'AI는 곱셈기다' Wealthsimple 리드가 본 진짜 AI 개인화

Wealthsimple(가입자 300만 명의 캐나다 핀테크)의 Director of Product Engagement Jennifer Finn은 AI 개인화를 이렇게 설명해요. “1000명 한 명 한 명이 각자의 재무 상황·커뮤니케이션 선호·행동에 맞춘 메시지를 받는 거죠. 흥분되는 건 learning velocity예요. 모든 최적화가 어떤 가치 제안이 통하는지 인사이트를 surface해줘요.”

그 옆에는 Uniti Group, RingCentral, Banana Republic을 거친 라이프사이클·리텐션 마케팅 베테랑 Kerim Agalar(현 Overstood Director of Lifecycle & MarTech)가 있어요. 두 사람이 입을 모으는 핵심은 의외로 단순해요. “대부분의 B2C는 personalization이 아니라 sorting을 하고 있다.”

CRM 자동화 플랫폼 MoEngage가 두 실무자를 인터뷰해 정리한 글이에요. AI 개인화가 왜 잘 안 되는지, 진짜 잘하는 팀은 뭘 다르게 하는지.

“AI는 시작점이 아니라 곱셈기예요”

AI를 개인화에 도입할 때 팀이 가장 흔히 하는 실수는 AI가 0일차부터 무거운 일을 다 해줄 거라고 가정하는 거예요. AI는 이미 있는 것을 증폭해요. 약한 전략, 지저분한 데이터를 먹이면 자신감 있게 들리는 오류를 대규모로 양산해요.

Kerim은 마케팅 여정을 세 단계로 매핑해요.

• Reactive. 한 번 구매로 고객을 라벨링
• Proactive. 마찰 지점·churn 위험을 찾아 대응
• Predictive. 머신러닝으로 행동 패턴 예측

브랜드는 먼저 관계를 쌓고 고객을 이해해야 하고, 충분한 행동 데이터가 쌓인 다음에야 ML·AI 실험을 시작해야 한다는 거죠.

Jennifer는 Wealthsimple에서 ‘Next Best Action(NBA)’ 모델의 진화로 이걸 직접 살아냈어요. 초기 V1은 reactive였어요. “비슷한 프로필 고객이 이 액션을 했으니, 당신도 아마 해야 할 거예요.” 잘 굴러갔지만 천장이 있었죠. 5만 달러를 투자한 30세는 다른 5만 달러를 투자한 30세 전원과 똑같이 대접받았어요. 목표·리스크 톨러런스·재무 상황 다 무시하고요.

새로운 V2는 보안 LLM 연결로 고객의 전체 재무 그림을 가져와서, 그 특정 개인이 다음에 무엇이 필요한지 anticipate해요. 강력한 전환이지만, Jennifer는 팀 전체의 마인드셋 변화가 필수였다고 말해요.

“AI에서의 도약은 ‘런칭 전에 완벽해야 한다’에서 ‘런칭해야 고객 피드백으로부터 배워서 완벽이 뭔지 이해할 수 있다’로 옮겨가는 거예요. 운영적으로는 한 번에 바다를 다 끓이려는 유혹에 저항해야 하고요.” – Jennifer Finn, Director of Product Engagement, Wealthsimple

AI가 경제 구조를 바꾸는 지점

AI는 좋은 판단을 대체하지 않아요. AI가 하는 일은 대부분의 팀을 surface-level segmentation에 묶어두는 bandwidth 제약을 없애는 거예요. 대부분의 팀은 청중이 받아 마땅한 깊이로 갈 capacity가 없어서, broad segment에 머물고 generic message만 보내요. 그러고는 engagement가 왜 평평한지 의아해하고요.

Jennifer 팀은 AI로 수십 개 메시지 변형을 동시 테스트해요. 실제 제품 adoption과 다운스트림 engagement를 기준으로 최적화하고요.

