잠재 고객(Leads)을 자동으로 분류하는 AI 에이전트 구축 방법

대부분의 1인 창업자(Solo founders)들이 잠재 고객(Leads)을 놓치는 이유는 제품이 나쁘기 때문이 아닙니다. 잠재 고객이 떠나기 전에 충분히 빠르게 응답하거나, 적절한 질문을 던지거나, 실제 대화를 나눌 가치가 있는 사람이 누구인지 파악할 시간이 없기 때문입니다.

수동 분류(Manual qualification)는 본업 안에서 또 다른 풀타임 업무를 수행하는 것과 같습니다. 문의를 받고, 통화 일정을 잡으려 노력하지만, 통화가 이루어지기 전에 상대방의 관심이 식어버리고, 그들이 실제로 적합한 대상이었는지조차 알 수 없게 됩니다.

AI 잠재 고객 분류 에이전트(AI lead qualification agent)는 이 계산법을 바꿉니다. 당신의 판단을 대체하는 것이 아니라, 당신이 직접 나서기 전에 미리 필터링을 수행함으로써 말입니다.

이것이 제가 Xero AI를 위해 에이전트를 구축한 방법이며, 실제 아키텍처(Architecture)가 어떻게 구성되어 있는지에 대한 내용입니다.

1인 창업자에게 잠재 고객 분류(Lead Qualification)란 실제로 무엇을 의미하는가?

잠재 고객 분류(Lead qualification)란 인바운드 잠재 고객(Inbound prospect)이 대화에 시간을 투자하기 전에, 당신의 제안(Offer)에 부합하는 기준을 충족하는지 결정하는 과정입니다. 1인 창업자에게 이는 세 가지 신호에 따라 필터링하는 것을 의미합니다: 그들이 문제를 겪고 있는가, 비용을 지불할 능력이 있는가, 그리고 당신의 작업 방식에 적합한 유형의 구매자인가. 그 외의 모든 것은 소음(Noise)일 뿐입니다.

무엇인가를 구축하기 전에, 당신이 실제로 해결하려는 문제가 무엇인지 정확히 정의하십시오.

실질적인 관점에서 분류(Qualification)란 모든 인바운드 리드(Inbound lead)에 대해 다음 세 가지 질문에 답하는 것을 의미합니다:

그들이 당신이 해결하는 문제를 가지고 있는가?
그들이 당신이 청구하는 비용을 감당할 수 있는가?
그들이 당신의 전달 방식에 적합한 유형의 구매자인가?

적격 리드(Qualified lead)는 세 가지 질문에 대한 답변이 모두 '예'인 사람입니다. 부적격 리드(Unqualified lead)는 하나 이상의 답변이 '아니오'인 사람입니다. 대부분의 리드는 부적격이며, 이는 괜찮습니다. 목표는 모든 문의에 30분씩 소비하지 않고도 어떤 리드가 적격인지 파악하는 것입니다.

AI 에이전트의 역할은 해당 정보를 수집하고, 점수를 매기고(Score), 경로를 지정(Route)하는 것입니다. 에이전트는 정보를 당신에게 전달하거나, 다음 단계를 자동으로 처리하거나, 혹은 정중한 거절로 프로세스를 마무리합니다.

AI 분류 에이전트가 작동하기 위해 필요한 입력값(Inputs)은 무엇인가?

AI 자격 검증 에이전트(Qualification agent)는 잠재 고객(Lead)에 대한 구조화된 입력값(Structured input)이 필요합니다. 즉, 고객이 어디에서 유입되었는지, 어떤 문제를 설명했는지, 예산 신호(Budget signals)가 있는지, 그리고 의사 결정 권한(Decision authority)이 있는지에 대한 정보입니다. 입력 데이터가 더 구조화될수록 점수 산정(Scoring)은 더 정확해집니다. 한 줄짜리 DM(Direct Message)과 같이 정보가 부족한(Sparse) 입력의 경우, 에이전트가 잠재 고객을 올바르게 분류(Route)하기 전에 후속 질문을 던져야 합니다.

