이메일 작성, AI SDR, 인텐트 도구 등 다양한 AI를 도입한 GTM 팀 대부분이 기대만큼 영업 생산성·파이프라인·매출 향상을 체감하지 못하고 있음
AI에 계정 공략을 맡기면 "Acme가 SDR을 채용 중이고 작년 실주 건이 있으니 연락하라"는 식의 기술적으로 정확하지만 일반적인 메시지 만 생성, 구매자가 즉시 삭제하는 결과로 이어짐
근본 원인은 AI가 좋은 의사결정에 필요한 두 가지, 즉 컨텍스트(context)와 로직(logic) 을 갖지 못한 데 있음
대부분의 GTM AI 도구가 이메일·스크립트 생성 같은 실행(Execution) 계층 에만 집중, 진짜 레버리지가 있는 타겟팅·관점(POV) 같은 상위(upstream) 영역은 방치됨
앞서가는 팀은 원천 데이터와 실행 도구 사이에 자사 고유의 GTM Context Layer 를 구축, 어떤 신호가 중요한지·왜 지금인지·누구에게·무엇을 말할지를 자체 판단으로 결정하는 것이 경쟁 우위의 핵심
도입 — AI가 GTM 성과를 내지 못하는 현실
대부분의 GTM 팀이 이메일 작성, AI SDR, 인텐트 도구, 신호 기반 아웃바운드, 자동 리서치, 딜 리뷰 등 어떤 형태로든 AI를 이미 도입함
본래 AI는 담당자 효율, 파이프라인, 실제로 성사된 거래에서 발생한 매출 을 측정 가능한 수준으로 끌어올려야 하지만, 대다수 팀의 결과는 여전히 미흡함
AI에 계정 공략을 시키면 다음과 같은 결과가 나옴
"Acme is hiring SDRs and had a closed-lost opportunity last year. Reach out about renewed pipeline growth."
기술적으로는 맞지만 완전히 일반적이라, 담당자는 여전히 수동 리서치를 해야 하고 우선순위 판단은 추측에 머물며 아웃리치가 인위적으로 느껴짐
핵심 문제는 의사결정에 필요한 컨텍스트와 로직 없이 AI에 GTM 의사결정을 맡기는 데 있음
GTM's North Stars — AI가 실제로 개선해야 할 지점
첫 원칙에서 보면 GTM 팀은 세 가지에 집중해야 함
a) 더 많은 파이프라인, b) 더 빠른 파이프라인 진행, c) 더 많은 클로즈드원 매출
이 글은 a) 파이프라인 생성(pipeline generation) 에 초점
영업 조직이 통제 가능한 세 가지 "입력(input)"으로 더 깊이 들어가면 (수요·시장 인지도 등은 제외)
Targeting : 어떤 계정과 사람에 집중할지
Hypothesis : 어떤 문제를 제기하고 해결을 제안할지
Execution : 그 가설을 아웃리치·콜·발표 등으로 얼마나 잘 전환할지
세 영역 모두 AI가 레버리지를 더할 수 있는 지점이지만, 실제로 어디에 나타나는지에서 문제가 시작됨
대부분의 GTM AI 도구가 세 번째 계층인 Execution에 지나치게 집중 , 이메일 작성·계정 요약·콜 스크립트 생성·활동 자동화에 유용하지만 진짜 레버리지가 있는 곳은 아님
The Reality — 진짜 '알파'는 상위(upstream)에 있음
타겟팅과 관점(point of view)의 품질이 보내는 이메일의 품질보다 훨씬 더 중요 함
흔한 신호로 계정을 고르고 약한 가설을 세우면, '훌륭한' 이메일도 아무 효과 없음
반대로 올바른 계정에 날카로운 가설로 접근하면, 카피가 완벽할 필요 없이 관련성(relevant)만 있으면 됨
오늘날의 에이전트는 다음을 판단하는 전문가가 아니어서 GTM AI 시도가 부진함
어떤 계정이 중요한지 / 왜 지금 그 계정이 중요한지 / 누가 가장 관련 있는지 / 어떤 페인이 가장 가능성 높은지 / 어떤 메시지가 실제로 신뢰를 줄지
두 가지 서로 연관된 근본 원인이 존재
Context : 에이전트가 올바른 GTM 컨텍스트를 갖지 못함
Logic : 자사의 내부 강점이어야 할 로직을 외부에 위탁함
Problem One — AI가 올바른 컨텍스트를 갖지 못함
