📖 읽는 시간: 약 16분
마케터가 AI를 잘 쓴다는 것은 도구를 많이 쓰는 게 아니라, 판단에 필요한 정보를 올바르게 구성해서 AI에게 주는 능력입니다. 비에이티는 2026년 4월까지 3회의 AX 공유회를 열어 퍼포먼스 분석, 웹앱 제작, 자동화 플로우 설계 등 실무 케이스를 팀 전체 자산으로 전환했습니다.
팀 내에서 AI 활용 수준이 사람마다 다를 때, 조직은 어떻게 움직여야 할까요? 비에이티는 2026년 1분기 동안 세 차례의 AX(AI 전환) 공유회를 열었습니다. 특정 도구를 배우는 자리가 아니었어요. 각자가 실무에서 부딪히고 해결한 방식을 팀 전체 자산으로 전환하는 자리였습니다.
이 글은 그 세 회차에서 반복적으로 확인된 원칙과 케이스를 정리한 기록입니다. 마케터가 AI를 “잘 쓴다”는 것이 무엇을 의미하는지, 에이전시 환경에서 그 기준을 어떻게 잡을 수 있는지를 중심으로 전개합니다.
목차
1. AI에게 무엇을 줄 것인가: 데이터 구성이 분석 품질을 결정하는 이유
2. 비개발자가 웹앱을 만드는 시대: Claude Code 실전 케이스
3. 이미지 편집 자동화: 도구 이해가 없으면 결과도 없다
4. 멀티에이전트와 자동화 플로우: 어디까지 시키고, 어디서 내가 개입하는가
5. AX 공유회가 조직에 남긴 것
AI에게 무엇을 줄 것인가: 데이터 구성이 분석 품질을 결정하는 이유
데이터 하나를 넣고 AI에게 “분석해줘”를 했을 때 기대에 못 미치는 결과가 나왔다면, 그것은 AI의 한계가 아닌 데이터 구성 방식의 문제일 가능성이 높습니다.
1회차에는 그로스 엔지니어링 그룹의 소재민 그룹장님과 조의환 팀장님이 사례를 공유해주셨습니다. 국내 H&B 채널 관련 데이터를 Claude Code 환경에서 분석했는데, 구매 데이터 약 146만 행, 광고 집행 데이터 약 16만 행, UGC 리뷰 데이터 약 5만 8천 건을 교차 분석한 사례였습니다.
이 규모의 데이터 분석이 가능했던 이유는 두 가지예요. 첫째, Claude Code 환경에서 로컬 폴더에 저장된 데이터를 직접 참조하는 방식으로 컨텍스트 윈도우 한계를 우회했습니다. 둘째, 데이터를 한꺼번에 분석 요청하지 않고 단계별로 접근했어요.
발표자가 정리한 핵심 원칙은 이렇습니다.
“AI한테 데이터 하나만 던져주고 나보다 더 나은 판단을 기대하는 건 욕심이에요.”
이 접근을 “판단 재료 역산(逆算)”이라고 불렀어요. 내가 직접 판단을 내릴 때 어떤 정보가 필요한지를 먼저 정리하고, 그 데이터를 모두 AI에게 제공하는 방식입니다.
| 분석 단계 | 접근 방법 |
|---|---|
| 1단계 | 각 데이터 소스 개별 파악 (구매 → 광고 → UGC 리뷰 순) |
| 2단계 | 전체 데이터 파악 완료 후 교차 분석 지시 |
| 3단계 | AI가 분석 포인트를 질문, 발표자가 답변해 누적 |
| 4단계 | 분석 포인트 10개 내외 축적 후 보고서 형태로 생성 |
이 구조에서 나온 실전 케이스가 흥미로웠어요. 국내 뷰티 브랜드 파운데이션의 “모공 커버” 관련 불만 리뷰가 전체 리뷰의 3%였는데, 경쟁사의 동일 지표는 1.2%로 낮았습니다. 단순 비교로는 “제품이 더 나쁜가?”라는 결론이 나올 수 있는 구간이었어요.
그런데 증정품 수령 사용자 그룹과 교차 분석하니 전혀 다른 그림이 나왔습니다. 이 그룹의 모공 불만 언급은 0.8%로 극히 낮았고, 오히려 자발적으로 “어떻게 발라야 하는지” 사용법을 공유하고 있었어요. 결론은 제품의 문제가 아니라 사용법 인지도의 문제였고, 콘텐츠 방향이 시딩(seeding) 중심으로 전환되었습니다.
