이 글은 AI 에이전트를 활용해 고객 조사, 콘텐츠·광고 제작, 캠페인 실행, 성과 분석을 하나의 자동화된 시스템으로 연결하는 마케팅 엔지니어의 역할을 설명한다. 핵심은 단순히 AI로 초안을 빨리 만드는 데 있지 않고, 회사가 가진 고객 데이터와 현장 지식을 AI가 활용할 수 있는 구조로 만들며, 수십 개의 실험을 빠르게 실행하고 학습하는 데 있다. 저자는 앞으로는 큰 예산이나 거대한 팀보다 고객을 가장 잘 이해하고 가장 빨리 실행하는 조직이 마케팅에서 승리할 것이라고 전망한다.

1. 마케팅 엔지니어라는 새로운 10배 인재

저자 Greg Isenberg는 지금의 마케팅 엔지니어가 과거의 '10배 생산성을 내는 핵심 인재'에 해당한다고 말한다. 스타트업, 기존 사업, 사이드 프로젝트를 성장시키는 사람에게는 직접 이런 역할을 맡거나, 이런 사람을 채용하는 일이 가장 큰 성장 레버가 될 수 있다. 그는 지금이 Google AdWords 등장 이후, 어쩌면 마케팅 역사상 가장 흥미로운 시대일 수 있다고 강조한다. 🚀

과거 20년 동안 마케팅에서는 아이디어를 떠올리는 일보다 실제로 실행하는 일이 훨씬 어려웠다. 영업팀은 고객이 왜 계약하는지 알고, 고객지원팀은 고객이 왜 떠나는지 알았지만, 그 정보를 캠페인으로 옮기려면 기획서 작성, 디자이너·개발자·분석가 협업, 여러 차례 회의를 거쳐야 했다. 결국 많은 아이디어는 Slack 대화방에서 사라졌다.

"마케팅 아이디어는 쉬웠고, 실행하는 일은 어려웠다."

하지만 저자는 이 실행 병목이 이제 무너졌다고 본다. AI 에이전트는 짧은 시간에 지난주 영업 통화를 읽고, 고객의 발언을 랜딩 페이지로 바꾸며, 여러 광고를 운영하고 성과가 나쁜 광고를 멈출 수 있다. 또한 어떤 캠페인이 실제로 결제하고 오래 남는 고객을 데려왔는지도 분석할 수 있다.

마케팅 엔지니어는 이 여러 에이전트를 하나의 기계처럼 연결하는 사람이다. 마케터이면서 제작자·개발자·운영자이기도 하며, 뛰어난 인재는 전통적인 마케팅 직무 출신만이 아니라 창업자, 엔지니어, 운영 담당자, 1인 제작자에게서도 나올 수 있다.

2. 마케팅의 역사는 실험 비용이 낮아진 역사

저자는 마케팅의 발전을 '좋은 실험을 실행하는 비용이 지속적으로 낮아져 온 과정'으로 정리한다.

1950년대부터 1990년대까지의 이른바 매드맨 시대에 마케팅은 신문·잡지 광고, TV, 라디오, 옥외광고 중심이었다. 대형 캠페인 하나에 수백만 달러가 들고 제작에도 몇 달이 걸렸으며, 성과는 운이 좋아야 한 분기 후에 알 수 있었다. 한 해 동안 제대로 된 시도를 몇 번 하지 못했기 때문에, 마케팅은 감각·설득력·직관에 크게 의존했다.

2000년 Google AdWords, 2007년 Facebook 광고가 등장하면서 클릭을 측정할 수 있게 됐고, 디지털 마케터가 등장했다. SEO, 검색 광고, 이메일, 디스플레이 광고처럼 채널을 관리하는 능력이 중요해졌고, 광고 플랫폼의 대시보드를 가장 잘 이해하는 사람이 강해졌다. 다만 이때도 한 달에 몇 번 정도의 실험을 할 수 있는 수준이었다.

2010년대에는 Sean Ellis가 이름 붙인 그로스 해커가 주목받았다. Hotmail의 이메일 하단 추천 문구, Dropbox의 친구 초대 보상, Airbnb의 Craigslist 동시 게시처럼 제품과 마케팅을 결합한 성장 장치가 등장했다. 퍼널, 반복 구조, A/B 테스트가 핵심이었지만, 좋은 아이디어마다 개발자의 도움이 필요했고 개발자는 제품 로드맵에 묶여 있었다. 그로스 해커는 티켓을 만들고 개발 순서를 기다리며 많은 시간을 보냈다.

2022년 말 ChatGPT가 등장한 뒤에는 AI 보조 마케터 시대가 열렸다. 카피와 이미지는 빨리 만들 수 있었지만 조직도, 회의, 6주짜리 실행 주기 같은 기존 구조는 그대로였다. 저자는 대부분의 마케팅 팀이 아직 이 단계에 머물러 있다고 평가한다.

그 다음 단계가 바로 마케팅 엔지니어다. 아이디어를 내는 사람과 그것을 구현하는 사람이 한 사람이 된다. 고객을 조사하고, 페이지를 만들고, 소재를 생성하고, 데이터를 연결하고, 테스트를 실행하는 일을 한 명이 해낸다. 이때 업무 단위는 단발성 캠페인이 아니라 계속 캠페인을 생산하는 시스템이 되며, 하루 수십 건의 실험도 현실적인 목표가 된다.

