CRM 마케팅 에이전트, 실제로 어떻게 쓰이고 있을까: 데이터로 본 6가지 사례
CRM 마케터가 AI 에이전트에게 실제로 시키는 일은 뭘까요. 저희는 지난 6개월간 블럭스 CRM 에이전트를 사용한 29개 브랜드의 대화 로그를 들여다봤습니다. 브랜드·상품·인명·금액 등 식별 정보는 모두 일반화해 재구성했고, 특정 고객사를 알아볼 수 있는 내용은 담지 않았습니다.
결과는 예상보다 뚜렷했습니다. 반년 사이 에이전트 사용량은 5배로 늘었습니다. 대화 대부분은 막연한 탐색이 아니라 곧바로 실행으로 이어졌습니다. 이 글에서는 그 성장의 배경, 마케터들이 에이전트에게 맡기는 6가지 실제 업무, 그리고 AI 방식과 기존 방식을 비교했을 때의 성과 차이까지 데이터로 정리했습니다.
반년 만에 5배가 된 사용량
에이전트 월간 세션 수는 올해 1월을 100으로 뒀을 때 5월 기준 약 472, 6월은 현재 페이스로 보면 520까지 늘어날 전망입니다. 월별로 집행되는 캠페인 수도 지난해 12월 대비 3배 가까이 늘었습니다.
최근 30일(2026.05.25–06.24) 기준으로 보면 29개 브랜드가 합산 2,400건 이상의 대화, 1,200건 이상의 캠페인, 500건 이상의 오디언스를 에이전트로 만들었습니다. CRM 마케터 한두 명이 감당하기엔 원래 벅찬 물량입니다.
마케터가 에이전트에게 맡기는 일 6가지
대화를 업무 목적별로 묶으면 6가지 유형으로 나뉩니다. 가장 많은 건 오디언스·캠페인처럼 반복되는 운영 업무를 통째로 위임하는 패턴입니다.
오디언스 만들기 (32%) — "이런 고객만 묶어줘" 요청이 가장 흔합니다. 흩어진 오디언스 여러 개를 하나로 합치는 정리 작업도 자주 나옵니다.
캠페인 기획·실행 (20%) — 채널·발송 시간·타겟·전환 이벤트·문구·랜딩까지 한 번에 불러주면 초안으로 만들어 둡니다.
데이터 물어보기 (17%) — 대시보드를 뒤지는 대신 그냥 묻습니다. 매출이 왜 빠졌는지, 재구매 주기가 어떻게 되는지 자연어 질문으로 확인합니다.
시나리오 자동화 설계 (13%) — 자동화 흐름을 만들고, 점검하고, 안 도는 곳을 같이 찾습니다. "전체 한 번 봐줘" 같은 운영 점검 요청이 늘고 있습니다.
인앱메시지 HTML 생성 (6%) — 원하는 디자인에 맞춰 인앱메시지를 직접 생성하고, 레이아웃·스타일을 커스텀합니다.
그 외 이미지·사용법·점검 (10%) — 메시지용 AI 이미지 생성, 기능 사용법 Q&A, 발송 전 트러블슈팅까지 작지만 손이 가던 일들입니다.
분석에서 실행까지, 실제 케이스 6선
숫자만으로는 감이 잘 안 오니, 실제로 분석이 실행으로 이어진 대화 6개를 케이스로 풀어봤습니다. 아래 화면은 실제 콘솔 화면을 재현한 것입니다.
1. 프로모션 종료 D-1, 20만 모수를 행동 신호로 다시 쪼개기
코스메틱 브랜드의 CRM 마케터는 프로모션 종료 하루 전, 카카오 마케팅 동의 회원 약 20만 명 중 전체 발송 대신 "지금 살 것 같은 사람"만 좁혀달라고 요청했습니다. 에이전트는 활성도로 3개 후보를 도출한 뒤, 결제 직전 이탈 같은 행동 신호로 다시 쪼개 클로징·관심 환기·VIP 액티브 3종의 룰 오디언스를 만들었습니다. 최종 대상은 약 23,000명. 전체 모수에 그대로 뿌리는 대신 행동 신호로 좁혀, 비용 효율과 ROAS를 동시에 잡았습니다.
