CPQ에 AI를 도입하기 전, 내러티브 데이터가 먼저 필요한 이유

LLM은 트럭이 무엇인지는 압니다. 하지만 *귀사의* 트럭에 대해서는 모릅니다. 대부분의 팀이 SKU, 속성, 규칙 테이블로만 구성된 기존 CPQ 시스템에 AI를 도입하려 할 때 마주하는 현실입니다. AI가 내놓는 답변은 그럴듯해 보이지만, 그 근거는 부실합니다. 영업 담당자가 왜 특정 침대칸(sleeper cab)을 추천하는지 물으면 시스템은 명쾌한 답을 내놓지 못합니다.

제가 워크숍 현장에서 직접 목격한 바입니다. 각 옵션이 언제, 왜 필요한지에 대한 명확한 맥락을 모델에 제공하는 순간, 대화의 질이 달라집니다. 시스템은 추측을 멈추고 조언을 시작합니다. 이는 AI의 마법이 아닙니다. 바로 '서사(narrative)'를 가진 데이터의 힘입니다.

기존 데이터에 빠진 한 가지

데이터 테이블은 어떤 조합이 '가능한지'는 알려주지만, 왜 그 선택이 '현명한지', 어떤 상황에 적합하고 부적합한지는 알려주지 않습니다. 이 공백을 메우기 위해 담당자들은 다시 이메일, 별도의 엑셀 파일, 그리고 소수만 아는 비공식적 지식에 의존하게 됩니다. 우리는 이것을 시스템 도입 실패의 문제라고 부릅니다.

AI의 추론 능력에 필요한 것은 더 많은 데이터 항목이 아닙니다. 각 옵션에 대한 기계가 읽을 수 있는 **의도(intent)**입니다.

• 단순 스펙 나열이 아닌, 목적을 설명하는 쉬운 언어
• 고객이 고려해야 할 장단점과 트레이드오프
• 구체적인 활용 및 비적용 시나리오
• 원가, 리드타임, 서비스, 리스크 등에 미치는 영향

이제 제품 마케팅 콘텐츠는 단순히 웹사이트 문구에 그치지 않습니다. 구성 모델(configuration model)에 입력되는 핵심 데이터가 됩니다. 이 콘텐츠를 체계적으로 구조화하면 AI는 이를 바탕으로 추론할 수 있습니다. 그렇지 않으면, AI는 자신감에 차서 환각(hallucination)을 일으킬 뿐입니다.

PIM을 넘어 지식 베이스로

대부분의 PIM(제품 정보 관리)과 가격 정책 시스템은 식별자, 계층 구조, 가격 정보는 잘 관리합니다. 정확성을 확보하는 데는 유용하지만, 가이드를 제공하기에는 역부족입니다. AI 기반 영업을 지원하려면, PIM이 추론 엔진이 쿼리할 수 있는 **지식 베이스(knowledge base)** 역할을 해야 합니다.

최근 업계 분석가들은 RAG(검색 증강 생성)를 엔터프라이즈 AI의 핵심 패턴으로 꼽습니다. CPQ 관점에서 이는 두 가지를 의미합니다.

• 명시적 로직 계층(explicit logic layer)에 엄격한 제약 조건을 유지하여 시스템이 절대 유효하지 않은 조합을 제안하지 못하도록 합니다.
• 모든 옵션에 짧고 일관된 서사(narrative) 데이터를 추가하여 AI가 질문에 답하고, 장단점을 비교하며, 근거 있는 추천을 생성할 수 있도록 합니다.

이것이 잘 구현되면, 채팅 인터페이스나 가이드 양식은 더 이상 장난감이 아닙니다. 현장에서 제품이 실제로 어떻게 작동하는지를 반영하는, 학습 가능한 영업 파트너가 됩니다.

추론을 위한 서사 데이터 구조화 방법

핵심은 단순함, 간결함, 그리고 일관성입니다. 장문의 소설을 쓰는 것이 목표가 아닙니다. AI가 여러 대화에서 재사용할 수 있는 **신뢰할 수 있는 신호(signal)**를 만드는 것이 중요합니다.

모듈(Module) 레벨 필드

• 모듈의 목적 - 이 모듈이 제공하는 기능에 대한 두 문장 이내의 설명
• 선택 가이드 - 이 모듈이 중요한 경우와 선택의 기준

옵션(Variant) 레벨 필드

• 간단한 설명 - 고객의 언어로 작성된 한두 문장의 설명
• 장점 - 최대 3개, 실질적인 결과를 바꾸는 혜택 중심
• 단점 - 최대 3개, 영업 담당자가 반드시 알아야 할 현실적인 트레이드오프
• 적용 시나리오 - 1~3개의 구체적인 상황
• 비적용 시나리오 - 1~3개의 구체적인 상황
• 주요 영향 - 원가, 리드타임, 서비스, 호환성 관련 참고사항

구체적인 예시

모듈: 운전석(Cab)

• 목적: 운전자를 위한 업무 및 휴식 공간 제공
• 선택 가이드: 운행 주기, 법적 휴식 시간, 야간 운행 여부, 도심 접근성

옵션: 침대칸(Sleeper Cab)

• 설명: 야간 휴식을 위한 침대가 통합된 확장형 운전석
• 장점: 장거리 운행 규정 준수 용이, 운전자 편의성 증대, 숙박비 절감
• 단점: 차량 중량 및 가격 증가, 좁은 도심 지역에서 기동성 저하 가능
• 적용 시나리오: 500km 이상 장거리 노선, 빈번한 야간 운행, 장거리 화물 운송
• 비적용 시나리오: 복잡한 도심 배송, 엄격한 높이 제한 구역, 단거리 운행
• 주요 영향: 리드타임 2주 증가, 4x2 또는 6x2 구동축과 최적 조합, 낮은 루프 섀시에는 적용 불가

현장에서 얻은 두 가지 조언을 덧붙입니다.

