제품 사례
OnThePlanet Internal AI Systems
가장 좋은 판단을 해야 할 사람이 데이터 정리에 시간을 쓰고, 숙련자의 판단이 팀 안에서 재현되지 않는 문제를 인터뷰로 발견해 네 가지 AI 시스템으로 바꿨습니다.
바로 확인하기
내부 업무 데이터 대신 합성 입력으로 공개 흐름을 재구성했습니다. 실제 도입 범위와 관찰 수치는 본문에서 별도로 경계를 밝힙니다.
이 시스템들이 필요했던 이유
퍼포먼스 마케터와 제안 업무 담당자를 인터뷰하며 같은 모순을 봤습니다. 더 나은 인사이트와 실행안을 만들어야 할 사람이 원천 데이터를 정리하고 자료를 옮기는 데 시간을 쓰고 있었습니다. 어렵게 만든 좋은 판단도 숙련자 개인에게 남아 다음 담당자가 같은 문제를 다시 풀어야 했습니다.
문제를 LLM이 더 좋은 답을 쓰게 하는 것으로 보지 않았습니다. 모델이 보기 전 데이터의 모양, 작업 중 유지할 맥락, 사람이 결정할 지점과 다음 산출물로 넘어갈 상태가 먼저 필요했습니다.
하나의 에이전트가 아니라 문제에 맞는 구조를 선택했습니다
네 업무는 모두 AI를 사용하지만 같은 구조로 만들지 않았습니다.
| 업무 | 실제 병목 | 선택한 구조 |
|---|---|---|
| 퍼포먼스 마케팅 | 데이터 정리와 담당자별 판단 편차 | 구조화한 입력 + 한 번의 초기 모델 호출 + 사람 수정 |
| 설문 pre-test | 실제 배포 뒤 드러나는 문항·보기·분기 오류 | 확률 기반 persona + 정보 제한 + 결정론적 설문 상태 |
| 제안서 작성 | RFP 해석·조사·근거·전략이 한 번의 생성에서 섞임 | 중간 산출물 체인 + 방향을 바꾸는 질문 + 사람 승인 |
| AI 검색 대응 | 검색 순위만으로 AI 답변 속 브랜드 위치를 설명하기 어려움 | 질문·답변·언급·인용 관찰 + 콘텐츠 실행 연결 |
복잡한 orchestration 자체가 목적이 아니었습니다. 위험과 검토 단위에 맞는 가장 단순한 구조를 선택했습니다.
사용자가 겪는 흐름
Performance Marketing Partner
raw 성과 데이터를 자동으로 JSON 구조화하고, 기간을 기본 단위로 필요한 범위를 고르게 했습니다. 선택한 데이터에 이전 실행 맥락, KPI, 고객 요청과 필요한 소재를 더해 인사이트와 실행 액션 초안을 만들고, 마케터가 대화로 수정합니다.
Synthetic Survey
조건부 확률로 연결한 속성에서 있을 법한 persona를 만들고, 그 사람이 알 수 있는 정보만 전달합니다. 문항·보기·선택 수·분기·건너뛰기는 자유 대화가 아니라 상태와 규칙으로 실행해 실제 조사 전에 설문 구조를 점검합니다.
Proposal Co-building System
RFP를 한 번에 제안서로 바꾸지 않습니다. RFP 분석 → 조사 항목 → 조사 계획 → factbook → 전략 → 텍스트 제안서로 나누고, 답에 따라 다음 산출물이 달라지는 지점에서만 질문합니다.
ASEO · 함께 구축한 추가 시스템
브랜드 관련 질문에 AI가 무엇을 답하고 어떤 출처를 인용하는지 관찰한 뒤, 답변 공백과 인용 패턴을 콘텐츠 작업으로 바꾸는 시스템도 구축했습니다. 질문 세트와 답변·출처를 수집하고, 관찰 결과를 이슈 유형과 실행 항목으로 구조화했습니다.
