일주일 걸릴 AI 기업교육 타깃 조사, 하루 만에 30곳 찾았습니다

세일즈의 핵심은 결국 Right Timing × Right Person입니다. 필요한 순간에, 실제로 결정하거나 담당자에게 연결해줄 사람에게 제안해야 대화가 시작됩니다.

AI 기업교육 영업에서 어려운 것도 바로 이 두 가지였어요. 회사 규모나 업종만 봐서는 그 회사가 지금 교육을 필요로 하는지, 누구에게 제안해야 하는지 알기 어렵습니다. 그래서 이번에는 FDE·AX 채용공고를 Right Timing을 보여주는 수요 신호로, 공개된 실명 AX·HRD 담당자 이메일을 Right Person에 닿는 경로로 활용해보기로 했습니다.

AI 없이 직접 조사하면 일주일은 걸릴 업무였습니다. Codex와 Rona Coach를 활용해 하루 약 8시간 만에, 공개된 실명 연락처와 판단 근거가 있는 기업 30곳을 만들었습니다.

다만 AI가 처음부터 정답 30개를 뽑아준 건 아니었어요. 오히려 틀린 후보를 걸러내는 과정에서 AI 기업교육 고객을 고르는 기준이 더 선명해졌습니다.

무작위 기업 목록 말고, ‘지금 AI를 도입하는 회사’를 찾고 싶었습니다

저는 지피터스에서 기업 AI 교육을 판매하고 설계합니다. 프로그램을 만드는 것만큼 어려운 일이 지금 이 교육이 필요한 회사를 찾는 일이에요.

보통은 회사 규모, 매출, 산업 같은 조건으로 영업 대상을 고릅니다. 하지만 회사가 크다고 지금 AI 교육 예산이 있는 건 아니고, 이름이 덜 알려진 회사가 이미 전사 AI 전환을 시작했을 수도 있습니다.

그래서 이런 가설을 세웠습니다.

FDE나 AX 직무를 채용하는 회사는 AI를 실제 업무에 도입하고 있을 가능성이 높다.
기술을 구축한 다음에는 임직원이 이를 쓰게 만드는 전사 확산 교육도 필요하지 않을까?

여기서 FDE는 Forward Deployed Engineer의 약자입니다. AI 모델이나 에이전트를 실제 현업 문제에 붙여 작동하게 만드는 역할에 가까워요.

이런 인력을 채용하는 회사에 맞춤형 AX 교육을 제안하면 무작위 타기팅보다 10배 높은 성과가 날 수 있다고 봤습니다. 가장 빠른 검증 방법은 FDE·AX 인력을 채용하는 회사를 찾고, 공개된 담당자 이메일로 실제 제안서를 보내보는 것이었습니다.

이번 작업의 목표는 발송 자동화 전체가 아니라 제안해볼 만한 회사 30곳을 만드는 것으로 정했습니다.

1단계 — 처음부터 30곳을 찾지 않고 5곳만 검증했습니다

처음부터 30개 회사를 채웠다면 보기에는 빨리 끝났을 거예요. 대신 잘못된 기준으로 30개를 조사한 다음 전부 다시 해야 했을 가능성이 큽니다.

그래서 먼저 5개 회사만 조사했습니다.

서로 다른 30개 회사에서 공개 출처로 확인된 담당자 이메일을 찾고 싶어.
다만 먼저 5개 회사만 검증한 뒤, 기준이 맞으면 30개로 확장해줘.

Codex에는 회사마다 아래 여섯 가지를 확인하게 했습니다.

어떤 FDE·AX 직무를 채용하는가
외부 고객이 아니라 자사 내부 전환을 위한 채용인가
전사 AX 교육 수요가 있다고 볼 근거는 무엇인가
자체 AI 교육 역량이 이미 충분하지는 않은가
실제 제안을 전달할 사람은 누구인가
그 사람의 이메일은 어디에 공개되어 있는가

Rona Coach에서는 이 과정을 판별 기준 만들기 → 5곳 검증 → 사용자 검토 → 30곳 확장 → 최종 감사로 나눴습니다.

이렇게 작게 시작한 덕분에 첫 5개만 보고도 기준의 구멍을 찾을 수 있었습니다.

