AI 마케팅 활용법, 검증 없이 위탁하면 안 되는 이유와 성숙도 진단법

무슨 일이 일어나고 있나

최근 사례들이 같은 이야기를 다른 각도로 하고 있어요.

PostHog는 여러 Claude Code 세션으로 ANTLR 기반 C++ SQL 파서를 Rust로 다시 썼어요. 16K줄 파서에 도구 5K줄, 테스트 수천 줄을 만들어 노트북 기준 약 70배, 프로덕션 평균 454배 빨라졌어요. 여기서 눈여겨볼 건 속도 숫자가 아니라 어떻게 그걸 믿고 트래픽을 넘겼느냐예요. 방법은 이래요. 기존 C++ 파서를 기준 구현으로 두고, Hypothesis 기반 속성 기반 테스트(PBT)로 '새 파서가 기준과 일치한다'를 검증 속성으로 걸어 두 파서가 다르게 처리하는 쿼리를 계속 캐냈어요. 흥미로운 SQL을 만들려고 ANTLR의 .g4 문법 파일에서 SQL 생성기를 코드 생성했고, SELECT SELECT FROM FROM WHERE WHERE처럼 비정상적으로 보여도 유효한 쿼리까지 테스트에 넣었어요. PBT가 백그라운드에서 계속 돌며 실패 사례를 파일에 쌓고, Claude는 다른 일이 없을 때 그 사례를 집어와 고치는 식으로 CPU와 LLM을 동시에 가동했고요. 프로덕션 섀도 모드에서 수백만 번 파싱한 결과가 기존 파서와 한 번도 달라지지 않자 몇 시간 만에 전환했어요.

Canada Goose는 Salesforce Agentforce Service Agent를 SMS·WhatsApp·채팅에 붙여 '주문 어디 있나요'(WISMO)나 보증 청구 상태 조회, FAQ, 상담 라우팅 같은 반복 문의를 자동화했어요. 이 회사는 연매출 상당 부분이 10월~1월에 몰리는 구조인데, 그동안 계절 임시직 대신 1년 내내 정규 스타일 전문가 팀을 유지해 왔어요. 문제는 그 숙련된 팀이 성수기 대부분을 배송 대기열 조회 같은 저복잡·고빈도 문의 응대에 쓰느라, 충성도를 만드는 개인화 대화에 쓸 여력이 없었다는 점이에요. 2025년 10월 말 추수감사절 급증기에 맞춰 디지털 채널에 먼저 투입했고, 몇 주 뒤 전 세계에서 손꼽히게 빠르게 Agentforce Voice까지 음성 채널로 확장했어요.

반대편엔 Meta가 있어요. Facebook·Instagram·WhatsApp·Messenger를 소유하고 매출 대부분을 디지털 광고에서 내면서 AI에 대규모 투자하는 이 회사는 올해 초 전 인력의 약 10%, 거의 8,000명 감원을 발표했어요. 전직 직원 26명은 캘리포니아 오클랜드 연방법원에 소송을 내면서, 회사가 정리해고 대상을 고를 때 생산성과 'AI 토큰 사용량' 같은 지표에 의존했고 이 지표가 장애인·승인된 병가자·임신 근로자를 불리하게 만들었다고 주장했어요. Meta는 '인력·조직 결정은 AI가 아니라 사람이 내렸다'며 부인했고요. LLM에 사고를 위탁하는 위험을 다룬 한 에세이는 여기에 개념적 배경을 줘요. 계산기에 덧셈을 맡겨도 나는 그대로지만 LLM에 생각 대부분을 맡기면 무엇이 남느냐는 질문, 그리고 졸업반 학생 90명 전원과 코드 리뷰를 해보니 과제를 통째로 AI에 넘겨 모든 질문에 '모르겠다'고 답하는 부류가 뚜렷했다는 관찰이에요.

