지시받는 AI에서 '알아서 일하는' AI로 (3)

마지막 3번째 편으로 이어 갑니다.

마케팅팀이 알아야 할 루프의 개념을 이야기하는 오케스트레이션: 마케팅 전 과정을 잇는 AI 에이전트 설계에 대해서 중요한 내용만 다뤄보고자 합니다.

마케팅 AI 에이전트는 어떻게 다를까요?

전략→실행→최적화→분석→보고를 잇는 M1~M5 오케스트레이션, 루프 엔지니어링, Human-in-the-Loop까지 능동적 마케팅 조직을 만드는 실전 가이드로 풀어보려고 하는데요.

이번 토픽에서 중요한 것은 바로

AI 에이전트란 무엇인가요? (챗봇과의 결정적 차이)

부터 시작할 수 있습니다.

AI 에이전트는 한 번 답하고 끝나는 챗봇과 달리, 목표를 달성할 때까지 스스로 행동하고 → 결과를 확인하고 → 다음 행동을 결정하는 AI입니다.

이 차이를 만드는 개념이 루프(Loop) 인데요.

신입 마케터에게 일을 시키는 장면을 떠올려 보세요.

"리포트 써 와"라고 한 번 말하고 끝이 아니라, 초안을 보고 → 피드백하고 → 수정본을 받는 과정을 반복하죠. 에이전트는 이 '해보고-확인하고-고치는' 반복을 스스로 합니다.

단순히 A→B→C로 흐르는 체인과 달리, B가 틀렸으면 다시 B로 돌아가 다른 방법을 시도합니다.

좋은 에이전트의 조건은 모델 성능이 아니라 루프 설계(Loop Engineering)에 있습니다. 핵심은 4가지입니다.

LLM 프롬프트 가이드로 정리된 내용 중 - 4

1. 명확한 목표 — "더 잘해줘"(X) → "CTR 상위 3개 소재 기준으로 변형 5종 제작"(O). '완료'의 기준이 글로 적혀 있어야 합니다.

2. 도구 접근 — 데이터를 직접 조회하고 결과를 확인할 수 있어야 합니다.

3. 종료 조건 — 언제 멈출지, 몇 번 실패하면 사람에게 넘길지 정해야 합니다.

4. 사람 승인 지점 — 발행·집행 직전은 반드시 사람이 확인합니다(Human-in-the-Loop). 2편의 H 구간이 바로 이 지점입니다.

LLM 프롬프트 가이드로 정리된 내용 중 - 2

마케팅 전 과정을 잇는 M1~M5 오케스트레이션

에이전트 하나로 모든 걸 하려 하면 실패합니다.

마케팅 업무는 전문 에이전트 여러 명이 릴레이 하듯 바통을 넘기는 구조가 효과적입니다. 실제 오픈소스로 공개된 마케팅 오케스트레이션 하네스의 구조를 보면 이렇게 나뉩니다.

- M1 전략 — 캠페인·브랜드·경쟁사 변수를 받아 콘텐츠 전략 설계

- M2 실행 — 전략을 실제 콘텐츠 제작물로 변환

- M3 최적화 — 품질 점검과 개선 루프, 실험 설계

- M4 분석 — 성과 데이터 분석과 인사이트 도출

- M5 보고 — 의사결정자 관점의 경영 보고 산출

여기서 핵심은 핸드오프(handoff)입니다.

각 단계의 결과를 정해진 형식(JSON 스키마)으로 다음 단계에 넘기기 때문에, 사람이 중간에서 복붙 하며 내용이 새는 일이 없습니다. 또 각 산출물에 "어떤 근거 문서를 인용했는지"를 남겨, AI 결과를 나중에 검증할 수 있습니다. 2편에서 강조한 '검증 가능성'이 시스템으로 구현된 거죠. - 이런 작업을 요즘은 Harness Engineering + Hermes Agent + Loop Engineering으로 연결하는 작업으로 많이 구성하죠!

LLM 프롬프트 가이드로 정리된 내용 중 - 3

위의 조건을 만족하기 위해서

5대 구성 요소 + 메모리, 그리고 7가지 생산 루프 패턴이 필요해지는 이유입니다.

LLM 프롬프트 가이드로 정리된 내용 중 - 4

실무 운영 리듬 — 이렇게 진행할 수 있습니다.

- 주간: M2/M3로 크리에이티브 제작·업데이트/반영

- 월간: M4/M5로 성과 분석·보고 체계 업데이트

- 분기: 경쟁사 리서치와 M1 전략 프레임 재정렬

이렇게 Loop로 진행이 되더라도, 결국 사람의 역할은 사라지지 않습니다.

