만약 당신이 받은 편지함을 열었을 때 "안녕하세요 {first_name}님, {company}에서의 활동을 잘 보았습니다!"와 같이 거의 동일한 이메일 7개가 들어있는 것을 본 적이 있다면, 기존의 아웃바운드(Outbound) 플레이북이 망가졌다는 것을 이미 알고 계실 것입니다.

무차별 살포(Spray-and-pray) 방식은 결코 영리한 것이 아니었습니다. 그저 저렴했을 뿐입니다. 충분한 양의 메일 머지(Mail merge)를 보내다 보면 누군가는 답장을 하기 마련이니까요. 하지만 그 게임은 끝났습니다. 받은 편지함은 더 똑똑해졌고, 스팸 필터는 더 가혹해졌으며, 구매자들은 무뎌졌습니다.

이 지점이 바로 AI가 실제로 제 역할을 하는 곳이며, 우리가 ReachIQ를 구축하면서 마주해 온 문제 영역입니다. 그러니 마케팅적인 미사여구는 건너뛰고 기술에 대해 이야기해 보겠습니다.

개인화(Personalization)는 템플릿이 아니라 검색(Retrieval) 문제입니다
"AI로 개인화하기"를 수행하는 순진한 방법은 LLM(대규모 언어 모델)에 "이 사람에게 보낼 콜드 이메일을 작성해줘"와 같은 프롬프트(Prompt)를 밀어 넣고 나오는 결과물을 그대로 보내는 것입니다. 이는 자신감 넘치고 유창하지만, 일반적이고 쓸모없는 쓰레기를 만들어냅니다. 환각(Hallucination)이 섞인 칭찬, 지어낸 공통 인맥 같은 것들 말이죠.

더 나은 사고 모델은 RAG(검색 증강 생성, retrieval-augmented generation)입니다. 단 한 단어가 쓰이기 전에, 당신은 근거가 되는 맥락(Grounding context)을 가져와야 합니다: 잠재 고객의 최근 게시물, 펀딩 뉴스, 기술 스택(Tech stack), 직무 변경, 제품 출시 등 말입니다.

이 모든 것을 임베딩(Embed)하고 벡터(Vector)를 저장한 뒤, 생성 시점에 관련이 있고 사실인 신호(Signal)만을 추출합니다. LLM의 역할은 "무언가 좋은 것을 발명하기"에서 "이 검증된 사실들을 바탕으로 추론하기"로 바뀝니다. 이 단 한 번의 아키텍처(Architecture) 전환이 소름 끼치게 틀린 결과와 진정으로 유용한 결과 사이의 차이를 만듭니다.

의도 신호(Intent signals)가 진정한 해자(Moat)입니다

훌륭한 카피(Copy)라도 잘못된 타이밍에 보내면 여전히 실패입니다. 가장 중요한 기술은 글쓰기 모델이 아니라, 그 모델에 데이터를 공급하는 파이프라인(Pipeline)입니다. 내부적으로 AI 아웃바운드 시스템은 기본적으로 스트림 처리(Stream-processing) 문제입니다:

원시 신호(raw signals) -> 강화(enrichment) -> 점수 산정(scoring) -> 시퀀싱(sequencing) -> 발송(send) (직무 변경, 펀딩, 채용) -> (임베딩, 엔티티 해소(entity resolve)) -> (이것이 적합한가? (embeddings)) -> (언제 + 어떻게 (많은 접점) (전달 가능성 가드레일(deliverability guardrails)))

각 단계는 그 자체로 별도의 모델 또는 휴리스틱 (heuristic)입니다. 점수 산정 (Scoring)은 종종 적합성과 타이밍을 순위 매기는 가벼운 분류기 (classifier) 역할을 합니다. 시퀀싱 (Sequencing)은 정책 (policy) 문제에 더 가깝습니다. 즉, 고정된 3일 간격의 리듬이 아니라, 참여도 (engagement)를 기반으로 다음 접점이 언제 실행될지를 결정하는 것입니다. 이를 제대로 수행하는 것은 "프롬프트 엔지니어링 (prompt engineering)"이라기보다 분산 시스템 (distributed-systems) 작업에 가깝습니다.

왜 모델을 마음대로 내버려 두지 않을까요?

여기 불편한 진실이 있습니다: LLM은 비결정론적 (non-deterministic)이며, 아웃바운드 (outbound)는 단 한 번의 잘못된 환각 (hallucination)이 단순히 나쁜 답변을 넘어 도메인 평판 (domain reputation)을 잃게 만드는 영역입니다. 따라서 엔지니어링의 상당 부분은 생성 (generation)이 아니라 제약 (constraint)에 집중됩니다.

그라운딩 체크 (Grounding checks): 초안의 모든 사실적 주장은 검색된 소스 (retrieved source)를 통해 검증됩니다. 소스가 없다면 문장도 없습니다.

전달 가능성 가드레일 (Deliverability guardrails): 스팸 트리거 탐지, 볼륨 스로틀링 (volume throttling), 그리고 도메인을 망가뜨리지 않기 위한 웜업 (warmup) 로직이 포함됩니다.

인간 참여형 (Human-in-the-loop): 모델이 초안을 작성하고, 사람이 승인합니다. 자동화는 오토파일럿 (autopilot)이 아닌 코파일럿 (co-pilot)으로서 존재합니다.

이것이 ReachIQ의 철학입니다: 인간이 싫어하는 지루하고 대량의 리서치 및 초안 작성을 수행하는 데 AI를 사용하되, 실제 신뢰를 구축하는 판단 영역에는 인간을 유지하는 것입니다.

개발자를 위한 시사점

이 분야에서 무언가를 구축하려 한다면, LLM은 스택의 약 20%에 불과하다는 점이 교훈입니다. 나머지 80%는 데이터 보강 (data enrichment), 벡터 검색 (vector retrieval), 점수 산정 모델 (scoring models), 그리고 지루하지만 매우 중요한 전달 가능성 인프라 (deliverability infrastructure)입니다.

AI 아웃바운드에서 승리하는 팀은 가장 화려한 프롬프트를 가진 팀이 아닙니다. 그들은 아웃바운드를 잘 쓰인 문장으로 끝나는 하나의 데이터 파이프라인 (data pipeline)으로 취급하는 팀입니다.

아웃바운드는 죽지 않았습니다. 게으른 방식의 아웃바운드가 죽었을 뿐입니다. 그리고 그것은 좋은 현상입니다.

AI 아웃바운드 분야에서 개발 중이신가요? 그라운딩 (grounding)과 환각 (hallucination) 사이의 트레이드오프 (tradeoff)를 어떻게 다루고 계신지 듣고 싶습니다. 댓글을 남겨주세요.