요즘 어디를 가나 AI 에이전트 이야기를 합니다. 실제로 마케팅, 영업, 개발 등 다양한 활용 시나리오에 대한 이야기가 온라인에 넘쳐 납니다. 이 중 이번 포스팅에서는 마케팅 업무에 AI 에이전트를 활용하는 시나리오를 좀 살펴볼까 합니다. 온라인에서 쉽게 찾을 수 있는 시나리오는 대부분 거대 언어 모델(LLM) 기반 챗봇을 활용해 자료 조사하고, 캠페인 기획하고, 각종 콘텐츠 작성하는 이야기들이 많은데요 이번 포스팅에서는 좀 더 깊이 있는 주제인 분석에 대해 알아보겠습니다.
데이터 분석의 장벽
AI에이전트가 등장하기 전 마케팅 캠페인을 분석하고 데이터를 관리하는 것은 마케터에게 어려운 일이었습니다. 사실 분석이라고 해야 스프레드시트에 담긴 데이터를 이리저리 가공하는 수준이 다 였습니다. SQL과는 거리가 먼 사용자가 마케터이다 보니 깊이 있는 분석은 IT 팀에 따로 요청을 해야 하는 일이었죠.
문제는 외부 팀에 도움을 요청하면 결과물을 언제 받아볼 수 있을 지 확신하기 어렵다는 것입니다. 이럴 때마다 내가 직접 할 수 있으면 얼마나 좋을까? 이런 생각 많이 했을 것입니다. 이제는 생각만 하지 않아도 됩니다. 조금만 관심을 갖으면 스스로 데이터 속에서 인사이트를 얻는 것이 가능합니다. 뿐만 아니라 마케팅 업무를 잘 아는 실무자가 직접 분석을 하면 외부 팀에 요청했을 때보다 더 나은 결과물을 손에 넣을 수 있습니다.
AI 에이전트가 불러온 마케팅 분석 업무의 변화
구글 클라우드의 ADK와 Agent Engine을 활용하면 마케터를 위한 AI 에이전트를 손쉽게 구현할 수 있습니다. 데이터 분석을 전문적으로 하는 AI 에이전트를 구현했다고 가정해보겠습니다. 이 AI 에이전트는 마케터의 업무 일상을 어떻게 바꿀 수 있을까요?
가장 먼저 체감하는 변화는 자연어만으로도 원하는 분석을 할 수 있다는 것입니다. 마케터들은 SQL을 공부하거나 분석 팀의 회신을 기다릴 필요가 없습니다. 마치 옆자리 동료에게 묻듯이 “지난 6개월간 A 제품 관련 캠페인의 성과를 알려줘”라고 자연어로 질문하면 AI 에이전트가 알아서 여러 데이터 원천에서 필요한 수치를 뽑아 정리해 줍니다. AI 에이전트는 단순히 명령을 수행하는 데 그치지 않고 사용자가 날짜 범위와 같은 필수 정보를 빠뜨리면 다시 물어 봅니다. 대화를 이어가면서 분석에 필요한 조건들을 충실하게 반영되다 보니 마케터는 자연어만으로도 원하는 결과를 확인할 수 있습니다.
마케팅 업무는 정형 데이터만 다루는 것이 아니죠. 다양한 유형의 비정형 데이터 속에서도 인사이트를 얻는 것이 중요합니다. 다행히 Gemini 모델을 사용하는 AI 에이전트는 텍스트뿐만 아니라 영상과 이미지까지 직접 보고 이해하는 멀티모달 분석 능력을 갖추고 있습니다.
예를 들어 AI 에이전트는 성과가 좋은 영상 광고의 정서적 톤, 핵심 메시지, 시각적 요소를 스스로 분석하여 왜 이 광고가 성공적이었는지 비결을 파악할 수 있습니다. 예전처럼 여러 데이터 지표를 놓고 나름의 기준으로 추측해 보고서를 작성했던 것과 비교할 때 더 정교하고 설득력 있는 분석을 하는 것이죠. 뿐만 아니라 AI 에이전트는 분석 결과를 바탕으로 다음 광고 캠페인에서도 성과를 이어가기 위해 무엇을 보완해야 할지 구체적인 실행 방안까지 안내합니다. 단순한 분석하는 것을 넘어 실행 방안까지 제시하는 것이죠.
