🧑‍💻 오늘의 메이커 : 기업의 ‘진짜 성장’을 만드는 AX, Bitree 김기동 대표

오늘 함께할 메이커는 기업의 데이터와 업무 방식을 AI가 읽고 판단하는 구조로 재설계해 실제 성장 지표를 움직이는 그로스해킹 기반의 AX 컴퍼니, 비트리(Bitree)의 김기동 대표님입니다.

김기동 대표님은 오랜 시간 퍼포먼스 마케팅과 그로스해킹 현장에서 BEP ROAS를 기준으로 성과를 관리해왔고, 현재는 '문제를 정의하고 모델에게 맥락을 주는' AX 방식으로 기업들이 AI를 실제 성과로 연결하도록 돕고 있습니다.

오늘 인터뷰에서는 AI를 도입하고도 성과로 이어지지 않는 이유, 데이터와 업무 방식을 AI가 읽을 수 있는 구조로 설계해나가는 과정, 그리고 그 구조 위에서 실제 비즈니스 성과로 연결된 사례들에 대한 이야기를 들어보고자 합니다.

레시피 하나, 소개와 문제 인식

Q. 먼저 비트리(Bitree)가 어떤 문제를 해결하는 팀인지 소개 부탁드립니다.

저희 비트리는 "AI를 도입했는데 왜 성과가 안 나지?"라는 질문을 푸는 팀입니다.

최근 거의 모든 회사가 AI 도구를 쓰잖아요? 그런데 도구를 도입한 만큼 비즈니스 지표가 움직이는 회사는 많지 않아요. 저희는 그 간극의 원인이 도구가 아니라 구조에 있다고 봅니다. 회사의 데이터와 일하는 방식이 AI가 읽을 수 없는 상태로 흩어져 있으면, 아무리 좋은 모델을 붙여도 성과로 연결되지 않습니다.

그래서 비트리는 도구를 파는 회사가 아니라, 고객사의 데이터와 업무 흐름을 AI가 읽고 판단할 수 있는 구조로 다시 짜서, 그 위에서 실제 성장 지표를 움직이는 회사라고 소개하고 싶어요. 원래 그로스해킹(가설–데이터–실험–반복)을 해오던 팀이, 같은 방법론을 AI 시대의 'AX(AI Transformation)'로 확장한 형태라고 보시면 됩니다.

에디터 : 시대에 맞춰 AX로의 변화는 너무 공감돼요. 그렇다면 비트리가 기존 그로스해킹 방식에서 AX 컴퍼니로 확장하게 된 결정적인 계기가 있었나요?

저는 커리어 내내 그로스해커로서 늘 "데이터로 가설을 세우고, 빨리 실험하고, 결과로 다음을 정한다"는 일이었어요. 그런데 LLM이 등장하면서 "이 데이터를 분석할 수 있는가”라는 한계가 무너졌어요. AI 모델을 통해 분석을 충분히 해낼 수 있기 때문인데요. 오히려 "회사의 맥락이 모델이 읽을 수 있는 형태로 정리돼 있는가”가 보다 더 중요해진 시대라고 생각해요. 그리고 그 순간 우리가 해온 그로스의 방법론이 AX의 핵심과 정확히 같다는 것을 깨닫게 되었고요.

Q. 그렇게 변화한 비트리의 첫 프로젝트는 무엇이었나요?

첫 시작은 테이블오더 1위 기업 '티오더'의 미국 진출 그로스 프로젝트였습니다. 국내에서 이미 검증된 제품이었지만, 미국은 완전히 다른 시장이었어요. 진짜 병목은 제품이 아니라 '미국 외식 시장의 맥락'이 어디에도 정리돼 있지 않다는 것이었습니다. 현지 점주들이 어떻게 의사결정을 하는지, 어떤 세그먼트부터 공략해야 하고, 어떤 메시지가 효과적인지 — 이 모든 게 흩어진 리서치와 사람들 머릿속에 파편적으로 존재했기 때문이죠.

