웨비나 다시보기: Lovable & ElevenLabs와 함께 AI GTM 코치 만들기

대부분의 세일즈 지원 팀은 롤플레이 프로그램을 운영해 본 경험이 있습니다. 하지만 영업 담당자가 실제로 끝까지 참여하는 프로그램을 운영하기는 어렵습니다. 팀이 실제로 나누는 고유한 대화를 중심으로 프로그램을 구축하는 일은 더욱 어렵습니다. 

라이브 워크숍: Lovable과 ElevenLabs로 AI GTM 코치 구축하기, Morgan Jacobson (Lovable GTM Enablement)과 Remy Khoung (ElevenLabs GTM Enablement)은 AI GTM 코치를 구축해 이 문제를 해결한 방법을 설명했습니다.

Lovable과 ElevenLabs 팀에 이를 도입한 과정의 비하인드 스토리와 구축 과정에서 얻은 실무적 인사이트도 공유했습니다. 

영업 롤플레이의 한계 

Remy와 Morgan은 영업 롤플레이에서 지속적으로 다음과 같은 한계에 부딪혔습니다. 

1. 연습 파트너의 역량이 제각각이라 세션이 실제 구매자와의 대화가 아닌 단순한 진행 연습으로 끝나기도 했습니다
2. 영업 담당자가 실제 고객을 만나기 전까지는 객관적으로 측정할 방법이 없었습니다
3. 서로 다른 시간대에 맞춰 라이브 세션을 조율하기 어려웠습니다
4. 동료와 롤플레이를 하면 평가하는 사람들 앞에서 준비가 부족해 보일 위험을 감수해야 합니다

관리자에게 어떻게 비칠지를 신경 쓰는 영업 담당자는 스킬보다 주변 상황에 더 많은 주의를 쏟게 됩니다.

연습에서 청중을 없애야 진정한 반복 연습이 가능해집니다.

이러한 문제를 해결하기 위해, 최고의 구매자 대화를 학습한 상시 가동형 AI GTM 코치를 구축하기로 했습니다. 

AI GTM 코치를 구축한 방법 

ElevenAgents가 기반 에이전트 역할을 하고, Lovable이 프런트엔드 역할을 했습니다. 

에이전트
시스템 프롬프트는 에이전트의 핵심 요소였습니다. 시나리오, 구매자가 자발적으로 제공하는 정보와 제공하지 않는 정보에 관한 규칙, 채점 루브릭이 모두 지침에 포함되었습니다. 그 위에 모델 선택, 언어, 음성이 설정으로 적용되었습니다.

프런트엔드
Lovable은 롤플레이 스튜디오, 대화 기록 업로드, 실시간 스코어카드, 인증 경로, 완료 추적이 포함된 드릴 배정 등 영업 담당자가 접하는 모든 기능을 맡았습니다.

구매자 페르소나를 만든 세 가지 결정

세 가지 선택이 이 구축을 결정지었습니다.

1. 단계적 정보 공개. AI 구매자는 정보를 자발적으로 제공하지 않으므로, 영업 담당자는 관점이나 날카로운 질문으로 정보를 얻어내야 합니다. 또한 일반적인 질문 세 개만으로 연습을 통과하는 일을 막아 줍니다.
2. 구조화된 채점. 에이전트는 마지막에 역할에서 벗어나 정의된 기준에 따라 점수를 매깁니다. 소개된 구축에서는 기술적 정확성, 구매자로서의 신뢰성, 영업 담당자가 구매자의 눈높이에 맞춰 제안했는지가 기준이었습니다.
3. 교육 모드. 막힌 영업 담당자가 이를 말하면 에이전트는 잠시 멈추고, 구체적인 예시 질문이나 고객 사례로 스킬을 가르친 뒤 연습을 재개합니다. 반복해서 사용해도 부담스럽지 않고 안전하게 느껴지는 이유입니다.

데모 1: Lovable 롤플레이 스튜디오

시나리오: AI 구매자 Sarah를 상대로 영업 담당자가 발견 통화를 진행합니다. Sarah의 팀은 일관된 메시지 전달에 어려움을 겪고 있으며, 신규 영업 담당자 교육에 너무 오랜 시간이 걸립니다. 