자격 검증 에이전트의 성능은 접근 가능한 데이터의 품질에 달려 있습니다. 어떤 로직을 작성하기 전에, 잠재 고객이 어디에서 유입되는지, 그리고 어떤 정보가 함께 전달되는지를 먼저 파악(Map out)해야 합니다.

대부분의 1인 창업자(Solo founders)의 경우, 잠재 고객은 다음과 같은 경로로 유입됩니다:

웹사이트의 문의 양식(Contact form) 또는 접수 양식(Intake form)
Twitter, LinkedIn 또는 Reddit의 DM
맥락이 있는(또는 없는) 추천(Referrals)
콜드 이메일(Cold email) 회신

각 경로마다 정보 밀도(Information density)가 다릅니다. 상세한 접수 양식은 필요한 정보의 80%를 제공합니다. 반면 "안녕, 더 자세히 알려줘"라고 말하는 Twitter DM은 거의 아무런 정보도 주지 않습니다.

당신의 에이전트는 이 두 가지 상황을 모두 처리할 수 있어야 합니다. 정보가 풍부한 잠재 고객에 대해서는 즉시 평가를 수행합니다. 정보가 부족한 잠재 고객에 대해서는 점수를 매기기 전에 명확하게 하기 위한 질문(Clarifying questions)을 던집니다.

자격 검증 점수 산정 로직(Qualification Scoring Logic)은 어떻게 작동하는가?

자격 검증 점수 산정은 예산 신호(Budget signal), 문제 적합성(Problem fit), 의사 결정 권한(Decision authority), 긴급성(Urgency)이라는 정의된 기준 세트에 따라 각 잠재 고객을 확인하는 방식으로 작동합니다. 에이전트는 각 신호에 대해 강함(Strong), 약함(Weak), 또는 없음(Absent)이라는 강도 등급을 부여하고, 이를 조합하여 분류(Routing) 결정을 내립니다. 높은 점수를 받은 잠재 고객은 예약(Booking) 단계로 넘어갑니다. 신호가 약하면 명확한 확인을 위한 질문을 트리거합니다. 적합성이 낮은 경우에는 정중한 재안내(Graceful redirect)를 수행합니다.

데이터를 확보했다면, 에이전트는 해당 데이터를 당신의 기준에 따라 점수화해야 합니다. 제가 사용하는 점수 산정 프레임워크는 다음과 같습니다:

예산 신호(Budget signal). 고객이 지출할 수 있는 금액에 대해 명시적(Explicit)이거나 암묵적(Implicit)인 신호가 있습니까? Xero의 경우, Build Lab 설정을 위해 2,500달러 이상을 청구하므로, 저는 그들이 실험 중인 학생이 아니라 실제 매출이 있는 사업가인지 알아야 합니다. 만약 누군가 "이제 막 시작한 프리랜서입니다"라고 말한다면, 이는 분류(Routing) 경로를 변경하게 만듭니다.

문제 적합성 (Problem fit). 그들이 설명하는 내용이 제품이 실제로 해결하는 문제와 일치합니까? 일반적인 "AI를 사용하고 싶습니다"는 "하루에 4시간을 후속 조치에 쓰고 있는데 이를 자동화하고 싶습니다"와는 다릅니다. 후자가 적합한 사례입니다. 전자는 더 많은 자격 검증 (Qualification)이 필요합니다.

의사 결정 권한 (Decision authority). B2B 업무의 경우, 그들이 "예"라고 말할 수 있는 사람입니까? 회사를 대신해 문의하는 직원과 창업자가 직접 문의하는 것은 다릅니다.

긴급도 신호 (Urgency signal). 단순히 둘러보는 중인가요, 아니면 바로 진행할 준비가 되었나요? "옵션을 찾는 중입니다"는 "2주 안에 이것을 실행해야 합니다"와는 매우 다릅니다.

에이전트는 각 신호를 강함(strong), 약함(weak), 또는 없음(absent)으로 점수를 매깁니다. 예산이 충분하고 + 문제 적합성이 높으며 + 의사 결정 권한이 있는 잠재 고객은 즉시 캘린더 초대(calendar invite)로 연결됩니다. 신호가 약한 잠재 고객은 후속 질문을 받게 됩니다. 명확하게 적합하지 않은 잠재 고객은 관련 리소스를 제공하며 정중하게 안내(redirect)합니다.