FDE·AX 채용공고를 5곳에서 검증한 뒤 30개 영업 타깃으로 확장한 과정

2단계 — FDE를 뽑는다고 모두 교육 고객은 아니었습니다

가장 먼저 드러난 문제는 같은 FDE 채용공고라도 목적이 다르다는 점이었어요.

자사 임직원의 업무를 AI로 전환하려는 회사
FDE를 고객사에 투입해 AI 구축을 대신해주는 공급기업
자체 AI 조직과 교육 체계가 이미 충분히 성숙한 회사

우리가 찾는 곳은 첫 번째입니다. AI를 판매하는 회사가 아니라 자기 회사 안에서 AI를 확산하려는 수요기업이어야 했습니다.

처음에는 전담 AX 조직이 있거나 FDE를 여러 명 채용하면 이미 내부에서 잘하니 제외해야 하나 고민했습니다. 실제 후보를 놓고 보니 반대였어요.

별도 AI Transformation·AX 전담 조직이 있는 곳은 오히려 좋은 신호입니다.
그만큼 회사의 AX 의지가 강하다고 볼 수 있으니까요.

FDE·AX 인력을 여러 명 보유하거나 대규모로 채용하는 회사는
제외하지 말고 판단 보류로 두는 게 좋겠습니다.

전담 조직은 의지, 예산, 책임자가 있다는 긍정적인 신호였습니다. 다만 자체 교육, 오피스아워, 활용 가이드와 플레이북까지 내부에서 직접 운영하는 회사라면 외부 교육이 들어갈 빈자리가 있는지 한 번 더 확인해야 했습니다.

결국 판단 기준을 이렇게 바꿨어요.

  관찰 신호                                              판단
  ------------------------------------------------------ ---------------------
  사내 업무·지식·운영 프로세스를 AI로 전환               포함
  현업 확산·변화관리·AI 교육이 직무에 명시               우선순위 상향
  별도 AX·Transformation 조직 존재                       긍정 신호
  FDE·AX 인력을 여러 명 채용                             보류 후 추가 확인
  자체 교육·가이드·플레이북 역량이 높음                  외부 교육 공백 확인
  고객사 구축·컨설팅을 위한 FDE 채용                     제외
  소규모 조직이 자체 AI 제품과 자동화 역량을 이미 보유   제외 또는 보류

핵심 질문은 “AI를 잘하는 회사인가?”가 아니었습니다. 제가 정말 확인하려던 질문은 이것이었습니다. “AI를 전사적으로 확산하려는 의지가 있으면서 외부 교육이 들어갈 빈자리가 있는가?”

3단계 — 공개 이메일과 ‘전달 가능한 이메일’은 달랐습니다

회사 목록보다 더 어려웠던 건 연락처였습니다.

채용공고 하단에는 이메일이 자주 나옵니다. 처음에는 공개된 이메일이면 기업교육 제안도 전달할 수 있다고 생각했어요. 하지만 recruit@, job@, talent@ 같은 주소는 대부분 채용 서류를 받기 위한 접수함입니다.

제안서를 보내도 AX나 HRD 담당자에게 전달될 가능성이 낮았습니다.

HR 공용 메일은 수집에 의미가 없겠어.
최소한 HRD 또는 AX 담당자의 메일이 수집되어야 해.

recruit, job, talent 성격의 이메일은
실무자에게 전달되지 않을 확률이 높아.

반대로 회사 이메일만 인정할 필요도 없었습니다. 본인이 공개한 개인 Gmail이라면 유효한 연락 경로일 수 있었어요.

최종 연락처 기준은 다음과 같습니다.

실명 HRD·L&D·AX 담당자의 공개 이메일
실명 경영 의사결정자의 공개 이메일
공식 행사, 공시, 회사·협회 자료에서 이름과 역할이 함께 확인되는 주소
본인이 공개한 개인 Gmail도 허용
추정 이메일과 채용 접수용 주소는 제외
오래된 자료만 있다면 바로 발송하지 않고 보류

중요한 건 이메일 도메인이 아니었습니다. 누구의 이메일이고, 그 사람이 제안을 판단하거나 적절한 담당자에게 연결할 위치에 있는지가 더 중요했습니다.

