마크인포, 반복되는 마케팅 업무를 AI Agent로 구현하는 실무형 PBL 교육
기업의 실제 마케팅 업무에서 출발해, 재직자가 직접 업무용 AI Agent를 설계·구현한 PBL 교육 사례입니다.
마크인포의 실제 마케팅 업무를 바탕으로,
실무자가 OpenAI Codex를 활용해 업무용 AI Agent를 직접 설계·구현하는
PBL 과정을 진행했습니다.
CONTEXT
AI를 ‘배우는 것’에서, 실제 업무에 ‘적용하는 것’으로
마크인포는 기업의 상표·브랜드 관련 업무를 지원하는 기업으로, 마케팅 과정에서 검색 노출과 키워드 변화, 경쟁사 콘텐츠 등 다양한 정보를 지속적으로 확인하고 활용하고 있었습니다.
이러한 반복 업무를 보다 효율적으로 수행하기 위해 AI를 실제 마케팅 업무에 적용하는 방안을 고민하고 있었으며, 단순히 AI 기능을 익히는 것을 넘어 자신의 업무에 직접 적용해보는 교육이 필요했습니다.
WHY
매일 반복되는 마케팅 업무, AI가 함께 처리할 수 없을까?
마크인포의 마케팅팀은 검색 노출 순위와 키워드 변화, 경쟁사 콘텐츠와 프로모션, 최신 뉴스 등 마케팅 의사결정에 필요한 정보를 지속적으로 확인해야 했습니다. 문제는 정보 수집에서 끝나지 않았습니다. 변화를 분석하고 자사 콘텐츠의 보완점을 찾아, 실제 마케팅 액션으로 연결하는 과정까지 이어져야 했습니다.
STEP 01
검색·키워드 변화 확인
검색 노출과
트렌드 변화 확인
트렌드 변화 확인
STEP 02
경쟁사 변화 모니터링
콘텐츠·광고·프로모션
변화 확인
변화 확인
STEP 03
자사 콘텐츠 및 SEO 보완점 분석
자사 콘텐츠의
개선 포인트 분석
개선 포인트 분석
STEP 04
집중 마케팅 주제 및 액션 도출
실행할 콘텐츠와
캠페인 주제 선정
캠페인 주제 선정
“
반복되는 정보 수집과 분석은 AI가 지원하고,
사람은 무엇을 실행할지 판단하는 데 집중할 수 없을까?
사람은 무엇을 실행할지 판단하는 데 집중할 수 없을까?
이 질문에서 프로젝트가 시작됐습니다.
“
HOW
넓은 AX 니즈를, 직접 구현할 수 있는 PBL 과제로
기업이 제시한 과제는 키워드 모니터링부터 경쟁사 분석, SEO·AEO 개선, 마케팅 액션 추천까지 폭넓었습니다. 엘리스랩은 이 가운데 교육 시간 안에 AI의 업무 지원 방식을 직접 설계하고 구현해볼 수 있도록, 반복적인 콘텐츠 제작 업무를 대표 과제로 구체화했습니다. 교육생은 업무의 입력값과 AI가 수행할 작업, 사람이 최종 판단할 영역을 나누고 이를 Codex로 직접 Agent화했습니다.
TASK DISCOVERY 실제 업무에서 AI 활용 과제 발굴
AGENT BUILD 직접 설계하고 구현
01
실제 업무와
반복 작업 분석
반복 작업 분석
→
02
AI가 지원할
업무 영역 정의
업무 영역 정의
→
03
나만의 Agent
과제로 구체화
과제로 구체화
→
04
Codex로 Agent
설계·구현
설계·구현
→
05
업무형 Agent
직접 구현
직접 구현
WHAT
마케팅 정보를 입력하면, 콘텐츠 초안을 생성하는 AI Agent
마케팅 주제와 핵심 정보를 입력하면, AI가 정보를 구조화하고 카드뉴스 초안을 생성하는 Agent를 직접 설계·구현했습니다.
교육생 실제 구현 화면 · 카드뉴스 생성 AI Agent
AI AGENT
카드뉴스 제작 업무를
하나의 Agent로 구현
INPUT 마케팅 주제 · 핵심 정보
AI AGENT 정보 구조화
→ 메시지 정리
→ 카드뉴스 초안 제작
→ 메시지 정리
→ 카드뉴스 초안 제작
HUMAN 브랜드 메시지 검토
→ 정보 보완
→ 최종 완성
→ 정보 보완
→ 최종 완성
IMPACT
AI에 '질문'하던 교육생이, 업무를 Agent로 '설계'했습니다
교육생들은 자신의 업무를 분석해 AI가 지원할 영역을 정의하고 이를 Agent의 작업 흐름으로 직접 구현하는 과정을 경험했습니다.
BEFORE
생성형 AI에 질문하고
답을 얻는 방식
답을 얻는 방식
필요한 순간 AI에 질문하고
결과를 활용하는 방식
결과를 활용하는 방식
→
AFTER
업무를 분석하고
Agent를 설계·구현하는 방식
Agent를 설계·구현하는 방식
AI가 지원할 업무 단위를 정의하고,
Agent의 구조와 작업 흐름을 직접 구현
Agent의 구조와 작업 흐름을 직접 구현
교육 후 확인된 변화
실제 전후 비교
수강 전 → 수강 후
2.5 → 4.2
AI·Agent 활용 역량
수강 전·후 자기평가
4.5 / 5.0
업무 적용 가능성
마지막 수업 후 설문
4.4 / 5.0
업무 생산성 향상 기대
마지막 수업 후 설문
AI·Agent 활용 역량은 수강 전 2.5점에서 4.2점으로 높아졌습니다.
교육 후에는 업무 적용 가능성 4.5점, 업무 생산성 향상 기대 4.4점으로 나타나 현업 활용에 대한 긍정적인 인식도 확인했습니다.
교육 후에는 업무 적용 가능성 4.5점, 업무 생산성 향상 기대 4.4점으로 나타나 현업 활용에 대한 긍정적인 인식도 확인했습니다.
교육생의 경험에서도 변화가 확인됐습니다
교육 참여자
“AI를 채팅으로만 사용하던 것에서 개발·디자인·기획 등 구체적인 스킬을 활용할 수 있게 되었습니다. ”
교육 참여자
“코덱스를 이용해서 원하는 서비스 및 앱을 개발하기 위한 전반적인 작업 절차의 개념을 이해할 수 있게 되었습니다. ”