GTM 스택은 파편화되어 있고, 뛰어난 영업자는 어떤 신호가 구매 결정을 좌우하는지, 어떻게 포착·우선순위화·관계 파악하는지 정확히 앎
이들은 CRM, 콜 녹취, 인텐트 활동, 상호 인맥, 채용 공고, reddit, 온라인 포럼 등 가용한 모든 정보를 파고들어 타겟팅·가설·메시징을 설계함
에이전트도 다르지 않음
LLM에 누구를 타겟할지·무엇을 말할지 물을 때, a) 퍼즐의 일부만 갖고 있거나 b) 조각들이 어떻게 맞물리는지 모르면(혹은 둘 다면) 효과적일 수 없음
예시 — 같은 채용 신호, 전혀 다른 두 계정
두 회사가 최근 SDR 채용 공고를 올렸다고 가정
올바른 컨텍스트·로직이 없는 에이전트는 두 계정에서 동일한 채용 신호 를 감지해 둘 다 우선순위화하고 유사한 아웃바운드를 생성함
실제로는 적합성·인텐트·상황, 따라서 우선순위가 완전히 다를 수 있음
Company A: 아웃바운드 확장을 위해 채용 중이고, 자사가 연동되는 도구를 쓰며, 자사 제품이 잘 푸는 페인이 있고, 최근 웹사이트를 방문했으며, 과거 챔피언을 막 채용함
Company B: 역시 SDR을 채용 중이지만, 자사가 대체하기 어려운 기존 도구를 이미 쓰고, 자사와 연동이 잘 안 되는 워크플로를 가졌으며, 콜드콜한 SDR에게 지난달 3년 계약을 맺었다고 말함
에이전트가 모든 데이터에 접근하지 못하고, 자사가 어디서 이기고 부족한지·기존 도구 대비 비교·연동 시스템·가장 잘 푸는 페인·추구할 가치 있는 구매 시나리오를 모르면 효과를 낼 수 없음
신호를 AI에 공급하는 것은 쉬운 부분이고, 어려운 부분은 어떤 신호가 중요한지·어떻게 순위를 매길지·무엇을 앞세울지 AI가 비즈니스를 충분히 이해하도록 보장하는 것
Problem Two — 빌려온 로직은 경쟁력이 될 수 없음
전략적 결함은 자사의 핵심 경쟁 우위여야 할 것을 외부에 위탁하는 데 있음
타겟팅·가설 생성 등 상위 인텔리전스(upstream intelligence) 를 AI GTM 벤더로부터 구매하는 행위
이를 위탁하면 해당 모델·벤더를 쓰는 모든 이와 동일한 의사결정 로직 을 돌리게 됨
모두가 접근 가능한 신호나 전략은 정의상 우위가 될 수 없음
독점적일 수 있는 유일한 것은 그것으로 무엇을 하느냐 , 즉 어떤 신호가 중요한지·어떻게 결합되는지·자사에 무엇을 의미하는지를 결정하는 해석(interpretation) 계층
그 해석 계층마저 벤더에게서 사면, 마지막 남은 우위까지 일반재화가 됨
다만 워크플로의 일부는 구매가 합당함
계정 보강, 채용 공고 검색, 웹사이트 스크래핑, 초안 생성, 콜 요약, 리드 라우팅, 데이터 동기화, 이메일 발송 같은 실행 계층(execution layer) 도구를 직접 만드는 것은 비효율적
반면 위탁해서는 안 되는 상위·핵심 영역
어떤 계정을 우선할지 / 어떤 신호가 실제로 중요한지 / 어떤 신호 조합이 진짜 구매 시나리오를 가리키는지 / 어떤 페르소나가 관여하는지 / 어떤 페인 가설을 쓸지 / 어떤 증거를 붙일지 / 수주·실주·회신·미팅 예약에서 무엇을 학습할지
단순한 규칙
Buy : 일을 실행하는 도구 (채용 공고 식별, 연락처 보강, 이메일 카피 생성, 이메일 발송 등)
Own : 의사결정에 영향을 주는 로직 (채용 공고에서 무엇을 찾을지, 어떤 신호를 스크래핑할지, 계정 우선순위를 어떻게 매길지 등)
The Fix — GTM Context Layer 구축
AI로 성과를 내는 팀은 원천 데이터와 실행 도구 사이에 인텔리전스 계층(intelligence layer) 을 둠, 신호를 자사만 만들 수 있는 관점으로 전환
이것이 GTM Context Layer , 어떤 신호가 중요한지·어떻게 해석할지·어떤 시나리오를 시사하는지·누가 관심 있을지·어떤 메시지가 맞는지를 사람과 에이전트에게 알려주는 독점 시스템