오히려 입력 변수를 정의하고,

판단 기준을 글로 남기고,

H 구간에서 승인하는 더 상위의 일로 올라갑니다.

에이전트 시대의 마케터는 '실무자'에서 '지휘자'가 됩니다.(오케스트레이션에 집중하자!)

에이전트가 실제로 만든 숫자들 — 국내외 사례

하나. 해외 사례

클라르나(Klarna) — 에이전트의 위력과 한계를 모두 보여준 사례 — AI 어시스턴트가 출시 첫 달에만 230만 건의 상담을 처리했는데, 이는 풀타임 상담원 약 700명분의 업무량이었습니다. 응답 시간은 11분에서 2분 미만으로 줄었고, 영업·마케팅 비용도 11% 절감했죠. 다만 사람의 공감이 필요한 영역까지 밀어붙였다가 품질 문제로 하이브리드 모델로 회귀했습니다. 교훈은 명확합니다. 에이전트의 성패는 '얼마나 자동화했나'가 아니라 '어디에 사람 승인 지점을 두었나'에 달려 있습니다.

둘. 해외 사례

카바나(Carvana) — 멀티 에이전트가 만드는 스케일 — 고객별 구매 여정 데이터로 130만 개의 개인화 영상을 AI로 생성했습니다. 기획·생성·검수가 분업된 에이전트 구조이기에 가능한 규모입니다.

셋. 국내 사례

KB국민은행 — 문서 에이전트의 원형 — 대출 서류와 신청서를 AI가 확인하고 핵심 정보를 추출해, 직원이 직접 하던 확인·입력·검증 과정을 크게 단축했습니다. '데이터 수집 → 기준 비교 → 사람 최종 승인'이라는 흐름은 마케팅 리포트 에이전트와 구조가 똑같습니다.

그럼 당장, 다음 주 월요병을 없애기 위해서 할 수 있는 방법

1. 반복 업무 하나를 고릅니다 (예: 주간 채널 리포트)

2. 손이 움직이는 수준까지 쪼개고 H/P를 표시합니다

3. 판단 기준을 문서 한 장으로 정리합니다 ("이 기준이면 승인 초안, 넘으면 사람에게")

4. P 구간 하나만 에이전트에게 맡기고, 4주간 Before/After 시간을 측정합니다

작은 성공의 숫자가 경영진의 의사결정을 변하게 할 수 있고,

그다음 변화로 움직일 수 있는 예산과 실행이 시작됩니다.

---

자주 묻는 질문 (FAQ)

Q. AI 에이전트와 자동화(RPA)의 차이는 무엇인가요?

A. RPA는 정해진 순서를 그대로 반복하지만, 에이전트는 중간 결과를 보고 스스로 경로를 수정합니다. 변수가 많은 마케팅 업무에는 에이전트 방식이 적합합니다.

Q. 개발자 없이도 에이전트 오케스트레이션이 가능한가요?

A. 가능합니다. 공개된 프롬프트 하네스는 ChatGPT·Claude·Gemini에 붙여 쓰는 프롬프트 체계라서, 입력 변수만 채우면 마케터가 직접 운영할 수 있습니다.

Q. 에이전트가 가장 자주 실패하는 이유는 무엇인가요?

A. ① 종료 조건이 없어 무한 반복 ② 같은 실패를 전략 변경 없이 반복 ③ 목표가 모호해 '완료'를 판단 못 함, 이 3가지입니다. 전부 기술이 아니라 설계의 문제입니다.

---

지금까지 모든 시리즈 - 3편이 완성되었는데요.

모든 내용을 읽어보신다면 답은 하나가 될 겁니다.

도구보다 '워크플로우를 먼저 그리세요'. 워크플로우 설계가 완벽하다면 실행은 빠르게 진행될 겁니다.

참고 자료:

(1) MindStudio, "What Is Loop Engineering?"(2026)

(2) marketing-ai-orchestration-harness(GitHub)

(3) Chad Bockius, "When the Metrics Lie: Klarna's AI Case Study"(2026)

---

Stay Tuned.

✦ 내 글의 AI SEO / AIO / GEO의 퍼포먼스를 링크 하나만으로도 분석한다! ☞ GAEO Analysis

✦ 블로그 콘텐츠, 이미지, 동영상 생성을 위한 프롬프트 생성을 손쉽게! ☞ 프롬프트 메이커

✦ 트로이(TROE)는 글로벌 AX 파트너, SOTATEK., JSC & Appier와 파트너십으로 함께 합니다.

✦ AX, 응용 AI와 관련된 기업 교육 및 업무 파트너 문의 chunghyo@troe.kr 로 연락 주세요.

또 만나요.

박충효 드림

( ͡° ͜ʖ ͡°)