AI 잘 쓰는 마케터는 데이터를 정리 를 안 한다고? 4단계 위임 방법

# 지저분한 마케팅 데이터, ‘AI 분석가’에게 통째로 넘기는 4단계 : 질문 말고 위임하라!

GA4 리포트든 CRM 리드 리스트든, 광고 성과 export를 열면 열이 수백 개씩 펼쳐져 어디부터 손대야 할지 막막할 때가 있죠. 그럴 때 우리 대부분은 AI에게 이렇게 말합니다. “이 열이 뭐야? 그럼 이 열이랑 저 열 정리해줘. 이제 이걸로 계산해줘.” 한 걸음씩 손을 잡고 끌고 가는 방식이에요. 그런데 요즘 AI 데이터 분석을 잘 뽑아내는 사람들은 정반대로 합니다. 지저분한 걸 정리하지 않고 통째로 던진 뒤, ‘목표’만 말하거든요. 이 글은 그 ‘위임’을 실제로 어떻게 하는지, 프롬프트 네 번으로 따라 할 수 있게 풀어봤어요.

1. AI 데이터 분석, 잘 쓰는 사람은 데이터를 정리하지 않는다

이 얘기의 출발점은 해외 마케팅 AI 매체인 마케팅 AI 인스티튜트(Marketing AI Institute)가 지난 7월 초 내놓은 글이에요. 콘텐츠 총괄인 마이크 카풋(Mike Kaput)이 AI 데이터 분석을 두 가지 방식으로 나눠 설명했는데요. 하나는 챗봇에 질문을 하나씩 던지는 방식, 다른 하나는 에이전트에게 일을 통째로 맡기는 방식입니다. 그가 쓴 표현을 그대로 옮기면 이래요.

챗봇에 질문을 하나씩 던지는 게 아니라, 유능한 분석가한테 일을 통째로 맡기는 것에 가깝다.

Marketing AI Institute, 마이크 카풋 (2026-07-01)

왜 이게 중요할까요. 단계별로 “이 열을 저 열로 나눠줘”라고 지시하는 순간, AI는 딱 그 한 가지 연산만 합니다. 그리고 그 지시 안에는 이미 ‘내가 세운 얕은 가설’이 들어가 있어요. 아직 데이터를 제대로 안 봤는데 “매출은 이 열이겠지” 하고 방향을 정해버린 거죠. 목표만 던지면 반대가 됩니다. AI가 어떤 열이 매출과 연결되는지 스스로 뒤져보고, 쓸모없는 열은 빼고, 작은 표본으로 먼저 확인한 뒤 넓혀가요. 정제와 검증을 사람이 아니라 AI가 하는 겁니다.

이 방식이 통한다는 걸, 카풋은 실제 사례로 보여줬어요. 마케팅 AI 인스티튜트가 소개한 자사 SmarterX의 한 프로젝트 데이터는 14만 4,000행에 열이 1,000개나 됐다고 해요.

스프레드시트로 열면 프로그램이 멈춰버릴 만큼 큰 데이터였죠. 이걸 코드를 직접 돌리는 에이전트형 도구(오픈AI의 코덱스, 앤트로픽의 클로드 코드 같은)에 통째로 맡겼더니, 매출 관련 필드와 어트리뷰션 필드를 스스로 구분하고, 중복·노이즈 열을 걸러내고, 작은 코호트로 먼저 검증한 뒤 1,000개 열을 관련 있는 소수로 좁혔다는 겁니다.

흥미로운 건, 이 ‘질문형에서 위임형으로’ 흐름이 이 매체 한 곳만의 얘기가 아니라는 점이에요. 오픈AI가 최근 내놓은 프롬프트 가이드도 “과정을 과하게 설계하지 말고 결과부터 말하라”는 취지를 담았고요.

“당신의 AI 에이전트에 필요한 건 더 좋은 프롬프트가 아니라 목표다”라는 제목의 뉴스레터 글이나, “그만 프롬프트하고 위임을 시작하라”는 미디엄 글도 같은 결로 돌고 있어요. ‘이걸 어떻게 하지?’에서 ‘내가 원하는 결과는 이거야’로 말 거는 방식을 바꾸자는 논의가, 영미권 실무자들 사이에서 반복해서 등장하는 셈이죠.

2. 지저분한 데이터를 통째로 넘기는 4단계

그럼 실제로 어떻게 하면 될까요. ‘지난 6개월 메타·구글 광고 성과와 CRM 리드를 합친 데이터에서, 매출로 이어지는 신호를 찾는다’는 상황을 하나 잡고 네 단계로 따라가 볼게요. 프롬프트 예문은 소마코가 재현해 구성한 예시입니다.

