Vercel의 인바운드 영업 에이전트

1. 왜 이 사례인가

많은 조직이 GTM(Go-To-Market) 자동화를 시도할 때 챗봇 FAQ 응대나 이메일 초안 작성 보조와 같은 가벼운 작업부터 출발합니다. 하지만 Vercel이 SaaStr 공개 인터뷰에서 공개한 사례는 그보다 한 걸음 더 깊은 코어 영역을 겨냥했습니다. 숙련된 영업 담당자가 매일 수작업으로 처리하던 인바운드 리드 적격성 심사(lead qualification) 파이프라인 전체를 인공지능 에이전트로 전면 이관한 것입니다.

Vercel의 COO 잔 드위트 그로서(Jeanne DeWitt Grosser)는 Google과 Stripe에서 각각 10년 가까이 GTM 조직을 총괄한 베테랑 리더입니다. SaaStr 보도에 따르면 그녀는 Vercel에 합류한 지 약 6주 만인 2025년 6월에 전담 GTM 엔지니어링 팀을 신설하고, ‘GTM 조직 전반에 에이전트를 도입하라’는 명확한 단일 미션을 부여했습니다. 전담 팀이 구축한 리드 적격 심사 에이전트는 2025년 8월 상용 배포되었으며, 사람이 결과물을 전수 검증하는 HITL(Human-in-the-Loop) 모드를 약 6주 운영한 뒤 해당 업무의 전담 인력을 과감하게 축소했습니다.

그로서 COO가 SaaStr 인터뷰에서 요약한 성과는 매우 압축적입니다. 기존에 약 10명의 인바운드 SDR(Sales Development Representative)이 매달려 처리하던 업무를 단 1.25명 수준(미국 전담 1명 + 유럽 및 아시아·태평양 전체 커버 약 20% 공수)으로 줄였으며, 시스템 운영에 소요되는 인프라 및 토큰 비용은 연간 약 5,000달러에 불과해 자체 추산 기준으로 32배의 ROI를 달성했습니다. 토마시 퉁구즈(Tomasz Tunguz)가 레니(Lenny) 팟캐스트 인터뷰를 인용해 분석한 바에 따르면, 시스템 개편 전후로 리드에서 영업 기회로 이어지는 전환율(lead-to-opportunity conversion rate)은 하락 없이 평탄(flat)하게 유지되었습니다. 단순히 처리 속도만 높이고 산출물 품질이 무너진 반쪽짜리 실험이 아니었다는 점이 이 사례의 핵심 가치입니다.

Vercel GTM 엔지니어링 팀의 드루 브레드빅(Drew Bredvick)이 2026년 1월에 작성한 기술 회고는 동일한 프로젝트를 엔지니어의 시각에서 구체적으로 풀어냅니다. 주말 프로토타입 개발에서 시작해, 웹 폼 제출 접수부터 계정 리서치, 적격 판정, Slack 승인 루프, 맞춤형 응대 메일 초안 작성에 이르는 전 과정을 하나의 완결된 소프트웨어 제품처럼 구축해 낸 여정이 담겨 있습니다.

아울러 SaaStr 인터뷰 기사에는 리드 심사 외에도 Vercel 내부에서 가동 중인 인접 에이전트의 성과가 함께 소개됩니다. 고객 지원 에이전트가 전체 지원 티켓의 93%를 처리하고, 콘텐츠 에이전트가 직전 분기 주요 콘텐츠 업데이트 작업의 96%를 소화했다는 내용입니다. 다만 본 분석의 중심축은 어디까지나 인바운드 리드 적격 심사 에이전트이며, 93%와 96% 수치는 동일 출처에서 함께 언급된 별도의 인접 에이전트 실적으로 구분하여 다룹니다.