"가장 좋은 실험을 가장 많이 돌리는 사람이 가장 빨리 배우고, 가장 빨리 배우는 사람이 이긴다."

3. 회사 안에 묻혀 있는 고객 지식을 꺼내기

저자는 모든 회사가 제대로 활용하지 못하는 '금광' 위에 앉아 있다고 말한다. 영업팀은 반복적으로 나오는 고객의 반대 의견을 알고, 고객지원팀은 어떤 약속이 환불로 이어지는지 알고, 창업자는 시장과 경쟁사에 대한 날카로운 의견을 갖고 있다. 분석팀은 어떤 페이지가 오래 남는 고객을 데려오는지도 안다.

문제는 이 지식이 CRM, 고객지원 도구, 통화 녹음, 창업자의 머릿속 등 여러 곳에 흩어져 있으며, 실제 마케팅 캠페인에 반영되는 빈도는 아주 낮다는 것이다.

예를 들어 특정 틈새 고객을 위한 가격 계산기, 어제의 영업 통화로 만든 광고, 고객이 원했던 기능이 출시된 날 옛 잠재고객에게 보내는 안내 메시지 같은 작은 아이디어는 충분히 가치가 있다. 하지만 과거에는 디자인·개발·분석·회의가 필요해 늘 백로그에 묻혔다.

마케팅 엔지니어는 이런 일을 오후 반나절 안에 실행할 수 있다. 세부 고객군에 맞춘 마케팅이 저렴해지면, 고객을 가장 깊이 이해한 회사가 이긴다. 저자는 이 변화가 시간 단위로 서비스를 파는 에이전시에 먼저 압박이 될 것이며, 대규모 마케팅 조직은 위원회처럼 느려 보일 수 있다고 예상한다. 반대로 창업자와 1인 마케터는 한 부서 전체에 맞먹는 산출물을 낼 수 있다.

저자는 파트너가 최근 출시한 서비스도 언급한다. 이 서비스의 핵심 아이디어는 기업이 이미 알고 있는 고객 정보를 명확한 제안, 유용한 랜딩 페이지, 구매로 이어지는 후속 접촉으로 바꾸도록 돕는 것이다. 마케팅 엔지니어는 이 전체 흐름을 만들고, 사람들이 어디에서 이탈하는지 확인하며, 고객이 쌓일수록 시스템을 개선할 수 있다.

4. AI 에이전트의 기반이 되는 '회사 뇌' 만들기

시스템의 출발점은 AI 에이전트 작업 공간이다. 저자는 Claude Code, Codex, Cursor 등을 예로 든다. 이런 도구는 컴퓨터 폴더 안에 사는 매우 빠른 주니어 직원처럼 생각할 수 있다. 폴더의 파일을 읽고, 새 파일을 쓰고, 코드를 실행하고, 연결된 도구를 사용할 수 있다.

특히 중요한 것은 MCP(Model Context Protocol) 다. 저자는 이를 AI를 위한 범용 플러그에 비유한다. HubSpot, Stripe, Notion, Slack 등은 MCP 서버를 제공하므로, 에이전트가 사람이 하듯 CRM을 읽거나 지난주 매출을 가져올 수 있다. 특정 도구가 API만 제공하더라도 에이전트는 보통 API 호출 코드를 작성할 수 있다.

에이전트는 일정에 따라 자동으로 실행할 수도 있다. 과거에는 Zapier나 n8n 같은 워크플로 도구를 복잡하게 조합해야 했지만, 이제는 코딩 에이전트에게 다음처럼 요청할 수 있다.

"매주 월요일 오전 7시에 실행하고, Slack에 보고서를 올리고, 내가 승인 버튼을 누르기 전까지는 아무것도 보내지 마."

그러면 에이전트가 정기 실행 작업, Slack 메시지, 승인 버튼, 승인 이후에만 실행되는 코드를 작성할 수 있다. Hermes나 OpenClaw처럼 백그라운드에서 계속 작동하는 에이전트를 이용하는 방법도 있다. 중요한 점은 모든 것이 자신의 폴더와 코드 안에 있으므로, 문장으로 요청해 수정할 수 있다는 것이다.

다만 저자는 많은 사람이 처음부터 에이전트 10개를 만들고, 맥락 없는 평범한 결과물만 받은 뒤 AI 마케팅이 과대평가됐다고 결론 내린다고 지적한다. 문제는 에이전트가 아니라 빈약한 맥락이다.

"똑똑한 마케터를 채용해 놓고 온보딩을 건너뛰는 것과 같다."

따라서 에이전트를 만들기 전에 먼저 회사의 '뇌'를 만들어야 한다. 이는 유능한 신입 직원에게 첫날 설명하듯 사업을 정리해 둔 폴더다.

저자가 제안하는 핵심 파일은 다음 여섯 가지다.

