이번 글, 이런 마케터들에게 추천해요

• 🧭 AI에게 어디까지 맡겨야 할까? 고민하는 리더

  AI에 위임할 일과 사람이 계속해야 할 일을 어떻게 구분할지 고민하고 있다면

• 🧪 AI 도구를 내 일에 적용해 일하는 마케터

  완벽한 사례는 많은데 막혔을 때 극복하는 과정이 궁금하다면

• 🤝 세일즈, 고객 데이터를 다루는 팀

  흩어진 대화 맥락을 AI가 판단할 수 있는 기록으로 남기고 싶다면

2026년 10월 14일, 서울 GS타워 아모리스홀에서 열린 A-DAY 2026에 직접 다녀왔습니다. 이제 AI가 마케팅 업무 속도를 10배, 20배 빠르게 한다는 것은 주지의 사실입니다. 이제 우리가 궁금한 것은 그 다음 단계, 빨라진 실행이 어떤 과정을 거쳐야 실제 성과가 될 수 있을까? 입니다.

목차

1. 01. ‘MARKETING ×20’, 무엇이 20배가 되길 원하나요? - A-Day 2026
2. 02. 피봇(Pivot)하지 않고, 역할을 재정의하다. - 아드리엘
3. 03. 잘 만든 결과는 기본, 개선은 틀린 전제를 찾는 과정 - 코오롱 FNC
4. 04. 영상 광고 운영의 피드백 루프 - BytePlus / Letsur
5. 05. Conversation Intelligence - Joint

01. ‘MARKETING ×20’, 무엇이 20배가 되길 원하나요?

이 행사의 슬로건은 ‘MARKETING ×20’입니다. 이 행사에서 무엇을 20배로 만들 수 있을까요? 콘텐츠를 만드는 속도? 한 사람이 처리하는 업무량? 아니면 매출이나 고객 반응까지 20배가 된다는 의미일까요?

A-DAY 2026에서는 AI로 빨라진 실행을 성과로 연결하는 마케팅 전략을 다루었습니다. 저는 다른 마케터들와 조직이 AI를 어떻게 쓰는지도 궁금했어요. 정신없이 공개되는 모델, 솔루션, 서비스, 컨설팅, 사례들을 밤낮없이 따라가다 보면 방향을 잃기 일쑤인데요, 이 시간을 통해 방향을 찾고, 생산성 향상과 실제 성과 사이에 무엇이 있어야 하는지 알 수 있게 되는 힌트를 기대했습니다.

이 날 세션들을 통해서 보고서를 빨리 만들고 데이터를 자동으로 취합하고, 광고 소재를 쉽게 생성해, 반복 분석을 하는 사례들을 또 한번 확인했어요. 각 솔루션이 이룩한 성과에 대해서도 나누어 주셨구요. 뛰어들어 직접 시도해 얻은 인사이트에서 깊이와 진정성을 느낄 수 있어요. 그러나 모든 세션을 관통해 ‘성과가 20배가 됐다’고 확인할 공통의 기준은 없었어요.

그래서 관점을 바꿨습니다. 'X20은 숫자만 있는게 아니다. 벡터(Vector)다.'라는 시선으로요. 그랬더니 질문이 바뀌더라구요. 무엇을 AI에게 맡겨야 하나? AI에게 전달할 판단에 필요한 근거를 어떻게 쌓을 것인가?

마케터는 사라질까요?

김대식 KAIST 교수와 주관사인 아드리엘 엄수원 대표의 대담 형식 세션도 마련되어 있었습니다. 마케터는 곧 대체 될까요? 라는 질문에, 김 교수는 마케터라는 직무를 과업 단위로 잘게 나눠야 한다고 대답했습니다. '직업'이라는 분류는 이제 틀렸다고 알아들었어요. 기준이 바뀌었으니 이 질문은 의미가 없어졌습니다.

구체적인 액션플랜으로 '사람이 해야 하는 일'-'이론상 AI가 할 수 있지만 아직 기술 조건이 부족한 일'- '지금도 AI에 맡길 수 있는 일'로 구분하는 방식의 작업이 필요하다고 김대식 교수는 말합니다.