2. Problem

드루 브레드빅이 정리한 도입 이전의 운영 병목은 매우 구체적이고 현실적이었습니다. 공식 웹사이트의 Contact Sales 폼에는 유효한 잠재 고객뿐 아니라 대량의 스팸과 무관한 문의가 무차별적으로 섞여 들어왔고, 접수된 리드는 전문성이나 맥락에 대한 고려 없이 당번 SDR에게 기계적인 순번(라운드로빈)으로 배정되었습니다. 이로 인해 최초 응답까지 걸리는 대기 시간은 24~48시간까지 길어졌고, 시차와 무관하게 영업 담당자들은 ‘이 리드가 과연 시간을 들여 검토할 가치가 있는지’를 판단해 달라는 내부 핑에 시달려야 했습니다. 정작 SDR들은 잠재 고객과 심도 있는 대화를 나누기보다 스팸 분류, 회사 및 담당자 뒷조사, 적격 여부 판정, 콜드 메일 초안 작성과 같은 사전 수작업에 대부분의 업무 시간을 빼앗기고 있었습니다. 지능형 라우팅은커녕 ‘지금 즉시 응대 가능한 최적의 영업 인력’을 찾아 매칭해 주는 시스템조차 전무했던 것입니다.

퉁구즈가 인용한 그로서 COO의 회고는 이러한 비효율을 직관적으로 드러냅니다. 기존에는 꼬박 10명의 전담 SDR이 달라붙어 인바운드 접수와 사전 분류 작업을 처리해야 했지만, 이제는 에이전트가 생성한 결과물을 최종 검수하는 인력 1명만이 남아 해당 파이프라인을 지탱하고 있으며, 나머지 9명의 숙련 인력은 보다 높은 부가가치를 창출하는 아웃바운드 영업으로 전진 배치되었습니다. 이 과정에서 가장 엄격하게 요구된 전제 조건은 전환율을 사람이 직접 처리하던 시절과 동일한 수준(flat)으로 방어하는 것이었습니다.

SaaStr 기사에 소개된 사전 관찰 과정 역시 문제 정의의 중요한 통찰을 담고 있습니다. GTM 엔지니어는 시스템 개발에 앞서 최고 성과를 내는 일급 SDR을 며칠 동안 그림자처럼 밀착 관찰(shadowing)하며, 그가 LinkedIn, BuiltWith, 고객사 웹사이트, 사내 CRM, Slack 대화 이력을 오가며 브라우저 탭을 열고 닫는 작업 순서를 하나하나 그대로 기록했습니다. 그 탭들의 이동 순서야말로 ‘현장에 실재하는 사람의 실제 워크플로’였으며, 엔지니어링 팀이 자동화해야 할 대상은 낯선 새 시스템이 아니라 숙련자가 머릿속으로 밟아오던 바로 그 탭들의 작업 시퀀스였습니다.

확인된 사실: 공개 접수 폼의 스팸 유입 및 느린 응답 지연(드루 서술 기준 24~48시간 소요), 10명 규모의 인바운드 전담 SDR 운영(SaaStr·퉁구즈·드루 공통), 리드 전환율의 전후 동일 유지(flat) 목표 및 달성(퉁구즈/그로서), 최고 성과 SDR 관찰을 통한 실제 워크플로 문서화(SaaStr), 2025년 8월 런칭 및 약 6주간의 HITL 검증 기간 운영(SaaStr).

3. Solution

해법은 겉만 번지르르한 대화형 챗봇이 아니었습니다. 고객 리서치 → 적격성 분류 → 응대 메일 초안 작성 → 사람의 원클릭 승인으로 이어지는 완결된 엔드투엔드 인바운드 처리 파이프라인이었습니다.

3.1 빌드 삼각대와 ‘사람 우선’ 원칙

SaaStr 인터뷰에 따르면 Vercel 내부에서 에이전트를 개발할 때는 항상 일관된 협업 모델을 적용합니다. GTM 엔지니어 + 데이터 사이언티스트 + 해당 업무 최고 전문가(SME)로 구성된 ‘빌드 삼각대’가 한 팀으로 뭉쳐, 먼저 현장의 최고 실무 경험(Best Practice)을 문서로 정리한 뒤 이를 실행 가능한 워크플로 코드로 변환합니다. 초기 단계에서는 에이전트의 출력을 사람이 전수 검수하며, 시스템에 처음부터 자율적 실행 권한을 부여하지 않습니다. 현장 전문가가 더 이상 수정할 피드백이 없다고 판단하는 시점에 도달해서야 비로소 사람의 개입을 줄여나가는 방식입니다.