기술적 설정은 실제로 어떤 모습인가요?

최소 기능 제품 (Minimum Viable Product, MVP) 수준의 자격 검증 에이전트는 네 가지 구성 요소로 작동합니다: 타겟팅된 질문이 포함된 접수 양식 (intake form), 응답을 읽는 AI 점수 산정 레이어 (AI scoring layer), 점수에 따라 다른 응답을 보내는 라우팅 메커니즘 (routing mechanism), 그리고 모든 잠재 고객과 결정을 기록하는 로그 (log)입니다. 복잡한 CRM은 필요하지 않습니다. 이 모든 과정은 몇 시간 안에 조립할 수 있습니다.

시작하기 위해 CRM, 복잡한 백엔드, 또는 커스텀 코드가 필요하지는 않습니다. 최소 버전은 다음과 같이 작동합니다:

적절한 질문이 내장된 접수 양식 (An intake form). 너무 길게 만들지 마세요. 최대 4~5개 필드면 충분합니다: 문제가 무엇인지, 무엇을 시도해 보았는지, 타임라인은 어떻게 되는지, 우리를 어떻게 알게 되었는지 등입니다. 이 답변들은 점수 산정에 직접적으로 반영됩니다.

점수 산정 로직을 갖춘 AI 에이전트 (An AI agent with scoring logic). 저는 이를 Evo를 통해 실행하며, Evo는 양식 응답을 읽고 위의 자격 검증 기준을 적용합니다. 출력값은 점수와 라우팅 결정(에스컬레이션, 추가 질문, 또는 리다이렉트)입니다.

라우팅 메커니즘 (A routing mechanism). 점수에 따라, 에이전트는 자동으로 캘린더 초대 링크를 보내거나, 후속 질문을 보내거나, 혹은 관계를 해치지 않으면서 적절한 리소스를 안내하는 정중한 "실제로 도움이 될 만한 내용입니다"라는 메시지로 답변합니다.

로그 (A log). 모든 잠재 고객(Lead), 모든 점수, 모든 라우팅 결정은 간단한 Supabase 테이블에 저장됩니다. 이것이 시간이 지남에 따라 시스템을 개선하는 방법입니다. 성사시킨 잠재 고객들을 살펴보고, 패턴을 찾아내어, 점수 산정 기준을 더욱 정교하게 다듬습니다.

전체 파이프라인(Pipeline)을 처음 구축하는 데는 약 2시간 정도가 소요됩니다. 그 이후에는 사용자가 손대지 않아도 스스로 작동합니다.

AI 에이전트는 자격 검증(Qualification) 후 후속 조치를 어떻게 처리해야 하는가?

잠재 고객이 자격 검증을 거쳐 라우팅된 후에도, 대부분은 즉시 전환(Convert)되지 않습니다. 에이전트는 잠재 고객이 초기 라우팅에 응답하지 않을 경우, 적절한 타이밍에 한 번의 후속 조치를 보냅니다. 만약 질문과 함께 답장이 온다면 에이전트가 답변합니다. 아직 준비가 되지 않았다면, 에이전트는 그들의 타임라인(Timeline)을 기록하고 자동으로 체크인(Check-in) 일정을 잡습니다.

자격 검증은 첫 번째 단계일 뿐입니다. 대부분의 잠재 고객은 자격을 갖추었더라도 즉시 구매하지 않습니다.

에이전트는 정해진 일정에 따라 후속 조치를 처리합니다. 누군가 양식을 작성하여 자격이 있는 것으로 점수가 매겨지고 캘린더 초대를 받았지만, 예약을 하지 않았다고 가정해 봅시다. 3일 후, 에이전트는 짧은 체크인 메시지를 보냅니다: "보내드린 링크를 확인해 보셨나요? 그게 더 편하시다면 궁금한 점에 대해 먼저 답변해 드릴 수 있습니다."

이 방식이 효과적인 이유는 적절한 타이밍에, 적절한 어조로, 단 하나의 메시지만 보내기 때문입니다. 드립 시퀀스(Drip sequence)나 2주 동안 5통의 이메일을 보내는 방식이 아닙니다. 단 하나의 메시지입니다. 만약 그들이 응답하면, 그때부터 사람이 개입합니다. 응답하지 않으면 에이전트는 이를 기록하고 다음 단계로 넘어갑니다.