왜 중요한가

세 사례의 차이는 검증 가능성에 있어요. PostHog가 성공한 진짜 이유는 Claude가 코드를 잘 짜서가 아니에요. 원문 스스로 밝히듯 Claude는 재작성 가능성 자체를 반복해서 의심하고, 한 토큰 미리보기로 사례를 고쳤다가 나중에 두 토큰이 필요하단 걸 발견하는 취약한 수정을 반복했어요. 컨텍스트 창이 압축되며 문법이나 기준 파서 동작을 잊기도 했고요. 그런데도 안전했던 건 틀리면 즉시 걸러내는 오라클이 먼저 있었기 때문이에요. 불일치가 나올 때마다 관련 문법 파일과 C++ 소스를 통째로 컨텍스트에 불러오게 강제했고, 실패 사례는 회귀 테스트·PBT 생성 쿼리·익명화한 프로덕션 로그 네 갈래로 모았어요. 그래서 전문가 수개월치 고성능 파서 작업을 며칠로 줄이면서도 프로덕션에서 단 한 번의 불일치도 없이 넘어갔어요.

Canada Goose는 '전면 대체'가 아니라 '트리아지 자동화'로 읽어야 정확해요. 애초에 자동화 타깃을 주문 상태·보증 청구 상태·FAQ·라우팅 네 가지 저복잡 유형으로 명확히 한정했어요. 정답이 시스템에 이미 있는 조회성 문의라 봇이 틀릴 여지가 구조적으로 작다는 게 핵심이에요. 원문이 반복해 강조하는 설계 철학도 '팀을 대체하는 게 아니라 지원하려고 만들었다'는 것이고요. 진짜 투자 포인트는 챗봇 성능이 아니라 어떤 문의를 자동화 트랙으로 보낼지 정하는 분류 설계예요.

Meta는 정반대예요. 정리해고처럼 정답지가 없고 이해관계가 첨예한 영역에 판단을 넘겼어요. 여기서 인과를 한 단계 파고들면, LLM 출력은 '문법적으로 너무 완벽해서' 백지에서 다시 추론하기 어렵게 만들고, 도메인 지식이 없으면 그럴듯하게 틀린 결과를 걸러낼 수조차 없어요. 계산기를 쓰기 전엔 답의 근삿값을 이미 알아 부호나 자릿수가 틀리면 즉시 알아채지만, 스스로 길을 못 찾는 사람은 엉뚱한 Springfield를 골라도 눈치채지 못하는 것과 같아요. 생산성·토큰 사용량 지표에 담긴 편향이 검토 장치 없이 결정에 그대로 재생산됐고, 그래서 소송으로 번졌어요. 참고로 Meta의 부인 논리('사람이 결정했다') 자체가, 자동화 의사결정에 책임 소재가 걸리는 순간 기업이 어떻게 방어선을 치는지 보여주는 대목이에요.

같은 반도체 공급망 신호가 이 흐름의 배경을 줘요. ASML은 Q2 2026 실적에서 순매출 €9.3 billion·매출총이익률 54%로 가이던스를 넘겼고, 올해 매출 전망을 4월에 제시한 €36–40 billion에서 €43–45 billion으로 통째로 위쪽으로 올렸어요. 저NA EUV 캐파 약 65대를 2027년 30% 늘린 뒤 2028년 추가 30%를 검토 중이고, DUV 이머전도 같이 확장해요. 경영진은 콜에서 '2027년에 필요한 주문은 사실상 다 확보했다'고 했어요. EUV 장비는 발주부터 납품까지 수년 걸리는 선행 지표라, TSMC(상반기 매출 전년 대비 35.6% 증가)와 SK Hynix(지난주 HBM 수요를 업고 나스닥 상장으로 최대 $28 billion 조달) 같은 고객이 이미 2027–2028년 캐파를 예약했다는 뜻이에요. 다만 이건 인프라 투자가 다년간 확정됐다는 신호일 뿐, 마케팅팀이 도구를 무조건 더 사야 한다는 결론으로 이어지진 않아요.

이해관계·역학

ASML이 반기 중간에 연간 전망을 통째로 올린 건 단순한 호실적 발표가 아니에요. 원문 표현대로 '삽을 파는 회사'는 고객 대부분이 부러워할 가시성을 확보했다는 자기 포지셔닝이에요. Q2 상승분이 대부분 신규 장비가 아니라 이미 팹에 깔린 장비의 서비스·업그레이드(installed base management)에서 나왔다는 대목이 중요해요. 고객사들이 새 장비를 기다리며 기존 툴에서 웨이퍼를 더 짜내는 중이라는 뜻이고, 이건 수요가 캐파를 앞지르고 있다는 신호를 주주에게 각인시키는 발표예요. 중국 매출이 여전히 전체의 약 20%인데 MATCH Act의 연합 준수 창구가 9월 말 닫히면 흔들릴 수 있다는 점을, ASML은 '오늘 증거로는 주문장에 영향이 없다'며 선제적으로 방어하고 있고요.

