AI가 검색·타겟팅·CX를 동시에 흔든다, 마케팅 운영체제의 재설계

무슨 일이 일어나고 있나

최근 마케팅·데이터 영역에서 별개처럼 보이는 뉴스들이 사실은 하나의 흐름으로 모이고 있어요. 먼저 검색 단입니다. AI 검색 도구들이 사용자의 질문에 즉시 답을 제공하면서 기존 웹사이트로 향하던 클릭 트래픽이 약 60% 감소했다는 분석이 나왔어요. 답을 AI가 미리 다 해주니, 굳이 사이트를 클릭할 이유가 줄어든 거죠. 그래서 GEO(생성형 검색 최적화)처럼 AI가 만든 답변 안에 노출되거나 직접 방문을 유도하는 새로운 전략이 주목받고 있어요.

광고 쪽도 비슷한 결의 전환이 일어나고 있어요. Programmatic 광고 업계가 결정론적 신원 파악(쿠키·정확한 사용자 정보) 중심의 정밀타겟팅에서, 행동 패턴 기반의 확률적 예측으로 무게중심을 옮기고 있거든요. SDK로 앱 데이터에 직접 접근하고 머신러닝으로 구매 의도를 추론해, 예상 밖의 채널에서도 잠재 고객을 찾아내는 방식이에요. 플랫폼이 단순 거래 중개소가 아니라 '성과 최적화 운영체제'로 진화하고 있다는 진단이 핵심입니다.

예산 흐름은 이 변화를 그대로 반영해요. Gartner의 2026 CMO 예산 조사에 따르면 마케팅 리더들은 인식 제고와 전환에 미디어 예산의 62.6%를 배정하고, 디지털 미디어가 전체 미디어 투자의 3분의 2 이상을 차지하고 있어요. 반대로 고객 충성도·유지 투자는 2024년 대비 29% 줄어 전체의 15% 미만으로 축소됐고요. 그리고 운영 도구 단에서는 Adobe가 Agentic AI 기반 CX Enterprise Coworker를 정식 출시해, 캠페인 기획부터 고객경험 관리까지를 'AI 동료'가 자동으로 수행하도록 만들고 있어요.

왜 중요한가 (흐름과 인과)

이 네 가지 뉴스를 이어보면 인과의 사슬이 보여요. 출발점은 AI가 정보 탐색의 입구를 바꿔버렸다는 사실이에요. 검색 클릭이 60% 줄면, SEO 기반으로 트래픽을 끌어와 전환시키던 기존 퍼널의 윗단이 무너집니다. 입구가 좁아지니 광고주들은 더 적극적으로 잠재 고객을 찾아 나서야 하고, 그 결과 예측기반 Programmatic처럼 '확률로 사람을 찾는' 방식이 부상하는 거예요.

그리고 이 두 변화가 합쳐지면서 CMO의 지갑이 움직였어요. 입구가 줄고 신규 유입이 어려워지니, 인식 제고와 전환(즉 신규 고객 확보)에 예산을 몰아주는 거예요. 충성도 투자를 29% 깎은 건 단기 성과 압박의 결과인데, 흥미롭게도 Gartner 조사에서 AI 성숙도가 높은 조직은 오히려 디지털 채널보다 고객 유지에 더 투자하는 역방향 전략을 폈어요. 이건 '확보 비용이 점점 비싸지는 환경에서, 결국 보유한 고객의 가치를 키우는 쪽이 효율적'이라는 통찰을 먼저 잡은 곳들의 선택으로 읽혀요.

마지막으로 Adobe의 Agentic AI 도구가 이 모든 변화에 대한 운영 차원의 응답이에요. 검색·광고·고객경험이 동시에 복잡해지는데 사람이 일일이 따라잡기 어려우니, AI가 캠페인 설계와 고객경험 관리를 자동으로 수행하며 의사결정을 돕는 거죠. 즉 'AI가 마케팅 환경을 흔들고 → 그 대응도 AI 기반 운영으로 한다'는 자기참조적 구조가 만들어지고 있어요.

실무에 주는 함의

첫째, 검색 의존도를 재점검해야 해요. SEO 트래픽만 믿던 콘텐츠 전략이라면 GEO 관점, 즉 AI 답변 안에서 인용·노출되도록 구조화된 콘텐츠를 함께 준비하는 게 시급해요. 클릭이 줄어드는 만큼, 클릭 없이도 브랜드가 답변에 등장하게 만드는 설계가 새로운 가시성 전략이 됩니다.

둘째, 타겟팅 데이터 전략을 결정론에서 확률론으로 보강해야 해요. 쿠키와 정확한 신원에만 의존하는 구조는 점점 약해지니, 행동 데이터와 예측 모델을 결합해 '구매 가능성이 높은 사람'을 찾는 역량을 내재화하는 게 좋아요. 이때 Programmatic 플랫폼을 단순 매체 구매처가 아니라 성과 운영체제로 다루는 관점 전환이 필요해요.

셋째, 예산 배분에서 확보 일변도를 경계해야 해요. 단기 성과 압박으로 충성도 예산을 깎기 쉽지만, AI 성숙 조직이 유지 투자를 늘리는 이유를 곱씹어야 해요. 신규 확보 비용이 오를수록 기존 고객 LTV가 수익의 핵심이 되거든요. 확보와 유지의 균형을 데이터로 검증하는 게 차별점이 될 거예요.

넷째, Agentic AI 도구는 '사람 대체'가 아니라 '운영 레버리지'로 도입하는 게 안전해요. 반복적인 캠페인 운영과 고객경험 모니터링을 AI 동료에게 맡기고, 사람은 전략·판단·검증에 집중하는 분업 구조를 설계하는 거죠.

리스크와 한계

다만 낙관만 할 일은 아니에요. AI 검색 트래픽 감소 수치는 산업·콘텐츠 유형마다 편차가 크니, 60%라는 숫자를 자사 환경에 그대로 대입하면 안 돼요. 예측기반 타겟팅도 머신러닝 추론의 정확도와 투명성 문제를 안고 있어서, 성과 측정과 어트리뷰션 검증을 더 엄격하게 가져가야 해요.

Agentic AI의 자동 의사결정은 오류가 났을 때 책임 소재와 거버넌스 문제를 키워요. AI가 잘못 학습했거나 잊어야 할 데이터를 여전히 기억하고 있을 위험도 있는데, Google Research가 머신 언러닝 검증을 위한 통계 프레임워크를 새로 내놓은 것도 이런 신뢰성 문제가 실무 화두로 떠올랐다는 방증이에요. 즉 AI에 운영을 맡기는 만큼, 그 AI가 의도대로 동작하고 안전하게 데이터를 다루는지 감시하는 체계가 병행돼야 해요. AI가 마케팅 운영체제를 재설계하는 시대일수록, 자동화의 속도보다 검증과 거버넌스의 깊이가 경쟁력을 가른다는 점을 잊지 말아야겠어요.