제안서 맞춤 자동 생성

"이 회사 맞춤으로 다시 만들어야 하는데, 시간이 없어." 영업이라면 누구나 해본 말입니다. 회사명·로고·금액만 바꾼 템플릿 제안서는 50% 이상이 무응답으로 돌아오기 쉽고, 평균 8시간을 들여 진짜 맞춤형으로 다시 쓴 제안서가 결국 미팅을 따냅니다.

제안서 자동 생성 시스템이란 CRM의 고객 정보·통화 요약·웹사이트 행동 데이터를 LLM이 종합해, 회사의 톤과 산업 특성과 구체적인 페인포인트가 반영된 제안서를 자동으로 만들어내는 시스템을 말합니다. 8시간 걸리던 일이 30분으로 줄고, 영업에게 남는 일은 마지막 손질과 가격 결정입니다.

이 글은 도입을 검토할 때 현장에서 실제로 나오는 질문을 순서대로 따라가며 답하는 가이드입니다. 무엇이 달라지는지, 무엇을 넣어야 하는지, 기간은 얼마나 걸리는지, 어디서 넘어지는지를 차례로 짚어봅니다.

정말 8시간이 30분이 되나요

됩니다. 회사 조사부터 맞춤 작성까지 한 건에 평균 8시간 걸리던 일을 30~60분 안에 끝내는 것이 일반적인 목표입니다. 시간이 줄면 양이 늘어서, 주 2~3건이던 발송이 8~12건까지 올라갑니다. 파이프라인에 들어가는 제안의 절대량 자체가 달라집니다.

"빨라지는 대신 품질이 떨어지는 것 아닌가요?"

오히려 반대입니다. 템플릿 발송은 무응답이 50%에 이르지만, 맞춤화가 제대로 자리 잡으면 응답률이 30%p 이상 오르는 팀도 나옵니다. 담당자마다 제각각이던 어조도 사내 표준 표현 라이브러리에서 일괄 인용하기 때문에 고르게 유지됩니다.

"잘 통한 제안서는 어떻게 다시 써먹나요?"

예전에는 연말 정성 회고가 전부였다면, 이제는 응답이나 미팅으로 전환된 제안서를 시스템이 자동 태깅해 다음 제안에 반영합니다. 한 분기만 돌려도 영업의 일주일 풍경이 바뀌는 이유입니다.

그 30분 동안 안에서는 무슨 일이 벌어지나요

고객 한 회사의 정보가 들어와서 맞춤형 PDF로 나가기까지를 한 장으로 그리면 아래와 같습니다. 오렌지 박스가 LLM이 일하는 단계이고, 베이지 박스는 사내 자산입니다.

끝의 점선이 이 시스템의 학습 루프입니다. 영업 검토에서 채택된 제안서가 다시 사내 사례로 돌아가, 다음 제안의 재료가 됩니다.

무엇을 넣어줘야 진짜 맞춤이 되나요

모델부터 묻는 분들이 많지만, 제안서의 맞춤 정도는 LLM 모델이 아니라 "어떤 데이터를 컨텍스트로 넣었는가"가 결정합니다. 사내에서 모을 수 있는 입력은 보통 다섯 가지입니다.

출발점은 회사 기본 정보입니다. 산업, 매출 규모, 임직원 수, 최근 조직 변화를 공시·뉴스·LinkedIn에서 자동으로 수집합니다. 그 위에 CRM에 쌓인 담당자 통화 요약이 얹힙니다. "이 회사가 가격에 민감하다", "보안 인증이 결정 요인이다" 같은 신호는 과거 통화의 5문장 요약에서 나옵니다.

웹사이트 행동 데이터는 톤을 가릅니다. 가격 페이지를 두 번 본 회사와 도입 사례만 본 회사에 같은 제안서를 보낼 수는 없습니다. 여기에 비슷한 규모·산업 회사의 과거 도입 사례를 RAG로 자동으로 끌어오고, 회사가 정의한 차별화 표현 20~50개를 사내 가치 키워드로 정리해 본문에 자연스럽게 녹아들도록 미세조정합니다.

"우리는 CRM 데이터가 부족한데, 그래도 시작할 수 있나요?"

가능합니다. 초기에는 회사 기본 정보, 웹사이트 행동, 통화 요약 세 가지로 시작하고, 사내 사례가 30건 이상 쌓인 뒤에 RAG 보정을 켜는 단계적 도입이 일반적입니다.

"한국어 B2B 제안서에서도 자연스럽게 나오나요?"