강력한 GTM Context Layer는 세 부분으로 구성
Data Foundation (데이터 기반)
CRM 데이터, 기회 이력, 실주 사유, 제품 사용, 웹사이트 활동, 보강(enrichment), 채용 공고, 뉴스, 테크노그래픽, 콜 노트, 이메일 인게이지먼트, 파트너 노트, 담당자 활동 등 원천 재료를 한데 모음
구축 방식: Warehouse + ETL 파이프라인, CRM 동기화, 보강 API, 제품 이벤트, 스크래핑, 정규화 테이블
효과: 사람과 에이전트에게 계정의 전체 그림 제공
GTM Decision Logic (의사결정 로직)
ICP, 페르소나, 계정 스코어링, 신호 가중치, 라우팅 로직, 구매 시나리오, 제외 기준(disqualifier), 플레이북을 정의하는 규칙 기반 계층
구축 방식: SQL/dbt 모델, 스코어링 테이블, 룰 엔진, 세그먼트, 비즈니스가 소유한 로직
효과: 원천 데이터를 자사 고유의 GTM 판단으로 전환하는 진짜 경쟁력(edge)
AI Orchestration Layer (AI 오케스트레이션 계층)
검색(retrieval), 도구 호출, 프롬프트 라우팅, 에이전트 스킬, 컨텍스트 조립, 출력 생성을 조율하는 워크플로 계층
어떤 컨텍스트를 가져올지·어떤 소스를 확인할지·어떤 신호를 랭킹할지·어떤 플레이북을 적용할지·어떤 스킬을 실행할지 결정
구축 방식: 벡터 검색, SQL 쿼리, 프롬프트 라우팅, 시스템 프롬프트, 도구 호출, 에이전트 스킬, 구조화 출력, 피드백 루프
효과: 전략을 행동으로 전환, 더 나은 우선순위화·더 날카로운 메시징·GTM 로직을 따르는 에이전트
제대로 하면 에이전트의 출력이 다음처럼 바뀜
변경 전: "Acme is hiring SDRs and had a closed-lost opportunity last year. Reach out about renewed pipeline growth."
변경 후: "Acme is hiring SDRs and RevOps, uses a stack we consolidate well, and lost last time due to timing. Prioritize RevOps with a tooling-efficiency angle, Sales with a pipeline-growth angle, and tailor outreach to the pain each team owns."
Where to Start — 어디서 시작할지
전체 GTM 스택을 하룻밤에 재구축할 필요 없이, 세 가지를 점검하며 시작
Decision Logic의 위치 감사 : 누구를 타겟하고 가치를 어떻게 포지셔닝할지를 서드파티 AI 알고리듬이 결정하게 두고 있는지 확인, 그렇다면 ICP 정의를 내부로 되돌릴 것
신호에서 시나리오로 전환 : 단일·고립된 이벤트로 아웃리치를 트리거하지 말고, 데이터 팀이 부정할 수 없는 페인을 가리키는 이벤트 조합 을 찾는 모델을 만들도록 지시
오케스트레이션 페이로드 제약 : 도구에 무엇을 말할지 추측시키지 말고, 모든 잠재고객마다 고도로 제한적이고 초맥락적인 페이로드를 전달
세 가지를 한 번에 할 필요는 없으며, 하나만 해도 실제 의사결정을 비즈니스 내부로 되돌려 동일한 기본 로직을 돌리는 경쟁사보다 앞설 수 있음
Closing — 결론
GTM용 AI가 부진한 이유는 단순함, 팀이 실행은 자동화하면서 그 이면의 상위 판단(upstream judgment)에는 투자하지 않기 때문
이제 모두가 같은 모델과 같은 기성 신호를 가짐, 앞서가는 팀을 가르는 것은 실행 상위에서 자사가 소유한 것 , 즉 직접 만든 커스텀 신호와 왜 이 계정·왜 지금·누구에게·무엇을 말할지 아는 컨텍스트 계층
AI는 전략을 대체하지 않으며, 그 전략이 실제로 얼마나 좋은지를 드러낼 뿐이고 오늘날 대부분의 구현이 그 증거임
댓글과 토론