AI 에이전트는 마케터의 일을 어디까지 대신할까: 한국 피자헛 AX Grow 사례

피자헛 마케팅팀엔 늘 풀고 싶은 질문들이 있었습니다. 경쟁 피자 브랜드가 이번 달 어떤 신메뉴와 프로모션을 걸었는지, 팬피자와 리치골드가 유독 재구매로 이어지는 이유는 뭔지, 이번 달 쿠폰 정산이 매장별로 다 맞아떨어졌는지, 런치와 디너 중 어느 시간대에 프로모션을 걸어야 할지. 브랜드·CRM·디지털 담당자 모두 이런 고민을 가지고 있었고, AX Grow Day 1은 이 질문들을 그대로 데모 시나리오로 가져왔습니다.

이번 교육에서 다룬 건 AI 도구 사용법 소개가 아니라 그보다 한 단계 앞의 이야기였습니다. AI에게 '물어보는' 단계와 AI에게 '맡기는' 단계는 무엇이 다른지, 그 차이를 만든 AI 에이전트란 어떤 것인지, 그리고 그 에이전트가 마케터의 실제 업무를 어디까지 처리해내는지를 순서대로 짚었습니다. 1985년 한국에 들어와 40년을 넘긴 피자헛은 '원조 프리미엄'을 내걸고 브랜드를 다시 세우는 중인데, 배달·디지털로 무게가 옮겨간 시장에서 마케팅이 더 빠르게 움직여야 한다는 과제도 같이 커졌습니다.

AX Grow가 정확히 어떤 프로그램인지는 AX Grow 프로그램 소개에서 이미 다뤘으니, 여기서는 곧장 한국 피자헛 마케팅팀 Day 1에서 실제로 무엇을 다뤘는지 알아보겠습니다!

AI Native 시대, 마케터의 일은 어떻게 달라질까요

지난 2년 사이 마케팅 업무에는 조용하지만 근본적인 변화가 일어나고 있습니다. 시장을 조사하고, 반복 리포트를 만들고, 흩어진 데이터와 리뷰를 찾아 합치는 일. 마케팅 업무 중에서도 AI의 영향을 가장 크게 받는 영역입니다. 교육은 이 변화를 세 단계로 나눠 짚는 것으로 시작했습니다.

Phase 1, AI 없이 일하던 시대. 주간 판매는 자사앱·배달앱 엑셀을 받아 손으로 합치고, 쿠폰 정산은 사용 로그와 매장 청구를 일일이 맞대보고, 소비자 반응은 리뷰를 하나씩 눈으로 읽고, 경쟁사 동향은 사이트를 열어 신메뉴와 가격을 손으로 옮겨 적습니다.

Phase 2, AI에게 '물어보는' 시대. "이 리뷰 요약해줘", "이 판매 표 정리해줘"라고 묻고 답을 받는 단계입니다. 답이 좋아도 그 답을 실제 보고서와 점검표, 대시보드로 옮기는 건 여전히 사람 몫이라 "AI를 쓰긴 쓰는데 야근은 그대로"라는 느낌이 남습니다. 지금 대부분의 담당자가 여기에 있습니다.

Phase 3, AI에게 '맡기는' 시대. "이번 주 판매 엑셀을 읽어서 채널·시간대 차트가 들어간 대시보드를 만들어줘" 같은 목표를 주면, AI가 스스로 데이터를 읽고 계산하고 화면까지 만듭니다. 사람의 역할은 직접 하는 것에서 방향을 잡고 결과를 검증하고 판단하는 것으로 옮겨갑니다.

Day 1이 다룬 건 Phase 2에서 Phase 3으로 넘어가는 지점이었습니다. 같은 업무라도 어느 단계에 있느냐에 따라 손이 가는 양이 완전히 달라지기 때문입니다.

AI 에이전트는 지금까지의 AI와 무엇이 다른가요

Phase 3을 가능하게 만든 기술적 변화가 AI 에이전트입니다. 교육에서는 이 차이를 한 문장으로 정리했습니다. 챗봇이 '말로 답하는 콜센터 상담원'이라면, AI 에이전트는 '도구를 써서 실제 결과물을 만드는 옆자리 신입 사원'이라는 것입니다. 구체적으로는 세 가지가 다릅니다.

첫째, 스스로 실행하고 결과를 보고 다시 판단합니다. 에이전트는 목표를 받으면 계획을 세우고(Think), 도구를 호출해 실행하고(Act), 그 결과를 확인한 뒤(Observe) 다시 계획으로 돌아가는 루프를 목표에 닿을 때까지 반복합니다. 데모 화면에 파일 읽기·쓰기·명령 실행 같은 도구 이름이 실시간으로 지나가는 것이 바로 이 루프가 도는 장면입니다.

둘째, 결과물이 텍스트가 아니라 파일과 화면입니다. "이번 주 판매 현황 어때?"에 글로 답하는 것이 챗봇이라면, 에이전트는 "판매 엑셀로 현황 대시보드 만들어줘"에 동작하는 화면으로 답합니다. 엑셀과 파일을 직접 열고, 브라우저를 운전해 경쟁사 사이트를 둘러보고, 메일·캘린더·드라이브 같은 업무 도구까지 오갑니다. 코드를 짜는 대신 원하는 것을 자연어로 묘사하면 에이전트가 도구를 만들어내는 이 방식을 '바이브코딩'이라고 부릅니다.