그래서 저희는 그 시장 맥락을 AI 모델이 이해 가능한 형태로 바꾸는 작업을 먼저 했습니다. 그러자 AI가 단순 번역이나 요약을 넘어, "어떤 세그먼트에, 어떤 메시지로, 어떤 순서로 들어가야 하는지"를 판단하기 시작했어요. 사람이 몇 주 걸려 내리던 진입 의사결정을 구조 위에서 빠르게 가설로 만들고 검증할 수 있게 된 겁니다.

그때 "데이터를 구조로 만들면 AI가 사람 대신 판단을 거든다"는 것을 한번 더 체감하게 되었어요. 우리가 늘 해오던 그로스해킹이 AI 위에서 완전히 다른 레버리지를 갖는 순간이었고, 그게 비트리를 'AX 컴퍼니'로 규정하게 한 출발점이 됐습니다.

Q. 최근 많은 기업이 AI를 도입하는 반면, 성과로 연결하지 못하는 이유가 있을까요?

기업의 규모와 상황에 따라 다르겠지만, 크게는 네 가지 원인이 있다고 생각해요.

하나는 도구부터 고른다는 점인데요. 주로 저희는 고객분들께 "어떤 의사결정을 바꾸고 싶은가"를 먼저 묻습니다. 그런데 꽤 많은 기업들은 도구부터 먼저 고르는 방식을 택해요. 하지만 이 순서는 바꾸려는 의사결정이 없으면 도구를 활용할 방법을 정할 길이 없어 성과로 연결하기 어렵죠.

두 번째로는 데이터가 AI가 읽을 수 있는 구조가 아닌 경우, 빠르게 성과로 연결하기 어렵다는 점입니다. 데이터는 쌓여 있지만 부서마다 흩어져 있고, 정의가 제각각이고, 진짜 중요한 맥락은 사람 머릿속에만 있는 경우가 많기 때문인데요. 이 경우 아무리 좋은 AI를 도입해도 AI 모델 입장에선 읽을 책이 없는 상황과 같다고 생각해요.

세 번째로 성과 정의가 없는 경우도 문제가 될 수 있다고 생각해요. AI를 활용한 "효율화"에 대한 이야기가 많지만, 사실 “효율화”는 성과가 아닙니다. 어떤 지표를 얼마나 움직일지 정하지 않으면, 잘했는지 판단할 수 없다고 생각합니다.

마지막으로 일회성 PoC 혹은 더미 데이터로만 도입과 실험이 끝나는 경우도 많아요. AI 도입을 통해 가장 중요한 건 학습을 누적시켜야한다는 점이에요. 그리고 “일단 테스트 해보자”하고 실제 업무에 사용되는 데이터와 흐르는 데이터로 진짜 검증을 해야합니다.

정리하면, 많은 회사가 AI를 '도구'로 다룹니다. 저는 AI를 새로 합류한 팀원으로 봅니다. 팀원에게는 맥락(온보딩)과 KPI(성과 정의)를 줘야 일을 합니다. 그 두 가지가 없는 채로 책상만 만들어주는 게 지금 대부분의 AI 도입이고요.

레시피 둘, AI와 함께 일하는 팀의 업무 방식

Q. 본격적인 이야기를 시작해볼까요? 데이터·비즈니스 흐름을 'AI가 읽을 수 있는 구조' 는 어떻게 설계하나요?

우선 저희 팀은 데이터베이스부터 만들지 않습니다. 의사결정부터 분해합니다. 이 과정에서 중요한 역할이 FDE(Forward Deployed Engineer, 전방 배치 엔지니어)입니다. FDE는 단순히 기술을 구현하는 사람이 아니라, 고객사의 현장 문제와 기술 구현 사이를 연결하는 맥락을 정의하는 역할에 가깝기 때문입니다. 기술자로만 보는 관점은 위험해요.

그래서 먼저 고객사가 반복적으로 내리는 의사결정을 먼저 찾습니다. 예를 들어 어떤 리드에 먼저 연락할지, 어떤 콘텐츠를 내보낼지, 어떤 고객이 이탈할 가능성이 높은지 등에 대한 정보를 먼저 찾아보죠. 그리고 그 의사결정을 잘 내리려면 무슨 정보가 필요할지 역으로 정의합니다.

