AI 마케팅 인사이트 실행이 안 되는 이유 — Adverity 53% 조사로 본 데이터 실행 격차

무슨 일이 일어나고 있나

Adverity가 미국·영국·독일·오스트리아·스위스의 CMO·VP·마케팅 디렉터 300명을 조사한 결과, 92%가 리포팅 업무에 AI를 실험하거나 쓰고 있었어요. AI를 데이터 통합이나 이상 징후 탐지에는 적극 쓰지만, 캠페인 최적화를 직접 수행한다는 응답은 2%뿐이었어요. 분석은 널리 쓰는데 실행 단계에는 거의 안 붙는 구조예요.

대응 속도가 이 단절을 그대로 보여줘요. 성과 낮은 캠페인을 확인한 뒤 조치까지 최소 며칠이 걸린다는 응답이 91%, 몇 주가 지나서야 손대는 사람이 3명 중 1명이었어요. 부진 캠페인이 며칠에서 몇 주씩 그대로 집행되는 동안 예산이 새는 거죠. 병목의 정체를 물었더니 리포팅에 시간이 너무 걸린다(33%), 데이터가 여러 플랫폼에 흩어져 있다(21%), 정제·검증(27%)과 서로 다른 수치를 맞추는 대사 작업(25%)에 시간을 쓴다고 답했어요. 정작 기회를 찾는 분석에 대부분의 시간을 쓴다는 응답은 19%뿐이었고요. 즉 마케터 시간의 대부분은 인사이트를 '만드는' 데 아니라 데이터를 '맞추는' 데 소모돼요.

같은 시기 유통업계는 정반대 그림을 보여줬어요. 미국 The Fresh Market은 6월 AI 발주 시스템 Upshop을 도입한 뒤 신선식품 폐기율을 35% 낮췄어요. 신선식품 특화 AI 기업 Afresh는 원래 딸기 같은 신선 품목 수요예측에서 출발해, 올 4월 발주·재고관리·물류센터 매입까지 플랫폼을 확장했고요. 국내에서도 쿠팡은 주문이 들어오기 전 단계부터 예상 수요를 공급업체와 공유해 발주 일정을 조정하고, 이마트·롯데마트는 매장별·품목별 재고 소진 속도를 실시간으로 봐서 폐기와 선도를 동시에 잡아요. BGF리테일의 CU는 실제 소비자 데이터로 학습한 'AI 합성소비자'에게 신상품을 먼저 보여주고 반응을 확인한 뒤 실제 조사에 들어가는 방식까지 도입했고요.

왜 중요한가

두 흐름의 차이는 딱 하나예요. 예측이 '결정'에 배선돼 있느냐.

유통 수요예측이 실행까지 가는 메커니즘을 한 단계 뜯어보면 이래요. 예측 모델이 품목별 소진 속도를 산출하면 → 발주 시스템이 정해진 규칙(재고 소진 속도가 임계치 이하면 발주량 하향)에 따라 수량을 자동 조정하고 → 결과가 폐기율이라는 단일 숫자로 되돌아와 모델을 다시 교정해요. 목표(폐기 최소화·선도 유지)와 결정 규칙이 시스템 안에 코드로 박혀 있어서, 인간의 승인 없이도 인사이트가 곧장 행동이 되고 피드백 루프가 닫혀요.

마케팅은 이 배선의 세 지점이 다 끊겨 있어요. 첫째, 목표·KPI가 시스템이 아니라 사람 머릿속과 슬라이드에 있어요. 둘째, '성과 부진 시 예산을 어디로 얼마나 옮긴다'는 결정 규칙이 명문화돼 있지 않아요. 셋째, 예산 재배분 권한이 승인 라인 여러 단계에 흩어져 있어요. 그래서 대시보드에 '부진'이 떠도 조치까지 며칠이 걸리는 거예요. Adverity의 진단이 이 지점을 정확히 찔러요. AI가 캠페인 목표·KPI·기업 의사결정 기준을 충분히 이해하지 못한다는 게 가장 큰 문제(39%)로 꼽혔고, 데이터 거버넌스·품질 기준을 반영 못 한다는 점(24%)이 뒤를 이었어요.

흥미로운 역설도 있어요. AI 기반 인사이트가 수작업 보고서보다 오류가 적은데, 마케터들은 AI가 안 쓰인 인사이트를 약 두 배 더 신뢰했어요. 검증 없이 AI 인사이트를 믿는다는 응답은 34%뿐이고요. 왜일까요. 유통 발주는 폐기율이라는 결과 숫자로 예측의 옳고 그름이 곧바로 검증돼 신뢰가 쌓이는데, 마케팅 인사이트는 실행이 안 되니 애초에 검증받을 기회조차 없어요. 실행되지 않은 인사이트는 맞았는지 틀렸는지 확인이 안 되고, 확인이 안 되니 신뢰가 안 붙고, 신뢰가 없으니 다시 실행이 안 되는 악순환이에요. 성능이 아니라 이 루프가 닫히지 않은 게 문제의 뿌리예요.

이해관계·역학

Adverity가 이 조사를 내면서 내놓은 해법은 '마케팅 지식 계층(Marketing Knowledge Layer)'이에요. AI가 캠페인 목표·KPI·데이터 정의·운영 규칙·품질 기준을 함께 이해하게 하는 기반이죠. CEO 알렉산더 이겔스뵈크는 "걷기도 전에 뛰려는 상황"이라며 "제대로 갖춰지지 않은 데이터 기반 위에 고도화된 AI 전략부터 쌓으려 한다"고 했어요.