1. START-HERE.md
   모든 에이전트가 가장 먼저 읽는 한 페이지다. 회사가 무엇을 하는지, 누구를 돕는지, 이번 분기 우선순위가 무엇인지, 다른 자료가 어디에 있는지를 적는다.

2. company/customer-fit.md
   누가 구매하고, 누가 오래 남으며, 어떤 고객에게 수익성 있게 서비스를 제공할 수 있는지 정리한다. "중소기업"처럼 넓은 표현이 아니라, 예를 들어 "연 매출 100만~1,000만 달러 규모의 Shopify 스토어이며 창업자가 여전히 회계를 직접 하고 과거 회계 담당자에게 실망한 경험이 있는 기업"처럼 구체적으로 써야 한다.

3. company/offers.md
   판매하는 상품, 가격, 가능한 약속, 외부에 말하기 전 승인이 필요한 내용을 기록한다.

4. brand/voice.md
   "친절하지만 전문적인 톤" 같은 추상적 표현은 도움이 안 된다. 마음에 들었던 이메일·광고 세 개와 각각의 이유, 거절한 사례 두 개와 이유를 함께 넣어야 한다. 예를 들어 30일 내 성과를 보장할 수 없는데 그런 약속을 한 광고를 폐기했다면 그 이유를 명시해야 한다.

5. brand/founder-opinions.md
   창업자의 시장·고객·경쟁사에 대한 강한 견해를 담는다. 모두가 같은 AI 모델을 쓰더라도 창업자만의 관점은 복제하기 어렵기 때문에, 이것이 회사의 불공정한 우위가 된다.

6. decisions/failed-campaigns.md
   실제 돈을 잃고 배운 실패 기록을 모은다. 무료 진단이 구매력 없는 작은 회사만 끌어들였다거나, LinkedIn이 리드는 많이 줬지만 계약은 적었다는 기록이 여기에 들어간다. 한 줄의 기록이 2만 달러짜리 실수를 반복하지 않게 해 준다.

여기에는 중요한 규칙이 있다. 에이전트는 추측을 evidence/에 추가할 수 있지만, 사람이 검토하기 전에는 company/에 옮기면 안 된다. 그래야 한 에이전트의 가설이 조용히 회사 정책으로 굳는 일을 막을 수 있다.

5. 고객 데이터와 성과 측정을 연결하는 방법

회사의 뇌를 만들었다면 이제 여기에 '눈'을 달아야 한다. 즉, 고객의 진짜 목소리가 있는 장소를 연결해야 한다.

• Gong·Fathom의 영업 통화 녹음
• Intercom·Zendesk의 고객지원 티켓
• HubSpot·Salesforce의 딜 정보
• PostHog·Google Analytics의 행동 데이터
• Stripe의 매출 데이터

처음에는 모든 곳에 읽기 전용 권한만 부여해야 한다. CRM을 읽을 수 있는 에이전트는 첫날부터 유용하지만, CRM을 수정할 수 있는 에이전트는 신뢰를 쌓은 뒤에야 권한을 받아야 한다.

또 하나의 지루하지만 결정적인 작업은 모든 캠페인에 캠페인 ID를 부여하는 일이다. 이 ID를 모든 링크의 UTM 태그, 광고 이름, 이메일 시퀀스 이름, CRM 딜 필드에 넣는다. 그리고 Supabase나 초기에는 스프레드시트에 다음 항목을 담은 테이블을 만든다.

• 캠페인 ID
• 광고비
• 리드 수
• 적격 상담 수
• 계약 수
• 매출
• 이탈률

대부분의 회사는 캠페인별 클릭 수와 고객별 매출은 알지만, 둘을 연결하지 못한다. 이 테이블을 연결해야 에이전트가 진짜 중요한 질문에 답할 수 있다.

"어떤 마케팅이 실제로 돈을 내고 오래 남는 고객을 데려왔는가?"

저자는 처음부터 여러 에이전트를 엮지 말고, 에이전트 하나를 먼저 훌륭하게 만들라고 조언한다. 첫날부터 여섯 개 에이전트를 서로 대화시키면 주말 내내 단체 채팅방 같은 시스템을 디버깅하게 될 수 있다.

6. 첫 번째 에이전트: 고객 언어를 찾는 에이전트

첫 에이전트로는 고객 언어 에이전트를 추천한다. 다른 모든 마케팅 활동은 고객이 실제로 쓰는 언어에서 출발하기 때문이다. 이 에이전트의 역할은 고객이 문제를 설명할 때 사용한 정확한 표현을 찾아내는 것이다.

최근 영업 통화 20~50건의 기록을 evidence/calls/ 폴더에 넣고, 에이전트에게 모든 대화를 읽도록 지시한다. 처음 결과는 약 70% 정도만 맞을 수 있다. 말이 많은 한 고객의 의견을 과도하게 반영하거나, 고객 집단을 마케팅 용어로 부를 수도 있다. 이때 사람이 결과를 검토하고, 잘못된 부분은 지시문을 수정해 decisions/ 폴더에 저장해야 한다. 세네 번 반복하면 에이전트가 팀의 많은 구성원보다 통화를 더 잘 읽게 될 수 있다.