“한때는 ‘이 세그먼트는 메시지 A, 저 세그먼트는 메시지 B’였던 게 이제는 1000명 한 명 한 명이 자기 재무 상황·커뮤니케이션 선호·행동에 맞춘 메시지를 받는 모양이 됐어요. 모든 최적화가 무엇이 통하는지, 어떤 가치 제안이 꽂히는지, 어떤 CTA가 액션을 만드는지에 대한 인사이트를 surface해줘요. 이게 우리 learning model·제품·콘텐츠 전략에 다시 feed back되는 강력한 피드백이고요.” – Jennifer Finn

Kerim도 이전 회사에서 비슷한 경험을 했어요. AI 기반 언어 개인화 도구를 abandoned cart 캠페인에 썼고요. 두 케이스 모두 결과가 좋았던 이유는 똑같았어요. 기초가 이미 자리잡혀 있었기 때문. 깨끗한 데이터, 구체적으로 풀어야 할 문제, 명확한 성공 지표, 그리고 모델이 뭘 하고 있는지 능동적으로 리뷰하는 사람. AI는 이미 작동하던 걸 가속한 것뿐이에요.

아무도 측정하지 않는 ‘silent churn’

더 나은 segmentation과 더 똑똑한 메시지로도, 대부분의 retention 대시보드가 못 잡는 패턴이 있어요. 많은 고객이 구독해지하지 않아요. churn도 안 해요. 그냥 조용해져요.

Kerim은 이걸 ‘apathy 세그먼트’ 라고 불러요. 모든 메시지를 받지만 어떤 것에도 반응하지 않는 구독자들. 주된 원인은 메시징 빈도라고 봐요. 단기 숫자가 정당화해주니까 브랜드는 send 볼륨을 늘리고, 고객은 unsubscribe보다 튜닝아웃이 더 쉽다는 걸 깨닫고는 조용히 사라져요. 관계는 끝나지 않았어요. 조용히 작동을 멈춘 거예요.

대부분의 브랜드는 1~2년 비활성이 돼야 reactivation 캠페인을 발화시켜요. Kerim은 그때면 이미 윈도우가 닫혔다고 말해요. 7일에서 90일 안에 시작해야 한다는 거죠. 무관심이 디폴트가 되기 전에.

Wealthsimple에서는 채널 전반에 월 마케팅 커뮤니케이션 캡이 있어요. 모든 메시지가 자기 자리를 정당화해야 해요. 여기서 AI의 역할은 send 빈도를 스케일하는 게 아니라, 각 터치포인트를 더 똑똑하게 만드는 거예요. disengaged 고객이 실제로 뭘 들어야 하는지, 언제, 어떤 채널로.

‘helpful’과 ‘intrusive’ 사이의 얇은 선

같은 AI 능력이 더 똑똑한 개인화를 가능하게도 하지만, 선을 넘기도 더 쉬워요. 그게 스케일에서 일어나면 고객 신뢰 데미지가 큽니다.

Jennifer는 직접 받은 buy-now-pay-later 이메일을 회상해요. 비싼 abandoned cart 아이템을 플래그하면서 “재정적 어려움이 있느냐”고 물어왔던 거예요.

“의도는 도움이 되려는 거였을 수 있지만, 불완전한 데이터로 누군가의 재무 상황을 가정하는 건 고객한테 거의 모욕적으로 느껴질 수 있어요. 우리는 엄청난 양의 고객 데이터가 가용한 시대에 있지만, 마케터는 그걸 사려 깊고 신뢰할 수 있게 써야 해요.” – Jennifer Finn

Kerim은 browsing-abandonment 캠페인을 또 다른 예로 들어요. 잘못 하면 “당신의 모든 움직임을 보고 있었어요” 라는 시그널을 줘요. 잘 하면 고객의 구매 완료를 돕는 포지셔닝이 되고요. 차이는 orientation. 개인화가 고객의 intent를 중심으로 짜였는가, 아니면 브랜드의 conversion 목표를 중심으로 짜였는가.

