마켓 센싱을 위한 MI 업무의 생성형 AI 적용 방향

마켓 센싱을 위한 MI 업무의 생성형 AI 적용 방향

마켓 센싱이란, MI (Market Intelligence, 마켓 인텔리전스) 담당자의 주요 업무 중 하나로 시장에서 발생하는 다양한 변화를 신속하게 파악하는 일입니다. 주로 시장의 수요, 정책 및 기술의 변화, 경쟁사 동향, 소비 트렌드 변화를 주기적으로 파악하며, 이 동향을 기반으로 기업의 전략 방향을 개선해 나갑니다. 이러한 마켓 센싱 업무에서 생성형 AI가 어떻게 효율화에 도움을 줄 수 있을지, 이번 콘텐츠에서 정리합니다.

📌 시리즈 콘텐츠 목차

1. 생성형 AI가 마켓 인텔리전스에 미치는 영향
2. 마켓 센싱을 위한 MI 업무의 생성형 AI 적용 방향
3. 고객 조사에 활용하는 생성형 AI 기반 MI 접근법
4. 보고서 작성에 활용하는 생성형 AI 적용 방향
5. MI 거버넌스 업무를 위한 생성형 AI 적용 방향

1. 수요 분석 업무의 변화

1) 데이터 처리

[As-is]

• 시장 Database (예. GfK, 유로모니터, IHS Markit Data 등)를 구매하여 내부 데이터와 통합 및 비교할 수 있도록 기준을 세우고, 이에 맞게 데이터를 재정돈하는 업무입니다. 이 과정에서 적절하지 않은 기준을 세우거나, 데이터를 가공하는 과정에서 실수하는 등 휴먼 에러가 발생할 수 있습니다.

[To-be]

• 해당 영역은 생성형 AI를 활용한 업무 개선이 상대적으로 쉽지 않을 것으로 예상됩니다. 내외부 데이터 통합 기준을 세우는 일은 결국 사람 간 합의의 영역이기 때문입니다. 부문별 이해관계를 바탕으로 기준을 설정해야 하므로 중재자인 MI 담당자의 역할이 여전히 중요할 것으로 예상됩니다.
• 다만, 생성형 AI를 통해 일부 개선될 여지는 있습니다. 산업 지식 및 내부 정보를 학습시킨 AI agent가 사람이 작업한 내용을 교차 검증하여 휴먼 에러를 줄이도록 도울 수 있습니다.

2) 분석

[As-is]

• 수요 데이터를 월별 혹은 분기별로 분석하여 변동 내역과 원인을 분석하는 과정에서 리소스 제약 때문에 실시간으로 수요를 분석하는 데 한계가 있습니다.
• 또한 휴먼 에러로 미처 보지 못하고 놓치는 정보가 있을 수 있습니다.

[To-be]

• 이 영역은 생성형 AI를 통한 효율화 가능성이 높습니다. AI는 24시간 가동될 수 있어 더 많은 데이터를 사람보다 빨리 분석할 수 있기 때문입니다. AI의 자동 분석∙요약 리포트를 통해 MI 담당자는 정보를 보다 손쉽게 파악할 수 있게 될 것입니다.

3) 예측

[As-is]

• 현재 MI 담당자들은 여러 변수(예. 경제적 지표, 정책 변화, 공급망 이슈, 글로벌 상황 등)를 고려하여 시나리오를 구성하고, 시나리오별 수요를 예측합니다. 하지만 미래 예측은 고려해야 할 변수가 정말 많기 때문에 사람이 살펴보는 데 한계가 있으며, 여전히 정확도 측면에서 개선 요구를 많이 받고 있습니다.

[To-be]

• 향후에는 생성형 AI를 통해 개선될 것으로 보입니다. 예측은 얼마나 다양한 변수를 다각도로 고려했는지에 따라 정합성이 달라지는데, 사람과 달리 AI는 대용량 데이터 처리가 가능하기 때문에 향후 개선이 될 것으로 예상됩니다. 더 많은 변수와 패턴을 기반으로 수요 예측의 정합성을 고도화하는 데 활용될 것으로 기대됩니다.

2. 정책/기술 분석 업무의 변화

정책/기술 분석은 인터넷에 산재하는 정보를 찾아보고 취합하는 ‘데스크 리서치(Desk Research)’를 통해 주로 수행됩니다. 해당 업무의 현재 어려움 및 앞으로의 변화 방향에 대해 살펴보겠습니다.

