AI 추천을 영업사원이 따르지 않을 때

영업 지원 AI를 도입하면 시스템은 매일 아침 방문할 고객과 제안할 상품을 추천합니다. 그런데 시간이 지나도 영업사원들이 실제로 일하는 방식이 도입 전과 비슷하면, 회의에서는 "현장을 모르는 추천"이라는 말과 "익숙하지 않아서 그렇다"는 말이 오갑니다.

영업사원이 AI 추천을 일에 실제로 쓰게 하려면 무엇을 바꿔야 할까요? 연구 결과를 보면 AI를 일에 얼마나 쓰는지는 시스템의 성능만으로 정해지지 않았습니다.

연구가 발견한 것

북유럽 4개국(덴마크 · 핀란드 · 노르웨이 · 스웨덴)에서 영업하는 한 다국적 제약사의 영업 담당자 72명을 대상으로 한 현장 실험이 있습니다(Krakowski 외, 2026). 연구진은 담당자들을 세 집단으로 나눴습니다. 기존 시스템 집단은 쓰던 시스템을 그대로 썼습니다. 나머지 두 집단은 찾아갈 고객의 우선순위와 고객별 영업 메시지를 추천하는 같은 AI 시스템을 받았습니다. AI 일괄 적용 집단에는 모든 담당자에게 같은 조건을 적용했고, AI 맞춤 적용 집단에는 담당자의 성향에 따라 AI와 일하는 조건 네 가지(업무 절차, 결정 권한, 교육, 보상)를 다르게 정했습니다. 연구진은 실험 전에 설문으로 세 집단 모든 담당자의 성향을 둘로 나눴습니다. 정해진 절차를 따르기를 선호하는 절차 선호형과, 일하는 방법을 스스로 정하기를 선호하는 자율 선호형입니다. 집단별 조건과 결과는 <표 1>과 같습니다.

<표 1> 집단별 AI 적용 조건과 하루 평균 고객 미팅 수(Krakowski 외, 2026)

주: 「기존 시스템 집단과 비교한 변화」는 연구진의 값을 그대로 옮긴 것이라, 위 행의 숫자로 계산하면 0.01회 다를 수 있습니다.

<표 1>의 미팅 수는 회사가 분기마다 기록한 담당자 한 명의 하루 평균 고객 미팅 횟수이고, 같은 고객을 다시 만난 것도 1회로 셌습니다. 판매량은 시차 없이 비교하면 AI 맞춤 적용 집단에서 늘었다고 통계적으로 확실히 말하기 어려웠습니다. 연구진은 판매가 영업 활동보다 늦게 따라올 수 있다고 보고 반년에서 2년 뒤까지 시차를 두고 판매량을 다시 분석했고, 그 결과는 <표 1>의 마지막 행과 같습니다. 다만 연구진은 다른 집단 사람끼리 서로 영향을 주지 않도록 같은 사업부 사람은 같은 집단에 넣었고, <표 1>처럼 집단마다 사업부가 4개뿐이라 이 결과들을 원인과 결과로 단정하지 말고 조심해서 읽으라고 했습니다.

AI 일괄 적용 집단의 담당자들은 새 시스템이 들어오면서 하루 일하는 방식이 크게 바뀌었다고 말했습니다. 그중 절차 선호형은 어떻게 일해야 하는지가 정해지지 않아 시스템이 좋은 도구인데도 제대로 쓸 수 없었다고 했고, 이 집단에서는 시스템을 쓰는 횟수도 점점 줄었습니다. 미팅이 줄어든 쪽은 주로 절차 선호형이었습니다. 이 집단의 조건은 절차 선호형에게 맞춘 조건과 업무 절차 하나만 달랐습니다. 자율 선호형은 반대로 업무 절차만 성향에 맞았는데, 기존 시스템 집단의 같은 성향과 차이가 거의 없었습니다. 연구진은 이 차이와 현장 관찰 · 담당자 면담을 근거로, 네 조건 가운데 업무 절차가 담당자가 매일 AI 시스템과 일하는 방식에 가장 큰 영향을 주었다고 보았습니다. 그리고 AI 시스템을 도입할 때 시스템의 성능만 비교하지 말고, 그 시스템이 기존에 일하는 방식을 얼마나 바꾸는지까지 함께 평가하라고 권했습니다.

