문제: 바이어 평가의 끝없는 반복
작은 팀에서 B2B 비즈니스를 운영하다 보면, 매일 새로운 바이어 문의가 들어온다. 어떤 바이어는 성실하고, 어떤 바이어는 문제를 야기한다. 문제는 이를 구분하는 데 걸리는 시간이다.
메일을 읽고, 과거 거래 기록을 찾고, 응답 속도를 확인하고, 신뢰도를 머릿속으로 판단하기.
이 과정이 바이어 한 명당 평균 15분이었다. 주간 30명 정도의 신규 바이어를 받으면 7.5시간이 날아갔다.
시작: 구글 시트에 체크리스트를 만들다
처음엔 간단했다. 구글 시트에 칼럼을 추가했다.
바이어명 | 첫 응답시간 | 요청명확도 | 과거거래여부 | 신뢰도평가(수동)
하지만 여전히 「신뢰도평가」 칼럼은 직접 채워야 했다. 그래서 Claude Code 자동화에 시도했다.
변화: 봇이 패턴을 읽기 시작했다
Windows 환경의 메인 디바이스에서 Claude Code를 열었다. 요청은 간단했다.
바이어 이메일 텍스트와 시트 데이터를 읽어서, 신뢰도를 1~10점으로 자동 평가하는 함수를 만들어줄 수 있을까?
Claude Code는 처음엔 단순했다. "첫 응답이 빨면 +2점", "지난 거래가 있으면 +3점" 같은 규칙 기반 점수였다.
그런데 2주 정도 지나니 흥미로운 일이 일어났다. 봇이 스스로 패턴을 발견하기 시작한 것이다.
예를 들어:
• 특정 시간대 메일은 신뢰도가 높았다 (오전 업무시간)
• 반복적인 같은 질문을 하는 바이어는 낮은 점수
• 비즈니스 용어를 정확하게 쓰는 바이어의 신뢰도가 높음
• 긴급함을 여러 번 강조하는 메일은 신뢰도 주의신호
Claude Code는 이런 패턴들을 스스로 인식하기 시작했고, 점수 계산에 반영되었다.
결과: 90%의 시간이 사라졌다
Before (수동 평가)
• 바이어당 15분
• 주 30명 기준 450분(7.5시간)
• 휴먼 에러, 피로도에 따라 판단 편차
After (Claude Code 자동화)
• 바이어당 1분 (메일 입력 후 점수 자동 계산)
• 주 30명 기준 30분
• 일관된 평가 기준
가장 놀라웠던 건 정확도였다. 봇이 낮은 점수를 매긴 바이어 중 70% 이상이 실제로 문제를 야기했다. 반대로 높은 점수 바이어는 거래 완료율이 현저히 높았다.
우리가 배운 것
1. **자동화는 처음부터 완벽하지 않아도 된다.** 단순한 규칙으로 시작해서 점진적으로 진화한다.
2. **패턴 인식은 AI의 강점이다.** 우리 눈으로 놓친 신호들을 봇이 찾아낸다.
3. **시간 절약만이 아니라 의사결정 품질도 올라간다.** 데이터 기반이 되니까.
4. **비개발자도 충분히 할 수 있다.** Claude Code와 구글 시트만으로 가능하다.
다음 계획
지금은 「신뢰도」 점수를 자동화했다. 다음 단계는 추천 응답 메시지를 자동으로 생성하는 것이다. 신뢰도 점수에 따라 "성의 있는 상세 회신"부터 "간단한 경고 메시지"까지 자동으로 제안받는 식으로.
작은 팀이 큰 기업처럼 움직일 수 없다면, 봇과 함께 움직이면 된다.