그 정보를 기준으로, 흩어진 데이터를 하나의 표준 스키마(온톨로지)로 통합합니다. 부서마다 다르게 부르던 같은 개념을 한 언어로 묶는 작업이에요. 동시에 사람 머릿속의 이야기를 명시적 컨텍스트로 끄집어 내는거죠. 

그 뒤에 "이런 고객은 보통 이렇게 움직인다" 같은 베테랑의 감각을 모델이 참조할 수 있는 문서/규칙으로 바꿉니다. 이렇게 설계한 정의를 기반으로 그 위에서 AI가 읽고 추론하게 한다고 봐주시면 됩니다. 핵심은 순서입니다. 의사결정 → 필요한 맥락 → 구조 → 모델. 이 순서를 지키면 AI가 '회사의 언어'로 판단할 수 있어요.

에디터 : 이렇게 구조화한 뒤, AI가 내린 판단을 신뢰할 수 있는 기준은 어떻게 세우나요?

우선 신뢰의 배경에는 정의 과정을 꼼꼼히 하는 것도 한몫하죠. 저희는 실제로 FDE가 배치되어 인뎁스 인터뷰를 하는데요.

그 과정에서 유의하는 건 회사에서 사용하는 통일 지표를 소통 언어에서 사용하고 맥락과 구조에 대한 이해를 산출물에 적용시킨다는 점이에요. 모델이 잘못한건지 체크하는 것은 Human in the loop의 의사결정에 따라 결정이 되는 부분이라고 생각해요.

Q. 비트리가 표방하는 업무 단계인 Structure, Growth, Creative, Scale 는 실제 협업에서 어떻게 활용되나요?

출처 : 비트리(Bitree) 제공

각 업무 단계는 순서대로 끝나는 워터폴 프로세스라기보다, Structure를 토대로 Growth, Creative, Scale 루프가 함께 돌아가는 구조에 가깝습니다. Structure가 데이터와 업무 흐름을 정리하는 기반이라면, Growth는 지표를 움직이는 실험 루프, Creative는 메시지와 브랜드 경험을 검증하는 루프, Scale은 검증된 방식을 자동화하는 루프입니다.

Structure는 아시다시피 데이터와 업무를 AI가 읽을 수 있게 구조화하는 토대다보니 가장 중요한 부분으로 이걸 건너뛰면 나머지가 전부 무너집니다.

그 다음 Growth는 구조 위에서 가설, 실험, 측정 루프를 돌려 지표를 움직이는 단계입니다. 퍼포먼스, CRM, 리드 스코어링 등 다양한 방법을 쓸 수 있어요. Creative 단계는 같은 데이터 구조 위에서 콘텐츠·브랜드 경험을 생성하고 검증합니다. 마지막 Scale 단계는 검증된 것을 자동화·에이전트화해 반복 가능하게 만들고요.

물론 실제 협업에서는 네 단계를 다 하지 않습니다. 진단부터 합니다. 어떤 고객은 Structure가 없어서 거기부터, 어떤 고객은 구조는 있는데 Growth 루프가 안 돌아서 거기부터 들어갑니다. 결국 기업마다 본인들의 위치에서 어디로 출발할지 일종의 맵(지도)같은 역할을 해주는 단계인 셈이죠.

Tip. 우리 조직의 단계 확인해보기

Q. 퍼포먼스 마케팅에서 데이터, AI 활용은 직관적이지만 크리에이티브, 브랜드 경험에서는 AI가 어떻게 활용되는지도 궁금해요.

맞아요(웃음), 가장 많이 받는 질문이고, 비트리가 다른 이유이기도 합니다. 브랜딩에서 데이터를 쓴다는 건 '감'을 '검증'으로 바꾼다는 뜻입니다. 그리고 감을 검증으로 바꿔가는 단계는 정리하면 4가지 단계에요.

가장 먼저 오디언스를 구조화합니다. 타깃을 막연한 페르소나가 아니라 데이터로 정의하는 과정이에요. 예를 들어 글로벌 샘표 프로젝트에서는 한국형 페르소나 데이터셋과 합성유저 데이터를 활용해, 인구통계와 심리 특성을 가진 여러 유형의 가상 고객군을 구성했어요. 한국형 페르소나는 ‘NVIDIA Nemotron-Personas-Korea’류와 같은 데이터라고 이해해주시면 됩니다.

