삼각 협업 체제 아래서 탄생한 인접 성공 사례일 뿐, 리드 적격 심사와 동일한 파이프라인에서 동작한다고 볼 근거는 없습니다. 아울러 32배 ROI나 200만 달러 이상의 절감액 역시 기업 자체의 추산치이며 독립된 외부 회계 감사를 거친 수치는 아닙니다.

요약하자면, 인바운드 리드 자격 심사처럼 이미 현장 전문가들이 일정한 패턴으로 수행하던 업무를 성공적으로 에이전트화하기 위해 필요한 것은 화려한 모델의 명칭이 아닙니다. 철저한 실무 섀도잉을 통해 빚어낸 결정론적 워크플로와 Slack 기반의 직관적인 휴먼 인 더 루프(HITL) 승인 체계가 조화롭게 결합될 때 비로소 진정한 비즈니스 가치가 완성됩니다.

6. 원문에 없는 추정 (구현 가설)

6.1 폼 접수부터 구조화된 자격 판정까지의 데이터 파이프라인

근거: 드루의 회고록에서는 웹 폼 접수 후 Clearbit과 ZoomInfo를 통한 데이터 보강(Enrichment), 기업 및 담당자에 대한 심층 리서치, 그리고 리드를 4대 범주(적격 / 추가 팔로업 필요 / 단순 지원 문의 / 영업 무관 스팸)로 분류하는 구조를 명시합니다. SaaStr는 엔지니어가 SDR이 보던 LinkedIn, BuiltWith, 웹사이트, CRM, Slack 탭을 도구 호출 단계로 변환했다고 설명합니다. 오픈소스 lead-agent 템플릿 역시 AI SDK의 generateObject를 활용해 자격 카테고리와 판정 추론을 스키마 형태로 추출하고 Exa 웹 검색 에이전트를 내장하고 있습니다.

실제 시스템에서는 잠재 고객이 웹 폼을 제출하는 즉시 프론트엔드에 성공 응답을 반환한 뒤, 백그라운드에서 Workflow DevKit을 이용해 장애 복구력을 갖춘 비동기 잡을 트리거할 것으로 추정됩니다. 워커 내부에서는 도메인과 기업명, 업무용 이메일을 기반으로 유료 데이터 보강 API를 호출하고, 공개 웹과 기술 스택 신호를 수집하여 정형화된 리서치 브리프를 작성할 것입니다. 이후 모델은 이 메모와 폼 입력 내용을 사전에 엄격히 정의된 JSON 스키마에 입력하여 적격성 등급과 판단 근거를 산출하는 구조를 취했을 가능성이 높습니다. 단순 기술 지원 문의나 스팸 건은 영업 큐에서 즉시 배제하여 별도 채널로 이관하고, 오직 적격 기준을 통과한 건에 대해서만 메일 초안 작성 및 SDR 알림 단계로 데이터를 넘겼을 것입니다. 이 과정에서 언어 모델은 자유로운 챗봇이 아니라 입력 데이터를 리서치 아티팩트로 정제한 뒤 엄격한 분류 스키마를 채우는 파이프라인 워커로 작동했을 것이며, 사람이 열어보던 브라우저 탭 순서가 고정된 도구 호출 목록으로 구현되었기에 프롬프트 자체보다 단계별 스키마와 데이터 계약이 시스템의 핵심을 이루었을 것으로 판단됩니다.

6.2 Slack 인터랙션을 활용한 HITL 승인 루프 설계

근거: 드루는 SDR의 Slack으로 분석 맥락과 판단 추론을 전달하고 사람이 이를 검토한 뒤 발송한다고 밝혔습니다. 오픈소스 템플릿 역시 Slack의 대화형 승인/반려 버튼을 통해 메일 초안을 전송하고, 웹훅 승인 신호가 인입되었을 때에만 실제 이메일을 발송하도록 구현되어 있습니다. SaaStr는 에이전트가 초기부터 완전 자율로 동작하지 않고 사람이 철저히 QA했다고 거듭 강조하며, 퉁구즈와 그로서 COO 역시 잔류한 1명의 핵심 임무가 에이전트의 산출물 QA라고 증언합니다.

SDR에게 전달되는 Slack 메시지에는 대상 기업 요약, 판정된 적격 등급, 핵심 판단 근거 스니펫, 자동 작성된 응대 이메일 본문과 함께 [승인(Approve)], [수정], [반려] 버튼이 포함되었을 가능성이 큽니다. 야간이나 해외 시차에 접수된 리드라 할지라도 큐에서 방치되지 않고 에이전트가 사전 분석과 초안 작성을 완료해 두기 때문에, 근무 중인 SDR이 Slack 알림 창에서 내용만 확인하고 원클릭으로 승인하는 방식으로 응답 지연 시간을 대폭 단축했을 것으로 보입니다. 사람이 버튼을 누르며 남긴 수정 사항이나 반려 사유는 프롬프트 보정, 자격 임계값 재조정, 메일 톤앤매너 개선을 위한 귀중한 데이터로 환류되며 6주간의 섀도 기간을 지탱하는 핵심 학습 신호로 작동했을 것입니다. 시스템이 완전 자동 발송으로 성급하게 직행하지 않은 까닭은 외부 발송 메일이 기업의 브랜드 신뢰도 및 컴플라이언스와 직결되는 민감한 영역이기 때문입니다. 따라서 내부 아키텍처는 발송 제안(Propose) 계층과 실제 발송(Send) 계층을 엄격히 분리하고, 최종 발송 API는 오직 Slack의 휴먼 승인 웹훅을 통과했을 때에만 호출되도록 설계되었을 것으로 추론됩니다.