예를 들어 배관업체나 HVAC 업체에 일정 관리 소프트웨어를 판매한다고 하자. 에이전트가 고객들이 반복해서 다음과 같이 말한다는 것을 발견할 수 있다.

"저녁 식사 중에 전화받는 데 지쳤어요."

이 한 문장은 "자동화된 일정 관리"보다 훨씬 강력하다. 광고 문구, 랜딩 페이지 헤드라인, 영업 대화의 첫 문장이 될 수 있다. 사람들은 기능 자체보다 자신이 처한 불편한 상황을 해결하기 위해 구매하는 경우가 많기 때문이다.

에이전트가 신뢰할 만해지면 매주 월요일 지난주의 영업 통화와 고객지원 티켓을 읽고, 새 보고서를 evidence/customer-language/에 넣도록 자동화한다. 그러면 마케팅 팀은 작년에 누군가 추측한 메시지가 아니라, 지난주 고객이 실제로 한 말을 바탕으로 움직이게 된다.

7. 고객 언어를 실행으로 바꾸는 핵심 에이전트들

고객 언어 에이전트가 안정되면, 다른 에이전트를 하나씩 추가한다. 각 에이전트는 workflows/ 안에 자기 폴더, 지시문, 실행 일정을 가져야 한다.

구매 계기 에이전트

구매 계기 에이전트는 갑자기 수요를 만드는 사건을 찾는다. 예를 들어 회사가 두 번째 지점을 열었거나, 도매 판매를 시작했거나, 스타트업이 투자받고 영업 채용을 시작했거나, 연동하는 다른 도구가 새 기능을 출시한 경우다.

Clay에서 customer-fit.md에 맞는 회사를 목록화하고, 신규 채용 공고·투자 뉴스·지점 확장·웹사이트 신규 페이지 같은 신호를 확인하는 열을 추가할 수 있다. Apollo는 담당자 연락처 데이터에 유용하다.

에이전트는 신호가 포착된 회사마다 CRM을 확인해 이미 영업팀이 대화 중인 곳은 제외하고, 다음 문장을 완성해야 한다.

"이 사건은 이런 문제를 만들고, 우리 제품은 이런 방식으로 이를 해결한다."

이 문장이 모호하면 해당 계정은 보류한다. 문장이 날카롭다면, 사건을 첫 문장으로 삼은 짧은 이메일 초안을 만들고 사람이 검토하도록 한다. 저자는 이 문장 하나가 아웃바운드를 스팸이 아니라 좋은 타이밍의 도움처럼 느끼게 만드는 핵심이라고 본다.

검색 에이전트

검색 에이전트는 구매 직전에 사람들이 묻는 질문을 찾고, 그 질문에 대한 인터넷 최고의 페이지를 만든다. 입력 자료는 세 가지다.

1. Google Search Console 데이터
2. 영업 통화에서 반복되는 질문
3. ChatGPT, Claude, Perplexity 같은 AI 검색 도구가 업계 질문에 내놓는 답

특히 세 번째는 새롭고 과소평가된 방법이다. 구매자가 할 법한 질문을 AI 검색 도구에 매주 묻고, 어떤 회사와 출처를 추천하는지 기록하면 AI 모델이 무엇을 신뢰하는지, 자신의 회사가 어디에서 보이지 않는지를 알 수 있다.

AI 검색 시대에는 단순 최적화보다 실제로 유용한 페이지가 강하다. 예를 들어 상업용 주방 장비 회사가 첫 식당을 여는 사람을 위한 가이드와 공간·예산별 장비 계산기를 만들면, 검색 순위와 AI 인용을 얻을 수 있고 구매 준비가 된 사람은 이를 저장해 둔다. 에이전트는 이런 계산기를 하루 만에 만들고 Next.js와 Vercel 또는 Framer로 배포할 수 있다.

크리에이티브 에이전트

크리에이티브 에이전트는 광고를 만들고 테스트한다. 최신 고객 언어 보고서, offers.md에서 승인된 주장, 실제 제품 영상·스크린샷, 마음에 드는 광고 사례를 제공한다. 핵심은 같은 헤드라인을 50개 변형하는 것이 아니라, 서로 다른 구매 이유를 만들게 하는 것이다.

예를 들어 다음처럼 서로 다른 각도를 테스트한다.

• 실제 문제 해결 과정을 보여주는 광고
• 고객 성공 사례
• 제품을 날것 그대로 보여주는 데모
• 창업자의 직설적인 의견
• 경쟁 제품과의 비교
• 흔한 오해를 깨는 콘텐츠

광고 이름에는 BK014_dinner-angle_ugc_v2처럼 캠페인 ID, 테스트 아이디어, 형식을 넣는다. 그래야 한 달 뒤 "가격보다 저녁 시간 문제를 건드린 메시지가 더 강했다"는 재사용 가능한 교훈을 얻는다. 단순히 video_final_7이 이겼다는 식의 기록은 쓸모가 적다.

광고는 Meta Ads API를 통해 일시 정지 상태로만 업로드하고, 실제 게시 버튼은 사람이 누른다. 이후 스크립트가 매일 결과를 확인해, 정한 광고비를 쓴 뒤에도 CTR이 1% 미만인 광고를 멈출 수 있다. 실험 전에 얼마를 쓰고 며칠을 돌릴지, 무엇을 성공으로 볼지 정하지 않으면 200개 광고가 생겨도 결론 없는 실험 200개만 남는다.

