파일럿을 넘어 사용자 규모를 6천 명으로: 엔터프라이즈 AI 에이전트 확장 방법
2025년 중반, Snowflake는 영업 및 마케팅 조직 내 사용자 약 6,000명을 대상으로 Snowflake GTM AI Assistant를 출시했습니다. 이는 Snowflake Intelligence의 첫 번째 전사 규모의 엔터프라이즈 배포였습니다. 그해 연말까지, 이 어시스턴트는 이미 33만 건이 넘는 질문에 답하며, 사용자들이 더 빠르게 업무를 수행하고 더 나은 의사 결정을 내릴 수 있도록 지원했습니다.
지난 몇 달간 Snowflake는 엔터프라이즈 AI 어시스턴트를 구축하기 위한 기술적 기반에 맞춘, 개발자 대상의 게시물을 올렸습니다. 예를 들어, 매출 데이터를 어떻게 구조화할 것인지, 비정형 콘텐츠에 대한 지식 검색을 어떻게 활성화할 것인지, 에이전트의 동작을 어떻게 테스트하고 지시문을 어떻게 개선할 것인지 등을 다룬 글이었습니다. 이러한 글들은 유용했습니다. 하지만 우리가 실제로 받은 질문은 다음과 같이, 순수하게 기술적인 내용만은 아니었습니다.
프로젝트 인력은 어떻게 구성했나요?
개발 일정은 어떻게 진행됐나요?
신뢰를 해치지 않으면서 어떻게 롤아웃을 실행했나요?
어떤 변화 관리 전략이 실제로 효과가 있었나요?
출시 후 어떤 성과를 보았나요?
이번 게시물은 이러한 비기술적 요소에 초점을 맞춥니다. 즉, 팀 구조, 출시 단계, 범위 설정 전략 그리고 MVP 단계에서 신뢰할 수 있는 엔터프라이즈 역량으로 확장한 방법을 다룹니다.
개발 팀과 출시 단계
Snowflake는 2025년 2월 말, 범위를 제한한 구체적인 목표로 프로젝트를 시작했습니다. 즉, GTM 팀이 분산된 여러 도구, 웹 페이지, 드라이브에서 올바른 문서를 쉽게 찾을 수 있도록 RAG 기반 지식 어시스턴트를 구축하는 것이었습니다. 당시, 이 프로젝트에는 전담 데이터 사이언티스트 한 명이 참여하고 있었습니다.
2025년 5월 말에 이르러, 우리는 Snowflake Intelligence를 기반으로 전면적인 GTM AI 어시스턴트를 추진하기로 결정했습니다. 단순히 지식 콘텐츠를 인덱싱하는 수준을 넘어 구조화된 영업 및 마케팅 데이터까지 통합하기로 한 것입니다. 이 결정은 품질과 신뢰성에 대한 요구 수준을 크게 높였고, 이에 따라 담당 팀의 데이터 사이언티스트 규모를 3~4명으로 확대하고 전담 프로덕트 매니저를 추가했습니다.
프로젝트 개시 첫날부터 우리는 품질과 사용자 신뢰를 P(-1), 즉 최우선 과제로 두었습니다. 사용자 인터뷰와 이전 AI 프로젝트 경험을 통해 알게된 분명한 사실 한 가지는 바로 첫인상이 도입 여부를 결정한다는 것이었습니다. 초기 경험이 불안정하면, 신뢰 회복에 드는 노력이 처음부터 제대로 구축하는 것보다 훨씬 더 많이 필요합니다.
그래서 우리는 단계적 롤아웃 전략을 선택했습니다. 작게 시작해, 품질과 워크플로우를 검증한 뒤, 점진적으로 확장하는 방식입니다.
출시 단계는 다음과 같이 진행되었습니다.
Tip: 자주 목격되는 실패 사례 중 하나는 품질 기준을 안정적으로 충족하기 전에 에이전트를 서둘러 광범위하게 배포하는 것입니다. AI 에이전트의 프로토타입을 만드는 것은 어렵지 않지만, 수천 명이 사용하는 환경에서 신뢰할 수 있는 에이전트를 운영하는 것은 전혀 다른 문제입니다. 초기 단계에서 신뢰를 쌓을 수 있도록 팀에 충분한 시간과 여유를 제공하세요. 이는 이후 확장 단계에서 큰 차이를 만듭니다.