데이터·코드·모델·사람의 책임
| 주체 | 맡긴 일 |
|---|---|
| 데이터 구조 | 앞 단계의 판단과 다음 단계가 읽을 상태를 보존 |
| 결정론적 코드 | 입력 정리, 분할, 상태 전이, 분기와 형식 검증 |
| 모델 | 넓은 후보 탐색, 해석, 인사이트와 초안 생성 |
| 사람 | 우선순위, 고객 맥락, 예외, 승인과 수정 |
만들면서 해결한 문제
Data Readiness: 모델보다 먼저 공통 출발점을 만들었습니다
- 문제: 마케터마다 원천 데이터를 준비하는 방식이 달라 같은 모델을 써도 결과 기준이 흔들렸습니다.
- 판단: 분류와 범위 선택까지 모델에 맡기면 결과 편차의 원인을 추적하기 어렵습니다.
- 구현: raw 데이터를 JSON으로 구조화하고 결정론적으로 분류했습니다. 고객사와 소통하던 기간을 기본 단위로 두되 사용자가 목적에 맞게 범위를 바꿀 수 있게 했습니다.
- 달라진 점: 담당자는 매번 데이터를 다시 정리하지 않고 같은 출발점에서 판단을 시작했습니다.
Proportional Architecture: 업무 위험에 맞게 시스템 크기를 달리했습니다
- 문제: 모든 업무를 multi-agent chain으로 만들면 실행과 유지 비용이 커지고 검토 지점도 불필요하게 늘어납니다.
- 판단: 빠른 첫 분석에는 한 번의 통제된 호출이면 충분하지만, 제안서는 앞선 판단과 근거가 뒤까지 남아야 합니다.
- 구현: 마케팅 분석은 한 번의 초기 호출과 사람 수정으로, 제안서는 중간 산출물과 승인 지점이 있는 체인으로 만들었습니다.
- 달라진 점: 시스템 복잡도를 기술 과시가 아니라 업무의 실패 비용과 검토 단위에 맞췄습니다.
Intent Preservation: 사람의 의도가 산출물 사이에서 사라지지 않게 했습니다
- 문제: 긴 제안 작업에서 사람의 판단이 대화 속에만 남으면 뒤 단계가 그 방향을 잃습니다.
- 판단: 모든 불확실성을 묻기보다 답이 조사 범위·근거·전략을 바꾸는 질문만 해야 합니다.
- 구현: 질문의 답과 중간 결정을 다음 산출물에 명시적으로 넘겼고, 사람은 각 단계에서 승인하거나 방향을 수정했습니다.
- 달라진 점: 비딩 경험이 적은 사람은 사고 순서를 따라갈 수 있었고, 숙련자는 중간 결과에 더 깊은 판단을 넣을 수 있었습니다.
Adoption: 자동화를 팀의 검토 습관 안에 넣었습니다
- 문제: 좋은 데모도 기존 업무 단위와 맞지 않으면 반복 사용되지 않습니다.
- 판단: 모델 결과를 최종 답으로 주기보다 팀이 이미 검토하고 고객과 소통하는 단위 안에 넣어야 했습니다.
- 구현: 기간 단위 입력, 두 개의 고정 출력 섹션, 문서 기반 수정과 승인 흐름을 유지했습니다.
- 달라진 점: Performance Marketing Partner는 약 15명 규모 팀의 주간 표준 프로세스로 정착해 현재도 사용 중입니다.
확인한 변화
- Performance Marketing Partner: 약 15명 규모 팀의 주간 업무에서 사용
- Synthetic Survey: 내부 pre-test 약 2주 → 근무일 약 1일
- Proposal System: 준비 약 2~3주 → 약 1주, factbook 수일 → 약 1~2시간
- 비마케팅 직군 3명이 시스템을 사용해 작성한 제안서가 실제 비딩에서 선정
각 수치는 팀이 같은 업무를 반복하며 기록한 전후 범위입니다. 아래 walkthrough에서는 실제 고객 정보 대신 합성 입력으로 구조와 사람의 개입을 재현했습니다.