24개월 동안 한 통신사에서 중간 규모 기업 고객을 맡은 영업 조직을 관찰한 연구도 있습니다(Pachidi 외, 2021). 데이터 분석가(data scientist)들이 만든 시스템이 어느 고객에게 언제 무엇을 제안할지 알려 주기 시작하자, 고객 담당자(account manager)들은 시스템이 추천을 만드는 방식에 의문을 품고 따르는 척하면서 하던 대로 일했습니다. 따르는 척하려고 고객관리시스템(CRM)에 남긴 기록이 쌓이자, 데이터 분석가들은 그 기록으로 경영진에게 시스템이 많이 쓰이고 효과를 낸다고 보여 주었습니다. 어떤 추천이 실제 주문으로 이어졌는지는 추적할 수 없었는데도 그랬습니다. 얼마 뒤 회사는 비용을 줄이려고 영업 조직을 개편했습니다. 고객 담당자 대부분이 해고되었고, 데이터 분석가들이 시스템으로 연락할 고객과 제안할 상품을 정하면 외부 영업 조직(콜센터)이 고객에게 연락하게 되었습니다. 경영진은 고객 담당자들이 남긴 기록을 보고 시스템이 이미 효과를 내고 있다고 여겼습니다. 그래서 이 개편을 시스템으로 영업을 더 효율적으로 바꾸는 일이라고 설명했습니다.

Pachidi 외(2021)는 고객 담당자가 따르는 척하고 데이터 분석가가 성공을 내세우는 일이 되풀이되면서 이런 결과로 이어졌고, 여기에 네 가지 조건이 작용했다고 보았습니다. 첫째, 고객 담당자도 데이터 분석가도 영업 조직의 일하는 방식을 정할 권한이 없어, 어느 쪽도 자기 방식을 정식으로 관철할 수 없었습니다. 둘째, 도입 초기에 경영진이 관여하지 않았습니다. 연구진은 경영진이 처음부터 관여했다면 두 쪽이 겉으로만 행동하는 대신 서로 실질적으로 논의했을 수 있다고 보았습니다. 셋째, 판매가 크고 복잡하지 않았습니다. 같은 회사에서 대기업 고객을 맡은 담당자들은 고객과의 관계가 매출에 너무 중요해서 시스템 도입을 거절할 수 있었습니다. 넷째, 데이터 분석가들이 영업팀과 따로 떨어져 일했습니다. 연구진은 둘이 같은 곳에서 일하거나 짝을 이뤘다면 더 진지하게 함께 일했을 수 있는데, 떨어져 있어서 두 쪽의 차이가 더 벌어졌다고 보았습니다.

MBA 학생 112명이 두 사람씩 56팀을 이뤄 실제 기업 사례 두 가지를 푼 실험실 연구가 있습니다(Lilien 외, 2004). 하나는 추가 마케팅 예산을 줄 고객 20곳을 88곳 가운데서 고르는 문제였고, 다른 하나는 늘어나는 영업사원을 제품 7개에 나누는 문제였습니다. 모든 팀이 같은 데이터를 엑셀로 받았고, 일부 팀의 엑셀에는 계산 기능을 넣었습니다. 첫 문제에서는 고객마다 이 회사 제품을 살 확률을 계산해 주었습니다. 둘째 문제의 데이터에는 제품별 영업 인력을 바꾸면 매출이 얼마나 달라지는지가 들어 있었고, 계산 기능은 이것으로 이익이 가장 큰 배분과 그때의 예상 이익을 찾아 보여 주었습니다. 각 팀의 결정으로 늘어날 매출이나 이익을 연구진이 계산해 보니, 두 문제 모두 계산 기능을 쓴 팀이 엑셀만 쓴 팀보다 컸습니다. 그런데 쓴 사람들의 만족도는 결정이 좋아진 만큼 일관되게 오르지 않았습니다. 경영진을 대신해 평가를 맡은 교수 세 명은 어느 팀이 계산 기능을 썼는지 모른 채 점수를 매겼는데, 그 팀들의 점수가 더 높지 않았고 점수는 보고서가 길수록(추천 이유를 쓴 단어가 많을수록) 높았습니다. 연구진은 결과가 좋아져도 쓰는 사람이 그 차이를 보게 해야 도구가 쓰인다고 보았습니다. 그래서 도구를 세 가지로 설계하라고 권했습니다. 첫째, 추천마다 이유를 설명하고 결과를 그림으로 보여 줘, 함께 결정하는 사람들이 그 추천을 두고 논의하게 합니다. 둘째, 영업사원 배분 문제의 계산 기능처럼 조건을 바꿔 가며 여러 배분안을 쉽게 비교하게 합니다. 연구진은 이런 기능이 있을 때 사람들이 문제를 더 깊이 생각해 결정이 좋아졌다고 보았습니다. 셋째, 사람이 고른 안마다 예상되는 결과를 보여 주고, 그 결과가 어떤 계산에서 나왔는지 알 수 있게 합니다. 연구진은 영업사원 배분 문제의 계산 기능이 이렇게 되어 있었던 반면, 고객 고르기 문제의 계산 기능은 고객별 구매 확률만 알려 줄 뿐 어떤 고객을 고르면 이익이 얼마나 될지는 보여 주지 않았다고 비교했습니다.