이 인사이트는 이후 광고 카피 방향과 인플루언서 콘텐츠 기획에 직접 반영됐어요. 한 가지 데이터를 넣고 “분석해줘”로 나올 수 있는 결과가 아니었습니다.
비개발자가 웹앱을 만드는 시대: Claude Code 실전 케이스
코딩 경험이 전무한 사람이 Claude Code를 활용해 내부 업무용 웹 앱을 직접 제작할 수 있습니다. 단, 전제 조건이 있어요. “무엇을 만들 것인가”를 AI보다 먼저 명확하게 설계해야 합니다.
2회차는 크리에이티브 그룹 심호철 디자이너님이 제로베이스에서 시작해 데이터 테이블, 콘텐츠 프롬프트 에디터, 콘텐츠 게스트 프롬프트 기능을 포함한 내부 업무용 웹 앱을 실제로 제작한 사례를 공유해주셨습니다.
발표자가 정리한 원칙은 하나로 수렴했습니다.
“목적을 먼저 명확하게 설계하고, AI를 그 목적을 실행하는 수행 비서처럼 쓰면 됩니다.”
여기서 “목적 설계”는 추상적인 이야기가 아닙니다. 구체적으로는 세 가지예요.
- 무엇을 만들고 싶은가
- 어떤 기능이 필요한가
- 결과물이 어떤 모습이어야 하는가
이 세 가지를 먼저 적어두고 AI에게 요청했을 때 결과물이 달라진다는 거예요. Anthropic이 2025년 2월 발표한 MCP(Model Context Protocol) 수상 사례를 보면, 수상자 5명 중 비개발자가 4명이었습니다. 캘리포니아 건축 허가 심사 기준을 체크하는 AI 도구를 직접 만든 건축 전문 변호사, 환자 기록 기반 개인화 케어 시스템을 구축한 의사가 그 중 포함돼 있어요.
비에이티 공유회에서 나온 실용적인 팁도 있었습니다. 토큰 사용량 최적화 방법인데요.
“뭔가를 만들 것 같을 때는 Opus 모델을 켜고, 수정할 때는 Sonnet으로 바꿔서 진행하면 토큰 사용량 차이가 5배 정도 납니다.”
창작·제작 단계는 고성능 모델, 수정·대화 단계는 기본 모델을 쓰는 방식이에요. 실제로 써보면서 얻은 노하우로, 비용 구조를 설계할 때 의미 있는 기준점이 됩니다.
이미지 편집 자동화: 도구 이해가 없으면 결과도 없다
AI 이미지 도구를 효과적으로 사용하려면 기능이 어떻게 작동하는지에 대한 최소한의 이해가 선행되어야 합니다. 원하는 결과가 나왔을 때 왜 나왔는지, 안 나왔을 때 어디서 막혔는지를 알아야 다음 요청이 가능하기 때문입니다.
2회차 발표에서 다룬 AI 이미지 편집 케이스입니다. 마케팅 콘텐츠 제작에서 반복되는 이미지 편집 작업을 AI로 처리하는 방법을 실제 시연으로 공유했어요.
| 기능 | 기존 방식 | AI 도구 적용 후 |
|---|---|---|
| 업스케일링 | 외부 서비스 별도 이용 | 도구 내 버튼 한 번으로 처리 |
| 배경 제거 | 포토샵 수동 마스킹 | AI 자동 외곽 인식 후 투명 레이어 저장 |
| 광고 사이즈 리사이징 | 규격별 수동 작업 | 비율 자동 조정, 구성 재배치 |
특히 팀 내에서 테스트 중인 “디자인 자동화 구조”가 주목할 만했어요. 기본 프레임에 텍스트·이미지만 교체하는 방식으로 여러 소재를 빠르게 생성하는 구조입니다. 프레임, 색상, 텍스트 요소를 미리 정의해두면 AI가 조합해서 생성하는 방식으로, 현재 팀 내부에서 실험중인 기능이기도 합니다.
발표자가 강조한 포인트가 있었어요.
“기능을 모르면 원하는 결과가 나왔을 때 왜 나왔는지 모르고, 안 나왔을 때도 어디서 막혔는지 모릅니다.”