“브라우즈 캠페인 중에 ‘당신이 이걸 보고 있는 걸 알아요. 이제 사세요’라는 메시지를 많이 받았어요. 그게 사람을 방어적으로 만들어요. ‘내가 당신을 보고 있어요’ 라는 vibe면, 2000년대 초반 Best Buy로 고객을 돌려보내는 거예요. 모서리마다 직원이 숨어서 덮치려고 기다리던 시절. conversion이 아니라 outcome에 포커스를 맞추면 browse 캠페인을 훨씬 더 똑똑하게 만들 수 있어요.” – Kerim Agalar

Wealthsimple에서는 이게 실전에서 어떻게 풀리냐면, 큰 입금이 클라이언트 계좌에 들어왔을 때 팀이 띄우는 건 세금 효율적 투자 옵션에 대한 교육 콘텐츠예요. 재무 상황을 가정하지 않으면서도 likely한 니즈를 다루는 거죠.

Jennifer의 리트머스 테스트는 단순해요. “그 데이터가 어떻게 쓰여서 이 커뮤니케이션이 트리거됐는지를 클라이언트에게 설명할 때 내가 편안할 수 있는가.” 망설임이 있으면 그건 red flag예요.

마케터의 일은 사라지지 않아요, 모양이 바뀔 뿐이에요

AI가 실행을 더 많이 가져가면서, 마케터의 역할은 다른 종류의 accountability로 이동해요. AI가 제공할 수 없는, 인간 판단이 필요한 영역으로요.

Kerim은 마케터가 절대로 넘겨서는 안 되는 두 가지를 꼽아요. story와 math.

스토리는 경쟁자가 단순 복사할 수 없는 유일한 것이에요. 일관된 브랜드 정체성이 없으면 제품은 commodity가 돼요. 브랜드가 고객과 쌓은 감정적 연결이 LTV를 시간에 걸쳐 durable하게 만들죠.

수학이 중요한 이유는 AI가 correlative하지 causal하지 않기 때문이에요. AI는 패턴을 찾아요, 의미가 아니라. 누군가는 모델을 모니터하고, 잘못된 걸 최적화하는 지점을 잡아야 해요.

“우리는 AI가 경험을 악화시키는 방향으로 데이터를 상관시키지 않게 수학을 지켜보는 인간이 필요해요. 그리고 스토리를 가이드하는 인간도. 브랜드가 없으면 우리의 모든 제품은 commodity가 돼요. 장기적으로 복사 불가능한 단 하나는 고객에게 불러일으키는 감정이에요.” – Kerim Agalar

Jennifer는 단기 성과와 장기 신뢰 사이의 trade-off가 필요한 결정에 선을 그어요. 그건 패턴 인식이 아니라 인간의 가치가 필요한 일이라고요.

“AI가 절대 자율적으로 결정해서는 안 되는 건, 우리가 무엇을 커뮤니케이션하느냐의 윤리적 경계, 그리고 단기 이익과 장기 신뢰 사이의 trade-off를 어떻게 만드느냐예요.” – Jennifer Finn

진짜 경쟁 우위는 AI가 아니에요. 규율이에요.

개인화를 제대로 하는 마케터는 새 AI 플랫폼을 사서 기존 세그먼트에 들이댄 사람들이 아니에요. 구체적인 문제를 식별하고, 통제된 실험을 돌리고, 결과를 면밀히 보고, 조정한 사람들이에요. 이 규율이, 기술이 아니라, 그들을 가른 차이예요.

AI는 대부분의 팀을 surface-level segmentation에 묶어두는 bandwidth 제약을 깰 수 있어요. 수십 개 변형을 동시 테스트하고, churn으로 굳기 전에 disengagement를 잡아내고, send 볼륨을 늘리지 않고도 각 터치포인트를 더 똑똑하게 만들 수 있죠. 다만 작동하려면 토대가 필요해요. 깨끗한 데이터, 명확한 목적, 그리고 산출이 궤도를 벗어났을 때 알아볼 수 있는 인간.

AI가 못 하는 한 가지는 처음에 어떤 질문을 물어야 하는지 결정하는 것이에요.

본 글은 MoEngage에서 발행한 원문 AI-Powered Personalization: Lessons from the Trenches을 번역한 것입니다. 원문의 의도와 다를 수 있으며, 정확한 내용은 원문을 참고하세요.