6.3 CRM 및 세일즈 인게이지먼트 도구의 상태 동기화와 권한 통제

근거: 드루는 자격 심사를 통과한 리드의 메일 초안을 세일즈 자동화 플랫폼인 Outreach로 푸시한다고 언급했습니다. SaaStr는 Deal One, Playbook 등 사내의 타 에이전트들이 Salesforce 웹훅 및 Gong API와 긴밀히 연동되어 있음을 지적하며 엔터프라이즈 데이터 계층의 중요성을 환기합니다. 초기 문제 정의에서도 기계적인 라운드로빈 배정의 한계가 주요 병목으로 지적된 바 있습니다.

에이전트가 판정한 적격성 결과와 근거 데이터는 사내 CRM(Salesforce 등)의 리드 및 연락처 레코드에 실시간으로 기록되고, 맞춤형 초안은 Outreach 시퀀스에 등록되어 SDR이 일괄 검토 후 발송할 수 있도록 파이프라인이 연동되었을 것입니다. 담당자 배정 로직 역시 과거의 단순한 순번제를 탈피하여 지역, 고객 규모 세그먼트, 실시간 온콜 상태를 종합적으로 반영하는 에이전트 사후 라우팅 규칙으로 고도화되었을 가능성이 높습니다. 유럽 및 아시아·태평양 지역을 ‘0.2명’의 인력만으로 커버할 수 있었던 배경에는 에이전트가 시차 공백을 메우며 사전 작업을 완료해 두고 담당자는 고부가가치 예외 건만 검토하는 효율적인 운영 모델이 자리 잡고 있었을 것입니다. 보안과 무결성 측면에서는 에이전트 전용 서비스 계정에 CRM의 제한된 커스텀 필드 쓰기 권한만을 부여하고, 세일즈 파이프라인의 핵심 스테이지 변경이나 리드 소유권 이전은 담당자의 최종 승인 이후로 유예하는 안전장치를 두었을 것으로 보입니다. 기본 데이터 계층의 정합성이 담보되지 않는다면 심층 리서치의 품질이 떨어지고 판정 사유 또한 빈약해질 수밖에 없기 때문입니다.

6.4 섀도 평가 기간의 전환율 방어 게이트와 카나리 롤아웃

근거: SaaStr 인터뷰에서는 6주간의 섀도 모드 동안 최우수 SDR이 에이전트의 모든 출력을 전수 검수했다고 밝혔습니다. 퉁구즈 기사는 시스템 전환 이후에도 전환율이 동일(flat)하게 유지되었음을 명시하고 있으며, 드루는 응답 시간, 전환율, 투입 인력 규모가 프로젝트 초기에 객관적으로 추적하기 가장 적합한 핵심 지표였다고 설명합니다.

6주간의 섀도 기간에는 동일한 인바운드 리드에 대해 현장 전문가의 판단과 에이전트의 자격 판정을 나란히 적재한 뒤, 두 결과가 엇갈리는 케이스를 정밀 분석하여 ‘과대 적격 판정’, ‘과소 적격 판정’, ‘지원 티켓 오분류’, ‘메일 톤앤매너 부적합’ 등의 라벨을 부여하는 체계적인 불일치 분석이 수행되었을 것입니다. 상용 배포 역시 한 번에 100% 자율로 전환하는 방식이 아니라, 판정 일치율이 통계적 안정권에 도달할 때까지 에이전트 초안 작성 및 사람 최종 확정의 비율을 단계적으로 끌어올리는 카나리 롤아웃 방식을 적용했을 가능성이 큽니다. 전환율이 하락 없이 유지되었다는 점은 무조건적인 자동화율 극대화에 매몰되지 않고, 사람이 직접 처리하던 시절의 영업 기회 전환율을 결코 훼손하지 않는 것을 최우선 배포 게이트로 삼았음을 방증합니다. 도입 분기에 SDR의 쿼터 달성률이 30% 증가한 배경 역시 인바운드 선별에 낭비되던 시간을 절감한 영업 인력들이 완성도 높은 에이전트 초안을 디딤돌 삼아 더 많은 고객 대화를 고품질로 소화해 낸 결과로 해석할 수 있습니다. 운영 대시보드에는 자격 판정 분포, 승인 소요 시간, 전환율, 반려율 추이가 실시간으로 모니터링되었을 것이며, 전환율에 이상 징후가 감지될 경우 자동 처리를 즉각 중단하고 사람의 의무 승인 비율을 다시 100%로 강제하는 롤백 메커니즘이 구비되었을 것으로 추정됩니다.