도구를 쓰는 것과 도구를 이해하는 것은 다릅니다. 기능에 해당하는 단어와 문장을 이해하고 있을수록 더 정확한 요청이 가능하다는 원칙이에요.
클로드 인 크롬과 자동화 플로우: 어디까지 시키고, 어디서 내가 개입하는가
마지막으로 진행된 3회차에서는 그로스 엔지니어링 그룹 박수철 데이터 분석가가 claude in chrome 기능을 활용해 다양한 업무들을 자동화시키는 방법에 대해 공유해주셨습니다.
자료 조사부터 데이터 적재까지, 웹사이트 화면 내에서 할 수 있는 실로 다양한 업무들에 적용 가능한 플러그인 기능을 소개하며 막연히 ‘해달라’고 지시하기보다 AI가 질문을 던지게 하며 사용자의 목적을 구체화하는 방식이 중요하다고 덧붙였는데요.
나아가 플러그인을 통해 반복 업무, 데이터 다운로드, 브랜드 리서치, 보고서 작성 등을 자동화할 수 있지만, 업무별로 사람과 AI의 역할을 명확히 나눠야 한다고 강조했습니다. 특히 문제 정의, 이해관계자 설득, 가설 수립 같은 ‘제로 투 원’ 영역은 여전히 인간의 핵심 역할로 보았습니다.
AX 공유회가 조직에 남긴 것
세 번의 공유회를 거치며 확인된 것은 AI 활용의 기술적 노하우가 개인 자산으로 머물 때보다 팀 자산으로 전환될 때 조직 전체의 AI 활용 수준이 빠르게 올라간다는 점입니다.
세 회차를 관통하는 공통 인사이트 네 가지가 있어요.
| 원칙 | 내용 |
|---|---|
| 컨텍스트가 결과를 결정한다 | AI에게 주는 정보의 양과 질이 곧 출력의 질. 데이터 분석, 이미지 편집, 에이전트 설계 모두 “무엇을 주느냐”가 핵심 |
| 목적을 먼저, AI는 실행 도구 | “AI로 뭔가를 만든다”가 아니라 “나는 이걸 해결하고 싶다, AI는 그 수단”의 순서 |
| 내 업무를 정량화하는 것에서 시작 | AI에게 내 업무를 설명하면 자동화 가능한 것과 사람이 판단해야 하는 것을 분류해줌 |
| 혼자보다 같이 쓰는 게 빠르다 | 한 사람이 터득한 방법이 공유회를 통해 팀 전체로 전달될 때 조직 전체의 AI 활용 속도가 올라감 |
2026년 IDC 보고서에 따르면 AI 자동화 도입 기업의 직원당 생산성 향상은 평균 28%로 나타났으며, 특히 마케팅·크리에이티브 직군에서 효과가 두드러졌습니다. 단, 자동화 효과를 실현한 기업의 공통점은 기술 도입보다 “업무 재설계”에 선행 투자한 경우였어요. AX(AI 전환)는 개별 직원의 AI 도구 활용 수준을 높이는 것과는 다른 문제입니다. 진정한 전환은 AI 도입에서 나아가, 조직의 판단과 실행 구조가 AI를 중심으로 바뀌는 것을 의미하죠. 비에이티의 AX 공유회는 그 구조의 변화를 엿볼 수 있었던 시간이었습니다.
AX 공유회를 하면서, AI를 잘 쓰는 것은 도구의 문제가 아니라 설계의 문제라는 사실을 다시금 체감했습니다. 데이터 분석에서는 판단에 필요한 재료를 역산해서 AI에게 주는 구성 능력이 결과를 결정했고, 웹앱 제작에서는 목적을 먼저 명확히 설계한 사람이 더 나은 결과물을 얻었으며, 자동화 플로우에서는 어디서 사람이 개입해야 하는지를 알고 있는 사람이 더 안정적인 시스템을 만들었습니다.
나아가 그렇기 때문에 마케터의 역할은 앞으로 더욱 명확해질 것이라는 확신이 들었습니다. 에이전트의 시대가 도래한다면, ‘무엇’을 ‘어떻게’ 시킬 것인가 설계하는 역량이 곧 마케터와 에이전시의 핵심 경쟁력이 될 거라는 생각이 들었습니다.