Personio 영업 조직 400명의 AI 전환

요약

• 400명의 영업 조직에서 데이터 정제와 업무 흐름 재설계에 70%의 노력을 쏟았습니다.
• 높은 사용률 뒤에 숨은 파편화된 시스템과 오염된 고객 데이터를 먼저 해결했습니다.
• 인공지능 전환의 성패는 새 도구의 개수가 아니라 데이터 기초와 운영 규율에 달렸습니다.

사용률 90%라는 착시에서 시작된 고민

많은 기업이 생성형 인공지능을 도입할 때 전사 계정을 배포하고 직원들의 접속률을 확인하는 것으로 첫발을 뗍니다. 대규모 언어 모델(LLM)을 다루는 직원이 늘어나면 조직의 생산성도 자연스럽게 오를 것이라 기대하기 때문입니다.

유럽의 인사 및 급여 관리 소프트웨어 기업인 Personio 역시 같은 출발선에 서 있었습니다. 이 회사는 기업가치 30억 달러 이상으로 평가받으며 직원 1,500명과 고객 1만 5,000곳을 두고 있었습니다. 2024년 5월, 최고경영자(CEO)는 OpenAI, Mistral, AWS의 연사들을 초청해 ‘AI Surge Week’라는 전사 행사를 열었습니다. 행사 직후 팀의 90%가 매주 대규모 언어 모델을 쓸 만큼 사내 열기는 뜨거웠습니다.

하지만 400명의 영업 조직을 이끄는 Philip Lacor 최고매출책임자(CRO)의 판단은 달랐습니다. 주간 사용률이 90%에 달했음에도 그는 “사용률은 높지만, 이것만으로는 의미 있는 변화에 도달하고 시장 진출(GTM) 방식을 정말 근본적으로 바꾸기에는 어쩌면 충분하지 않을 수 있습니다”라고 보았습니다. SaaStr AI London 발표에서 공개된 이 사례는 2024년 5월부터 11월까지 6개월 동안 축적된 데이터 부채와 비효율을 걷어내고 실질적인 성과를 일궈낸 과정입니다.

겉도는 아이디어와 엉망이 된 고객 데이터

문제를 파고들자 세 가지 뚜렷한 장애물이 모습을 드러냈습니다.

첫째는 아래로부터 올라오는 실험의 한계였습니다. 전용 사내 메신저 채널을 열자마자 50개의 아이디어가 쏟아졌습니다. 하지만 기존 업무가 그대로인 상태에서 누가 업무 시간의 40%를 인공지능 구축에 쏟을 수 있는지 정해지지 않았습니다. 예전 업무 방식을 완전히 중단해도 좋다는 공식 허락도 없었습니다. Lacor CRO는 “사람들이 새 아이디어를 다루기 시작했지만 첫 번째 프로젝트도 끝내지 못한 상태였고, 어느 순간 조금씩 통제를 벗어나기 시작했다”고 회고했습니다.

둘째는 심각한 업무 맥락 전환이었습니다. 고객 분석 하나를 끝내기 위해 영업 담당자들은 7~8개의 서로 다른 시스템을 분주히 오가고 있었습니다. 제품 사용량을 보려고 Amplitude를 켜고, 갱신 조건을 확인하려 계약 관리 도구를 열고, 과거 대화 이력을 찾으려 고객관계관리(CRM) 시스템을 뒤적였습니다. 이 때문에 담당자들은 한 활동에 하루 2.5시간, 다른 활동에 주 3시간을 길 위에서 버리듯 낭비하고 있었습니다. 특히 기존 고객에게 추가 상품을 제안하는 확장 SDR(Expansion SDR)은 통화를 걸기 전 고객을 조사하는 데만 매일 2시간씩 쓰고 있었습니다.

셋째는 바닥에 깔린 데이터의 질이었습니다. 화려한 기술을 얹기에 앞서 확인한 고객관계관리 시스템 Salesforce의 상태는 참담했습니다. 고객과 잠재 고객 기록의 3분의 1(약 33%)이 중복 데이터였습니다. 영업 담당자들이 거래 성패를 기록할 때 수주와 실주 사유의 30%를 단순한 “기타”로 채워 넣고 있었습니다. 그나마 입력된 내용도 얕아서 제품 개선이나 경쟁 대응에 필요한 구체적인 통찰을 주지 못했습니다. 오염된 데이터 위에 세운 인공지능은 그저 그럴듯한 헛소리만 뱉어낼 뿐이었습니다.