저는 이 구분을 ‘검증된 실행을 AI에게 일임하는 순서’로 생각했습니다. 여러 번 해 본 방법이고 성과 기준이 정리되면 AI에 전부 위임할 수 있습니다. 사람은 아직 확정되지 않은 문제를 먼저 경험해야 합니다.(모든 과정 자체도 세분화 해 AI에게 위임할 수 있겠습니다.) 시행착오를 반복하면서 판단 기준을 세웁니다. 그 기준을 숫자, 언어, 데이터로 남길 수 있을 때 시스템으로 넘깁니다. 그러면 사람은 다시 새로운 문제를 먼저 만나 실패할 수 있는 리소스가 생깁니다.

AI와 함께 차별화 된 결과를 도출하려면, 무엇이 좋은 결과인지? 나(우리 조직)만 가진 경험(데이터)가 무엇인지? 알아볼 수 있는 지식과 경험이 필요합니다. 나의 경험이 충분히 쌓이지 않은 상태에서 모두 일임하면 가장 평균적인 해답을 받습니다. 또한 이미 검증된 반복 업무를 마케터가 계속 붙잡고 있으면 차별화된 데이터를 얻기 위한 새로운 방법을 시도하는데 필요한 리소스가 줄어들겠죠.

02. 아드리엘의 도전

Michael 아드리엘 CPO의 발표에서는 아드리엘의 사업을 리프레이밍한 내용이 인상깊었습니다. 발표에 따르면 그동안 아드리엘은 광고와 커머스 데이터를 모아 정규화하고 대시보드로 제공해 왔습니다. 그러나 최근 AI가 그 분석을 수행할 수 있다면 기존 제품이 왜 필요한가? 라는 큰 질문을 내부 검토했고, 다른 사업으로 급히 피벗하기보다 데이터 정교화와 각 조직의 판단 맥락을 연결하는 쪽에 더 집중하기로 했다고 설명했습니다.

주요모델들이 발전하고 서드파티에 있던 서비스와 동일한 기능을 신규 기능으로 통째로 넣어버리다보니, 많은 B2B 마케팅 SaaS들이 비슷한 고민을 하고 있습니다.

아드리엘은 자사가 정리한 데이터를 고객의 AI 도구가 불러 쓸 수 있도록 MCP를 제공하고, 팀별 접근 권한과 계산 기준, 보고 형식도 함께 전달하는 구상이었습니다. 반복 분석과 조건별 알림, 작업 이력을 쌓는 신제품도 이 자리에서 소개했습니다.

아드리엘은 기존 대시보드를 지키는 데 매달리지 않았습니다. AI 트렌드에 맞춰 사업 전체를 바꾸는 선택도 하지 않았습니다. 원래 쭉 해오던 역량을 AI 환경에서 어디에 사용할지 다시 정했습니다.

AI의 답이 왜 자주 일반론에 머무는지도 설명했습니다. AI는 지난주에 예산을 바꿨는지, 소재를 교체했는지, 전환 측정 기준이 달라졌는지 저절로 알지 못합니다. 이런 사정은 회사마다 다르고 어떤건 담당자에게 너무 당연해서 문서화하지 않는 경우도 많죠. 챗지피티 할아버지가 와도 이런 맥락에 접근하지 못하면 우리 조직의 판단을 대신하는 것은 불가능합니다.

03. 문제를 해결은 대시보드가 아니고, 틀린 가정과 누락된 맥락 데이터를 찾는 과정

시스템을 만드는 과정을 설명해 준 코오롱 FnC 사례 발표도 같은 맥락입니다. 시스템을 완성했다는 결과보다 실제 운영에서 틀린 전제를 찾아가는 과정이 발표의 핵심이었어요. 김연한 팀장은 3주 동안 기획전과 상품을 분석하고 대시보드와 등급 기준을 만들었습니다.

운영에 적용하자 잘못된 전제로 인한 오류가 드러났어요. 판매하지 않은 날이 광고 효율 계산에 들어갔고, 상시 기획전 결과가 별도 기획전 성과에 섞였어요. 온라인 재고만 보면 품절이지만 오프라인 매장에는 재고가 있었고요. 모두 김연한 팀장이 자사 프로젝트의 시행착오로 소개한 내용입니다.