셋째, 근거를 준 만큼 정확해집니다. AI가 그럴듯한 거짓을 지어내는 할루시네이션은 갑작스러운 오류가 아니라 언어모델의 학습 구조에서 오는 특성이고, 대개 근거가 부족할 때 나타납니다. 그래서 에이전트에게는 웹·파일·이전 대화·메모리라는 네 갈래로 근거를 붙여줍니다. 리뷰 자료를 통째로 읽혀 답하게 하면 출처와 언급량까지 함께 나오는 이유가 여기에 있습니다. 지시를 어떤 구조로 주느냐에 따라 결과 품질이 갈린다는 점도 프롬프트 프레임워크로 함께 다뤘습니다.

브랜드·CRM·디지털 담당자의 질문을 에이전트는 어떻게 처리했을까요

이 차이는 말로 설명하는 대신 화면으로 보여드렸습니다. 세 담당자가 실제로 궁금해하던 질문을 그대로 가져와, 에이전트가 그 자리에서 처리하는 과정을 데모로 시연했습니다.

브랜드 담당자는 경쟁사·소비자 동향과 브랜드 인식을, CRM 담당자는 쿠폰 정산과 성과 보고를, 디지털 담당자는 판매·이벤트 데이터를 각자의 관심사로 올렸고, Day 1 데모는 이 관심사를 세 갈래로 나눠 다뤘습니다. 다룬 질문은 저마다 다릅니다. 한눈에 정리하면 이렇습니다.

디지털팀: 판매 데이터를 채널·시간대·세그먼트로 쪼개 보기

디지털팀은 자사앱·배달앱 판매를 채널별, 카테고리별, 성별·연령대별, 시간대(런치·디너)별로 나눠 보고 재구매 주기와 쿠폰 사용 효과까지 확인하고 싶어했습니다.

데모에서는 판매 엑셀 한 장을 올리고 원하는 화면을 말로 지시하자, 채널별 매출과 시간대 흐름, 세그먼트, 쿠폰 효과, 재구매 지표가 한 화면에 채워진 대시보드가 그 자리에서 만들어지는 과정을 보여드렸습니다. 궁금한 세그먼트를 덧붙여 말하면 그 자리에서 숫자가 다시 채워집니다. 숫자를 만드는 데 쓰던 시간을 숫자를 해석하고 이벤트를 기획하는 데 쓸 수 있게 된다는 것이 이 데모의 요점이었습니다.

CRM팀: 한 번 만든 정산 프로세스를 '자산'으로 남기기

CRM팀은 매장·쿠폰마다 스킴이 조금씩 달라지는 월별 쿠폰 정산을 정확히 맞춰보고 싶어했습니다. 쿠폰 사용 내역과 매장 정산 청구를 한 건씩 맞대보며 금액이 맞는지, 미청구나 과청구, 중복청구는 없는지, 코드 오타는 없는지 점검하는 일입니다.

데모는 이 점검을 에이전트가 대신 수행해 예외 건을 찾아내는 데서 멈추지 않고, 점검 규칙을 아예 재사용 가능한 'Skill'로 저장하는 데까지 이어졌습니다. 그리고 새 세션을 열어 다음 달 데이터를 넣고 한 줄로 그 Skill을 다시 불러내자 같은 점검이 그대로 끝나는 장면까지 보여드렸습니다. 산출물 하나가 아니라 매달 쓰는 자산이 남는다는 점이 이 데모의 핵심이었습니다.

브랜드팀: 흩어진 시장·소비자 신호를 한자리에서 확인하기

브랜드팀은 시장과 소비자 반응을 읽는 게 일입니다. 경쟁 피자 브랜드의 신메뉴·프로모션 동향은 어떤지, 소비자 리뷰와 SNS에서는 어떤 화제 키워드가 오가는지가 이 팀의 관심사였습니다.

데모에서는 에이전트가 경쟁사 사이트를 직접 브라우저로 열어 신메뉴와 프로모션을 훑고 1페이지 브리프로 정리하는 과정을 보여드렸습니다. 이어서 배달앱 리뷰와 SNS, 커뮤니티에 흩어진 소비자 목소리를 모아둔 자료를 읽혀, 출처와 언급량을 붙여 답하게 하는 방식도 함께 다뤘습니다. '원조 프리미엄' 메시지가 어떻게 받아들여지는지, 팬피자와 리치골드가 왜 재구매로 이어지는지 같은 질문에 근거를 달아 답하는 식입니다.

시연이 끝난 뒤에도 계속 남는 건 무엇일까요

대시보드나 브리프 같은 결과물이 아니라, 그걸 만드는 방식입니다. 산출물 자체도 쓸모가 있지만, AX Grow가 진짜로 남기려는 건 "이런 게 필요하면 이렇게 만들면 된다"는 방식과 다음에 그대로 다시 쓸 수 있는 프롬프트·Skill입니다. 리포트 하나를 대신 만들어주는 것과, 마케터가 앞으로 리포트를 스스로 만들 수 있게 되는 것은 다른 이야기니까요.

Day 1은 그 가능성을 눈으로 확인하는 자리였고, 여기서부터는 각자의 업무를 직접 올려 만들어보는 단계로 이어집니다. 질문에 답을 내는 사이클을 내부에서 스스로 돌리게 되면, 실행 속도가 빨라지는 것 이상의 변화가 생깁니다. 궁금한 게 생겼을 때 어딘가에 요청하고 기다리는 대신, 그 자리에서 데이터를 열어 확인하게 됩니다. 데이터로 판단하는 팀이 된다는 건 결국 이 감각이 몸에 붙는 일입니다.

자주 묻는 질문 (FAQ)

Q. AI 에이전트는 챗GPT 같은 AI 챗봇과 뭐가 다른가요?

Q. 이 데모에 쓰인 판매·쿠폰·리뷰 데이터는 실제 피자헛 데이터인가요?

Q. Day 1은 시연 중심이었는데, 직접 만들어보는 과정도 있나요?

Q. 마케팅 조직이라면 어디든 같은 방식을 적용할 수 있나요?