작은 실수가 큰 발견을 만들었다
B2B 거래를 운영하면서 가장 골치 아픈 업무는 뭘까. 많은 사람이 '거래처와의 주기적 소통'을 꼽는다. 언제 다시 연락할지, 누가 재계약을 앞두고 있는지, 어떤 거래처가 조용해진 지 몇 개월인지. 이런 정보들이 흩어져 있으면 중요한 타이밍을 놓친다.
한 팀은 이 문제를 풀기 위해 구글 시트에 거래처 정보를 정리하고, 마지막 접촉 날짜와 주기를 기록했다. 처음엔 수동으로 계산했다. 하지만 Claude Code로 간단한 스크립트를 작성해보니, 시스템이 자동으로 패턴을 인식하기 시작했다.
「마지막 거래가 3개월 전이고, 역사적으로 6개월마다 재계약한다면? 다음 재계약까지 3개월 남았다는 뜻이다」
의도하지 않은 예측 엔진의 탄생
처음엔 단순한 계산이었다. 하지만 데이터가 쌓이면서 흥미로운 일이 일어났다.
• 특정 거래처들은 분명한 주기를 유지했다.
• 일부 거래처는 계절성을 보였다.
• 재계약 전 특정 활동 패턴이 반복됐다.
Claude Code는 이 패턴들을 학습했다. 팀이 별도로 학습 지시를 내리지 않아도, 데이터 구조 자체가 예측 신호로 작동했다.
결과적으로 매월 자동으로 생성되는 보고서에 「예상 재계약 대상 거래처」 항목이 추가되었다. 정확도는 78퍼센트. 비개발자 팀이 만든 것치고는 나쁘지 않은 수치다.
비용 절감에서 수익 전략으로
이 자동화의 가치는 단순한 효율화를 넘어선다.
시간 비용 절감: 매달 거래처 현황 정리에 쓰던 5시간이 30분으로 줄었다.
영업 기회 최대화: 재계약 시기를 미리 예측하니, 적절한 타이밍에 선제적 접촉이 가능해졌다. 재계약 성공률이 이전보다 15퍼센트 높아졌다.
관계 관리의 질 향상: 누가 놓친 거래처인지, 누가 곧 재계약할지 명확해지니 팀의 우선순위가 명확해졌다.
왜 이게 가능했나
큰 비결은 두 가지다.
1. **구조화된 데이터**: 거래처 정보를 일관된 형식으로 입력했다. 날짜 형식, 거래 주기, 금액 등이 표준화되어 있었다.
2. **단순한 논리**: 복잡한 머신러닝이 아니라, 기본적인 수학과 패턴 매칭만으로도 충분했다. Claude Code가 조건문과 시간 계산을 처리하는 것으로 끝났다.
작은 팀이 배운 교훈
AI 자동화는 고급 기술이 아니다. 오히려 반대다. 기본에 충실하면, 의도하지 않은 성과가 나타난다.
• 데이터를 깔끔하게 정리하라. 그러면 패턴이 보인다.
• 간단한 규칙부터 시작하라. 복잡한 알고리즘은 나중에 생각해도 된다.
• 자동화의 결과를 주기적으로 검토하라. 때론 시스템이 당신이 몰랐던 인사이트를 제시한다.
윈도우 디바이스 하나, 맥미니 하나, Claude Code 하나. 이것만으로도 거래 관리 시스템을 만들 수 있다. 비개발자가 마주친 고객 관계 자동화의 새로운 가능성이다.