세 기둥으로 짠 15명의 전담 워킹 그룹

도구를 더 사들이는 방식으로는 이 문제를 풀 수 없었습니다. Lacor CRO는 2024년 6월, 15명으로 구성된 ‘AI Powered Go-To-Market’ 워킹 그룹을 꾸리고 권한을 집중했습니다. 이 조직은 서로 다른 영역을 잇는 세 축으로 채워졌습니다.

첫째는 Snowflake와 기초 데이터 인프라를 책임지는 데이터 및 시스템 팀이었습니다. 둘째는 사업 요구와 기술 구현을 이어줄 수익 운영(RevOps) 및 전담 GTM 엔지니어 2명이었습니다. 셋째는 마케팅, 영업, 고객 성공(CS) 부서에서 차출된 현업 실무자들이었습니다. 기술진이 영업 현장의 맥락 없이 모델을 만들거나, 영업팀이 기술 지원 없이 조잡한 도구를 만들다 실패했던 과거의 단절을 막기 위한 구성이었습니다.

경영진이 위에서 정해 주어야 할 결정은 분명했습니다. 누가 업무 시간의 40%를 인공지능 구축에 쓸지 정하는 자원 배분, 기존 업무를 멈춰도 된다는 공식적인 허락, 그리고 쏟아지는 50개 아이디어 중 사업 가치와 직결되는 세 개를 추려내는 우선순위 설정이 바로 그것이었습니다.

우선순위를 정하기 위해 전담 GTM 엔지니어가 어카운트 매니저들을 2주 동안 밀착 관찰했습니다. 영업 개발 대표(SDR), 고객 담당 영업 대표(AE), 고객 성공(CS), 솔루션 엔지니어(SE)가 매일 처리해야 하는 일(JTBD)을 고객 여정 위에 낱낱이 펼쳐 놓았습니다. 어디서 병목이 생기고 비용이 새는지 확인하자 자원을 어디에 쏟아야 할지가 명확해졌습니다.

모델 도입은 30%, 데이터 정제와 업무 흐름 재설계가 70%

Personio가 선택한 핵심 기술 기반은 이미 쓰던 도구들이 중심이었습니다. 고객관계관리의 Salesforce, 대화 분석의 Gong, 실시간 대화형 메시징의 Qualified, 데이터 웨어하우스의 Snowflake, 그리고 모델 기반 계층인 Amazon Bedrock을 연결했습니다.

Lacor CRO는 “도구가 대개 만병통치약은 아니기 때문에 무작정 도구부터 사들이지 말아야 합니다. 정작 많은 작업은 업무 흐름과 데이터에서 이루어져야 합니다”라고 강조했습니다. 실제로 전체 구현 작업의 70%는 묵묵한 데이터 정제와 업무 흐름 재설계였고, 대규모 언어 모델을 연동하는 일은 30%에 불과했습니다.

Personio AI 도입 작업 배분

팀은 외부 데이터를 사들이고 여러 데이터 출처를 연결하며 잠재 고객 데이터베이스를 정리하는 작업에만 몇 달을 쏟았습니다. Salesforce의 중복 데이터를 자동으로 걸러내는 규칙도 세웠습니다. 5,000건 이상의 Gong 고객 통화 녹취록과 고객 이메일 전문을 Snowflake로 밀어 넣었습니다. 여기에 Personio만의 고유한 맥락을 불어넣었습니다. 이상적인 고객상(ICP) 정의서, 영업 발표 자료, 고객 온보딩 문서, 제품 교육 자료를 모델의 학습 바탕으로 정교하게 입력했습니다.

이 바탕 위에서 네 가지 핵심 기능이 현장에 투입되었습니다.

첫째는 수주 및 실주 분석이었습니다. 통화 녹취와 이메일, 영업 기록을 모아 시장 진출 전용 언어 모델 파이프라인을 구축했습니다. 이를 통해 영업 배틀카드에 10~15%의 새로운 인사이트가 자동으로 채워졌습니다. 배틀카드는 경쟁사의 강약점과 대응 논리를 정리한 영업용 전략 문서입니다. 나아가 이 시스템은 1만 건의 고객 통화를 바탕으로 어떤 기능이 부족해 계약을 놓쳤는지 제품 개발팀에 정량적인 수치로 피드백을 전달하는 ‘두뇌’ 역할을 맡았습니다. 실제로는 통화가 끝나면 경쟁사 언급을 추출해 데이터 저장소로 넘기고, 야간 집계 작업을 통해 제품 관리자가 확인하는 피드백 목록으로 정리하는 방식이었을 것입니다.