[As-is]

• 인터넷에서 정보를 찾고 하나씩 읽어보며 적합한 내용을 파악해야 하므로 시간이 많이 소요됩니다.
• 특히, 글로벌 정책/기술 동향은 언어적 한계로 인해 시간이 더 많이 걸리며, 잘못 이해하거나 미처 발견하지 못하고 놓치는 정보가 발생합니다.

[To-be]

• 데스크 리서치는 향후 생성형 AI를 통해 상당히 효율화될 것으로 기대됩니다. 지금도 시장 내 다양한 솔루션이 등장하고 있으며, 데스크 리서치에 필요한 주요 기능별 예시는 다음과 같습니다.
  • 자료 검색 AI 서비스 : 사용자가 관심 주제를 검색하면 뉴스, 소셜 미디어 등 접점에서 적절한 정보를 수집. 일부 서비스는 AI 자동 요약 리포트까지 제공 (예. 퍼플렉시티(Perplexity), 솔트룩스 ‘구버(Goover)’)
  • 자료 요약 AI 서비스 : 통계 자료를 업로드 하면 데이터 패턴을 읽고 요약본 제공, 여러 가지 문서를 업로드하면 통합 분석하여 하나의 요약본으로 제공 (예. Equals, 구글 ‘노트북 LM’ 등)
  • 보고서 생성 AI 서비스 : 제목을 입력하면 인터넷 검색을 통해 약 30페이지 분량의 논문 수준의 보고서를 자동으로 작성. 완성된 리포트의 참조번호를 클릭하면 해당 정보의 온라인 출처 확인 가능 (예. 스탠포드 ‘스톰(STORM)’)

• 대용량 데이터 처리 기능 덕분에 정보의 수집, 분석, 요약 속도가 인간보다 압도적으로 빠르며, 다국어 지원이 가능해 정보를 완결성 있게 확보할 수 있습니다. 이러한 점에서 향후 MI 담당자의 업무 생산성을 크게 높여줄 것으로 기대됩니다.
• 다만, 이러한 서비스들은 아직은 할루시네이션(가짜를 진짜 정보처럼 보여주는 현상)이 존재하며, 단순하게 팩트를 정리해 줄 수는 있으나 맥락을 잘 모르기 때문에 MI 담당자가 원하는 시사점을 도출하는 것은 어렵다는 한계점은 있습니다.

3. 경쟁사 분석 업무의 변화

경쟁사 분석 역시 주로 ‘데스크 리서치’를 통해 이루어집니다. 생성형 AI로 인한 데스크 리서치의 변화 방향은 위에서 다루었던 내용과 일치하기에, 이번 파트에서는 경쟁사 동향을 파악하는 또 다른 방법인 ‘전문가 인터뷰’에 대해 살펴보겠습니다.

[As-is]

• 기업 내부 정보는 인터넷에 잘 공개되지 않기 때문에 해당 기업의 현직 또는 전직 전문가를 통해 파악하기도 합니다.
• 전문가 인터뷰에서 어려운 점은 휴민트(Humint, Human Intelligence)를 끌어낼 모더레이터가 많지 않다는 것입니다. 산업적 지식을 바탕으로 전문가와 상호작용을 통해 수준 높은 대화를 끌어내야 하지만, 현업 담당자만큼 잘 알고 있는 경우가 적기 때문에 때로는 MI 담당자가 직접 인터뷰를 진행하는 상황이 발생하기도 합니다.
• 또한, 적합한 전문가를 찾기도 쉽지 않습니다. 기밀 유출 제약 조건 및 경쟁사에서 종사한 경험을 가진 사람의 수가 적기 때문입니다. 전문가가 해외 기반으로 활동하는 경우 언어적 한계로 인해 난이도는 더욱 높아집니다.

[To-be]

• 전문가 인터뷰의 경우, 생성형 AI를 통한 업무 효율화는 쉽지 않을 것으로 예상됩니다. AI 모더레이터를 인터뷰에 활용하는 방식이 등장하고 있으나, 아직은 상호 작용이 되는 수준이 아닌, 정해진 질문을 하고 답변을 정리하는 수준이기 때문입니다.
• 전문가 인터뷰는 산업 지식을 기반으로 전문가와 상호작용을 통해 수준 높은 답변을 끌어내는, 고도의 모더레이팅 스킬이 필요하기 때문에 생성형 AI가 여기까지 도달하는 데 꽤 오랜 시간이 걸릴 것으로 예상됩니다.
• 반면, 인터넷에 전문가가 남긴 글, 논문, 과거 인터뷰 내용 등을 기반으로 적합한 전문가를 찾아서 제안하는 일은 생성형 AI가 도움을 줄 수 있을 것으로 보입니다.

