이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
Notion의 GTM 엔지니어링 팀은 Salesforce, Gong, Outreach 등 파편화된 영업 도구들로 인해 발생하는 데이터 사일로 문제를 해결하기 위해 AI 기반의 통합 의사결정 시스템을 구축했다. 이 시스템은 Snowflake로 데이터를 처리하고 DynamoDB에 프로필을 저장하며 Temporal을 통해 내구성 있는 워크플로우를 실행한다. 인간과 에이전트가 동일한 맥락을 공유하며 협업하는 구조를 설계하여, 영업 담당자의 업무 효율을 높이고 컨텍스트 기반 추천을 통해 고객 전환율을 63% 향상시켰다.
챕터별 상세
GTM 시스템의 파편화 문제
기존 영업 환경은 Salesforce, Gong 등 여러 도구에 데이터가 분산되어 있어 정보 파악이 어려웠다. Notion GTM 팀은 이를 해결하기 위해 고객 여정을 단일 시스템으로 통합하고자 했다. 파편화된 도구들은 서로 데이터를 공유하지 않아 영업 담당자의 인지 부하를 가중시켰다. 이 문제는 단순한 마케팅 운영 이슈를 넘어 복잡한 분산 시스템 문제로 정의되었다.
통합 의사결정 시스템의 4단계 설계
시스템은 '무엇을 아는가(Know)', '다음 단계는 무엇인가(Decide)', '어떻게 안전하게 실행하는가(Act)', '결과는 어떠했는가(Learn)'라는 네 가지 질문에 기반한다. 이 구조는 인간과 에이전트가 동일한 데이터 기반 위에서 작동하도록 설계되었다. 각 단계는 데이터 처리와 의사결정의 연속성을 보장한다. 이는 시스템의 일관성을 유지하는 핵심 아키텍처가 되었다.
인간과 에이전트의 협업 구조
에이전트는 반복적인 데이터 수집과 분석을 담당하고, 인간은 최종 판단과 고객 관계 관리를 수행한다. 에이전트가 직접 고객과 소통하지 않도록 설계하여 보안 위험을 방지했다. 인간과 에이전트는 동일한 맥락을 공유하며, 에이전트의 제안을 인간이 검토하고 승인하는 루프를 형성한다. 이는 에이전트를 보조 도구가 아닌 운영자로 활용하는 방식이다.
데이터 인프라: Snowflake와 DynamoDB
Snowflake는 데이터 웨어하우스로서 원천 데이터를 처리하여 '진실(Truth)'을 계산한다. DynamoDB는 이를 비정규화된 프로필 형태로 저장하여 에이전트가 밀리초 단위로 쿼리할 수 있게 한다. 이 구조는 복잡한 조인 없이 데이터를 빠르게 조회할 수 있게 한다. 결과적으로 모든 하위 시스템이 일관된 데이터를 참조할 수 있게 되었다.
신호(Signal) 기반 작업 자동화
신호(Signal)는 고객의 행동이나 외부 이벤트(펀딩, 기술 스택 변경 등)를 영업 작업으로 전환하는 단위다. 사용자가 직접 생성한 신호와 외부에서 유입된 신호를 구분하여 처리한다. 이 신호들은 에이전트가 다음 행동을 결정하는 트리거가 된다. 이를 통해 시스템은 반응형이 아닌 능동적인 영업 활동이 가능해졌다.
Temporal을 활용한 내구성 있는 에이전트 워크플로우
Temporal은 에이전트의 워크플로우를 내구성 있게 관리하여, 중간에 오류가 발생해도 전체 배치가 실패하지 않도록 한다. 각 워크플로우는 데이터 수집, 분석, 이메일 작성 등의 단계를 포함한다. 오류 발생 시 중단된 지점부터 재시도하거나 상태를 복구할 수 있다. 이는 복잡한 비즈니스 로직을 안정적으로 실행하는 기반이 되었다.
데모: Notion 내에서의 에이전트 활용
영업 담당자는 Notion 내에서 에이전트에게 고객 정보를 묻고 이메일 초안을 작성할 수 있다. 에이전트는 DynamoDB의 맥락을 활용해 답변을 생성한다. 담당자는 작성된 초안을 검토하고 수정하여 즉시 발송한다. 이는 도구 전환 없이 단일 인터페이스에서 업무를 완결하는 효율성을 보여준다.
빌드 vs 구매 전략
핵심 맥락 레이어는 직접 구축하고, 이메일이나 CRM 같은 범용 기능은 외부 도구를 빌려 사용하는 전략을 취했다. 범용 도구는 이미 시장에서 충분히 검증되었기 때문이다. 반면, 기업 고유의 데이터와 의사결정 로직은 직접 구축하여 경쟁 우위를 확보했다. 이는 리소스를 효율적으로 배분하는 결정이었다.
초기 성과 및 핵심 교훈
도입 13주 만에 영업 담당자의 자격 있는 기회(Qualified Opportunities)가 증가했다. 컨텍스트 기반 추천을 받은 사용자의 다음 단계 전환율이 63% 향상되었다. 가장 중요한 교훈은 에이전트 구축 전 인간의 업무 방식을 먼저 관찰하고, 이를 원시적인 워크플로우로 모델링해야 한다는 점이다. 시스템의 성공은 인간과 에이전트가 동일한 맥락을 공유하는 데 달려 있다.
용어 해설
- 시장 진출 전략(GTM)
- — Go-To-Market의 약자로, 제품이나 서비스를 시장에 출시하고 고객에게 전달하는 전반적인 전략을 의미한다. 본 영상에서는 영업 및 마케팅 프로세스의 효율화를 위한 시스템 구축 맥락에서 사용된다.
- 내구성 있는 워크플로우(Durable Workflow)
- — 시스템 장애나 프로세스 중단 시에도 상태를 유지하고 중단된 지점부터 작업을 재개할 수 있는 워크플로우 설계 방식이다. Temporal과 같은 도구를 통해 복잡한 비즈니스 로직의 안정성을 보장한다.
- 맥락 레이어(Context Layer)
- — 에이전트와 인간이 의사결정을 내릴 때 필요한 모든 정보를 통합하여 제공하는 데이터 계층이다. 파편화된 데이터를 정규화하고 비정규화하여 에이전트가 즉시 활용할 수 있는 상태로 유지하는 역할을 한다.
- 검색 증강 생성(RAG)
- — 외부 지식 베이스를 검색하여 모델의 답변에 필요한 맥락을 제공하는 기술이다. 본 영상에서는 기업 내 문서와 데이터를 에이전트가 활용할 수 있도록 하는 기반 기술로 언급된다.
- 비정규화 프로필(Denormalized Profile)
- — 데이터베이스에서 조인 연산을 최소화하기 위해 여러 테이블의 정보를 하나의 레코드에 통합하여 저장한 데이터 형태이다. 에이전트가 밀리초 단위로 빠르게 고객 정보를 조회하는 데 사용된다.
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 08. 26.수집 2026. 08. 26.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
