제안서 맞춤 자동 생성

영업 조직은 고객사마다 제안서를 다시 작성해야 하지만 시간이 부족한 경우가 많습니다. 회사명과 로고, 금액만 바꾼 템플릿 제안서는 50% 이상이 무응답으로 끝나기 쉽고, 평균 8시간을 들여 고객사에 맞춰 다시 작성한 제안서가 미팅으로 이어지는 경우가 많습니다.

제안서 자동 생성 시스템은 CRM의 고객 정보와 통화 요약, 웹사이트 행동 데이터를 LLM이 종합해 고객사의 산업과 페인포인트에 맞춘 제안서를 회사의 톤으로 자동 작성하는 시스템입니다. 8시간 걸리던 작업이 30분으로 줄고, 영업 담당자는 최종 수정과 가격 결정을 맡습니다.

이 가이드는 도입 검토 단계에서 자주 나오는 질문을 순서대로 정리했습니다. 도입 효과, 입력 데이터, 도입 기간, 주요 실패 요인을 다룹니다.

작성 시간 단축 효과

고객사 조사부터 맞춤 작성까지 한 건에 평균 8시간 걸리던 작업을 30~60분 안에 마치는 것이 일반적인 목표입니다. 작성 시간이 줄면 주 2~3건이던 제안서 발송이 8~12건까지 늘어나 파이프라인에 들어가는 제안 건수가 증가합니다.

작성 속도가 빨라지면 품질이 떨어지지 않나요?

템플릿 제안서는 무응답 비율이 50%에 이르지만, 맞춤 작성이 정착하면 응답률이 30%p 이상 오르는 팀도 있습니다. 담당자마다 달랐던 어조는 사내 표준 표현 라이브러리의 문장을 인용해 일관되게 맞춥니다.

성과가 좋았던 제안서는 다음 제안에 어떻게 활용하나요?

기존에는 연말에 정성적으로 회고하는 것이 전부였다면, 도입 후에는 응답이나 미팅으로 전환된 제안서를 시스템이 자동으로 태깅해 다음 제안에 반영합니다. 한 분기만 운영해도 영업 담당자의 업무 방식이 달라집니다.

처리 흐름

고객사 정보가 입력되어 맞춤형 PDF로 출력되기까지의 흐름은 아래와 같습니다. 남색 상자는 LLM이 처리하는 단계, 회색 상자는 사내 자산입니다.

마지막 점선은 이 시스템의 학습 루프입니다. 영업 검토에서 채택된 제안서는 사내 사례로 저장되어 다음 제안에 활용됩니다.

맞춤 제안서의 입력 데이터

제안서의 맞춤 수준을 결정하는 것은 컨텍스트로 입력하는 데이터입니다. 사내에서 모을 수 있는 입력 데이터는 보통 5가지입니다.

기본 입력은 회사 기본 정보입니다. 산업, 매출 규모, 임직원 수, 최근 조직 변화를 공시와 뉴스, LinkedIn에서 자동으로 수집합니다. 이와 함께 CRM에 기록된 담당자 통화 요약을 더합니다. 가격에 민감한 회사인지, 보안 인증이 결정 요인인지 같은 신호는 과거 통화의 5문장 요약에서 파악합니다.

웹사이트 행동 데이터는 제안서의 톤을 정하는 데 씁니다. 가격 페이지를 두 번 본 회사와 도입 사례만 본 회사에는 서로 다른 제안서를 보냅니다. 여기에 비슷한 규모와 산업의 과거 도입 사례를 RAG로 불러오고, 회사가 정의한 차별화 표현 20~50개를 사내 가치 키워드로 정리해 본문에 반영되도록 미세조정합니다.

CRM 데이터가 부족해도 시작할 수 있나요?

가능합니다. 초기에는 회사 기본 정보, 웹사이트 행동, 통화 요약 3가지로 시작하고, 사내 사례가 30건 이상 쌓인 뒤 RAG 보정을 적용하는 순서가 일반적입니다.

한국어 B2B 제안서도 자연스럽게 작성되나요?

