Before (자동화 前)
매주 월요일, 팀의 한 명이 이메일 수십 개를 들여다봤다.
「이 바이어는 처음인가?」, 「지난 거래 기록이 있는가?」, 「문의 내용이 구체적인가?」, 「결제 능력이 있어 보이는가?」
이 모든 판단을 수동으로 해야 했다. 한 달에 300건 이상의 문의 중 우선순위를 정하고, 응답 템플릿을 선택하고, 위험 신호(typo 남발, 불분명한 정보 요청)를 찾아내는 데만 30시간이 소요됐다. 결국 응답하지 못한 잠재 바이어도 많았다.
작은 실험의 시작
팀은 생각했다. 「만약 구글 시트에 들어온 문의 내용을 Claude Code가 읽고, 바이어 신뢰도를 자동으로 점수 매기면?」
첫 시도는 소박했다.
• 문의 메시지 (문의자 이메일 포함)
• 지난 거래 기록 (구글 시트의 기존 데이터)
• 시스템 프롬프트: 「바이어 신뢰도를 1~10점으로 평가하세요」
After (자동화 後)
이제 월요일 아침, 팀이 메인 윈도우 디바이스를 켜면 구글 시트는 이미 준비가 되어있다.
자동 판단 항목
• 신뢰도 점수 (1~10점)
• 바이어 유형 분류 (신규 / 재거래 / 고위험군)
• 주의 신호 (어떤 위험 요소가 있었는지)
• 추천 응답 템플릿 (즉시 사용 가능)
• 우선순위 레벨 (높음 / 중간 / 낮음)
결과는 한눈에 보인다. 팀은 이제 점수가 높은 바이어부터 우선적으로 접근하고, 낮은 바이어는 자동 회신 템플릿으로 빠르게 대응한다.
수치 변화
• 수동 분석 시간: 월 30시간 → 월 4시간 (관리 + 예외 처리만)
• 응답 시간: 평균 2일 → 평균 4시간
• 문의 누락률: 약 15% → 0%
• 팀의 정신 건강: 「이제 월요일이 덜 무서워졌다」
의외의 발견들
1. Claude Code의 '직관'이 꽤 정확했다
Claude가 「이 바이어는 구체적인 MOQ를 물어봤으므로 신뢰도 7점」 같은 판단을 내리면, 실제 거래 전환율이 높았다. 비개발자 팀원이 처음에는 의심했지만, 3개월 데이터를 모으니 Claude의 '직관'이 팀의 경험과 거의 일치했다.
2. 패턴이 보이기 시작했다
자동 분석이 쌓이다 보니, 「고신뢰도 바이어는 보통 이런 질문을 한다」는 패턴을 발견했다. 팀은 이를 바탕으로 다음 달 영업 전략을 살짝 조정했다.
3. 가끔 틀린다 (그게 정상이다)
Claude가 「위험 신호 있음」으로 판단한 바이어가 나중에 대량 주문을 했던 사례도 몇 건 있다. 하지만 팀은 이를 「완벽할 필요는 없다」고 받아들였다. 자동화의 목표는 100점이 아니라 30시간을 4시간으로 줄이는 것이었기 때문이다.
한 줄의 깨달음
"자동화는 완벽한 정답을 주는 게 아니라, 팀의 판단 시간을 돌려주는 것이다."
월요일 아침, 그 30시간이 돌아온 자리에는 진짜 중요한 일들이 들어갔다. 새로운 시장 조사, 바이어와의 깊이 있는 대화, 팀의 피로 회복. 아이러니하게도 '일을 덜 하는 것'이 더 좋은 성과를 만들어냈다.