4단계 — 사용자의 영업 판단으로 목록을 세 번 다시 걸렀습니다

AI는 공개 자료를 빠르게 찾았지만, 그 회사가 실제로 외부 교육을 살 가능성까지 처음부터 정확히 판단하지는 못했습니다.

예를 들어 이런 후보들이 섞였습니다.

이미 AI를 충분히 잘 활용해 외부 교육의 빈자리가 잘 보이지 않는 회사
자체적으로 임직원 교육까지 진행할 가능성이 큰 회사
공개 연락처의 출처가 너무 오래된 회사
상장사이지만 스타트업 성격이 강해 자체 내재화 속도가 빠른 회사
그룹 내부 혁신조직이 강해 외부 교육을 자체 해결할 가능성이 높은 회사
AI가 핵심 R&D와 가까워 내부 전문성이 충분할 가능성이 큰 회사

이 판단은 검색 결과만 봐서는 나오지 않았습니다. 제가 기업교육 영업 경험을 바탕으로 포함·보류·제외 기준을 수정했고, Codex가 수정된 기준으로 다시 조사했습니다.

30곳을 완성한 뒤에도 조건부 기업 5곳을 다시 교체했어요. 대신 전통 제조, 금융, 제약 영역에서 전사 AX 과제와 변화관리 수요가 드러나고 공개 실명 연락처까지 확인되는 기업을 넣었습니다.

제약사의 경우에도 무조건 포함하지 않았습니다. AI가 신약 R&D 자체의 핵심이면 외부 교육이 들어가기 어렵지만, 영업·생산·품질·관리 부문의 AI 확산이라면 제안 여지가 있다고 구분했습니다.

이 과정에서 AI가 맡은 일과 제가 맡은 일이 분명해졌습니다.

Codex와 Rona가 맡은 일

채용공고와 공개 웹 자료 검색
회사별 내부 AX 수요 근거 정리
실명 연락처와 이메일 출처 교차 확인
후보 교체와 엑셀 업데이트
중복·주소 형식·출처 링크·화면 배치 검증

제가 맡은 일

우리 기업교육 사업에 맞는 구매 가능성 판단
전담 AX 조직, 스타트업, 그룹 내재화에 대한 기준 수정
포함·보류·제외 회사 결정
최종 30개 목록 승인

AI가 후보와 근거를 빠르게 가져오고, 사람이 실제 구매 가능성을 판단하면서 기준을 고치는 협업이었습니다.

결과 — 일주일 걸릴 조사를 하루 만에 끝냈습니다

최종 결과물은 회사 이름과 이메일만 들어 있는 명단이 아닙니다. 왜 이 회사에 연락해야 하는지를 설명할 수 있는 영업 타깃 목록입니다.

  항목                 Before                           After
  -------------------- -------------------------------- -------------------------------------
  조사 시간            사람이 직접 하면 약 1주일        AI와 하루, 약 8시간
  대상 선정            규모·업종 중심의 무작위 타기팅   FDE·AX 채용 수요 근거 기반
  회사 수              0곳                              서로 다른 30곳
  연락처               검증 기준 없음                   공개 출처로 확인된 이메일 30개
  채용 접수용 이메일   섞일 가능성 있음                 0개
  판단 근거            담당자의 경험에 흩어짐           엑셀의 포함·보류·제외 기준으로 정리
  원문 근거            별도 관리 없음                   채용·연락처 링크 59개

최종 30곳은 다시 우선순위로 나눴습니다.

높음: 16곳
중간: 8곳
조건부: 6곳

각 행에는 채용 신호, 공고 상태, AX 교육 수요 근거, 자체 성숙도 판단, 연락 대상의 역할, 공개 이메일 출처와 권장 접근 방법이 함께 들어 있습니다.

링크도 다시 검사했습니다. 59개 중 55개는 자동으로 열렸고, 차단되거나 시간 초과가 난 4개는 브라우저와 검색 인덱스로 원문을 다시 확인했습니다. 회사·이메일 중복, 채용 접수용 주소, 수식 오류도 별도로 검사했어요.

여기서 중요한 사실이 하나 있습니다. 아직 “10배 성과”가 확인된 것은 아닙니다. 이번에 검증한 건 무작위 목록보다 훨씬 설명 가능한 AI 기업교육 타깃을 만들 수 있다는 데까지예요.