Meta의 '결정은 AI가 아니라 사람이 했다'는 해명은 유인이 뻔히 보여요. 감원 지표에 AI가 개입했다고 인정하는 순간 자동화 의사결정의 차별 책임을 회사가 떠안게 되니, 도구를 참고자료로 격하시켜 법적 노출을 줄이려는 프레이밍이에요.

AI 광고 제작 현장에선 조직들이 앞다퉈 스스로를 재정의하고 있어요. 광고회사·프로덕션·후반작업 스튜디오의 경계가 흐려지자, 어떤 곳은 스스로를 'AI 크리에이티브 그룹'으로 규정하고 전략·크리에이티브·AI 제작·2D·3D·VFX를 하나로 잇는 '원 사이클' 구조를 내세워요. 여기서 실제 유인은 분명해요. AI가 진입장벽을 낮춰 누구나 일정 수준 결과물을 뽑게 되자, 차별화 서사를 '기술을 먼저 썼다'에서 '브랜드 문제를 해석하는 판단력'으로 옮겨야 시장에서 프리미엄을 지킬 수 있어요. '기술 격차는 줄었지만 생각·판단의 격차는 오히려 커졌다'는 주장은 그 자체가 포지셔닝 전략이에요.

실무에 주는 함의

먼저 AI 광고 제작을 발주하는 쪽이라면요. 원문 CCO의 표현대로 제작 방식이 '정해진 답을 순서대로 완성하는' 선형 구조에서 '생성-선택-수정-재설계가 반복 순환하는' 구조로 바뀌었어요. 그렇다면 내일 바꿀 건 브리프의 질이에요. 어떤 인사이트를 넣느냐가 시안 30개의 질을 좌우하고, 그중 브랜드 톤에 맞는 하나를 골라내는 판단이 없으면 AI는 평균적 광고를 대량 생산하는 기계일 뿐이에요. 발주 시 '기획 방향이 후반작업까지 희석 없이 이어지는지'를 계약 조건으로 명시하세요. 원문이 강조한 '원 사이클'의 핵심도 여러 기능을 한 회사가 가졌다는 게 아니라 처음 방향을 마지막까지 지켜내는 데 있어요.

예산을 짜기 전엔 팀의 AI 활용 실태를 냉정히 진단하세요. 업계 도입률 벤치마크는 경영진 보고용 숫자일 뿐 워크플로가 실제로 바뀌었는지는 못 잡아요. 원문 관찰처럼 대부분 조직은 자기가 상급 단계라고 착각하지만, 실제로는 개인이 몰래 ChatGPT를 쓰며 결과도 이해 못 하는 초기 단계에 머물러요. 승진을 거절해 온 원문 필자가 관리를 잘했던 이유가 '부하에게 시킨 일을 자신도 할 줄 알아서'였다는 대목이 힌트예요. 십중팔구 필요한 건 새 라이선스가 아니라, 결과를 비판적으로 평가할 수 있는 직무 재정의예요.

마케팅 파이프라인에 AI를 붙일 땐 PostHog 방식을 이식하세요. 기존 로직을 기준 구현으로 붙잡고 병렬로 검증하는 거예요. 구체적으로는 AI가 뽑은 세그먼트·카피·리드 스코어를 그대로 넘기기 전에 '왜 이 결과가 나왔는지 설명하게 하고 그 논리를 사람이 검수하는' 단계를 프로세스로 못박고, 가능하면 기존 룰 기반 결과와 자동 비교하는 섀도 모드를 몇 주 돌려보세요. 타깃 선별이나 리드 스코어링에 AI를 쓰면 Meta 사례처럼 학습 데이터 편향이 차별 리스크로 잠복해요. '누가 왜 이 결정을 내렸는지 설명 가능한가'를 도입 단계부터 문서화하는 게 사후 소송보다 훨씬 싸게 먹혀요.