시연 내용:

• 영업 담당자가 아젠다로 대화를 시작하고 온보딩의 어려움에 대한 관점을 제시한 뒤, 표면적인 문제를 넘어 비즈니스 영향까지 파고들자 구매자가 놓친 거래 사례를 자발적으로 공유하는 과정
• 통화 중 실시간으로 채워지는 스코어카드와 종료 시 표시되는 전체 스코어카드. 두 스코어카드 모두 회사 고유의 방법론을 기준으로 자연어로 구성
• Lovable 에이전트에 직접 프롬프트를 입력하거나, MCP를 통해 Claude가 과거 통화 라이브러리를 참조하도록 해 가장 흔한 사례의 복제본을 구축하여 생성한 시나리오

중요한 이유: 롤플레이의 품질과 인터페이스의 품질은 별개의 문제이며, 대부분의 프로그램은 첫 번째 문제만 해결합니다.

데모 2: ElevenAgents 에이전트 구성 

시나리오: ElevenAgents 구축 설정을 통해 보여 준, 인터페이스 아래에서 작동하는 에이전트 레이어입니다.

시연 내용:

• 시나리오, 정보 공개 규칙, 채점 루브릭을 모두 평이한 영어 지침으로 작성한 시스템 프롬프트
• 에이전트가 전화를 받는 순간 분위기를 설정하고 시나리오를 시작하는 첫 메시지
• 70개 이상의 언어를 지원하는 언어 선택 기능. 하나의 에이전트가 여러 언어를 처리하거나 언어별로 에이전트를 둘 수 있음
• 10,000개 이상의 음성 중에서 선택하는 기능. 특정 언어에서 더 뛰어난 성능을 내는 음성도 있음
• ICP 및 페르소나 문서를 위한 선택형 지식 베이스

중요한 이유: 롤플레이는 에이전트가 잘 수행해야만 제대로 작동합니다. 이를 위해서는 음성 품질, 낮은 지연 시간, 턴테이킹이 필요하며, 이 모든 요소는 하나의 스택에 있습니다. 

AI 롤플레이 코치 구축 모범 사례

프롬프트보다 먼저 루브릭을 작성하세요. 영업 담당자가 충족해야 할 기준을 정의한 다음, 이를 검증하도록 에이전트를 구축하세요. 반대로 하면 영업 담당자에게 일반적으로 느껴지는 스코어카드가 만들어지고, 이는 이들의 참여를 잃는 가장 빠른 방법입니다. 소개된 도입 사례에서는 먼저 5가지 기준을 정하고 그에 맞춰 에이전트를 구축했습니다.

실제 통화에서 시나리오를 발굴하세요. 시나리오를 새로 만들어 내기보다 MCP를 통해 Claude가 과거 영업 통화 라이브러리를 참조하도록 하고, 가장 자주 등장하는 통화를 요약한 뒤 이를 복제한 시나리오를 구축하세요. 

프롬프트의 응답은 짧게 유지하세요. 2~4문장이 적당합니다. 그보다 길면 에이전트가 흔들리는 경향이 더 잦아집니다. 

대화의 복잡도에 맞는 모델을 선택하세요. 단순한 롤플레이에는 가볍고 빠른 모델을 사용하고, 대화에 실제로 더 높은 역량이 필요할 때는 더 강력한 모델을 사용하되 지연 시간과 비용의 균형을 고려하세요. 

지역별 반론에 맞게 프롬프트를 조정하세요. 여러 지역에 배포하는 일은 쉬웠습니다. 문제는 프롬프트 조정이었습니다. 미국의 엔터프라이즈 구매자는 EMEA, 인도, 일본의 구매자와 다른 방식으로 반론을 제기하기 때문입니다. 이러한 관행은 현지 영업 담당자와 함께 정리해 프롬프트에 반영해야 합니다.

도입을 변화 관리로 다루세요. 리더십의 공감대, VP 주도의 배포, 신뢰할 수 있는 스코어카드, 경쟁형 드릴이 필요합니다. 구축에는 반나절이면 충분하지만, 경력이 긴 영업 담당자의 참여를 이끌어 내는 데는 더 오랜 시간이 걸립니다. 

전체 세션 보기

전체 웨비나 보기 여기.