4. 트렌드 분석 업무의 변화

1) 데스크 리서치

[As-is]

• 트렌드 분석도 ‘데스크 리서치’를 많이 합니다. 트렌드는 정해진 답이 없기 때문에 어떤 기준과 구조로 분석할지를 결정하는 과정부터 어렵고, 방대한 정보를 기반으로 시사점을 사람이 뽑아내기 때문에 시간과 노동이 많이 들어갑니다.
• 게다가 뽑아낸 트렌드가 적합한지를 검증하는 것 또한 어려움이 있습니다.

[To-be]

• 트렌드 파악을 위한 자료를 모으는 것은 앞으로 생성형 AI로 인해 용이해질 것입니다. ‘2. 정책/기술 업무의 변화’ 파트의 데스크 리서치 영역에서 언급한 것처럼 생성형 AI는 다국어로도 대량의 자료를 빠르게 살펴볼 수 있고, 요약까지 실시간으로 진행할 수 있습니다.
• 하지만, 정리된 정보 안에서 트렌드를 발견하는 것은 사람의 몫이 될 것으로 보입니다. 이러한 정보를 기반으로 유행(fad)일지 트렌드(trend)일지를 판단하는 것도 사람의 역할로 남을 것입니다. 따라서 MI 담당자는 회사의 상황과 산업적 지식을 바탕으로 의미 있는 시사점을 도출할 수 있는 시각을 기르는 것이 더욱 중요해질 것으로 예상됩니다.

2) 소셜 분석

[As-is]

• 특정 이슈/키워드에 대한 동향을 파악하기 위한 ‘소셜 데이터’ 분석은 현재 시장에 다양한 소셜 데이터 분석 솔루션들이 있어서 분석 자체는 어렵지 않으나, 정합성 이슈가 있습니다. 소셜 데이터에 소비자의 진짜 의견/반응과 홍보성 글이 섞여 있기 때문에 이를 구별해내기 어렵다는 한계가 있기 때문입니다.

[To-be]

• 소셜 분석은 단순 키워드를 넘어 맥락 해석이 용이한 ‘주제/이슈’를 정리하는 형태로 진화 중입니다. 예를 들어, 단순히 ‘배송’보다는 ‘OO 택배 업체에서 배송 예정 시간이 지연됨’이라는 주제를 정리해 주고 있습니다.
• 하지만, 최근 AI가 생성한 콘텐츠 비중이 많아지면서 소셜 데이터 품질에 대한 이슈가 증가하고 데이터 품질에 대한 우려도 증가하고 있습니다.
• 따라서, 향후에는 통제된 환경에서 진행되는 설문조사나 자사 고객을 대상으로 한 피드백 수집이 더욱 많이 활용될 가능성이 존재합니다.

5. 마지막으로 정리하자면…

마켓 센싱 업무 중에서 생성형 AI를 통해 가장 빠르게 효율화가 이루어질 것으로 기대되는 부분은 ‘데스크 리서치’입니다. 대용량 두뇌 및 다국어 능력을 바탕으로 데이터를 빠르게 수집할 수 있을 뿐만 아니라 생성(Generate) 능력으로 분석 리포트까지 제공할 수 있기 때문입니다.

하지만, 앞서 언급한 것처럼 생성형 AI는 MI 담당자 대비 산업에 대한 지식이나 기업 내부 맥락에 대한 이해도는 낮기 때문에 업무의 효율성과 생산성을 높일 수는 있으나 인사이트까지 제공하는 데에는 한계가 있습니다.

따라서 마켓 센싱 업무 중에서 이해관계자들과의 합의를 통해 수행되어야 하는 일 또는 기업 내부 상황을 기반으로 팩트 속에서 시사점을 도출하는 부분은 여전히 사람의 역할로 남게 될 것입니다.

향후 생성형 AI 시대의 MI 담당자들은,

• 업무 생산성을 높이고 휴먼 에러를 줄일 수 있도록 데이터/IT팀과 협업하여 생성형 AI 프로젝트를 성공적으로 도입하는 것이 중요합니다.
• 주요 시사점 도출을 위하여 산업에 대한 전문 지식을 지속적으로 쌓고 기업 내부의 상황을 선제적으로 파악하는 역량을 강화해야 합니다.

다음 포스팅에서는 마켓 인텔리전스의 주요 업무 중 하나인 ‘고객 조사’에서 생성형 AI를 어떻게 적용할 수 있을지, 무엇을 준비해야 할지 자세히 살펴보도록 하겠습니다.