대부분은 현장에서 굳이 말하지 않아도 누구나 아는 조건들입니다.(암묵지 라고 하나요?) 하지만 시스템에 일을 맡기려면 하나씩 모두 적어야 합니다. 코오롱 FnC는 실제 사용자의 요구를 반영해 여러 가지 기능을 추가했고, 잘못된 기록도 지우지 않고 팀의 학습 자료로 남겼습니다. 적용하고, 오류를 찾고, 규칙을 고친 뒤 다시 적용했습니다. 이 짧은 주기의 반복이 대시보드 만든 3주보다 핵심적인 작업으로 보였습니다.

04. 퍼포먼스 마케팅 AI자동화

BytePlus와 Letsur 세션에서는 씨댄스와 크리젠(힉스필드 같은 영상 생성 솔루션)으로 생성된 영상을 소개했습니다. 영상은 역시 놀라웠지만, 그것만으로는 마케팅 성과를 설명할 수 없다는 것을 잘 아실 것입니다. Letsur의 데모 핵심은 광고 소재를 수집해 자사 제품에 맞는 영상으로 바꾸고, 메타 광고관리자의 결과를 다음 소재 제작에 반영하는 피드백 루프 였습니다. 생성, 집행, 성과 확인, 다시 돌아가 생성으로 이어지는 퍼포먼스 마케팅 업무의 AI 전환을 단계 별로 구체적인 솔루션을 제시해 주었습니다.

05. Conversation Intelligence

Joint 김대호 대표는 대면 회의와 화상 회의, 이메일, 통화, 채팅에서 생긴 고객 신호를 모아 다음 행동을 판단하는 방법을 소개했습니다. 발표에서는 이를 Conversation Intelligence와 Account Intelligence라고 불렀어요.

AI가 정교하게 다음 행동을 결정하려면 고객과 나눈 대화뿐 아니라 당시 상황까지 시스템에 남아 있어야 합니다.

그러려면 먼저 현실의 활동이 기록돼 있어야 합니다. 회의는 기록하지 않고 통화는 날아가고 중요한 사정은 카톡과 담당자의 기억에 흩어져 있다면 AI가 볼 수 있는 현실은 반쪽짜리 입니다. 나아가 문장만 저장해서는 부족합니다. 소통 당시의 관계와 상황도 함께 남겨야 합니다. 같은 고객의 말도 계약 직전인지, 첫 문의인지, 불만을 설명하는 중인지에 따라 뜻이 달라집니다. 모든 신호는 데이터가 될 수 있지만 모든 데이터가 의미있지 않습니다.

저는 컨퍼런스 현장에서 모든 세션을 직접 들었습니다. 가능하면 세션 발표하신 분들과 인사하고 대화를 나누려고 했어요. 아마 별도로 발표 자료만 받았더라도 AI선생님과 함께 쉽게 내용을 정리할 수는 있었을 것입니다.

그런데 사람은 만나고 경험하면서 아직 분류되지 않은 차이를 알아챕니다. 그 차이도 수치화 될 수 있습니다. AI가 데이터로 활용할 수 있을 만큼 구체적으로 설명할 수 있게 되면 데이터와 시스템으로 적용하고, 반복합니다.

이번 글 핵심 요약 3가지

• ① 검증된 실행은 AI에 맡기고, 사람은 아직 측정기준이 없는 문제를 먼저 경험한다

  좋은 결과를 판정할 기준이 있어야 AI의 실행도 검토할 수 있다.

• ② 현업 적용에서는 정답보다 틀린 전제를 찾고 수정하는 과정이 중요하다

  운영 규칙을 고치고 다시 적용하는 반복이 시스템을 현실에 맞춘다.

• ③ 데이터만 쌓는다고 맥락이 생기지는 않는다

  사람이 현장에서 알아챈 차이를 구체적으로 설명할 수 있을 때 비로소 AI의 판단 근거가 된다.