계약 실패 분석 에이전트

계약 실패 분석 에이전트는 전체 시스템 비용을 회수해 줄 만큼 중요하다. CRM에서 잃은 모든 딜과 메모, 통화 기록을 가져와 실제 실패 이유와 다시 연락할 조건을 기록한다.

"관심 없음"은 대체로 게으른 요약이다. 실제 이유는 다음과 같을 수 있다.

• 경쟁사를 선택했고 계약 갱신은 3월이다.
• SSO 기능이 필요하다.
• 내부 담당자가 회사를 떠났다.

에이전트는 이후 조건을 감시한다. 예를 들어 제품 변경 로그에 SSO 출시가 기록되면, 과거에 SSO를 요청한 잠재고객에게 원래 통화 내용을 인용한 개인화 초안을 만든다. 계약 갱신 시점이 다가오거나 담당자가 새 회사로 옮겨도 다시 기회가 생길 수 있다. 단, 수신 거부와 연락 선호는 반드시 존중해야 한다.

성과 에이전트

성과 에이전트는 매주 월요일 캠페인 테이블을 읽고, 날카로운 분석가처럼 짧은 메모를 쓴다.

"수익성 검토 페이지의 전환율은 4%였지만, 리드 절반은 우리가 지원하기에 너무 작은 회사였습니다."
"저녁 식사 각도의 광고가 적격 상담당 비용이 가장 낮습니다."
"리타게팅은 3,000달러를 썼지만 영업 대화는 두 건뿐입니다."

각 문장은 반드시 유지·중단·변경·추가 테스트 중 하나의 의사결정으로 끝나야 한다. 또한 단순 리드나 계약이 아니라 유지율, 환불, 이익까지 연결해야 한다. 싸게 유입됐지만 60일 뒤 이탈하는 고객은 대시보드에서는 좋아 보여도 회사에는 손해일 수 있기 때문이다.

8. 자동화의 안전장치와 사람의 승인

저자는 프롬프트 속 "항상 보내기 전에 나에게 물어봐"라는 문장을 신뢰하면 안 된다고 말한다. 이것은 모델에 대한 정중한 부탁일 뿐이며, 진짜 안전장치는 도구와 코드 안에 있어야 한다.

"진짜 가드레일은 도구 안에 있다."

각 에이전트에는 업무에 필요한 최소 권한만 줘야 한다. 아웃바운드 에이전트는 이메일을 보내는 권한이 아니라 초안만 만드는 권한을 가진다. 광고 에이전트는 광고를 만들 수 있지만 일시 정지 상태로 만들고, 예산 권한은 사람이 갖는다.

승인 절차도 코드로 구현한다. 예를 들어 Slack에서 승인 버튼을 누르기 전에는 실행되지 않게 만들 수 있다. 광고비 한도, 발송 제외 목록, 중복 제거처럼 정확한 규칙은 일반 코드로 처리하고, 계정이 적합한지 또는 문장이 브랜드답게 들리는지 같은 판단은 AI 모델에 맡긴다.

또한 각 에이전트에 짧은 업무 계약서를 써야 한다. 이는 역할, 허용되는 행동, 제한 사항, 결과물의 기준을 담은 직무 설명서다. 특히 '완료'의 정의에는 모든 데이터 소스를 정해진 범위에서 확인했고, 고장 난 소스가 있다면 보고했다는 내용이 들어가야 한다.

"오늘 이 소스가 실패했습니다"라고 말해 주는 에이전트 하나가, 조용히 데이터를 건너뛰는 에이전트 열 개보다 낫다.

9. 사례: 전자상거래 회계법인의 BK014 캠페인

저자는 전자상거래 고객을 더 확보하고 싶은 회계법인의 사례로 전체 시스템이 어떻게 작동하는지 보여 준다.

월요일, 고객 언어 보고서는 온라인 스토어 운영자들이 지난달 반복해서 했던 말을 발견한다.

"반품, 배송비, 수수료를 빼고 나면 내가 실제로 돈을 번 건지 모르겠어요."

무려 11명의 고객이 이와 유사한 말을 했다. 마케터는 실제 서비스를 제공하는 팀에게 이 문제를 해결할 수 있는지 묻고, 팀은 신규 고객마다 가장 먼저 해결하는 문제라고 답한다. 이에 따라 연 매출 100만~1,000만 달러 규모 스토어를 위한 무료 수익성 검토 제안이 offers.md에 승인된다.

이 캠페인에는 BK014라는 ID가 부여되고, 이후의 광고·랜딩 페이지·이메일·CRM 기록은 모두 이 ID를 사용한다.

화요일에는 크리에이티브 에이전트가 고객의 표현을 바탕으로 세 가지 광고 방향을 만든다.