똑똑한 마케팅 AI 에이전트 구현이 토대 ADK와 Agent Engine
앞서 소개한 활용 시나리오의 AI 에이전트는 IT 팀이 손쉽게 구현할 수 있습니다. 예전처럼 일일이 분석 요구에 대응하는 것보다 AI 에이전트를 구현해 제공하는 것이 서로 편합니다. IT 팀은 ADK와 Agent Engine만 다룰 줄 알면 됩니다.
각각 어떤 역할을 하는 지 알아보자면 먼저 ADK는 에이전트의 이름, 역할, 행동 지침뿐 아니라 도구 연결, 멀티 에이전트 오케스트레이션, 실행 흐름까지 코드로 정의하는 오픈 소스 에이전트 개발 프레임워크입니다. AI 에이전트가 어떤 도구를 사용하여 데이터베이스에 접근할지 어떤 프롬프트에 따라 행동할지 설계하는 뼈대가 됩니다. 예를 들어 AI 에이전트가 BigQuery에 접속해 실시간 광고 성과 데이터를 쿼리하도록 설정하거나, 유튜브 영상 주소를 전달받아 Gemini가 이를 분석하도록 도구를 연결할 수 있습니다.
Agent Engine은 이렇게 개발한 AI 에이전트를 클라우드에서 안정적으로 운영하도록 돕는 완전 관리형 배포 및 운영 환경입니다. 복잡한 인프라 관리 없이도 AI 에이전트를 배포하고 실제 서비스와 연결할 수 있으며 세션 관리와 모니터링 등의 운영 업무를 자동화합니다. 특히 구글 클라우드가 제공하는 BigQuery MCP 서버를 활용하면 AI 에이전트가 BigQuery 내에서 직접 쿼리를 실행할 수 있어 보안과 거버넌스를 동시에 확보할 수 있습니다.
전사 업무 혁신으로의 확산
앞서 살펴본 마케터를 위한 AI 에이전트가 불러오는 일하는 방식의 변화는 다른 부서에서도 똑같이 재현할 수 있습니다. 부서가 다르고, 업무 특성이 다르고, 요구 사항이 다를 수 있지만 뼈대는 똑같습니다. AI 에이전트의 핵심 구조인 ‘자연어 질문, 데이터 조회, 비정형 정보 해석, 실행 가능한 권고’라는 흐름은 모든 업무에 적용할 수 있는 공통적인 패턴이기 때문입니다.
예를 들어 고객 지원 부서에서는 AI 에이전트가 수천 건의 상담 녹취록과 텍스트 데이터를 분석하여 고객의 불만 사항을 도출하고 개선점을 제안할 수 있습니다. 영업 부서에서는 CRM 데이터를 분석하여 계약 갱신 가능성이 낮은 고객을 식별하고 적절한 대응 방안을 추천할 수 있습니다. 인사 부서에서는 사내 규정을 학습한 AI 에이전트가 직원의 질문에 실시간으로 답하며 복잡한 서류 절차를 안내하는 가이드 역할을 수행할 수 있습니다. 제조 현장에서는 AI 에이전트가 카메라 영상을 분석해 결함을 찾아내거나 과거 수리 이력을 바탕으로 정비 시점을 제안할 수 있습니다. 이외에도 AI 에이전트 활용 시나리오는 무궁무진합니다.
사람과 AI가 함께 그리는 미래
AI 에이전트의 가능성은 앞으로 더욱 커질 것입니다. 물론 AI 에이전트가 사람이 하던 일을 모두 대신 하지는 않을 것입니다. AI 에이전트는 주어진 임무를 수행할 뿐입니다. 분석과 실행에 필요한 인사이트를 도출하기 까지 중요 의사결정은 실무자의 전문성을 토대로 이루어질 것입니다. 더불어 실무자는 자신의 업무 관련 데이터를 더 주도적으로 활용하며 도메인 전문성을 높여 갈 것입니다. AI 에이전트로 조직의 일하는 방식을 바꾸는 것은 시점의 문제이지 선택의 문제가 아닙니다.
지금 바로 실행에 옮기고자 한다면 메가존소프트 문의포탈을 통해 궁금한 부분을 남겨주세요.