이 방식과 CRM 시퀀스의 차이점은 에이전트가 적응할 수 있다는 것입니다. 상대방이 질문과 함께 답장을 하면 에이전트가 답변합니다. 아직 준비가 되지 않았다고 말하면, 에이전트는 타임라인을 기록하고 그들이 준비될 것이라고 말한 시점에 맞춰 후속 조치를 예약합니다.

이러한 맥락을 고려한(Contextual) 후속 조치는, 만약 당신에게 가상 비서(VA)가 있고 그에게 완벽한 기억력이 있다면 수행했을 법한 일입니다.

이 시스템에서 인간은 어느 지점에서 개입(Human in the Loop)해야 하는가?

두 가지 순간에 인간의 판단이 필요합니다. 캘린더 초대(Calendar invite)를 보내기 전, 실제 적합한 고객(Genuine fit)으로 점수가 매겨진 리드(Lead)를 검토하는 것과 실제 대화를 진행하는 것입니다. 에이전트(Agent)는 정보 수집(Intake), 점수 산정(Scoring), 후속 조치(Follow-up), 그리고 기록(Logging)을 처리합니다. 창업자는 통화(Call)를 담당합니다. 이 두 지점에서 인간을 개입(Human in the loop)시킴으로써, 병목 현상(Bottleneck)을 만들지 않으면서도 실수를 방지할 수 있습니다.

이 시스템은 완전히 자율적(Autonomous)이지 않습니다. 제가 여전히 직접 결정을 내리는 두 가지 지점이 있습니다.

첫째, 실제 적합한 고객으로 점수가 매겨진 모든 리드는 제가 캘린더 초대를 보내기 전에 인간의 검토를 거칩니다. 에이전트가 행동을 제안하면, 제가 확인합니다. 이 과정은 10초밖에 걸리지 않으며, 양식(Form)에서 포착하지 못한 정보로 인해 명백히 부적합한 사람을 실수로 예약하는 일을 방지해 줍니다.

둘째, 첫 번째 통화 자체입니다. 에이전트가 통화를 설정하고, 브리핑 문서(Briefing doc)를 보내고, 맥락(Context)을 로드합니다. 하지만 대화는 저의 몫입니다. 제가 제공하는 가치는 자동화가 대체하는 것이 아니라, 바로 그 통화에서 나옵니다.

그 외의 모든 것, 즉 초기 점수 산정(Initial scoring), 후속 메시지(Follow-up messages), 부적합 고객 리다이렉트(No-fit redirects), 기록(Logging)은 자동으로 실행됩니다.

어떻게 자격 검증(Qualification) 시스템을 시간이 지남에 따라 개선하는가?

자격 검증(Qualification) 시스템은 과거 리드의 로그(Log)를 분석함으로써 개선됩니다. 성사된 거래(Closed deals)를 검토하면 어떤 정보 수집 신호(Intake signals)에 더 높은 가중치를 두어야 하는지 알 수 있습니다. 실패 사례를 검토하면 점수 산정(Scoring)이 어디서 잘못되었는지 알 수 있습니다. 몇 주가 지나면 기준이 엄격해지고, 라우팅(Routing)은 더 정확해지며, 자격이 없는 리드가 실제 대화에 도달하는 경우는 줄어듭니다. 로그는 시스템을 자기 수정(Self-correcting) 가능하게 만듭니다.

이 시스템을 몇 달 동안 운영해 본 결과, 가장 가치 있는 것은 로그입니다.

저는 전환된(Converted) 리드들을 살펴보고 정보 수집(Intake) 단계에서 어떤 신호들이 있었는지 역추적할 수 있습니다. 그런 다음 해당 신호들에 더 높은 가중치를 두도록 점수 산정 기준을 업데이트합니다. 전환되지 않은 리드들을 살펴보고 그 안에서도 패턴을 찾을 수 있는데, 대개 그들이 설명한 내용과 제가 제공하는 서비스 사이의 불일치(Mismatch)인 경우가 많습니다.