• 이익이 사라지는 지점
• 월간 보고서 샘플
• 실제 고객의 짧은 이야기

검색 에이전트는 회계법인이 검증한 수치를 사용한 간단한 이익 계산기 페이지를 만든다. 계약 실패 분석 에이전트는 "연말 이후에 다시 생각하겠다"고 했던 과거 잠재고객 60명을 찾아 개인화된 메시지 초안을 만든다. 구매 계기 에이전트는 여러 채널 판매로 장부가 복잡해지는 Amazon 신규 진출 스토어를 찾아낸다.

수요일에는 사람이 한 번에 모든 결과물을 검토한다. 절감액을 보장하는 한 광고는 제거하고 나머지는 승인한 뒤, 2,000달러 규모의 테스트를 시작한다.

2주 뒤 성과 에이전트는 광고비, 예약된 검토 상담, 실제 계약을 연결한다. 계산기 페이지가 가장 좋은 전환을 보였고, Amazon 진출 신호를 포착한 목록이 가장 많은 상담을 만들었다. 다만 표본이 아직 작다는 점도 함께 경고한다.

이 사례에서 특히 중요한 것은 고객의 원래 표현이 전 과정에서 사라지지 않았다는 점이다. 보통 좋은 통찰은 리서치 요약, 기획서, 여러 차례 수정 과정을 거치며 평범한 광고 문구가 된다. 하지만 여기서는 고객 인용문이 캠페인 폴더와 함께 이동했기 때문에 모든 에이전트가 같은 생생한 언어를 볼 수 있었다.

10. 마케팅 엔지니어의 일상과 학습 시스템

시스템이 만들어진 뒤 마케팅 엔지니어의 일은 '직접 만드는 사람'보다 편집자이자 의사결정자에 가까워진다.

• 월요일: 성과 메모를 읽고 유지·중단·변경 결정을 내린다.
• 화요일과 수요일: 새 테스트를 만들고, 지난주에 약한 결과를 만든 워크플로를 수정한다.
• 목요일: 영업·고객지원 팀과 대화한다. 다음 주의 좋은 아이디어가 현장 대화에 숨어 있기 때문이다.
• 금요일: 에이전트가 만든 결과를 검토하고, 회사 뇌 파일을 갱신한다.

이 시스템의 중심에는 리뷰 큐가 있다. 각각의 항목은 1분 이내에 판단할 수 있어야 한다. 예를 들어 "수정된 제안을 승인할까요? 이 변경은 광고 두 개와 이메일 한 개에 영향을 줍니다"라고 제시하고, 무엇이 바뀌는지·어디에 영향을 주는지·어떤 근거가 있는지를 함께 보여 줘야 한다.

시스템이 더 똑똑해지는 방식은 결과를 그냥 고치는 데 있지 않고, 입력값을 개선하는 데 있다. 광고를 거절했다면 왜 거절했는지 기록해야 한다. 너무 작은 회사만 끌어들이는 광고였다면 customer-fit.md를 수정한다. 잠재고객이 제안을 오해했다면 그 오해를 점검하는 규칙을 넣는다.

또한 다음을 계속 기록해야 한다.

• 무엇을 테스트했는지
• 왜 테스트했는지
• 무슨 일이 일어났는지
• 다음에는 무엇을 할지

각 에이전트마다 기대 결과가 정해진 예시 입력 10개를 보관하고, 지시문을 바꿀 때마다 다시 실행해 품질이 나빠지지 않았는지 확인하는 것도 중요하다.

저자는 하루 종일 에이전트 결과물을 고치고 있다면 문제가 결과물 단계가 아니라 그보다 앞단에 있다고 말한다. 대부분은 회사 뇌나 에이전트 계약서가 부족한 문제다.

"하루 종일 에이전트 결과를 고치고 있다면, 문제는 상류에 있다. 거의 언제나 회사의 뇌나 계약서 문제다."

11. 광고의 변화: 타기팅보다 크리에이티브

저자는 이제 크리에이티브가 새로운 타기팅이라고 주장한다. Meta의 광고 시스템인 Andromeda는 2025년 말 전 세계 배포를 마쳤으며, 광고 이미지·첫 문장·스크립트 자체를 읽고 누구에게 보여 줄지 판단한다.

과거에는 관심사 타기팅이 하던 일을 이제 광고 소재가 맡는다. 이 변화는 게으른 광고주에게 불리하다. Andromeda는 비슷하게 생긴 광고를 하나의 묶음으로 간주하므로, 같은 헤드라인만 바꾼 광고 50개를 만들어도 사실상 광고 하나와 비슷한 도달밖에 얻지 못한다. 또한 성공한 광고는 예전보다 빨리, 보통 2~3주 만에 피로해진다.

따라서 필요한 것은 지속적으로 나오는 진짜로 다른 아이디어들이다. 과거에는 이를 위해 제작팀이 필요했지만, 이제는 크리에이티브 엔진을 만들 수 있다.

먼저 voice.md와 최신 고객 언어 보고서를 Claude나 GPT 같은 모델에 넣고, 서로 다른 8~12개 콘셉트의 스크립트를 작성하게 한다. 문제 상황, 실제 사용 예시, 고객 사례, 창업자 의견, 비교, 오해 바로잡기 등 각 콘셉트는 서로 달라야 하며, 각각 2~3개의 훅을 가져야 한다. 저자는 이 단계가 전략의 핵심이므로 가장 많은 시간을 써야 한다고 본다.