실제 성과는 다음 단계에서 이메일 발송률, 긍정 회신률, 담당자 연결률, 미팅 전환율을 기존 방식과 비교해야 알 수 있습니다.

예상과 달랐던 점 — 검색보다 판단 기준을 만드는 일이 더 중요했습니다

처음에는 FDE 채용공고를 잘 검색하면 좋은 목록이 나올 거라고 생각했습니다. 해보니 검색 자체는 가장 쉬운 부분이었어요.

어려운 건 다음 세 가지였습니다.

이 회사가 수요기업인지 공급기업인지
AI 전환 의지와 자체 내재화 수준 사이에 외부 교육의 빈자리가 있는지
공개된 이메일이 실제 제안을 전달할 사람의 것인지

이 기준을 한 번에 자동화하기는 어렵습니다. 공개 정보만으로는 보이지 않는 그룹 문화, 스타트업의 내재화 속도, 특정 산업의 R&D 특성이 있기 때문이에요.

그래서 이번 작업에서 Rona Coach의 역할은 정답을 대신 내는 것이 아니라, 5곳에서 멈춰 사용자의 판단을 받고 그 판단을 다음 조사 기준으로 바꾸는 것이었습니다.

일반 작업 앱의 AI도 검색과 엑셀 작성은 할 수 있습니다. 이번 방식의 차이는 결과물을 중간 단위로 멈춰 세우고, 잘못된 기준으로 30곳을 조사하기 전에 사람의 영업 판단을 반영한 데 있었습니다.

AI 활용 팁!

이 방식은 AI 기업교육에만 적용되는 건 아닙니다. 특정 직무 채용이 어떤 제품의 구매 수요를 보여주는 B2B 영업이라면 그대로 응용할 수 있어요.

예를 들면 다음과 같습니다.

보안 책임자를 채용하는 회사 → 보안 솔루션·교육 수요
데이터 엔지니어를 처음 채용하는 회사 → 데이터 인프라·컨설팅 수요
해외사업 담당자를 늘리는 회사 → 현지화·법무·언어 교육 수요
RevOps 직무를 신설하는 회사 → CRM·세일즈 자동화 수요

따라 할 때 가장 먼저 기억할 것은 30곳을 바로 찾지 말고 5곳에서 기준을 검증하는 것입니다.

그리고 연락처는 마지막에 찾는 게 좋습니다. 회사 적합도를 통과하기 전에 이메일부터 찾으면, 결국 제외할 회사의 연락처를 조사하는 데 시간을 쓰게 됩니다.

바로 쓸 수 있는 프롬프트

우리의 가설은 [특정 직무]를 채용하는 회사가 [우리 상품·서비스]를 구매할 가능성이 높다는 것입니다.
먼저 회사 5곳만 조사해 아래 항목을 표로 만들어주세요.

회사명과 채용 직무

채용공고 원문

이 채용이 보여주는 내부 수요

우리 상품을 외부에서 구매할 가능성

제외 또는 보류해야 할 신호

공개 출처에서 확인된 실명 담당자 또는 의사결정자 이메일

이메일 원문 출처
추정 이메일과 채용 접수용 주소는 제외해주세요.
5곳을 제가 검토해 기준을 확정하기 전에는 전체 목록으로 확장하지 마세요.

다음 실험 — 이제 목록이 아니라 회신률을 검증할 차례입니다

이제 할 일은 회사를 더 찾는 게 아닙니다. 우선순위가 높은 16곳에 회사별 채용 문구와 AX 과제를 반영한 맞춤 이메일을 보내고, 기존 무작위 타기팅과 성과를 비교하는 것입니다.

확인할 지표는 네 가지입니다.

정상 발송률
긍정 회신률
담당자 연결률
미팅 전환율

여기서 차이가 확인되면 채용공고 수집, 수요 판별, 제안서 생성, 이메일 발송과 회신 분류까지 자동화할 수 있습니다.

자동화보다 먼저 해야 할 일은 좋은 타깃을 정의하는 것이었습니다. 이번 작업은 일주일 걸릴 그 정의를 하루 만에 회사 30곳과 공개 근거 59개로 바꿔본 기록입니다.

🔥<24기 AI 스터디> 얼리버드 신청하기 🔥