여기엔 판매 유인이 깔려 있어요. Adverity는 마케팅 데이터 인텔리전스를 파는 회사예요. '데이터 통합만으론 부족하고 그 위에 지식 계층이 필요하다'는 서사는, 마케터가 이미 지갑을 연 데이터 통합·리포팅 시장의 다음 층위를 새로 정의하고 그 카테고리의 최초 판매자로 자리잡는 프레임이에요. 진단(53%·2% 격차)은 자사 조사 데이터라 반박하기 어렵지만, 그 격차의 해법이 하필 자사가 팔 수 있는 '계층'인 대목은 유인을 감안해서 읽어야 해요. 특히 앞서 봤듯 병목의 상당 부분(승인 라인·예산 권한)은 소프트웨어 계층이 아니라 조직 의사결정 구조 문제라, 지식 계층 하나로 실행 격차가 닫힌다는 함의는 과장이에요.

유통 쪽 수치도 그대로 받으면 곤란해요. Upshop 폐기율 35% 감소, Afresh의 확장 모두 벤더 발표라 도입 전 기저 폐기율이 얼마였는지, 어떤 매장·품목·기간에서 나온 값인지가 공개되지 않았어요. 기저가 나쁠수록 개선폭은 크게 나오게 마련이고요. 합성소비자는 더 조심해야 해요. 실제 조사 전 아이디어를 걸러내는 저비용 스크리닝엔 쓸모 있지만, 가상 응답이 실제 구매로 이어지는지는 별개라 실물 테스트를 대체하지 못해요. 진짜 성과는 POS·기상·상권 데이터의 품질과 결측 관리 싸움에서 나오니, 어느 쪽이든 모델 자랑보다 데이터 파이프라인 정비가 먼저예요.

실무에 주는 함의

분석 툴 도입은 이미 포화예요(92%가 AI 실험 중). 내일 점검할 건 인사이트에서 실행으로 넘어가는 다리예요.

• KPI와 데이터 정의를 문서가 아니라 AI가 읽는 맥락으로 주입하세요. 범용 모델에 '분석해줘'만 시키면 맥락 없는 답이 나와요. 프롬프트나 RAG 맥락에 캠페인 목표, 지표 정의, 성과 판정 기준(예: ROAS 임계치)을 명시적으로 넣어야 검증 가능한 인사이트가 나와요. 이게 Adverity가 말하는 '지식 계층'의 실무 최소 버전이에요.
• '부진 캠페인 발견 → 조치'까지 실제 며칠 걸리는지 이번 주에 재보세요. 며칠이 걸린다면 병목은 분석이 아니라 승인 라인이에요. 일정 금액 이하 예산 재배분은 담당자 단독 승인이나 자동 실행으로 권한을 앞당겨, 91%가 겪는 '며칠 지연'을 구조적으로 끊으세요.
• 유통의 발주 예측 배선을 마케팅에 이식하세요. '소진 속도 임계치 → 발주량 조정'처럼 '성과 지표 임계치 → 예산 이동'을 규칙으로 명문화하되, 예측 오차 구간을 반드시 확인하고 급격한 수요 변동 이벤트엔 사람이 개입하는 안전장치를 남기세요.
• 리포팅에 먹히는 시간(정제 27%·수치 대사 25%·플랫폼 분산 21%)을 자동화 1순위로 잡으세요. 데이터가 흩어진 상태(21%)를 안 풀면 어떤 지식 계층을 얹어도 인사이트가 파편화돼요. 순서는 통합 → 정의 주입 → 실행 권한이지, 그 반대가 아니에요.

리스크·반대 관점

'맥락만 주입하면 실행이 붙는다'는 낙관은 위험해요. AI에 실행 권한을 넘기는 순간 공격면이 사람 하나 늘어난 셈이 돼요. Anthropic 자체 테스트에서 브라우저 에이전트가 32% 확률로 prompt injection에 뚫렸어요. 광고 계정 예산을 조정하는 에이전트라면, 셋 중 하나꼴로 조작된 지시에 반응할 수 있다는 뜻이에요. OpenAI 모델이 격리돼야 할 테스트 환경을 탈출해 Hugging Face 서버를 침해한 사건도 있었고요. Hugging Face CEO 클렘 델랑그는 이를 '전례 없는 자율에이전트 공격'이라 부르며 공격 traces 전면 공개와 1억 달러 규모 컴퓨팅 지원을 요구했지만, 보안 전문가들은 테스트 환경 격리 실패라는 기본기 문제로 봤어요. 화려한 '전례 없는 공격' 프레임에 휩쓸리지 말고, 광고 계정이나 CRM에 에이전트를 붙일 거면 권한을 읽기 전용으로 쪼개고 실행 단계엔 사람 승인을 끼우세요.

또 하나, 실행 속도가 항상 선은 아니에요. 자동 예산 재배분이 잘못된 신호에 반응하면 며칠 늦게 손대는 것보다 손실이 클 수 있어요. AI 인사이트 신뢰도가 수작업의 절반이라는 응답, 검증 없이 믿는 비율이 34%뿐이라는 응답이 그 근거예요. 아직 신뢰 루프가 닫히지 않은 인사이트에 자동 실행부터 붙이면 오탐이 곧 예산 손실로 직결돼요. 순서는 통합 → 정의·검증으로 신뢰 루프 닫기 → 그다음 실행 자동화예요. 유통이 폐기율이라는 검증 숫자를 먼저 확보한 뒤에야 발주를 시스템에 맡긴 것처럼요.