리드 적격 심사 에이전트 역시 이 원칙을 충실히 따랐습니다. 담당 엔지니어는 최우수 SDR이 띄우던 브라우저 탭들을 도구 호출(Tool Calling) 인터페이스로 그대로 옮겨 담았고, 생성형 AI 모델을 연결하기 전에 시스템을 결정론적(deterministic) 워크플로로 먼저 단단하게 구현했습니다. 이후 실제 상용 트래픽을 흘려보내는 약 6주간의 프로덕션 섀도 모드를 거치며, 최우수 SDR이 에이전트가 쏟아내는 모든 판정 결과와 메일 초안을 직접 검토하고 교정했습니다. SaaStr는 이 시스템을 두고 ‘최우수 SDR이 수동으로 수행하던 판단 로직을 아키텍처로 구현함으로써, 상위 10% 수준의 성과를 24시간 내내 100% 일관되게 발휘하는 체계를 완성했다’고 평가합니다.

3.2 런타임 파이프라인 (드루 회고 및 오픈소스 템플릿)

드루의 프로덕션 아키텍처 설명과 Vercel Labs의 오픈소스 참조 저장소(vercel-labs/lead-agent)가 보여주는 런타임 처리 흐름은 다음과 같이 일치합니다.

* 폼 접수 및 1차 보강: 잠재 고객의 Contact Sales 제출 즉시 Clearbit, ZoomInfo 등의 API를 호출해 기업 및 담당자 데이터 자동 보강(Enrichment).

* 심층 리서치 에이전트: 웹 검색과 기업 공시, 기술 스택 신호를 조회해 회사 규모와 사업 모델을 심층 분석.

* 구조화된 자격 판정: 수집된 데이터를 바탕으로 리드를 사전 정의된 버킷(적격 / 추가 팔로업 필요 / 단순 기술지원 문의 / 영업 무관 스팸 등)으로 정밀 분류.

* Slack 기반 맥락 전달: 분류 근거와 추론 요약 메모를 담당 SDR의 Slack으로 즉시 알림.

* 초안 작성 및 푸시: 적격 판정을 받은 리드에 한해 개인화된 맞춤 응대 메일 초안을 자동 생성하여 Outreach 등 세일즈 시퀀스 도구로 연동.

이로써 현장 영업 인력의 일상 업무는 ‘스팸 걸러내기, 웹 검색, 자격 판단, 콜드 메일 작성 및 발송’의 중노동에서 ‘AI가 분석하고 작성해 둔 결과물을 검토한 뒤 승인 버튼을 누르는 작업’으로 완전히 재편되었습니다. 한편 GitHub에 공개된 참조 구현 템플릿은 Next.js, AI SDK, 내구성 있는 백그라운드 워크플로 실행을 위한 Workflow DevKit, Slack 상호작용 승인을 위한 Slack Bolt, 심층 웹 조사를 위한 Exa 검색 API를 핵심 스택으로 명시하고 있습니다. 다만 이는 외부 공개용 참조 아키텍처(reference architecture)이며, Vercel 사내 프로덕션 파이프라인과 1:1로 완전히 동일하다고 단정할 근거는 템플릿 문서에 명시되어 있지 않습니다.

3.3 확장과 유지보수 체계

SaaStr에 따르면 이 에이전트의 초기 프로토타입은 단 한 명의 엔지니어가 단 주말 이틀 동안 개발했으며, 불과 6주 만에 상용 프로덕션 환경에 배포되었습니다. 이후 Vercel은 동일한 프레임워크를 오프라인 이벤트 후속 관리, 제품 주도 적격 리드(PQA) 판정, 특정 시점 기반 캠페인 등 사내 30개 이상의 SDR 워크플로로 전격 확대 적용했습니다. 시스템 유지보수에 투입되는 리소스는 엔지니어 1인 업무 시간의 약 20%(SaaStr) 혹은 퉁구즈 및 드루가 언급한 25~30% 수준에 불과합니다. 출처별로 집계 방식에 약간의 차이가 있지만, 대규모 전담 개발팀을 상시 유지할 필요 없이 소수의 공수만으로 안정적인 운영이 가능하다는 점은 공통된 사실입니다.

확인된 사실: GTM 엔지니어·데이터 사이언티스트·도메인 전문가로 구성된 삼각 협업 체계, 실무 문서화 선행 후 결정론적 워