그렇게 정의한 오디언스를 타겟으로 대량의 메시지를 생성해요. AI를 활용해 카피라이트, 톤, 콘셉트를 한 개가 아니라 수십 개 버전으로 만드는 거죠. 그 뒤 1차 시뮬레이션으로 검증을 바로 진행해요. 미리 정의한 수천 개 페르소나에게 메시지를 노출시켜, 어떤 톤이 어떤 세그먼트에 반응하는지를 실제 집행 전에 걸러내는 작업이죠.

그 뒤 실제 실험으로 수많은 후보들 중 하나의 브랜딩 내용을 확정합니다. 살아남은 안만 시장에 태워 진짜 지표로 최종 판정하는 거죠.

에디터 : 1차 시뮬레이션 단계를 통해 검증하는 점이 흥미로운 것 같아요. 이런 시뮬레이션 결과에 대한 신뢰 구간 등에 대한 정의가 있으신가요?

신뢰 구간은 일반적으로 말하는 통계적 유의미성과 동일하게 봅니다. 그리고 바로 시장테스트를 하는데, 이 테스트가 사실 더 중요해요. 왜냐하면 AI는 실패를 빠르게 검정하기 때문에 시장테스트로 넘어갈지에 망설임이 있다면 이미 AI를 쓰기 힘든 의사결정구조의 회사가 되어버리니까요.

결국 요점은 AI는 크리에이티브를 '많이 만드는' 도구가 아니라, '많이 시도하고 빨리 검증하는' 도구로 사용하는 거에요. 브랜드 경험도 결국 '누구에게 무엇이 울리는가'의 문제이고, 그건 데이터로 다룰 수 있는 영역입니다. 그리고 실제 성과는 사람이 짠 기획이나 카피보다 AI가 짠 크리에이티브의 효율이 항상 더 높았습니다. 아무래도 크리에이티브를 짜는 인하우스 팀은 시각이 시장이 아니라 회사나 브랜드에 가 있기 때문에, 우리 고객 또는 소비자를 이해시키고 설득하는 메시지를 만들어내는 데 어려움이 있는 게 현실인 것 같습니다.

Q. AI가 만든 크리에이티브, 캠페인 결과물의 품질은 어떻게 판단하나요?

기준은 정량과 정성적인 측면에서 판단해요.

정량적으로는 목표한 지표를 움직였는지에 대한 부분을 판단하죠. AI가 만들었든 사람이 만들었든 판단 기준은 동일합니다. 주로 저는 손익분기 기준의 BEP ROAS 개념을 오래 써왔는데, CTR, 전환, 리텐션, ROAS 등에 대한 데이터를 기준으로 봅니다.

정성적인 측면에서는 브랜드 정합성과 사실 정확성을 기준으로 판단합니다. 브랜드 톤과 가이드에 맞는지, 그리고 할루시네이션(사실 오류)이 없는지 등을 사람이 개입해서 꼼꼼히 판단합니다. 저희는 특히 납품 전 필수 검수 체크리스트를 통해 더 엄격하게 보는 편이에요(웃음).

결과적으로는 AI로 생성한 결과물이라 해서 더 관대하지도 더 엄격하지도 않고 오로지 성과를 기준으로 판단한다고 이해해주시면 될 것 같습니다. 물론 AI는 사람보다 빠르고 많이 만들 수 있으니, 우리는 그만큼 '검증의 속도'에 투자할 수 있죠.

레시피 셋, 비트리(Bitree)의 시행 착오와 검증 방식

Q. AX가 실제 비즈니스 성과로 연결된 사례도 궁금해요.

저희가 진행한 프로젝트 중 메리츠 화재와 한화생명금융서비스 사례가 있어요.

두 프로젝트 모두 처음 문제는 영업 조직이 수많은 리드 중 '누구에게 먼저 연락할지'를 대부분 감으로 정하고 있었습니다. 전환은 낮고 리소스는 새고 있었죠. 한편 매일 쌓이는 상담 통화 데이터는 거의 활용되지 않고 있었습니다.