영업 현장에서 달라지는 것

앞의 제약사 실험에서 맞춤은 모두에게 재량을 더 주는 것이 아니었습니다. AI 맞춤 적용 집단에서 절차 선호형에게는 절차를 정해 주었고 자율 선호형에게는 재량을 주었는데, <표 1>처럼 두 성향 모두 미팅이 늘었습니다. 저는 효과를 낸 것이 재량의 크기가 아니라 사람마다 AI와 일하는 방식을 다르게 정해 준 점이라고 봅니다.

AI 추천 시스템은 아니었지만, 입력 건수는 채워져도 그 기록이 쓰이지 않는 일은 제 현장에도 있었습니다. 제가 영업을 총괄하던 회사에서 CRM을 도입할 때는 입력하는 습관을 먼저 들여야 한다고 보고, 방문 실적 입력 건수를 개인 평가 지표(KPI)에 넣었습니다. 건수는 회사 방침대로 채워졌지만, 내용의 질까지 확인하는 방법은 정하지 않아 쌓인 정보의 활용 가치는 매우 낮았습니다. 영업사원에게 입력은 추가 업무였고, 자기 영업 비밀을 드러내는 일이었고, 고객 방문을 포함해 자기가 쓸 시간을 줄이는 일이었습니다. 시간이 지나면서 CRM을 어떻게 활용할지는 본사에서도 지사에서도 다시 논의되지 않았습니다.

그래서 저는 도입 성과를 입력 건수로 판단할 때, 입력 내용의 질을 누가 언제 확인할지도 처음부터 정해야 한다고 봅니다. 건수만으로는 시스템이 실제로 영업에 쓰이는지 알기 어렵습니다.

도입 뒤에 정할 것

1. 사람마다 AI와 일하는 방식을 어떻게 다르게 정할 것인가? 절차 선호형에게는 고객 목록 작성, 고객별 접촉 계획, 요약 보고서로 이어지는 절차를 정해 주고 관리자가 지켰는지 확인합니다. 자율 선호형에게는 AI가 추천한 자원 배분에서 관리자 승인 없이 벗어날 수 있는 범위를 정합니다. 교육과 보상도 <표 1>처럼 성향에 따라 다르게 정합니다(Krakowski 외, 2026).
2. 도입 초기에 누가 현장에 관여할 것인가? 경영진이 처음부터 관여하고, 시스템을 만든 데이터 분석가가 영업팀과 함께 일하게 합니다(Pachidi 외, 2021).
3. 효과를 무엇으로 판단할 것인가? 쓴 사람의 만족도와 평가자 점수(Lilien 외, 2004), 입력 건수(Pachidi 외, 2021) 대신, 앞의 제약사 실험처럼 쓰는 팀과 쓰지 않는 팀의 영업 활동과 판매를 나란히 비교합니다. 이 실험에서 AI 맞춤 적용 집단의 판매 증가는 1년이 지난 뒤에야 확실해졌습니다. 그러니 도입 직후 몇 달의 판매로 판단하지 말고, 판매가 따라올 만큼 시간을 두고 비교합니다.