리스크·한계

454배는 오독하기 쉬운 숫자예요. 원문도 짚듯 ANTLR은 문법을 증강 전이망(ATN)으로 컴파일해 범용 인터프리터가 그래프를 순회하는 구조라, 직접 작성한 재귀 하강 파서보다 태생적으로 느려요. 즉 454배는 상대 수치이지 절대 성능의 승리가 아니에요. 그리고 이 방법론은 기준 구현을 붙잡을 수 있는 영역에서만 통해요. 파서처럼 정답지가 명확하면 자동 검증이 되지만, 정답지가 애매한 비즈니스 로직이나 정리해고 판단에선 그대로 무너져요.

Meta 소송은 규제 방향도 알려줘요. 자동화 의사결정에 사람의 최종 검토를 끼워넣는 human-in-the-loop 설계는, 고용처럼 이해관계가 첨예한 영역에선 선택이 아니라 방어선이에요. 다만 여기엔 함정도 있어요. 원문의 한 장면처럼, 경력자가 계산을 통째로 AI에 넘긴 뒤 '왜 이렇게 계산했냐'는 질문에 '모르겠다'고 답하면 human-in-the-loop은 형식만 남아요. 사람을 끼우는 것과 사람이 실제로 검토할 능력이 있는 것은 다른 문제예요.

ASML 사이클도 냉정하게 봐야 해요. 수요가 AI 관련 투자에 몰려 있고 중국 매출이 MATCH Act 규제 창구에 노출돼 있어서, 정책 변수 하나로 주문장이 흔들릴 수 있어요. AI 인프라 붐이 곧 마케팅 도구 지출을 정당화한다는 논리로 넘어가면 곤란해요.

자주 묻는 질문

AI 마케팅 활용, 어디까지 위탁해도 되나요

답이 시스템에 이미 있는 조회성·반복 업무는 자동화 트랙으로 보내되, 이해관계가 첨예하거나 정답지가 없는 판단은 사람 검수를 끼워야 해요. Canada Goose가 주문 상태·보증 청구·FAQ·라우팅 네 가지로 타깃을 한정한 것처럼, 자동화할 문의를 분류하는 설계가 챗봇 성능보다 중요해요.

AI 에이전트 사례 중 검증이 잘 된 건 뭐가 있나요

PostHog가 대표적이에요. 기존 C++ SQL 파서를 정답지로 두고 Hypothesis 기반 속성 기반 테스트와 섀도 모드로 두 파서가 다른지 자동 비교한 뒤 트래픽을 넘겼어요. 프로덕션 섀도 모드에서 수백만 번 파싱 결과가 한 번도 달라지지 않아 몇 시간 만에 전환했고 프로덕션 평균 454배 빨라졌어요.

AI 마케팅 툴 추천보다 먼저 봐야 할 게 있나요

팀이 AI를 실제로 어떻게 쓰는지 진단이 먼저예요. 대부분 조직은 자기가 상급 단계라 착각하지만 실제로는 개인이 몰래 쓰며 결과도 이해 못 하는 초기 단계예요. 필요한 건 라이선스가 아니라 결과를 비판적으로 평가할 수 있는 직무 재정의인 경우가 많아요.

AI 광고 제작을 하면 기획자는 필요 없어지나요

반대예요. AI가 진입장벽을 낮춰 누구나 일정 수준 결과물을 뽑게 될수록 브리프의 질이 결과물을 좌우해요. 소비자 인사이트를 프롬프트에 정확히 옮기고 여러 시안 중 브랜드 톤에 맞는 걸 골라내는 판단력, 그리고 기획 방향을 후반작업까지 희석 없이 지켜내는 통제력이 경쟁력이 돼요.

마케팅에서 AI를 쓰면 어떤 법적 리스크가 있나요

타깃 선별이나 리드 스코어링에 AI를 쓰면 학습 데이터 편향이 차별로 이어질 수 있어요. Meta가 정리해고 대상 선별에 생산성·AI 토큰 사용량 지표를 썼다가 장애인·병가자·임신 근로자를 불리하게 했다는 이유로 전직 직원 26명에게 소송당한 사례가 그 경고예요. 사람의 최종 검토와 결정 근거 문서화가 방어선이에요.