이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
Snowflake는 영업 조직의 데이터 사일로와 반복 업무 문제를 해결하기 위해 AI 에이전트 'Raven'을 구축했다. '품질이 곧 신뢰'라는 원칙 아래 50명 규모의 파일럿부터 시작해 단계적으로 배포하며, 사용자 피드백을 기반으로 60% 이상의 데이터를 사후에 추가하는 등 지속적으로 아키텍처를 재설계했다. 단순히 데이터를 조회하는 기능을 넘어 워크플로우 자동화와 도구 민주화로 확장하며, 영업 조직의 변화 관리와 로그를 활용한 피드백 루프가 성공의 핵심임을 강조한다.
챕터별 상세
Raven GTM AI Assistant 성과
Snowflake의 내부 영업 지원 AI 에이전트인 'Raven'은 6,000명의 사용자를 확보하고 120만 건 이상의 질문에 답했다. 주당 약 4만 건의 질문을 처리하며 80명 이상의 정규직 인력에 해당하는 생산성 향상과 5배 이상의 투자 대비 수익(ROI)을 달성했다. 이는 Snowflake의 데이터 플랫폼인 Snowflake CoWork를 기반으로 구축되어 사내 영업 팀의 데이터 접근성을 획기적으로 높였다.
영업 조직의 데이터 사일로 문제
영업 조직의 절반은 데이터 사일로 문제로 고통받는다. 1차, 3차 데이터가 여러 SaaS 도구에 흩어져 있어 영업 담당자들은 15개 이상의 도구를 사용하며 스프레드시트로 데이터를 수동으로 취합한다. 1,000개의 계정을 담당하는 영업 담당자가 최신 뉴스, 소비 현황, 지원 티켓, 실적 등을 매일 수십 번 확인하는 것은 인간의 능력으로 불가능하다.
품질 중심의 신뢰 구축
사용자 신뢰는 구축하기 어렵지만 잃기는 한순간이다. Raven은 자유 형식의 챗봇이므로 초기 응답 품질이 사용자의 지속적인 사용 여부를 결정한다. 100개 질문에 70% 정확도로 답하는 것보다 50개 질문에 95% 정확도로 답하는 것이 낫다. 신뢰를 잃은 사용자를 다시 데려오는 비용이 신규 사용자 확보보다 10배 높기 때문에 '품질이 곧 신뢰'라는 원칙을 고수했다.
초기 배포 전략과 데이터 준비
에이전트를 배포하기 전, 실제 영업 프로세스에서 추출한 150개의 질문을 먼저 작성했다. 엔지니어링 팀은 관련 데이터가 연결되지 않았다고 반대했지만, 이는 데이터 통합의 필요성을 증명하는 과정이었다. 초기 런칭 시점에는 데이터가 부족했지만, 이후 60% 이상의 데이터가 사후에 추가되며 현재는 15개의 시맨틱 뷰, 85개의 테이블, 3,000개의 컬럼을 아우르는 거대한 시스템으로 성장했다.
단계적 배포: 파일럿에서 GA까지
에이전트 배포는 파일럿, 베타, 일반 공개(GA)의 3단계로 진행했다. 50명 규모의 파일럿으로 정확도와 신뢰를 검증하고, 600명 규모의 10% 베타에서는 최소 기능 제품(MVP)의 깊이와 사용자 유지율을 확인했다. 주간 활성 사용자(WAU)와 질문 유지율을 추적하여 70% 이상의 유지율을 달성한 후 GA로 전환하여 전체 조직에 배포했다.
변화 관리의 중요성
영업 조직 내 AI 프로젝트 실패의 원인은 기술이 아니라 활성화(Activation) 단계에 있다. 영업 담당자의 업무 60~70%는 회의와 데모이므로, 이들이 AI를 사용하게 만드는 변화 관리가 성공의 핵심이다. 단순히 기술을 제공하는 것을 넘어 영업 리더의 지원을 얻고, 데모를 시연하며, 사용하지 않는 팀을 독려하는 등 60~70%의 시간을 변화 관리에 투자했다.
기대치 상승과 워크플로우 자동화
데이터 조회 기능은 몇 달 만에 기본값이 되어 신기함이 사라진다. 이를 '와우 팩터의 붕괴'라고 부르며, 사용자의 기대치는 지속적으로 상승한다. 단순히 데이터를 묻는 단계를 넘어, 받은 데이터를 바탕으로 이메일을 작성하거나 슬랙 채널을 모니터링하는 등 워크플로우 자동화와 팀 단위의 도구 구축으로 로드맵을 확장해야 한다.
지속적인 아키텍처 재설계
완벽한 아키텍처를 찾기보다 변화하는 기술에 맞춰 재설계하는 것이 중요하다. 초기 설계와 현재 아키텍처를 비교하면 80%가 다르다. 스킬 라이브러리, MCP 서버, 프로그레시브 디스클로저 등 새로운 기술이 나올 때마다 유연하게 피벗하여 적용했다. 6~9개월이 걸리는 대형 프로젝트 대신 몇 주 단위로 빠르게 구축하고 학습하는 방식을 택했다.
로그를 활용한 피드백 루프
로그는 피드백 루프를 만드는 금광이다. LLM을 사용하여 로그를 토픽별로 분류하고, 데이터 과학자가 이를 분석하여 기능 격차를 실시간으로 파악한다. 사용자가 욕설을 하거나 질문을 반복하는 지점을 찾아내어 지식 문서나 배틀 카드를 보완한다. 이는 수백 명의 영업 담당자를 인터뷰하는 것보다 훨씬 빠르고 정확하게 개선점을 찾아내어 영업 활성화에 기여한다.
용어 해설
- 시장 진출 전략(GTM)
- — Go-to-Market의 약자로, 신제품이나 서비스를 시장에 출시하고 고객에게 도달하기 위한 포괄적인 전략이다. 영업, 마케팅, 고객 성공 팀이 협력하여 수익을 창출하는 전 과정을 포함한다.
- 데이터 사일로(Siloed Data)
- — 조직 내의 특정 부서나 시스템에 데이터가 격리되어 다른 부서와 공유되지 않는 현상이다. 데이터 통합을 저해하여 AI 모델이 전체 맥락을 파악하는 데 방해가 된다.
- 변화 관리(Change Management)
- — 조직 내 새로운 기술이나 프로세스를 도입할 때 구성원들이 이를 수용하고 활용하도록 돕는 체계적인 접근 방식이다. 기술 자체보다 사용자의 행동 변화를 유도하는 것이 성공의 핵심이다.
- Model Context Protocol(MCP)
- — AI 에이전트가 외부 데이터 소스 및 도구와 상호작용하기 위한 표준 프로토콜이다. 에이전트가 다양한 시스템에 연결되어 맥락을 이해하고 작업을 수행하도록 돕는다.
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 08. 27.수집 2026. 08. 27.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.