이미지는 Nano Banana, GPT Image, Midjourney로 제작할 수 있다. 실제 제품 사진을 넣어 제품은 정확하게 유지하고, 주변 배경·장면·맥락은 모델이 바꾸게 하는 방식이 효과적이다.

영상은 Veo, Kling, fal 등이 스크립트나 정지 이미지를 짧은 영상으로 바꿔 준다. 대화형 광고는 Arcads, HeyGen, Creatify 같은 도구가 여러 언어로 스크립트를 읽는 AI 배우를 만들어 준다. ElevenLabs는 음성, CapCut이나 Captions는 편집에 활용할 수 있다.

저자가 제시하는 전략은 명확하다.

"AI 배우로 테스트하고, 인간에게 비용을 지불해 승리하라."

AI 배우는 하루에 20개 스크립트를 저렴하게 시험할 수 있게 해 준다. 어떤 스크립트가 통하는지 찾은 뒤에는 실제 사람이 말하게 하는 편이 더 높은 신뢰와 성과를 만들 가능성이 크다. 또한 AI 콘텐츠 표기를 요구하는 플랫폼 정책도 준수해야 한다.

에이전트는 광고를 일시 정지 상태로 올리고, 사람은 게시를 승인한다. 스크립트는 성과가 낮은 광고를 중단하며, 성과 에이전트는 매주 어떤 콘셉트가 이겼는지와 다음에 시험할 훅을 알려 준다. 결과적으로 사람은 아이디어와 취향을 판단하고, 시스템은 물량을 담당한다.

12. 유기적 콘텐츠와 더 넓은 성장 기회

유료 광고는 주목을 많이 받지만, 저자는 유기적 소셜 미디어가 마케팅 엔지니어의 조용한 경쟁 우위가 될 수 있다고 본다. 무료 배포 채널이자 가장 저렴한 크리에이티브 실험실이기 때문이다.

먼저 유기적 콘텐츠를 테스트 주방처럼 활용할 수 있다. TikTok, Reels, X에 훅 10개를 올리고 알고리즘이 어떤 것을 반응시키는지 확인한 뒤, 검증된 콘텐츠에만 광고비를 쓴다. 그러면 무료로 반응을 확인하고, 예산은 이미 가능성이 입증된 아이디어에 집중할 수 있다.

또한 팟캐스트, 웨비나, 산책하며 말한 창업자 영상처럼 긴 콘텐츠 하나를 짧은 클립 20개로 바꿀 수 있다. Opus Clip 같은 도구는 좋은 순간을 찾아 자막을 달고, 에이전트는 여러 플랫폼에 예약 게시할 수 있다.

얼굴을 드러내지 않아도 확장 가능한 형식도 있다. 고객 언어 보고서에서 나온 내용을 TikTok과 Instagram의 슬라이드쇼·캐러셀로 만들 수 있다. 에이전트가 슬라이드를 쓰고, 모델이 이미지를 만들고, 사람은 일요일에 한꺼번에 승인하는 방식이다.

저자는 말하기 전에 먼저 들어야 한다고 강조한다. Reddit, X, TikTok 댓글, 경쟁사 리뷰를 에이전트가 분석하게 해 사람들이 매주 무엇을 불평하고, 질문하고, 기대하는지 보고받는다. 제품이 실제로 도움이 되는 대화에는 유용한 답변 초안을 만들고, 최종 게시만 사람이 한다. 특히 Reddit에서는 실제 사람이 쓴 진정성 있는 답변이 광고보다 낫지만, 스팸성 게시물은 계정 정지로 이어질 수 있다.

그리고 AI 콘텐츠가 넘치는 시대일수록 창업자의 실제 관점은 더 희소해진다. founder-opinions.md를 기반으로 매일 게시물 초안을 만들고, 창업자가 자신의 목소리로 편집해 발행하는 방식이 효과적이다.

두 가지 원칙은 반드시 지켜야 한다.

1. 플랫폼이 요구하는 경우 AI로 생성한 사람·장면을 표시한다.
2. 최종 게시 버튼은 사람이 누른다.

기초가 자동화된 뒤에는 다음 네 가지 성장 기회가 열린다.

• 의사결정 도구 만들기: 포장 회사의 배송비 절감 상자 계산기, 소프트웨어 회사의 마이그레이션 점검 도구처럼 구매자가 저장해 두고 구매 직전에 다시 찾는 도구를 만든다.
• 구매 영향력자에게 마케팅하기: 고객에게 제품을 추천하는 회계사, 에이전시, IT 담당자에게 별도 캠페인을 만든다.
• 온보딩에서 고객 획득 문제 해결하기: 광고가 아니라 첫 주 경험의 혼란 때문에 이탈이 일어날 수 있으므로, 온보딩 티켓을 분석해 막히는 지점을 고친다.
• 채널마다 다른 역할 주기: 검색은 질문에 답하고, 소셜은 대화를 시작하며, 이메일은 특정 순간에 찾아간다. 모든 채널이 같은 말을 반복하면 같은 노출에 다섯 번 돈을 쓰는 셈이다.