제한된 MVP에서 역량 확장까지
엔터프라이즈 환경은 복잡합니다. Snowflake의 영업 및 마케팅 조직만 해도, 아래와 같이 워크플로우와 요구 사항이 서로 다른 15개 이상의 페르소나를 지원하고 있습니다.
계정 책임자(AE)
솔루션 엔지니어(SE)
SDR
제품 마케팅 매니저
파트너/제휴 매니저
전문 서비스 전문가
영업 및 마케팅 리더십
캠페인 매니저
그 외 다수
다른 제품들과 마찬가지로, 우리는 ‘모든 것을 연결해 두고 사용자가 알아서 활용하길 기대하는’ 접근법은 피했습니다. 대신, 가장 높은 가치를 가장 빠르게 제공할 수 있는 페르소나에 초점을 맞춘 좁은 범위의 MVP로 의도적으로 시작했습니다.
대상 사용자 규모와 페르소나별 개발 난이도를 고려하여, GA 시점에는 'AE, SE, SDR'에 집중했습니다. 이 세 그룹은 '전체 대상 사용자 6,000 명 중 약 50%' 를 차지했으며, 이를 통해 범위를 통제하면서도 초기 임팩트를 극대화할 수 있었습니다.
GA 이후에는 계획적으로 확장했습니다. 핵심 사용자군의 신뢰를 훼손하지 않으면서, 추가 페르소나와 기능을 단계적으로 확대했습니다.
다음 예시는 에이전트 역량이 어떻게 확장되었는지 보여줍니다.
GA 범위: 지식 어시스턴트 + 핵심 Salesforce 데이터, 제품 사용량 및 재무 데이터
GA 이후 첫 달: 동일한 소스에 대한 버그 수정 및 범위와 깊이 확대
이후 단계: 마케팅 데이터, 통화 녹취록 및 이메일, 파트너십 데이터, 웹 검색 지원 등과 같은 신규 데이터 소스 추가
2025년 9월 중순, AI 어시스턴트를 출시했을 당시, 이 시스템은 48개 테이블과 약 1,400개 컬럼으로 구성된 6개의 시맨틱 뷰를 기반으로 구동되었습니다. GA 이후에는 40개 이상의 신규 기능 및 데이터 소스를 추가하며, 데이터 계층을 64개 테이블과 1,750개 이상의 컬럼으로 구성된 10개의 시맨틱 뷰로 확장했습니다.
Tip: 과도하게 광범위한 범위 설정은 엔터프라이즈 AI 이니셔티브가 정체되는 가장 흔한 이유 중 하나입니다. 처음에는 에이전트가 더 적은 질문에 답하더라도 정확하게 답할 수 있는 범위에서 시작하세요. 신뢰를 구축한 후 기능을 확장하는 것이, 초기 실패 후 사용자 활용도를 회복하는 것보다 훨씬 쉽습니다.
사용자 활성화와 변화 관리
엔터프라이즈 솔루션을 성공적으로 배포하려면 시간이 걸립니다. 보통 한 분기 이상 걸리는 경우도 많습니다. 여타 제품 롤아웃과 마찬가지로, 사용자들은 자연스럽게 혁신 수용 곡선을 따르게 됩니다. 즉, 혁신가(innovators), 초기 수용자(early adopters), 전기 및 후기 다수 수용자(early/late majority), 그리고 지각 수용자(laggards)로 나뉩니다.
Everett Rogers의 혁신 확산 이론
파일럿 및 베타 단계에서는 새로운 도구를 기꺼이 실험하려는 상위 수용자 그룹의 참여가 주를 이룹니다. 하지만 GA에 도달해, 사용자가 수천 명 규모로 확장하면 상황은 달라집니다. 후기 수용자들이 유입되고 기대치는 높아지며, 사용자 확산이 충분히 빠르게 이루어지지 않으면 불만이 표출되기 시작하는 양상을 보일 수 있습니다.