• 이 제품을 처음 접하는 똑똑한 영업 담당자를 위해 작성하십시오. 업계 용어는 허용되지만, 설명 없는 용어는 안 됩니다.
• 옵션별 서사는 약 100단어 내외로 유지하십시오. 텍스트가 길어지면 신호가 희석되고 검색 정확도가 떨어집니다.

이것을 가능하게 하는 아키텍처

서사 데이터는 안전장치(guardrails)와 결합될 때 강력한 힘을 발휘합니다. 제가 추천하는 성공적인 패턴은 다음과 같습니다.

• 명시적 로직 계층 - 기존 CPQ의 규칙과 제약 조건이 정확성과 결정론적 결과를 보장합니다.
• 서사 지식 베이스 - 구조화된 설명 필드와 선별된 문서를 검색 가능한 형태로 저장합니다. 영업 관련 콘텐츠로 범위를 한정합니다.
• 추론 인터페이스 - 채팅 또는 가이드 양식을 통해 명확한 질문을 던지고, 정보 출처를 제시하며, 대안을 제안합니다.
• 설명가능성 - 어떤 규칙과 서사가 추천에 영향을 미쳤는지 보여줌으로써 영업 담당자가 견적을 방어할 수 있도록 합니다.

AI는 명시적 로직을 '대체'하는 것이 아니라, 그 '위에' 위치해야 합니다. 제약 조건이 없으면 그럴듯한 추측만 남습니다. 제약 조건과 잘 정리된 지식 베이스가 결합될 때 비로소 현장에 배포해도 안전한, 설명 가능한 가이드를 얻을 수 있습니다.

강력한 시스템은 '정확성'과 '서사'를 분리합니다. 규칙은 안정성을 보장하고, 서사는 속도를 더합니다.

이번 분기에 당장 시작할 일

시작하기 위해 플랫폼을 전면 교체할 필요는 없습니다. 제품, 마케팅, CPQ 담당 조직 간의 협력 고리를 더 단단히 조이는 것부터 시작해야 합니다.

• 가장 많이 판매되는 상위 10개 제품 구성을 선정하십시오.
• 각 모듈의 '목적'을 두 문장 이내로 작성하십시오.
• 각 옵션에 '설명, 장단점, 적용/비적용 시나리오, 주요 영향'을 추가하십시오.
• 특히 '언제 사용하면 안 되는지'에 대한 부정적 추천을 반드시 기록하십시오. 가장 가치 있는 정보일 때가 많습니다.
• 기존 규칙을 매핑하여 AI의 제안과 무관하게 로직 계층이 유효하지 않은 조합을 차단하도록 하십시오.
• 이 서사 데이터를 검색 가능한 저장소에 구축하십시오. 기존 솔루션의 지식 서비스를 활용하거나 벡터 인덱스를 구축할 수 있습니다.
• 간단한 추론 UI를 연결하십시오. 한 제품 라인에 대한 파일럿 채팅이나 가이드 양식만으로도 많은 것을 배울 수 있습니다.
• 개선 전후를 비교 측정하십시오. 영업 담당자가 근거 있는 추천과 가격이 포함된 견적을 완성하는 데 걸리는 시간을 비교해 보십시오.

기존 CPQ가 있다면, 전면 교체할 필요가 없습니다. 기존 제품 정의에 서사 필드를 추가하고, 검색 기반의 추론 계층에 연결하면 됩니다. CPQ가 없다면, 서사 데이터와 몇 가지 핵심 제약 조건으로 시작하여 점차 확장해 나가십시오.

복리처럼 쌓이는 이점

서사 데이터에 투자하는 팀은 두 가지 복리 효과를 경험합니다.

• 설명 가능한 속도 - 의사결정 지연 감소, 엔지니어링팀과의 불필요한 문의 감소, 고객에 대한 빠른 근거 제시.
• 더 나은 가격 결정 - 시나리오를 통해 프리미엄 옵션의 존재 이유가 명확해지고, 초기 비용이 아닌 총소유비용(TCO) 관점의 영업이 가능해집니다.

유지보수도 어렵지 않습니다. 제품이 변경되면 두 가지만 업데이트하면 됩니다. 정확성을 보장하는 규칙과 가이드를 제공하는 짧은 서사. 시스템은 처음부터 사람과 기계 모두가 읽을 수 있도록 설계되었기 때문에 지속적으로 학습 가능합니다.

시스템이 추론하고 설명까지 할 수 있다면, 영업 부서의 엑셀 시트는 마침내 사라질 것입니다.

지난 20년 이상, 저는 수많은 기업이 문서화하지 않은 판단을 자동화하려다 실패하는 모습을 지켜봤습니다. 교훈은 간단합니다. AI가 CPQ에서 실질적인 도움이 되기를 원한다면, AI가 추론할 만한 가치가 있는 데이터를 제공해야 합니다. 귀사의 제품 데이터에 '서사'를 부여하는 역할은, 과연 어떤 팀이 맡아야 할까요?