시간이 흐를수록 자격 검증 (Qualification)은 더욱 정확해집니다. 에이전트는 적합한 잠재 고객 (Leads)을 더 빠르게 찾아내는 능력이 향상됩니다. 그리고 저는 결코 진전이 없을 대화에 쏟는 시간을 줄일 수 있습니다.

이것이 AI 자격 검증 시스템의 진정한 가치입니다. 단순히 개별 잠재 고객에 대한 시간을 절약하는 것이 아니라, 실행될수록 더 똑똑해지는 기계를 구축하는 것입니다.

처음부터 구축한다면 어디서부터 시작해야 할까요?

어떤 도구(Tooling)를 만지기 전에, 종이에 자격 검증 기준을 적는 것부터 시작하세요. 좋은 잠재 고객이 어떤 모습인지 3~5개의 관찰 가능한 신호 (Signals)로 정의하십시오. 그런 다음 접수 양식 (Intake form)을 만들고, 간단한 AI 점수 산정 레이어 (Scoring layer)를 연결한 뒤, 기준을 검증하는 동안에는 수동으로 라우팅 (Routing)을 처리하세요. 로직이 증명되면 레이어를 하나씩 추가하며 자동화를 진행하십시오.

아무것도 없는 상태에서 시작한다면, 과하게 구축하지 마세요. 단계는 다음과 같습니다:

첫째, 자격 검증 기준을 수동으로 작성하세요. 좋은 잠재 고객은 어떤 모습인가요? 신호 (Signals)는 무엇인가요? 구체적이고 관찰 가능한 3~5개의 기준을 만드세요.

둘째, 간단한 접수 양식을 설정하세요. Google Forms나 Typeform이면 충분합니다. 실제로 필요한 신호들을 확실히 포착할 수 있도록 만드세요.

셋째, 양식 응답을 읽고 점수를 매길 간단한 AI 에이전트를 연결하세요. 처음에는 에이전트가 요약본과 제안된 라우팅 결정을 사용자에게 보내고, 사용자가 최종 결정을 내리는 수동 검토 단계를 거쳐도 좋습니다. 나중에 라우팅을 자동화하면 됩니다.

넷째, 후속 조치 (Follow-up)를 추가하세요. 적절한 타이밍에 맞춰 하나의 메시지로 시작하세요. 그 다음 필요에 따라 두 번째 접촉을 추가합니다.

이것이 시스템의 전부입니다. 단순하고, 가시적이며, 개선 가능합니다.

이것이 1인 기업을 위한 더 넓은 범위의 AI 에이전트 운영 체제 (AI agent operating system)에 어떻게 부합하는지 알고 싶다면, How to Build an AI Operating System for Your Solo Business에서 다루고 있습니다. 그리고 자격 검증 이후에 어떤 일이 일어나는지 이해하고 싶다면, 후속 조치 자동화 부분은 How to Automate Customer Follow-Up With an AI Agent에 있습니다.

몇 주에 걸쳐 조각조각 맞추는 대신 하루 만에 이를 구축하고 실행하기를 원하는 창업자들에게, Xero AI Build Lab이 제공하는 것이 바로 그것입니다. 저희는 귀하의 비즈니스에 맞게 자격 검증 기준 (qualification criteria)을 설정하고, 유입 (intake) 및 점수 산정 (scoring) 로직을 구축하여, 귀하가 일일이 관리할 필요 없이 스스로 작동하는 시스템을 전달해 드립니다.

AI 에이전트가 구조화된 의사결정 (structured decision-making)을 처리하는 방법에 대해 더 자세히 알고 싶다면, HubSpot의 리드 스코어링 (lead scoring) 가이드에서 이 아키텍처 (architecture)가 기반으로 하는 전통적인 프레임워크 (framework)를 다루고 있습니다. Zapier의 자동화 블로그에는 귀하가 응용할 수 있는 라우팅 로직 (routing logic)의 실질적인 사례들이 있습니다. 첫 번째 자격 검증 파이프라인 (qualification pipeline)을 연결하기 전에 두 문서 모두 읽어볼 가치가 있습니다.

관련 항목: