AI 시범 사업을 넘어: 고객 데이터를 확장 가능한 개인화 커머스로 전환하기

기업의 AI에 대한 기대는 실제 성과를 앞질렀다. Stanford의 2026년 AI 인덱스에 따르면 2025년 조직의 88%가 AI를 사용했지만, 거의 모든 업무 기능에서 AI 에이전트 도입률은 한 자릿수에 머물렀다. 실험과 가치 실현 사이의 간극은 여전히 크며, 고객 경험에서 매우 뚜렷하고 실질적으로 드러난다. 이 간극이 생기는 이유를 이해하려면 두 가지 핵심 사항을 살펴봐야 한다.

첫 번째는 AI와 관련한 조직의 성숙도다. 대부분의 기업은 여전히 ‘개인 생산성’ 단계에 있으며, 거버넌스와 데이터 준비도, 검증된 사용 사례 포트폴리오를 확장 가능한 기반으로 구축해 나가는 중이다. AI 에이전트가 정해진 안전장치 안에서 작동하고, 사람은 감독과 예외 처리에 집중하는 ‘자율’ 단계에 이르기까지는 갈 길이 멀다. 이러한 AI 성숙도에 도달하는 것은 ‘AI 네이티브 운영 모델’을 시도하기 위한 토대다. 이 내용은 뒤에서 더 다룬다.

두 번째는 데이터와 AI 기반 비즈니스 의사결정 사이의 운영상 간극이다. 대부분의 조직은 이미 데이터와 시스템에 투자해 왔다. 고객 데이터를 축적하고, 마케팅 자동화를 도입하고, 클라우드로 이전했으며, 생성형 AI 시범 사업도 진행했다. 그런데도 고객은 여전히 관련성 낮은 추천을 받고, 서로 연결되지 않은 채널을 이용하며, 기업이 이미 자신에 대해 알고 있는 정보를 반영하지 못하는 서비스 응대를 경험한다.

이는 대개 모델의 문제가 아니다. AI는 기존에 이미 고장 나 있던 요소, 즉 파편화된 데이터, 불분명한 책임 소재, 단절된 업무 흐름, 기술 부채, 측정 가능한 사용 사례로 한 번도 구체화되지 않은 비즈니스 목표를 드러낼 뿐인 경우가 더 많다. 앞으로 나아가는 길은 더 큰 AI 이니셔티브에서 시작하지 않는다. 신중하게 선정한 몇 가지 고객 관련 의사결정과 명확한 운영 모델, 그리고 지능을 실행으로 옮길 수 있는 아키텍처에서 시작한다.

분리된 시범 사업에서 반복 가능한 시스템으로 나아가려는 리더에게는 다른 무엇보다 몇 가지 우선순위가 중요하다.

역량이 아니라 의사결정에서 시작하라.

첫 번째 질문은 “생성형 AI를 어디에 도입할 수 있을까?”가 아니다. “어떤 고객 경험 관련 의사결정을 개선해야 할까?”다. 항공사는 운항 차질이 발생했을 때 승객에게 더 나은 선택지를 제공하고자 한다. 소매업체는 반품을 늘리지 않으면서 고객이 적합한 제품을 고르도록 돕고자 한다. 은행은 상담 직원이 여러 시스템을 뒤지지 않고도 복잡한 문의를 해결하도록 하고자 한다. 각각은 의사결정과 사람, 결과를 제시하며, 이를 통해 필요한 데이터와 성공 측정 방법을 알 수 있다. 여기서부터 시작하면 리더가 거절할 일도 분명해진다. 애플리케이션 아이디어나 에이전트 요청을 실제 의사결정 및 측정 가능한 결과와 연결할 수 없다면 우선순위를 부여할 이유가 없다.

“AI로 경험을 개선하라”는 말은 지나치게 포괄적이다. 이런 접근은 시연용 결과물은 만들지만 운영 역량은 만들어 내지 못한다.

오늘날 소비자 가전 소매업체가 “AI 쇼핑 도우미”를 도입한다는 것은 보통 얼마나 많은 사람이 이용하는지를 기준으로 평가하는 범용 챗봇을 뜻한다. 이를 고객이 적합한 노트북을 고르도록 돕는 의사결정으로 재정의하면, 목표는 전환율을 높이고 반품을 줄이는 것이 된다. 그러면 실시간 제품 사양을 활용해 고객의 요구를 더 잘 파악하고, 판매량과 반품률, 만족도로 성공 여부를 측정하는 도구가 된다. 같은 아이디어지만 실질적인 결과를 낳는다.

통합 데이터를 데이터베이스 프로젝트가 아닌 역량으로 다루라.

‘360도 고객 뷰’는 흔히 데이터를 중앙화하는 작업으로 설명된다. 하지만 실제로는 고객 식별, 동의, 책임 소재, 품질, 주요 이벤트의 의미에 대해 조직이 합의하는 일이다. 웹 탐색 세션은 기존 고객, 가구, 익명 기기 중 어디에 속하는가? 동의 여부를 판단할 때 어느 시스템을 기준으로 삼는가? 서비스 응대 정보는 다른 채널에 얼마나 빨리 표시되어야 하는가? 이러한 질문에 답하지 않은 채 데이터를 중앙화하면 통합된 듯한 인상만 줄 뿐, 신뢰성은 확보되지 않는다. 더 효과적인 방법은 우선순위가 높은 각 사용 사례에 대해 공통 데이터 계약을 마련하는 것이다. 여기에는 필수 필드와 이벤트, 각 항목의 기준 데이터 출처, 허용 가능한 지연 시간, 허용된 사용 목적, 품질을 책임지는 팀이 포함되어야 한다. 목표는 모든 데이터를 모으는 것이 아니다. 의사결정이 내려지는 순간 신뢰할 수 있는 적절한 데이터를 확보하는 것이다.

자동차 소매업체는 다시 방문한 온라인 고객에게 고객이 설정하던 바로 그 모델을 보여 주며 인사하고 싶어 한다. 하지만 지금은 설정 도구와 딜러 CRM, 금융 시스템이 각각 서로 다른 고객 정보를 보유하고, 3주 전에 받은 리스 견적이 여전히 유효한지를 두고도 의견이 달라 제대로 작동하지 않는다. 명확한 데이터 규칙을 적용해 하나의 고객 여정으로 재구성하면 각 데이터의 책임 소재가 정해진다. 설정 도구는 차량 구성의 기준 데이터 출처가 되고, 금융 데이터에는 동의 여부와 만료 시점이 명시되며, 재고 정보는 몇 분 안에 갱신된다. 따라서 고객에게 딜러가 방금 판매한 차량이 표시되는 일이 없다. ‘모든 고객 데이터 통합’보다 훨씬 간단하며, 인사 기능도 실제로 제대로 작동한다.

개인화를 지속적인 의사결정 시스템으로 설계하라.

많은 프로그램이 여전히 캠페인 운영 시스템에 머물러 있다. 팀은 고객층을 구분하고 콘텐츠를 준비한 뒤 정해진 일정에 따라 발송한다. 생성형 AI는 더 많은 변형 콘텐츠를 만들어 내지만 운영 모델은 바꾸지 않는다. 맥락을 고려한 고객 경험은 다르게 작동한다. 고객의 현재 상황을 파악하고, 가능한 조치를 확인한 다음, 비즈니스 및 정책상의 제약을 고려해 하나를 선택하고, 적절한 채널을 통해 전달한 뒤 반응을 바탕으로 학습한다. 중요한 점은 모든 상호작용을 개인화하는 것이 목표가 아니라는 것이다. 때로는 표준 메시지를 보내거나 담당자에게 넘기는 것이 적절하고, 아무 조치도 하지 않는 편이 나을 수도 있다. 효과적인 개인화는 생성한 변형 콘텐츠의 수로 측정하지 않는다. 고객에게 더 적절한 결정을 내렸는지, 그리고 그 과정에서 고객의 기대를 존중했는지로 평가한다. 신뢰는 나중에 덧붙이는 규정 준수 검토가 아니라 고객 경험의 일부여야 한다.

한 은행이 고객이 주택담보대출 금리를 반복해서 확인하는 것을 알아차린다. 현재의 캠페인 운영 시스템은 다음 예정 발송 때 이 고객을 “첫 주택 구매자” 대상 이메일 시리즈에 포함한다. 이를 지속적인 의사결정으로 다시 바라보면, 시스템은 지금의 상황을 읽는다. 주택 구매를 진행하면서 금리를 비교하는 사람일까, 아니면 몇 달 뒤를 생각하며 그저 궁금해하는 사람일까? 확신이 없으면 성급하게 “오늘 사전 승인을 받으세요”라고 권해 고객의 상황을 잘못 짚는 대신, 도움이 되는 “감당할 수 있는 금액을 알아보시겠어요?”라는 안내를 보여 주는 신중한 조치를 취한다. 고객이 반응하면 시스템은 이를 바탕으로 학습하고 대응을 조정한다. 반응이 없으면 더 나아가지 않는다. 때로 가장 적절한 결정은 가장 조용한 결정이며, 이러한 자제가 신뢰를 지킨다.

속도를 높이기 전에 콘텐츠와 아키텍처의 제약부터 해결하라.

생성형 AI는 놀라운 속도로 문구와 이미지를 만들 수 있지만, 제대로 작동하지 않는 콘텐츠 운영에 속도를 더하면 병목이 제작 단계에서 검토와 거버넌스 단계로 옮겨갈 뿐이다. Content Marketing Institute에 따르면 대기업 마케터 중 75%가 AI를 사용하지만, 이를 일상 업무 흐름에 통합한 경우는 15%에 불과하다. 구조화되고 재사용 가능한 콘텐츠, 즉 여러 채널에서 조합해 쓸 수 있도록 승인된 사실과 구성 요소를 갖추면 AI가 근본적인 사실을 지어내지 않고도 내용을 조정할 수 있다. 기술 스택에도 같은 원칙이 적용된다. “컴포저블”이라는 명분으로 모든 것을 재설계하기보다는 우선순위가 높은 활용 사례와 연결된 몇 가지 고객 여정을 살펴보고, 기존 시스템이 어디에서 지연을 일으키거나 데이터 접근을 막는지 파악한 뒤, 그러한 제약을 중심으로 점진적으로 현대화해야 한다. 진전은 도입한 기술의 수로 측정되지 않는다. 매번 같은 통합 작업을 되풀이하지 않고도 고객 여정을 안전하고 신속하게 바꿀 수 있는지가 중요하다.