바로 이 지점에서 많은 AI 이니셔티브가 정체됩니다. 기술이 작동하지 않아서가 아니라, 사용자들이 이를 완전히 받아들이지 않기 때문입니다.
실제로 사용하게 만들기
AI 어시스턴트를 일상적인 워크플로우에 포함시키는 것은 큰 습관 변화입니다. 대부분의 사용자는 기존 방식보다 '압도적으로 나은' 경우에만 전환할 것입니다. 10배 더 빠르거나 10배 더 쉽거나, 혹은 이전에는 할 수 없었던 것을 가능하게 해야 합니다. 특히 후기 수용자에게는 기존 도구와 기능이 비슷한 수준만으로는 부족합니다.
그렇긴 하지만, 아무리 뛰어난 제품이라도 사용자가 시도해 보지 않으면 의미가 없습니다.
그렇다면 어떻게 해야 사용자가 AI 어시스턴트를 실제로 '사용해 보고', 그 뒤에도 '계속 사용하게' 만들 수 있을까요?
품질 검증과 지속 사용성 최적화
우리의 접근 방식은 의도적이면서도 단계적이었으며, 출시 단계와 긴밀히 맞물려 있었습니다.
파일럿 단계에서는 오직 '품질'과 '신뢰'에만 집중했습니다. 가장 중요한 목표는 정확성, 신뢰성 및 기본적인 유용성을 검증하는 것이었습니다. 앞서 강조했듯이, 품질은 P(-1)입니다.
베타 단계에서는 품질이 충분히 검증된 이후 '기능 완성도'와 '지속 사용성(stickness)'으로 초점을 옮겼습니다. 핵심 질문은 다음과 같았습니다. '사용자가 매주 다시 찾고 싶을 만큼 이 에이전트가 실제 문제를 충분히 해결해 주는가?' 결과는 자신감을 주기에 충분했습니다.
베타 사용자 대상 NPS 92% 초과
주간 활성 사용자(WAU) 유지율 70% 초과
이 지표들은 우리 제품이 확장할 가치가 있음을 보여주었습니다.
모멘텀과 조직 차원의 기대감 조성
GA 단계에서 핵심 질문은 단순했습니다. '사용자들이 GTM AI Assistant에 대해 알고 있으며, 실제로 사용해 보고 있는가?'
도입 확산을 촉진하기 위해, 우리는 영업 역량 강화(Sales Enablement) 팀과 긴밀히 협력하며 기본 요소를 갖추어갔습니다.
전용 내부 제품 페이지 구축
명확한 사용자 가이드 및 사용 설명서 제공
상위 사용자들이 모범 사례를 공유하는 짧은 영상 제작
피드백 및 기능 요청을 위한 전용 Slack 채널 운영
그 다음으로는, 적극적으로 모멘텀을 형성했습니다.
각 팀을 대상으로 론칭 이메일 발송 및 라이브 데모 진행
전사 미팅과 팀 회의에서 세일즈 임원진과 CEO가 정기적으로 언급
세일즈 리더십과 주간 도입 현황 보고서를 공유함으로써 팀 내 참여 독려
이와 같은 역량 강화, 가시성 확보 및 리더십 지원의 조합이 결정적인 효과를 만들어냈습니다.
결과: 대규모 환경에서의 지속적인 활용 확대
체계적인 사용자 활성화와 변화 관리를 통해, GA 이후 3개월 동안 GTM AI 어시스턴트의 도입을 크게 확대했습니다.
이러한 노력은 분명한 성과로 이어졌습니다. GA 이후 2주 만에, 전체 대상 사용자 중 약 25%가 최소 한 번 이상 에이전트를 사용했습니다. 연말에 이르러서는 전체 사용자의 약 77%로 증가했으며, 주요 페르소나(AE, SE, SDR)에서는 90%를 초과했습니다.
이를 통해 우리는 한 가지 중요한 교훈을 다시 확인했습니다. 엔터프라이즈 AI 확장은 단순한 기술 과제가 아니라, 제품 활성화와 변화 관리의 문제이기도 합니다.