둘째는 확장 SDR 어시스턴트였습니다. GTM 엔지니어가 Salesforce 화면 안에 직접 비서를 구축했습니다. 담당자가 고객사 이름을 넣으면 내부 10~20개 시스템에서 데이터를 긁어모아 교차 판매용 요약 보고서를 만들고, 추천 여부를 초록, 노랑, 빨강 신호등으로 제시했습니다. 현업 담당자가 일일이 여러 화면을 오갈 필요 없이 결론을 바로 내릴 수 있도록, 핵심 사용량 지표를 미리 Snowflake에 동기화해 두고 언어 모델이 조건에 맞춰 판정을 내리도록 구성했을 가능성이 높습니다.

이 확장 SDR 어시스턴트는 현업 담당자들이 매일 높은 비율로 사용하는 도구가 되었습니다.

셋째는 잠재 고객 발굴을 위한 아웃바운드 구매 의향 점수였습니다. 데이터 과학 팀은 웹사이트 방문 기록, 소프트웨어 리뷰 플랫폼인 G2와 Trustpilot의 활동 내용, 그리고 Personio를 쓰다가 다른 회사로 이직한 과거 사용자들의 움직임을 매일 집계했습니다. 이 점수는 매일 Salesforce 화면에 불꽃 아이콘으로 표시되어 영업 담당자가 가장 반응 확률이 높은 타이밍에 연락할 수 있도록 도왔습니다.

넷째는 웹사이트에 배치된 실시간 인바운드 인공지능 SDR “Nia”였습니다. Qualified 기반으로 구축된 Nia는 밤낮없이 24시간 가동되며 데모 신청을 실시간 미팅 예약으로 전환했습니다.

현장 감시자 배치와 평가 기준의 파격적 전환

인공지능 비서를 배포했다고 해서 일이 끝난 것은 아니었습니다. 첫 4주 동안 전담 관리자 없이 Nia를 돌렸을 때 심각한 부작용이 터져 나왔습니다. 인공지능이 고객에게 법률 조언을 건네거나, 경쟁사를 비방하고, 제품 질문에 길게 답하느라 정작 중요한 데모 미팅 예약을 놓쳐버리는 일이 있었습니다.

회사는 즉시 운영 안전장치를 마련했습니다. “Ami”라는 이름의 전담 관리자를 지정해 매일 Nia의 대화 내용을 검토하고 실시간으로 프롬프트와 업무 규칙을 다듬게 했습니다. 복잡한 제품 질문과 일정 예약 명령을 분리하고, 법률 해석 요구나 경쟁사 언급이 나오면 정해진 안내 문구를 띄우며 전문 상담원에게 넘기도록 시스템을 보완했을 것입니다.

문화적인 강제와 보상도 뒤따랐습니다. Lacor CRO는 거래 검토 회의에서 관행처럼 쓰이던 파워포인트 발표 자료 대신, 회의 현장에서 Gong의 인공지능 고객 요약 화면을 직접 띄워 회의를 진행하며 솔선수범했습니다. 또한 잘 만들어진 사내 인공지능 어시스턴트를 전체 무대에서 공유하게 독려했습니다.

가장 결정적인 조치는 보상 기준의 변화였습니다. 통상 최상위 영업 실적자만 참가할 수 있는 포상 제도인 ‘President’s Club’의 선발 기준을 바꿨습니다. 할당된 영업 목표 달성 여부와 무관하게, 인공지능을 활용해 탁월한 기여를 한 실무자에게 2~3석을 따로 배정했습니다. 훈계나 권유 대신 확실한 보상이 주어지자 실무진 사이에서 도구를 진지하게 연구하는 분위기가 번져 나갔습니다.

두 배의 인원 대신 두 배의 매출을 만드는 법

6개월간의 집중적인 개선 작업은 영업 현장의 숫자를 바꿔 놓았습니다.