Claude Sonnet 4.6과 GPT-5.5는 한국어 B2B 문서에서 영어 수준의 자연스러움을 보입니다. 다만 차별화된 톤은 모델이 아니라 한국어로 잘 정리된 사내 표현 라이브러리에서 나온다는 점은 여기서도 같습니다.

기간은 얼마나 잡아야 하나요

첫 가치는 3개월 안에, 운영 안정화는 6개월 안에 보는 것이 일반적입니다. 전체 호흡을 시간순으로 펼치면 아래와 같습니다.

"처음 1~2주에는 무엇을 하나요?"

과거에 잘 통한 제안서 30건을 모아 공통 구조를 추출하고, "왜 이 회사를 도와야 하는가"를 회사가 어떤 문장으로 표현해왔는지 사내 표현 라이브러리 50문장으로 정리합니다. 이 준비가 부실하면 자동 생성물이 일반 ChatGPT 결과와 같아지기 때문에, 이 1~2주가 전체 ROI의 70%를 결정한다고 생각하고 임하는 편이 안전합니다.

"그다음에는요?"

3~6주 차에는 한 산업, 한 페르소나로 좁혀 영업 2명이 파일럿을 돌립니다. 자동 생성물의 채택률과 응답률을 매주 측정하고, 영업 피드백으로 프롬프트와 표현 라이브러리를 보정합니다. 7~12주 차에 산업을 두세 개로 늘려 영업 전체로 확산하고, 이때부터 응답률과 미팅 전환율을 도입 전 수치와 비교하기 시작합니다. 13~24주 차에는 전환된 제안서의 자동 태깅이 돌아가고, 사내 확산 담당자 1~2명이 운영을 인계받아 외부 의존을 끊습니다.

어디서 주로 넘어지나요

"결과물이 그냥 ChatGPT 답변 같은데요?"

가장 흔한 실패이고, 원인은 거의 언제나 사내 사례 정리 없이 시작한 데 있습니다. LLM이 일반 인터넷 지식만으로 쓰면 ChatGPT를 영업에 쓰는 수준이 되고 차별화가 사라집니다. 해법은 준비 단계의 자료 정리로 돌아가는 것뿐입니다.

"없는 사례를 지어내면 어떡하죠?"

환각은 이 시스템에서 가장 위험한 사고입니다. 사내 인증, 도입 사례, 고객사 이름을 LLM이 가짜로 만들면 한 번에 신뢰가 무너집니다. 사실에 해당하는 항목은 화이트리스트에 있는 것만 인용하도록 시스템 차원에서 강제해야 합니다.

"어차피 영업이 처음부터 다시 보는 것 아닌가요?"

그렇게 되는 순간 자동화의 의미가 사라집니다. 사내 표현 라이브러리, 신뢰도 표시, 자동 PDF 조립이 함께 작동해야 영업이 마지막 한 페이지만 손대는 구조가 만들어집니다.

"효과가 있었는지는 나중에 어떻게 증명하나요?"

도입 전부터 응답률과 미팅 전환율을 기록해두지 않으면 6개월 뒤에 증명할 방법이 없습니다. 파일럿을 시작하기 전에 베이스라인 측정부터 열어두어야 합니다.

잘 가고 있다는 신호는 무엇인가요

네 가지 숫자면 충분합니다. 한 건당 작성 시간은 도입 전 평균 8시간에서 30~60분 안으로 들어오는 것이 첫 목표이고, 주간 발송 건수는 주 2~3건에서 8~12건이면 정상 범위입니다.

품질은 뒤의 두 숫자가 말해줍니다. 제안서 응답률이 도입 전 대비 20~30%p 오르면 맞춤 품질이 작동하고 있다는 신호이고, 응답에서 미팅으로 가는 전환율이 도입 전 대비 1.5배 이상이면 시스템이 파이프라인 끝까지 기여하고 있는 것입니다.

다음 한 걸음은 어떻게 뗄까요

여기까지의 질문에 스스로 답할 수 있다면 사내에서 직접 시작해도 충분합니다. 순서도 정해져 있습니다. 사례 30건과 표현 50문장을 정리하는 1~2주의 준비, 그리고 한 산업·한 페르소나로 좁힌 파일럿이 가장 짧은 학습 곡선을 만들어줍니다.

조직 차원의 도입 설계나 영업·마케팅·기획이 함께 쓰는 운영 사이클까지 한 번에 정리해 듣고 싶다면 권앤컴퍼니의 사내 강의를 활용할 수 있습니다. 자체 데이터로 파일럿을 직접 돌려보고 싶다면 컨설팅 옵션도 준비되어 있습니다.

강의·파일럿 모두 30분 무료 상담으로 가능성부터 함께 검토할 수 있습니다: 상담 신청하기