출시 이후의 제품 중심 사고
변화는 양방향으로 일어납니다.
엔터프라이즈 AI 에이전트로 GTM 워크플로우를 혁신하는 것은 사용자뿐 아니라 이를 구축하는 데이터 팀에게도 큰 변화입니다.
전통적으로 데이터 팀은 상대적으로 제한된 범위에서 프로젝트를 수행하는 데 익숙합니다. 데이터 파이프라인을 구축하고, 모델을 학습시키거나 대시보드를 출시하는 식이며, 제한적인 출시 이후 점진적으로 진화해 나가기도 합니다. 이러한 결과물은 배포 이후 점진적인 유지 관리만으로 운영되는 경우가 많습니다.
하지만 AI 에이전트는 근본적으로 다릅니다.
엔터프라이즈 AI 어시스턴트는 '살아있는 제품'입니다. 사용자와 지속적으로 상호작용하고, 새로운 데이터를 반영하며, 변화하는 워크플로우에 따라 진화해야 합니다. 또한 빠르게 발전하는 플랫폼과 모델 혁신 속도를 따라가야 합니다. 이는 제품 중심 사고, 시스템 수준의 설계 그리고 지속적인 팀 협업 체계로의 전환을 요구합니다.
GA 이후 팀 운영 방식의 변화
성공적인 GA 이후, 우리는 팀의 일하는 방식을 재정립해야 했습니다.
그리고 다음과 같은 변화가 거의 즉각적으로 나타났습니다.
사용자로부터의 기능 요청 급증
응답 속도와 안정성에 대한 기대치 상승
빠른 반복 개발과 신뢰 유지 사이의 균형 필요성 증가
기존 설계 결정을 재고해야 할 정도로 AI 플랫폼의 지속적인 변화
동시에 품질이 절대 흔들려서는 안 되었습니다. 버그는 신속하게 해결되어야 했고, 회귀는 방지해야 했으며, 사용자들이 신뢰하게 된 경험을 해치지 않으면서 개선 사항을 배포해야 했습니다.
제품의 확장은 곧 운영 모델의 확장을 의미했습니다.
출시 후 투자 영역
과부하를 피하고 모멘텀을 유지하기 위해, Snowflake는 다음 영역에 조기 투자했습니다.
애자일 방식의 정착: 명확한 요청 접수(intake), 분류(triage), 우선순위 지정 프레임워크를 갖춘 스프린트 기반 개발로 전환했고, 이를 통해 버그 수정, 기능 요청, 장기 개선 과제를 균형 있게 관리했습니다.
상호 보완적 역량을 갖춘 팀 확장: 데이터 사이언스뿐만 아니라, 로드맵과 시스템 복잡도에 맞춰 분석 엔지니어링과 백엔드 엔지니어링 역량을 추가로 확보했습니다.
자동화된 테스트 및 CI/CD 도입: GA 직후, 자동화 테스트 프레임워크와 CI/CD 파이프라인에 투자해, 높은 품질 기준을 유지하면서도 배포 속도를 높였습니다.
플랫폼 안정성과 진화를 위한 전용 시간 확보: 모든 스프린트마다 리팩터링, 아키텍처 개선 및 플랫폼 업그레이드를 위한 명시적인 작업 시간을 포함시켜 장기적인 기술 부채가 누적되지 않도록 했습니다.
핵심 메시지
엔터프라이즈 AI 에이전트의 출시는 끝이 아니라, 본격적인 시작입니다.
장기적인 성공을 위해서는 AI 에이전트를 프로젝트가 아닌 제품으로 다뤄야 합니다. 명확한 오너십, 지속적인 반복 개선, 운영상의 엄격함과 꾸준한 투자가 필요합니다. 이러한 전환을 수용하는 팀만이 사용자 기대치와 AI 기술이 빠르게 진화하는 환경 속에서도 책임감 있게 규모를 확장하고, 변화에 적응하며, 지속적으로 가치를 제공할 수 있습니다.
성과와 ROI
이쯤에서 이런 의문이 들 수 있습니다. '실제 결과는 어떠했고, 투자할 가치가 있었는가?'