2. "마스크팩만 7일 재구매" 가설의 데이터 검증
오픈 6주차 스킨케어 브랜드는 "첫 주문 7일 후 재구매가 마스크팩만 되고 다른 카테고리는 안 되지 않을까"라는 가설을 에이전트에게 검증해달라고 했습니다. 실제로 마스크·팩은 소모성이라 평균 7.7일이면 재구매가 일어나는 반면, 로션·크림은 한 통을 오래 써서 18.7일 이상 걸렸습니다. 같은 발송 시점을 전 카테고리에 똑같이 걸면 로션 구매자에겐 너무 이른 셈이라, 카테고리별로 발송 시점을 따로 가는 리텐션 패키지로 이어졌습니다.
3. 퍼널 이탈 지점 진단부터 인앱 3종과 배너까지
다른 스킨케어 브랜드는 "인앱메시지 캠페인 추천해줘"라는 한마디로 시작했습니다. 에이전트는 최근 30일 방문 17,904명 중 상품 상세까지는 45%로 양호하지만, 상세에서 장바구니로 넘어가는 구간이 6.6%(533명)로 가장 크게 새는 걸 짚어냈습니다. 등록된 인앱이 0건이었던 터라 효율이 가장 높은 주문서 이탈 지점부터 우선 깔자고 제안했습니다. 이어 그 자리에서 인앱 3종 초안과 AI 배너까지 만들었고 톤 피드백도 두 차례 반영했습니다.
4. "안 해본 타겟" 요청과 행동 신호 기반 새 모수
종합 패션몰은 입점 브랜드 라이브 방송을 앞두고 "브랜드 관심자 말고 안 써본 새 타겟"을 요청했습니다. 기존 캠페인을 보니 전부 브랜드 관심자 대상 전체 발송뿐이었습니다. 그래서 에이전트는 메시지 응답·헤비 방문·쿠폰 반응 같은 행동 신호 4축으로 새 모수를 뽑았습니다. 메시지 응답자는 라이브 30분 전 도달용, 헤비 방문자는 5분 전 동시 시청 확보용으로 역할을 나눠 보내는 전략까지 함께 제안했습니다.
5. 분기마다 대기시간 0분, 무력화된 시나리오 점검
패션 플랫폼 마케터는 "구매 여부로 나뉘는 분기가 있는데 다 한쪽으로만 흐른다"며 시나리오 점검을 요청했습니다. 에이전트가 노드 그래프를 진단해보니 분기 4개 모두 대기시간이 0분으로 설정돼 있어, 진입 즉시 "아니오"로 평가되며 분기가 사실상 무력화된 상태였습니다. 사람 눈으로는 잘 안 보이는 이 버그를 잡아 대기시간과 운영 기간을 정상화했습니다.
6. 채널 제약까지 반영한 카카오 캠페인 초안
스킨케어 브랜드는 "4월에 샀는데 재구매 안 한 고객한테 카톡 좀 날려볼까"라고 물었습니다. 에이전트는 4월 구매 803명 중 5월 재구매가 10명(1.2%)뿐이라 미재구매 대상이 793명이라는 걸 확인한 뒤, 승인 템플릿이 0개라 알림톡은 당장 못 쓴다는 채널 제약까지 짚어 자유 문구가 가능한 브랜드메시지로 방향을 잡았습니다. 오디언스 생성과 캠페인 초안이 한 대화 안에서 끝났습니다.
AI 방식이 실제로 더 나았을까
같은 고객에게 보내도 AI가 만든 쪽이 더 나았는지, 동일 조건에서 AI 방식과 기존 방식을 나눠 비교했습니다. 아래는 모두 기존 방식(수동 세그먼트·일괄 발송) 대비 상대 개선폭입니다.
패션 이커머스 — AI 오디언스 vs 수동 타겟팅: 오픈율 +31%, 구매율 +27%, ROAS +46%
일반 커머스 — AI 콘텐츠 개인화 vs 일괄 발송: 오픈율 +18%, 구매율 +24%, ROAS +35%
차이가 난 이유는 크게 세 가지입니다. 행동 신호를 조합해 살 사람을 정밀하게 좁혔고, 같은 혜택도 고객 행동에 맞춰 표현을 다르게 가져갔으며, 보내는 타이밍을 이탈·관심 시점에 맞췄습니다.
에이전트를 잘 쓰는 마케터들의 공통점
실제 고성과 사용 패턴에서 공통으로 나타난 6가지입니다.
맥락을 한 번에 담아 요청 — 채널·타겟·전환·문구·랜딩을 한 묶음으로 불러주면 초안 정확도가 올라갑니다.
이름·상품명 개인화를 기본으로 — 머지태그를 기본값으로 켜두면 같은 캠페인도 전환이 달라집니다.