13. 필요한 도구와 역량

저자는 도구 이름은 몇 달마다 바뀌므로 특정 제품보다 도구의 역할 범주를 이해해야 한다고 말한다. 글에서 제시한 도구 범주는 다음과 같다.

• 에이전트 작업 공간: Claude Code, Codex, Cursor, Google AI Studio
• 상시 실행 에이전트: Hermes, GrokBot, Codex
• 글쓰기와 전략: Claude, ChatGPT, Gemini
• 이미지 생성: Nano Banana, GPT Image, Midjourney
• 영상 생성: Veo, Sora, Kling, Runway, Fal
• AI 배우·UGC: Arcads, HeyGen, Creatify
• 음성: ElevenLabs
• 편집·클리핑: CapCut, Captions, Opus Clip
• 고객 목소리: Gong, Fathom, Intercom, Zendesk, G2
• CRM: HubSpot, Salesforce
• 신호 탐지·데이터 보강: Clay, Apollo
• 검색·AI 노출 분석: Ahrefs, Semrush, Google Search Console
• 광고 실행: Meta Ads API, Google Ads API
• 웹 제작: Next.js와 Vercel, Framer, Webflow
• 측정: PostHog, Stripe, Supabase

마케팅 엔지니어에게는 마케터 역량과 빌더 역량이 모두 필요하다.

마케터로서는 고객 인터뷰에서 중요한 한 문장을 듣는 능력, 적합한 고객이 "이 제품은 나를 위해 만들었다"고 느끼게 하는 포지셔닝 능력, 할인 포장이 아닌 진짜 구매 이유가 되는 제안 설계 능력, 스크롤을 멈추게 하는 헤드라인 작성 능력, 채널별 노출 방식 이해, 통계적 결과가 진짜인지 우연인지 판별할 기초 지식이 필요하다.

빌더로서는 에이전트가 활용할 수 있는 맥락을 작성하는 능력이 특히 중요하다. 저자는 이를 목록 중 가장 과소평가된 역량이라고 본다. 또한 에이전트가 쓴 코드가 요청대로 작동하는지 판단할 수 있어야 하며, API와 MCP의 연결 방식, 기본 SQL, 웹페이지 배포, Git, 테스트 케이스, 에이전트 실행 비용 정도를 이해해야 한다.

가장 빠른 학습법은 강의 열 개가 아니라, 이번 주말 AI 코딩 도구로 못생겨도 실제로 배포된 랜딩 페이지 하나를 만드는 것이다.

14. 지금 당장 시작하는 방법과 전망

저자는 독자의 현재 역할에 따라 첫 행동을 다르게 제안한다.

• 마케터라면: 최근 영업 통화 20건으로 고객 언어 에이전트를 만든다.
• 엔지니어라면: 영업 통화 5건에 직접 참석한 뒤, 고객 세그먼트 하나를 위한 계산기를 만든다.
• 창업자라면: 주말에 두 시간을 확보해 founder-opinions.md를 작성한다. 이후 만드는 모든 에이전트가 훨씬 더 날카로워진다.

처음에는 게시, 아웃리치, 광고비 지출을 모두 승인 절차 뒤에 두어야 한다. 한 워크플로가 신뢰를 얻기 전까지 다음 워크플로를 추가하지 않는 것이 중요하다.

"혼란스러운 워크플로가 매일 아침 실행되면, 신뢰할 수 있는 혼란 공급 장치만 생긴다."

저자는 마케팅 역사에서 오랫동안 승자는 가장 큰 예산과 가장 많은 인력을 가진 회사였다고 말한다. 그러나 앞으로 10년은 고객을 가장 잘 이해하고, 그 이해를 가장 빠르게 행동으로 옮기는 사람이 차지할 것이라고 본다.

그의 예상에 따르면 2028년까지 최고의 마케팅 팀은 마케팅 엔지니어 1~2명이 수십 개의 에이전트를 운영하는 구조가 될 수 있으며, 이들은 자신보다 열 배 큰 부서보다 더 빠르게 결과물을 내놓을 것이다. 그 인재들은 이미 성장, 콘텐츠, 운영 역할에 있을 수 있으며, 단 한 번의 주말 프로젝트를 통해 마케팅 엔지니어가 되는 출발점에 설 수 있다.

15. 마무리

이 글의 핵심은 AI가 마케터를 단순히 더 빠르게 글 쓰게 해 주는 도구가 아니라는 데 있다. 제대로 설계하면 AI 에이전트는 고객의 언어를 읽고, 이를 광고·콘텐츠·랜딩 페이지·아웃바운드·성과 분석으로 이어 주는 지속적인 실험 시스템이 된다.

다만 성공의 조건은 무작정 많은 에이전트를 만드는 것이 아니다. 정확한 고객 맥락, 기록된 회사 지식, 연결된 성과 데이터, 최소 권한, 사람의 승인, 꾸준한 피드백이 필요하다. 결국 가장 강력한 경쟁력은 고객의 진짜 문제를 듣고, 그 통찰을 누구보다 빨리 실험으로 옮기는 능력이다.