이 질문에 대한 답을 구체적으로 설명하면 다음과 같습니다.
2025년 기준, GTM AI Assistant는 2,500 명 이상의 주간 활성 사용자(WAU)를 대상으로, 매주 35,000 건 이상의 질문에 답하고 있었습니다. 이는 초기 출시 당시 주간 약 10,000 건 수준이었던 것에 비하면 큰 성장입니다.
이러한 성장은 단순히 사용자 수 증가만으로 이루어진 것은 아닙니다.
GA 이후 3개월 동안 어시스턴트의 기능을 확장하고, 사용자가 이를 일상 업무 흐름에 통합하기 시작하면서 사용 강도 역시 크게 증가했습니다. 주간 활성 사용자당 평균 질문은 8.5건에서 14건으로 증가했습니다. 이는 신뢰도가 높아졌고, 실제 업무에 깊이 통합되었음을 보여줍니다.
엔터프라이즈 규모에서의 생산성 향상
절감된 시간은 사용 사례에 따라 달랐습니다.
단순한 지식 또는 데이터 검색의 경우 몇 분 단위
사용자 지정 SQL 작성이나 분석가 지원이 필요한 복잡한 분석의 경우 수 시간 단위
질문당 5분 절감이라는 보수적인 가정을 적용하더라도, 그 효과는 빠르게 누적됩니다. Snowflake의 경우에는, 6,000명 조직 기준 연간 65명 이상의 정규직 인력(FTE)에 해당하는 생산성 효과로 환산됩니다.
그리고 이는 하한선에 가까운 추정치입니다.
대규모 환경에서의 ROI 검증
2025년 말, 우리는 GTM AI Assistant의 비용 구조와 투자 대비 수익을 보다 정밀하게 분석했습니다.
분석 결과, 활성 사용자 1인당 비용은 일반적인 엔터프라이즈 생산성 도구와 유사한 수준이었습니다. 반면 확보된 생산성 향상 효과를 고려하면, 별도의 비용 최적화 작업을 진행하기 전임에도 불구하고 5배를 초과하는 투자 수익률을 달성한 것으로 나타났습니다.
중요한 점은, 이 수치가 시간 절감에 따른 직접적인 생산성 향상 효과만을 반영한다는 것입니다. 분석가의 업무 부담 감소, 거래 주기 단축, 영업 및 마케팅 팀 전반의 의사 결정 수준 향상과 같은 2차적 효과는 포함되지 않았습니다. 다시 말해, 솔루션이 완전히 성숙하거나 운영 효율이 최적화되기 전에도 경제적 타당성은 충분히 입증된 것입니다.
맺음말
AI는 엔터프라이즈와 GTM 조직을 근본적으로 변화시키고 있습니다.
개별 데모와 소규모 실험의 시대는 저물고 있습니다. 엔터프라이즈 AI는 이제 대규모 환경에서 실질적이고 측정 가능한 성과를 만들어내고 있습니다. 그러나 이러한 성과를 달성하려면 뛰어난 모델이나 정교한 프롬프트 이상의 것이 필요합니다. 즉, 올바른 사고방식, 체계적인 실행 그리고 변화 관리에 대한 깊은 집중이 필요합니다.
지금까지 살펴본 바와 같이, 엔터프라이즈 AI 에이전트를 성공적으로 확장하기 위해서는 다음이 필요합니다.
품질과 신뢰를 타협할 수 없는 원칙으로 삼을 것
신중하게 출시하고, 의도적으로 범위를 확장할 것
기술뿐 아니라 활성화와 도입 확산에 투자할 것
데이터 팀을 장기적인 제품 오너십 체계로 전환할 것
가까운 미래에 이를 제대로 실행하는 기업은 단순히 생산성을 향상시킬 뿐만 아니라 팀의 업무 방식을 근본적으로 변화시키고, 의미 있는 경쟁 우위를 확보하게 될 것입니다.
변화는 이미 시작되었습니다. 지금 행동하는 기업이 차세대 GTM 실행 방식을 정의하게 될 것입니다.
저자