Claude Sonnet 4.6과 GPT-5.5는 한국어 B2B 문서에서도 영어와 비슷한 수준으로 자연스러운 문장을 작성합니다. 다만 회사 고유의 톤을 내려면 한국어로 정리된 사내 표현 라이브러리가 필요합니다.

도입 일정

첫 성과는 3개월 안에, 운영 안정화는 6개월 안에 확인합니다. 전체 일정은 아래와 같습니다.

처음 1~2주에는 무엇을 하나요?

성과가 좋았던 과거 제안서 30건을 모아 공통 구조를 추출하고, 회사가 고객을 도와야 하는 이유를 어떤 문장으로 표현해 왔는지 사내 표현 라이브러리 50문장으로 정리합니다. 이 준비가 부족하면 자동 생성 결과가 일반 ChatGPT 결과와 차이가 없습니다. 이 1~2주의 준비가 전체 ROI의 70%를 결정합니다.

3주 차 이후에는 어떻게 진행하나요?

3~6주 차에는 한 산업과 한 페르소나로 범위를 좁혀 영업 담당자 2명이 파일럿을 진행합니다. 자동 생성물의 채택률과 응답률을 매주 측정하고, 영업 피드백을 반영해 프롬프트와 표현 라이브러리를 보정합니다. 7~12주 차에는 산업을 2~3개로 늘려 영업 조직 전체로 확산하고, 이때부터 응답률과 미팅 전환율을 도입 전 수치와 비교합니다. 13~24주 차에는 전환된 제안서를 자동으로 태깅하고, 사내 확산 담당자 1~2명이 운영을 인계받아 외부 의존을 없앱니다.

주요 실패 요인

결과물이 일반 ChatGPT 답변과 비슷한 이유는 무엇인가요?

가장 흔한 실패 사례로, 대부분 사내 사례를 정리하지 않고 시작한 경우에 발생합니다. LLM이 일반 인터넷 지식에 의존해 작성하면 ChatGPT를 영업에 쓰는 것과 차이가 없어 차별화가 되지 않습니다. 준비 단계로 돌아가 자료를 정리해야 합니다.

LLM이 없는 사례를 만들어 내면 어떻게 하나요?

환각은 이 시스템에서 가장 위험한 오류입니다. LLM이 사내 인증, 도입 사례, 고객사 이름을 사실과 다르게 작성하면 고객의 신뢰를 잃습니다. 사실 항목은 화이트리스트에 있는 내용만 인용하도록 시스템에서 강제합니다.

결국 영업 담당자가 처음부터 다시 검토해야 하지 않나요?

영업 담당자가 전체를 다시 검토하면 자동화의 효과가 없습니다. 사내 표현 라이브러리, 신뢰도 표시, 자동 PDF 조립이 함께 작동해야 영업 담당자가 마지막 한 페이지만 수정하는 구조가 됩니다.

도입 효과는 어떻게 증명하나요?

도입 전의 응답률과 미팅 전환율을 기록해 두지 않으면 6개월 뒤 효과를 증명할 수 없습니다. 파일럿을 시작하기 전에 베이스라인을 먼저 측정합니다.

성과 지표

성과는 4가지 지표로 확인합니다. 한 건당 작성 시간은 도입 전 평균 8시간에서 30~60분 이내로 줄이는 것이 첫 목표이고, 주간 발송 건수는 주 2~3건에서 8~12건으로 늘면 정상 범위입니다.

품질은 나머지 2가지 지표로 봅니다. 제안서 응답률이 도입 전 대비 20~30%p 오르면 맞춤 작성이 효과를 내는 것이고, 응답에서 미팅으로 이어지는 전환율이 도입 전 대비 1.5배 이상이면 시스템이 파이프라인 전체에 기여하는 것으로 봅니다.

도입 시작 방법

앞의 질문에 답할 수 있다면 사내에서 직접 시작할 수 있습니다. 사례 30건과 표현 50문장을 정리하는 1~2주의 준비 기간을 거친 뒤, 한 산업과 한 페르소나로 범위를 좁혀 파일럿을 진행하는 순서가 시행착오를 가장 줄입니다.