6.5 스팸 및 기술지원 문의 분기 처리와 지속적인 드리프트 감시

근거: 드루의 글에서는 공개 웹 폼을 통해 유입되는 스팸 문제와 함께, 영업과 무관한 기술지원(support) 및 비영업 문의 버킷을 명확히 구분하여 처리한다고 설명합니다. SaaStr는 에이전트가 정형화된 영역을 도맡고 사람은 고차원적 업무로 이동해야 한다고 강조하며, 오픈소스 템플릿 역시 승인 거절 시의 대체 경로와 확장 포인트를 제공합니다.

접수된 폼 입력 중 단순 스팸, 채용 문의, 파트너십 제안, 일반 고객지원 요청은 영업 시퀀스로 인입되지 않도록 파이프라인 최상단에서 신속히 분류되어 고객지원 헬프데스크나 파트너십 전담 큐로 자동 우회되었을 것입니다. 외부 리서치 API의 일시적 장애나 네트워크 타임아웃이 발생한 경우에는 불완전한 정보를 바탕으로 섣부른 적격 판정을 내리는 대신 ‘판정 보류’ 상태로 분류해 즉각 사람의 수동 검토 큐로 에스컬레이션하는 것이 전환율 방어 관점에서 자연스럽습니다. 반복적으로 오분류를 유발하는 도메인이나 특정 스팸 패턴은 정규식 규칙이나 허용/차단 리스트(Allow/Deny List) 기반의 단축 서킷으로 분리하여 고가의 모델 호출 전 단계에서 선제 차단했을 가능성이 높습니다. 아울러 메일 발송 후 발생한 반송(Bounce), 수신 거부, 현장 SDR의 수동 재분류 이력은 주간 단위의 모델 재학습 및 평가 데이터로 환류되었을 것입니다. 이는 SaaStr가 시스템 방치 시 나타날 수 있는 위험 요소로 강력히 경고한 ‘아무도 모르게 발생하는 성능 저하(Agent Drift)’를 사전에 방지하기 위해 관리자가 매일 1~2시간씩 시스템 산출물을 점검하는 감시 루틴과 맞물려 작동했을 것입니다. 장애를 무작정 침묵시키는 불투명한 배치 시스템 대신, 버킷별 처리 현황과 상세 반려 사유가 투명하게 집계되는 모니터링 큐가 뒷받침되었기에 단 1.25명의 최소 인력만으로도 대규모 인바운드 파이프라인을 견고하게 지탱할 수 있었을 것으로 판단됩니다.

7. 출처

SaaStr (Jason Lemkin) — Vercel Took a 10-Person SDR Team Down to 1. The Whole Thing Costs $5,000 a Year. With Vercel’s COO Jeanne DeWitt Grosser.
https://www.saastr.com/vercel-took-a-10-person-sdr-team-down-to-1-the-whole-thing-costs-5000-a-year-with-vercels-coo-jeanne-dewitt-grosser/
확인일(본 초안 기준): 2026-09-22 · 서술상 리드 에이전트 상용 배포 2025-08, HITL 운영 약 6주, 연간 인프라 약 5,000달러, 32배 ROI, 1.25명 운영, 고객지원 93% 및 콘텐츠 96% 자율 처리, SDR 쿼터 달성률 +30%
Drew Bredvick — Building Vercel’s First GTM Agent
https://drew.tech/posts/building-vercels-first-gtm-agent
게시일: 2026-01-23 · 런타임 파이프라인 구조, 자체 ROI 산출(연간 비용 약 6만 달러 / 200만 달러 이상 절감 / 32배 ROI), 주말 프로토타입 개발 회고
Drew Bredvick newsletter — Behind the scenes of building Vercel’s first GTM agent
https://drew.tech/newsletter/behind-the-scenes-of-building-vercels-first-gtm-agent
(canonical: https://drew.tech/newsletter/issues/22595353)
게시일: 2026-01-28
Tomasz Tunguz — Vercel’s AI Sales Agent : 10 SDRs Down to 1 in Six Weeks
https://tomtunguz.com/vercel-ai-sales-agents-jeanne-grosser/
게시일: 2025-11-30 · 리드 전환율 동일(flat) 유지, 6주 전환 기간, 기존 9명 아웃바운드 재배치, 유지보수 공수 엔지니어 25~30%
vercel-labs/lead-agent (공개 참조 아키텍처)
https://github.com/vercel-labs/lead-agent
확인일(본 초안 기준): 2026-09-22 · Next.js / AI SDK / Workflow DevKit / Slack Bolt HITL / Exa 기반 오픈소스 구현체