한 소매업체가 4만 개 상품의 설명문을 작성하도록 AI를 활용한다. 현재는 모든 상품의 문구를 일일이 확인해야 하는 주장과 보증 조건 때문에 법무 검토 업무가 한꺼번에 밀려든다. 이 문제를 다시 바라보면 해결책은 더 빠른 모델이 아니라 관리 체계가 갖춰진 데이터 원천이다. 승인된 사양과 주장, 보증 문구를 재사용 가능한 구성 요소로 보관하는 PIM을 마련하고 AI가 이를 조합해 사용하도록 하면, AI는 사실을 지어내지 않으면서 어조를 조정할 수 있다.

기술 스택에도 같은 논리가 적용된다. 팀은 모든 시스템을 새 플랫폼으로 옮기는 대신, 실시간으로 “내 주변에 재고 있음”을 알리는 개인화 기능을 가로막는 노후 재고 시스템만 현대화하고 안정적으로 작동하는 시스템은 그대로 둔다. 진전이란 도구를 추가하는 것이 아니라 고객 여정을 신속하게 바꾸는 것이다.

거버넌스를 제공 과정에 반영하고 포트폴리오 단위로 가치를 측정하라.

거버넌스를 마지막 관문으로 취급하면 되돌리기 어려운 선택이 이미 내려진 뒤라 너무 늦다. NIST 인공지능 위험 관리 프레임워크와 같은 프레임워크는 활용 사례의 초기 단계부터 반영할 때 가장 유용하다. 이때 개인정보 보호, 편향, 브랜드 무결성, 신뢰성, 추적 가능성을 다루고, 상호작용의 위험 수준에 맞춰 통제 조치를 적용해야 한다. 한편 가치는 대개 하나의 큰 수치로 나타나지 않는다. 고객 성과에는 만족도, 과업 완료율, 유지율이 포함되고, 운영 성과에는 처리 주기와 해결 시간, 재사용이 포함된다. 상업적 성과에는 전환율, 고객 서비스 비용, 고객 생애 가치가 포함되며, 위험 성과에는 오류율, 불만, 담당자 개입이 포함된다. 이 모든 지표는 기준치를 바탕으로 측정해야 하며, 대규모 운영에 드는 전체 비용을 차감해 평가해야 한다.

한 항공사가 운항 차질을 처리하기 위해 AI 에이전트를 운영한다. “제 항공편이 지연됐나요?”라는 질문에 답하는 일은 위험 부담이 낮아 전 과정이 자동화되어 있다. 반면 승객의 항공편을 다시 예약하거나 일정 금액을 초과하는 여행 크레딧을 발급하는 경우에는 사람에게 전달한다. 잘못 판단했을 때 큰 비용이 발생할 수 있기 때문이다. 이를 다시 바라보면 중요한 성과를 기준으로 가치를 측정한다. 운항 차질이 발생했을 때 더 빠르게 정상화하고, 가치가 높은 로열티 회원을 보호하도록 항공편을 재예약하며, 불만을 면밀히 살핀다. 차질을 잘 처리하면 승객을 잃는 대신 계속 이용하도록 만드는 계기가 된다. 바로 여기에서 진정한 고객 생애 가치가 창출된다.

성숙도를 가늠하는 질문.

지속 가능한 가치를 창출하는 기업은 실험을 가장 많이 하는 곳이 아니다. 고객의 요구, 신뢰할 수 있는 데이터, 거버넌스가 적용된 지능형 시스템, 재사용 가능한 콘텐츠, 측정 가능한 성과를 연결하는 반복 가능한 방법을 갖추고, 현재 그 과정의 어느 지점에 있는지 솔직하게 파악하는 기업이다. 대부분의 조직은 파일럿 활동이 보여 주는 것보다 훨씬 뒤처져 있다.

AI 네이티브 조직은 운영하고 경쟁하는 방식의 모든 층위에 AI가 통합된 조직이다. 기존 프로세스를 보완하는 데 그치지 않고 운영 모델 자체를 AI 중심으로 설계하며, 지능형 역량을 핵심 비즈니스 역량으로 삼는다.

따라서 리더가 던져야 할 더 유용한 질문은 더 이상 “AI를 어디에 도입할 수 있을까?”가 아니다. “어떤 의사결정을 개선할 수 있으며, 그 개선을 책임감 있게 확장하려면 어떤 조건을 갖춰야 할까?”라고 물어야 한다.