흩어진 세그먼트는 "합쳐줘" — 새로 만들기보다 기존 오디언스를 합치고 겹침을 확인하는 정리 요청이 더 잦습니다.
성과는 묻고, 원인까지 캐기 — "왜 빠졌어?"처럼 원인을 물으면 다음 액션까지 제안받습니다.
운영은 주기적으로 "한 번 봐줘" — 돌고 있는 시나리오·캠페인을 통째로 점검시키면 멈춘 흐름을 먼저 잡아줍니다.
새 방식은 기존과 나눠 비교 — AI 오디언스·개인화를 기존 방식과 분할 발송해 개선폭을 직접 확인합니다.
단순 실행을 넘어 전략 파트너로
가장 인상적인 대화는 "이거 만들어줘"가 아니라 "이 목표를 어떻게 달성하지?"였습니다. 한 고객사는 에이전트에게 사이트 데이터 전반을 분석하고 지금 손봐야 할 개선 포인트를 짚어달라고 요청했습니다. 에이전트는 퍼널·시간대·회원·CRM 자산을 진단해 7가지를 우선순위로 추린 뒤, 가장 뜨거운 주문서 이탈 지점부터 인앱으로 막자는 1순위 제안까지 곧바로 내놓았습니다. 마케터가 막막한 순간, 에이전트를 함께 머리를 맞대는 상대로 쓰는 셈입니다.
자주 묻는 질문
에이전트가 만든 캠페인이 바로 발송되나요?
아닙니다. 에이전트가 만드는 건 초안까지입니다. 오디언스·캠페인·시나리오 모두 임시저장 상태로 생성되고, 마케터가 콘솔에서 검토한 뒤 직접 활성화합니다. 위 케이스들도 전부 사람이 마지막 확인을 거쳤습니다.
데이터가 적은 초기 브랜드도 쓸 수 있나요?
위 케이스 중 두 번째 사례가 오픈 6주차 브랜드입니다. 데이터가 적으면 개인화의 깊이는 얕아지지만, 재구매 주기 검증이나 퍼널 이탈 지점 진단처럼 "지금 있는 데이터로 판단 근거를 만드는" 용도는 초기일수록 오히려 효용이 큽니다.
에이전트가 잘못 판단하면 어떻게 되나요?
초안 단계에서 걸러집니다. 다만 그보다 중요한 건 잘못된 판단을 누가 발견하고 고치느냐입니다. 자체 개발한 에이전트는 대화 품질과 이상 징후를 직접 모니터링해 문제를 제품 차원에서 수정할 수 있지만, 외부 LLM에 얹은 구조는 그 행동을 들여다볼 수 없어 책임이 고객사로 넘어가기 쉽습니다.
에이전트를 고를 때 봐야 할 2가지
같은 'AI 에이전트'라도 구조가 다릅니다. 외부 LLM을 도구로 엮은 MCP 조합형과, 분석·실행·품질을 한 제품으로 책임지는 자체 에이전트로 나뉩니다. 도입 후 "기능은 많은데 우리가 쓸 건 없다"가 되지 않으려면 아래 두 가지를 확인하세요.
분석에서 실행까지, 한 대화로 이어지는가 — "이탈 위험 고객 찾아줘" 한마디에 분석부터 오디언스·캠페인 초안까지 이어지는지 확인하세요. 분석만 되거나 발송만 되는 솔루션은 단계마다 사람이 손으로 넘겨야 합니다.
성과 품질을 누가 책임지는가 — 대화 품질과 이상 징후를 실시간으로 모니터링하는지, 문제가 보이면 얼마나 빨리 고치는지 봐야 합니다.
구조를 가르는 더 자세한 기준은 CRM AI 에이전트를 고를 때 반드시 확인해야 할 2가지에서 정리했습니다.
바로 시작하는 3단계
평소 하던 말로 요청하기 — "재구매 안 한 고객한테 뭐 보낼까?"처럼, 하고 싶은 일을 그냥 말로 던지면 됩니다.
분석부터 초안까지 한 번에 받기 — 에이전트가 데이터를 직접 보고 대상까지 잡아서, 캠페인·인앱 초안을 만들어 둡니다.
검토하고 발송하기 — 초안만 확인해서 내보내고, 결과가 궁금하면 다시 물어보면 됩니다.
대부분의 대화는 탐색이 아니라 실행이었습니다. 고객사는 무엇을 할지 이미 알고 있었고, 에이전트는 그걸 더 빨리 해내게 했을 뿐입니다. 그 속도가 쌓여 반년 만의 5배가 됐습니다.