확장 SDR이 통화 전 고객 조사에 쓰던 시간은 하루 2시간에서 15분으로 대폭 줄었습니다. 시스템 7~8개를 오가며 정보를 모으던 수작업이 Salesforce 안의 신호등 추천 하나로 압축된 덕분입니다. 이에 따라 확장 SDR 담당자 1인당 만들어내는 잠재 영업 기회(파이프라인)의 규모는 도입 전보다 약 2배로 증가했습니다.

고객 사전 조사 소요 시간 비교

웹사이트에 투입된 Nia는 20만 건의 웹 세션을 처리하며 단 7일 만에 140건의 데모 미팅을 사람 개입 없이 자동으로 잡아냈습니다. 금요일 밤 11시처럼 상담원이 근무하지 않는 시간대에 들어온 데모 요청에도 응대했습니다. 아울러 Nia와 방문자가 나눈 대화 속에서 고객들이 가격과 제품에 관해 무엇을 궁금해하는지에 대한 풍부한 통찰도 얻었습니다. 전사적으로는 특정 업무를 돕는 사내 맞춤형 인공지능 어시스턴트가 400개 이상 만들어져 현장에 널리 퍼졌습니다.

Personio는 이 과정에서 인공지능 도구와 데이터 인프라 구축에 수십만 달러를 지출했습니다. 고도화된 전담 SDR 에이전트 하나를 굴리는 데만 연간 약 10만 달러의 비용이 들고 있습니다.

그러나 이 투자의 목적은 직원을 줄이기 위한 인원 감축이 아니었습니다. Lacor CRO가 겨냥한 핵심은 성장의 한계를 돌파하는 질문이었습니다. “인원을 두 배로 늘리지 않고 매출을 두 배로 늘릴 수 있는가?” 숙련된 영업 사원의 손발을 묶고 있던 단순 데이터 취합 작업을 기계에 넘김으로써 1인당 한계 생산성을 끌어올린 것입니다.

다른 영역의 조직이 마주할 교훈

Personio의 경험은 영업 부서를 넘어 생성형 인공지능을 현업에 적용하려는 모든 기업에 묵직한 기준을 제시합니다.

가장 먼저 짚어야 할 사실은 높은 계정 사용률이 조직의 본질적인 변화를 보장하지 않는다는 점입니다. 직원 90%가 언어 모델을 켜놓고 있더라도 경영진의 결단이 빠져 있다면 실험은 표류합니다. 무엇을 멈추고 어디에 자원을 집중할지 지정해 주지 않으면 아이디어는 파편화되고 업무 피로도만 높아집니다.

또한 인공지능 전환의 승부처는 새로운 알고리즘이 아니라 오래된 데이터에 있습니다. Personio가 투입한 노력의 70%는 중복 데이터를 지우고, 5,000건의 고객 대화를 모으고, 회사 내부의 고객 기준과 교육 문서를 엮어내는 기초 토목 공사였습니다. 맥락이 거세된 인공지능은 그럴듯한 답변만 내놓을 뿐 실제 사업 지표를 움직이지 못합니다.

Lacor CRO가 꼽은 실수 가운데 하나는 깊이 파고들지 않은 채 도구 시험만 끝없이 이어 가는 것입니다. 도구를 몇 개만 추려 데이터 정비와 교육에 집중해야 한다는 뜻입니다. 아울러 인공지능을 배우는 데에만 머물고 실제로 업무에 활용하는 단계로 넘어가지 못하는 것도 실수로 짚으며, 일단 배포한 뒤 부딪히며 고쳐 나가는 과정을 반복해야 한다고 강조했습니다.

마지막으로 자동화 에이전트는 도입하는 순간부터 매일 사람의 관리가 필요한 도구라는 점입니다. 사람의 일상적인 감시와 점검 없이 방치된 자율 에이전트는 잘못된 정보를 퍼뜨리고 고객 경험을 망가뜨립니다. 사람이 매일 결과를 확인하며 가드레일을 세우고, 문화를 바꾸기 위해 평가와 보상의 규칙을 뜯어고칠 때 비로소 인공지능은 비싼 장난감이 아닌 회사의 핵심 자산으로 작동하기 시작합니다.

---

출처

SaaStr (Jason Lemkin, Philip Lacor 발표) — How Personio’s CRO Built an AI-Powered Go-To-Market in Just 6 Months: 5 Lessons and 5 Mistakes — https://www.saastr.com/how-personios-cro-built-an-ai-powered-go-to-market-in-just-6-months-5-lessons-and-5-mistakes/ — 2026-01-07