LangChain의 GTM 에이전트 구축기: 영업 생산성 250% 향상 사례

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

핵심 요약

LangChain은 영업 담당자들이 리드 연구와 이메일 작성에 소비하는 시간을 줄이기 위해 GTM 에이전트를 구축했다. 이 에이전트는 Salesforce, Gong, LinkedIn 등 다양한 데이터 소스를 통합하여 개인화된 이메일 초안을 작성하고 Slack을 통해 담당자의 승인을 받는다. 도입 결과 리드 전환율이 250% 향상되었으며, 담당자당 월 40시간의 업무 시간을 절감하는 성과를 거두었다. 특히 Deep Agents 프레임워크를 활용해 복잡한 다단계 워크플로우를 안정적으로 구현하고, 사용자의 수정을 학습하는 메모리 시스템을 갖춘 것이 특징이다.

배경

LLM 에이전트 기본 개념, LangChain 및 LangSmith에 대한 이해, CRM 및 영업 워크플로우 지식

대상 독자

AI 에이전트를 실무 워크플로우에 도입하려는 개발자 및 비즈니스 운영자

의미 / 영향

이 사례는 AI 에이전트가 단순한 챗봇을 넘어 기업의 핵심 비즈니스 프로세스를 엔드투엔드로 자동화할 수 있음을 증명한다. 특히 인간의 피드백을 데이터로 전환하여 모델을 지속적으로 개선하는 구조는 실무형 AI 시스템의 표준 모델이 될 가능성이 높다.

섹션별 상세

GTM 에이전트는 Salesforce의 신규 리드 생성을 트리거로 작동하며, 고객 지원 티켓 유무나 최근 연락 이력을 확인하는 안전 점검을 최우선으로 수행한다.

아웃리치 전 수행되는 안전 점검 프로세스의 플로우차트이다. — Diagram신규 리드가 발생했을 때 Salesforce와 Gmail을 확인하여 지원 티켓이 열려 있거나 최근 팀원의 연락이 있었는지 검사하는 로직을 보여준다. 이 단계에서 'Yes'가 나오면 전송을 중단하여 부적절한 자동화를 방지한다.

에이전트는 Salesforce 레코드, Gong 통화 녹취록, LinkedIn 프로필 등을 분석하고 필요시 Exa를 통한 웹 검색을 병행하여 리드의 맥락을 파악한다.

GTM 에이전트가 연결된 8개의 주요 데이터 소스를 보여주는 다이어그램이다. — DiagramSalesforce, BigQuery, Gmail, LinkedIn, Apollo, Slack, Gong, Exa 등 에이전트가 정보를 수집하고 소통하는 외부 도구 생태계를 나타낸다. 중앙의 GTM Agent가 이 모든 소스를 오케스트레이션하는 핵심 역할을 수행함을 시각화한다.

작성된 이메일 초안은 Slack DM으로 전달되며, 영업 담당자는 이를 그대로 전송하거나 수정 또는 취소할 수 있는 Human-in-the-loop 구조를 가진다.

Slack에서 SDR 에이전트가 작성한 이메일 초안의 실제 UI 스크린샷이다. — Screenshot에이전트가 작성한 제목과 본문, 그리고 Calendly 링크가 포함된 초안을 보여준다. 담당자가 Slack 내에서 직접 내용을 확인하고 후속 조치를 취할 수 있는 인터페이스를 확인할 수 있다.

담당자가 초안을 수정하면 시스템은 원본과 수정본의 차이를 분석하여 담당자의 스타일 선호도를 학습하고 이를 PostgreSQL에 저장해 다음 초안에 반영한다.

복잡한 데이터 처리를 위해 Deep Agents를 사용하여 대규모 도구 호출 결과를 가상 파일 시스템에 오프로드하고, 서브에이전트를 통해 병렬 처리를 구현했다.

GTM 에이전트의 중앙 오케스트레이터 구조를 나타내는 다이어그램이다. — Diagram에이전트가 각 데이터 소스로부터 어떤 정보를 가져오는지(CRM 데이터, 사용 데이터, 이메일 스레드 등) 구체적인 데이터 유형을 명시한다. Slack이 사용자가 작업하는 인터페이스(IN/OUT)임을 명확히 보여준다.

리드 처리 엔진의 전체 워크플로우를 상세히 설명하는 플로우차트이다. — Diagram연구(Research), 초안 작성(Draft), 담당자 검토(Rep Review)의 3단계 과정을 상세히 나타낸다. 특히 담당자의 수정 사항을 학습하는 루프와 48시간 후 자동 전송되는 타임아웃 폴백 로직이 포함되어 있다.

LangSmith를 활용해 모든 사용자 액션(전송, 수정, 취소)을 추적하고, 이를 바탕으로 에이전트의 성능을 지속적으로 평가하고 개선하는 루프를 구축했다.

실무 Takeaway

영업 워크플로우 자동화 시 Human-in-the-loop를 단순한 안전장치가 아닌 사용자 선호도를 학습하는 데이터 수집 메커니즘으로 활용해야 한다.
복잡한 에이전트 시스템 구축 전 LangSmith와 같은 도구로 성공 기준(Eval)을 먼저 정의하고 시나리오 라이브러리를 구축하는 것이 중요하다.
에이전트를 기업 내 주요 시스템(Salesforce, BigQuery 등)에 조기에 연결하면 설계하지 않은 용도로도 자연스럽게 확산되어 생산성을 높일 수 있다.

언급된 리소스

문서LangSmith