1단계, 정제하지 말고 통째로 넘긴다. 열 이름을 다듬거나 필요 없어 보이는 열을 지우고 싶은 마음이 굴뚝같아도 참으세요. 원본 그대로 올립니다. AI는 그 ‘지저분함’ 자체에서 단서를 찾거든요. 어떤 열이 비어 있고 어떤 값이 튀는지가 오히려 힌트가 됩니다. 파일을 올리면서 상태를 솔직히 알려주면 돼요.

2단계, 단계 말고 ‘목표’만 위임한다. 여기가 핵심이에요. “먼저 A열을 B로 나눈 다음…”처럼 방법을 지정하는 순간, 그건 위임이 아니라 대행이 됩니다. 내가 세운 순서 안에 AI를 가두는 거죠. 대신 ‘무엇을 알고 싶은지’만 던지고 방법은 AI에게 맡겨요. 목표는 상황에 따라 갈아 끼우면 됩니다.

3단계, 답 대신 ‘작업 계획’을 먼저 받는다. 목표를 던졌다고 바로 결론을 받아 들면 안 돼요. AI가 어떤 열을 매출 지표로 봤는지, 무엇을 노이즈로 뺐는지 물어보세요. 이 단계에서 오해석이 조기에 걸립니다. 예를 들어 AI가 ‘환불액’ 열을 매출로 잡았다면, 계획을 미리 봤기에 바로잡을 수 있는 거죠. 작업계획을 먼저 묻지 않고 바로 결론을 내라고 하면, 완전히 무관한 열을 매출의 원인으로 착각해 그럴 듯한 소설을 쓸 수 있기 때문에 계획을 꼭 먼저 잡아야 합니다.

4단계, 작은 코호트로 검증시킨 뒤 확장한다. 계획이 그럴듯해 보여도 전체에 한 번에 돌리게 두지 마세요. 한 캠페인, 한 달치처럼 작은 덩어리에서 먼저 확인하게 하고, 결과가 맞으면 전체로 넓히라고 시킵니다. 튀는 값은 따로 표시해 달라고 하고요. 이렇게 하면 사람이 볼 건 검증 로그 한 장으로 줄어요.

네 단계를 관통하는 원리는 하나예요. 내가 순서를 짜서 AI를 끌고 가는 게 아니라, 목표와 검증 방식만 정해주고 탐색은 맡기는 겁니다. 앞서 프롬프트를 다루는 실전 팁은 AI 영상 프롬프트 글에서도 짚었는데, AI 데이터 분석에선 ‘방법을 잘 적는 것’보다 ‘방법을 안 적는 것’이 더 나은 결과를 내는 셈이죠.

3. 넘기기 전에 반드시 확인할 것

물론 통째로 넘긴다고 아무거나 던져도 된다는 뜻은 아니에요. 두 가지는 꼭 챙기고 가야 합니다.

먼저 데이터 민감도예요. 고객 개인정보나 계약 관련 데이터를 그대로 올리기 전에, 사내 정책과 쓰는 도구의 데이터 취급 방식을 확인하세요. 입력값을 학습에 쓰는지, 어느 지역 서버에 저장되는지 같은 것들요. 애매하면 이름·연락처 같은 식별 정보는 지우고 익명화하거나, 일부만 샘플링해서 넘기면 됩니다.

그리고 검증 습관이에요. AI가 ‘알아서 했다’는 말을 그대로 믿으면 안 됩니다. 세 가지만 되물으면 대부분의 오류가 걸러져요. 그 열을 매출로 본 근거가 뭔지, 작은 코호트에서 나온 결과가 실제로 어땠는지, 튀는 값을 어떻게 처리했는지를 되묻는 거죠. 이 세 가지에 대한 AI의 답이 어설프면, 원본 데이터로 직접 한 번 더 확인하면 됩니다.

정리하면 이렇습니다. 다음 주간 리포팅 때, 늘 하던 대로 raw export를 붙잡고 열을 정리하지 마세요. 정리하지 말고 그대로 통째로 넘긴 뒤 “매출과 연결된 걸 찾아줘” 한 줄만 던져보세요. 대신 방금 말한 세 가지, 필드 해석 근거, 소규모 코호트 결과, 이상치 처리, 를 꼭 되물어 확인하고요. 딱 이 두 가지만 지키면, 엑셀 붙잡고 보내던 반나절이 검토 몇 분으로 바뀌는 걸 그 자리에서 느낄 거예요.