그래서 통화 녹취를 STT로 텍스트화하고 약 3,500여 건을 구조화하는 것으로 먼저 접근했어요. 고객의 행동, 발화 신호를 기준으로 리드 스코어링(MQL) 모델을 만들어, 영업이 매일 아침 '우선순위가 매겨진 리스트'를 받게 했습니다. 이 과정에서 발생한 인사이트와 구조적 개선을 실제 CRM 시나리오 설계에 도입했고, 전사 교육도 함께 진행했죠.

결과적으로 방식을 바꾸며 확보된 리드가 실제 계약성사로 전환되는 비율이 약 1,000% 개선되었어요. 정량적인 변화도 좋았지만, 그 이전에 방식의 변화도 컸어요. '감으로 거는 전화'가 '데이터가 추천한 전화'로 바뀌었어요. 흩어져 잠자던 데이터를 구조로 만들었더니, AI가 그걸 읽고 사람의 의사결정을 거들기 시작한 겁니다. 표면에 드러나지 않은 고객의 의도와 맥락을 AI가 분석·캐치했고, 첫 터치와 CRM 단계에서 그걸 지원했습니다.

앞서 이야기한 것처럼 데이터를 구조화하고 AI가 읽어 의사결정이 바뀌고, 그리고 그 영향으로 지표가 움직이는 형태죠.

에디터 : 반대로 처음 가설과 실제 결과가 달랐던 경험도 있으실까요?

물론 자주 있죠. 오히려 그게 정상이라고 생각해요(웃음).

저희는 한동안 "크리에이티브(디자인)의 완성도를 올리면 성과가 오른다"는 가설을 강하게 갖고 있었습니다. 그런데 한 탈모 샴푸 브랜드에서는 디자인을 '더 좋게' 다듬는 방향으로 수정하자 오히려 매출이 떨어지는 일이 있었어요. 데이터를 까보니 진짜 변수는 디자인의 미감이 아니라, 그 메시지가 '누구에게' 닿느냐 — 타깃 구조와 진입 지점이었습니다. 같은 콘텐츠라도 받는 사람을 바꾸자 지표가 움직였고요.

배운 건 하나입니다. 가설이 틀리는 게 실패가 아니라, 빨리 틀린 걸 확인하는 게 그로스의 핵심이라는 것. AX도 똑같습니다. AI를 쓰면 '틀리는 속도'가 빨라지고, 그래서 '배우는 속도'도 빨라집니다. 우리가 파는 건 정답이 아니라 빠르게 검증하는 능력입니다.

Q. 비트리의 접근이 특히 필요한 기업은 어떤 상태인가요?

대체로 데이터는 쌓였지만 의사결정에 데이터를 안쓰거나, AI 도구를 여러개 도입했지만 성과로 이어지지 않거나, 더 많은 실험을 해야하는데 사람이 부족하거나 일부 인원이 병목이 되는 회사 등 조직 하이라키가 의사결정에 큰 영향력을 주는 기업들이 많은 것 같아요.

말씀드린 기업들에게는 저희가 일하는 방식으로 개선이 가능한데, 반대로 아직 PMF도 없는 극초기 회사에게는 1순위 최선은 아닙니다. 구조화할 데이터 자체가 충분히 없으니 이런 경우에는 먼저 시장에서 부딪쳐 데이터를 만드는 게 먼저입니다.

에디터 : 데이터를 쌓는 것 외에도 AX 전환 전 먼저 점검해야할 점들도 있을까요?

앞서 말씀드렸던 맥락과 동일할 것 같아요. AI 도구 도입하기전 아래 5가지는 꼭 점검하시고 전환의 목표를 잡아보시기를 권장드립니다.

레시피 넷, 앞으로의 비전

Q. 앞으로 실무자에게 더 중요해질 역량은 무엇이라고 보시나요?

출처 : 비트리(Bitree) 제공

아무래도 이제는 소프트 스킬과 도메인 지식이 더욱 중요한 역량이 되고, 비교적 하드 스킬의 중요성을 점점 흐려질 거라고 생각합니다.

또 AX를 실제 성과로 연결하기 위해 특히 중요하게 생각하는 태도와 역량으로는 데이터 기반의 증거 우선(Evidence over opinion)하는 태도도 꼽아볼 수 있을 것 같아요. 회의에서는 “감”은 가설로만 허용되고, 결국 데이터가 이길테니까요.

그리고 맥락을 정의하는 사람(FDE)으로 성장하는 것도 중요할 것 같아요. AI 시대의 핵심 역량은 '도구를 다루는 손'이 아니라 '문제를 정의하고 모델에게 맥락을 주는 머리'에요. 한 분야를 깊게 파되, T자형 확장으로 AI를 지렛대 삼아 인접 영역까지 스스로 넓히는 사람이 앞으로 살아남을 거에요.

또한 오너 관점으로 시키는 일이 아니라, 고객의 지표를 자기 회사 지표처럼 책임지는 태도로 빠르게 틀리고 빠르게 배우는 자세도 중요할 것 같아요. 완벽한 한 번보다 빠른 열 번을 통해 학습할 수 있을테니까요.

에디터 : 추가적으로 AI 전환을 고민하는 실무자들이 가장 먼저 실천해볼 수 있는 건 무엇이 있을까요?

AI 전환을 고민하는 실무자라면, 가장 돈이 될 수 있는 문제를 선정해 월요일마다 바로 해볼 수 있는 미니 루프를 실천해보시기를 권하고 싶어요. 반복되는 의사결정 하나를 골라, 그 판단에 필요한 정보를 한 문서에 모아 컨텍스트화 시키는 거죠. 그리고 해당 업무를 실제로 수행하는 베테랑의 판단과 나란히 비교하며 계속해서 컨텍스트를 보강하는 방법입니다.

이게 오늘 계속 중요하게 강조한 'Structure → 검증' 단계의 미니 버전이에요. 도구는 ChatGPT나 Claude 하나면 충분합니다. 중요한 건 "AI를 잘 쓰는 것"이 아니라 "AI에게 맥락을 잘 주는 것"이라는 감각을 직접 체득하는 거예요.

Q. 마지막으로 팁스터 구독자에게 전하고 싶은 메시지가 있다면요?

AI가 일을 대체한다는 말에 너무 휘둘리지 않으셨으면 합니다. 제가 현장에서 보는 건, AI가 '맥락을 정의하고 검증하는 사람'의 레버리지를 키우는 쪽입니다.

그러니 도구를 쫓지 마시고, 바꾸고 싶은 의사결정 하나에서 시작하시길 추천합니다. 그로스의 본질인 가설을 세우고, 빨리 검증하고, 결과로 다음을 정하는 루프는 AI 시대에 사라진 게 아니라 더 중요해졌습니다.

AI 시대의 경쟁력은 더 많이 아는 것이 아니라, 더 빨리 틀리고 더 빨리 배우는 '구조'를 갖는 것이라는 점을 꼭 기억해주세요.

✅ Bitree와 팁스터가 함께하는 AX 체크리스트

AI를 잘 쓰기 위해 꼭 새로운 도구부터 찾을 필요는 없습니다. 오히려 먼저 봐야 할 것은 우리 회사의 문제와 데이터, 그리고 일하는 방식이 얼마나 정리되어 있는가- 입니다.

우리 회사가 AI를 성과로 연결할 준비가 되어 있는지 25개의 질문으로 점검하고, 체크 후에는 바로 해볼 5단계와 월요일 미니 루프를 통해 작은 실험으로 이어갈 수 있게 구성했습니다.

AI 도입을 고민하는 대표, 리더, PM, 마케팅 담당자라면 이 체크리스트를 통해 지금 우리 팀이 먼저 정리해야할 항목을 체크해보세요. 인스타그램 @tipster_newsletter_ 팔로우 후 AX 체크리스트를 무료로 활용하실 수 있습니다. 

무료 신청 마감 :2026년 7월 18일(토) 23:59까지

오픈채팅방을 통해 뉴스레터로 다 소개하지 못한 정보를 확인해보세요!