코드를 작성할 줄 모르는 한 사람이 Anthropic의 10개월간 전부 성장 마케팅을 혼자서 이끌었다.
AI는 과연 한 사람의 업무 효율성을 어느 정도까지 높일 수 있을까?
최근, Anthropic에 관한 한 게시물이 소셜미디어에서 대량으로 공유되며 주목을 받았다. 게시자인 Ole Lehmann은 기업 가치가 3,800억 달러에 달하는 Anthropic의 전체 성장 마케팅 팀이 단 한 명뿐이며, 그 또한 기술 배경이 없는 마케터 한 명이 유료 검색, 유료 소셜, 앱스토어 최적화(ASO), 이메일 마케팅, SEO 등 모든 업무를 거의 10개월간 혼자 맡아 수행했다고 전했다.
게시물이 올라오자마자 댓글란에서는 의문이 제기되었으나, 곧 당사자가 직접 확인해 주었다. 바로 이 성장 마케팅 담당자인 Austin Lau는 “해당 보도 당시 나는 실제로 성장 마케팅 업무를 맡은 유일한 사람이었으며, 거의 10개월간 혼자 버텨냈다”고 답했다.
사진｜관련 트윗 (출처: X)
Anthropic는 금년 1월 말 공식 사례 연구 보고서를 발표하며 Austin Lau의 업무 방식을 상세히 소개했다. 같은 시기, Anthropic는 〈Anthropic 팀이 Claude Code를 사용하는 방법〉이라는 제목의 내부 백서도 발표했는데, 여기에는 데이터 인프라부터 법무 부서까지 총 10개 팀의 실제 활용 사례가 수록되어 있으며, 성장 마케팅 팀도 그중 하나다.
백서에 따르면, 성장 마케팅 팀은 유료 검색, 유료 소셜, 모바일 앱스토어, 이메일 마케팅, SEO 등 채널에 집중하며 ‘기술 배경이 없는 1인 팀’이다. 이 팀은 반복적인 마케팅 작업을 자동화하고, 전통적으로 엄청난 엔지니어링 자원이 필요했던 자동화 워크플로우를 구축하기 위해 Claude Code를 활용한다.
(출처: Anthropic)
Austin Lau는 엔지니어가 아니다. Anthropic 공식 사례 영상에서 그는 “단 한 줄의 코드도 써본 적이 없다”고 밝혔다. 처음 Claude Code를 접했을 때는 ‘맥에서 터미널을 여는 법’을 구글에서 검색해야 할 정도였다. Claude Code가 출시되었을 당시 그의 첫 반응은 “이 제품이 도대체 누구를 위한 것인지 전혀 몰랐다”는 것이었고, 마케터로서는 그 용도가 명확하지 않았다고 느꼈다.
전환점은 회사의 슬랙(Slack) 채널에서 동료가 비기술 직원을 위한 Claude Code 설치 가이드를 공유하면서 찾아왔다. 호기심에 설치해 본 Austin은 일주일 만에 자신이 하는 일을 완전히 바꾼 두 가지 자동화 워크플로우를 구축했다.
첫 번째는 피그마(Figma) 플러그인이다. 유료 소셜 광고 및 앱스토어 마케팅 작업에는 피그마에서 대량의 시각 자료를 처리해야 한다. 기존 프로세스는 다음과 같았다: 동일한 디자인을 여러 문구 변형으로 제작할 때마다 피그마 내 프레임을 수동으로 복사하고, 구글 문서와 피그마 사이를 계속 오가며 제목을 일일이 복사·붙여넣기해야 했다. 만약 10가지 문구 변형을 5가지 서로 다른 종횡비에 맞춰야 한다면, 이런 기계적인 작업만으로도 쉽게 30분 이상이 소요됐다.
사진｜Austin Lau (출처: Anthropic)
그는 이 문제를 자연어로 Claude Code에 설명한 후, 피그마 플러그인 작성 지원을 요청했다. 이 과정에서 그는 Claude Code에게 피그마 API 문서를 참조하도록 지시하며, 실시간으로 연구하고 프로토타입을 만들어갔다. 생성된 첫 번째 버전의 프로토타입은 완벽하진 않았지만 출발점으로는 충분했고, 그는 이를 바탕으로 지속해서 디버깅과 조정을 거쳐 결국 실용 가능한 플러그인을 완성했다.
(출처: Anthropic)
이 플러그인의 작동 방식은 다음과 같다: 정적 이미지 프레임을 선택하면, 플러그인이 자동으로 제목, 행동 유도(CTA) 버튼, 코드 블록 등 구성 요소를 식별한 후, 미리 준비된 문구 목록에서 각 문구 변형에 대응하는 독립적인 피그마 프레임을 일괄 생성한다. 한 번의 일괄 처리로 최대 100개의 광고 변형을 생성할 수 있으며, 처리 시간은 약 0.5초. 과거 30분이 걸리던 작업이 지금은 30초로 단축되었다.
두 번째는 구글 애즈(Google Ads) 광고 문구 생성 워크플로우다. 구글 애즈의 반응형 검색 광고(RSA)는 제목과 설명에 엄격한 글자 수 제한이 있다: 제목은 최대 30자, 설명은 최대 90자. 기존에는 구글 시트에 초안을 작성하고 수작업으로 글자 수를 확인한 후, 내용을 하나씩 구글 애즈 관리자 페이지에 붙여넣어야 했다.
Austin은 Claude Code 내에서 ‘/rsa’라는 사용자 정의 슬래시 명령어를 만들었다. 이 명령어를 실행하면 Claude Code가 광고 노출 데이터, 기존 광고 문구, 키워드 입력을 요청하고, 미리 설정해 둔 ‘에이전트 역량(Agent Skills)’—즉 Anthropic의 브랜드 톤, 제품 정보 정확성 규범, 구글 애즈 RSA 최적화 가이드라인—을 교차 참조한다.
시스템은 역할이 분명하게 나뉜 두 개의 하위 에이전트(sub-agent)를 활용하는데, 하나는 제목 전담, 다른 하나는 설명 전담으로, 각각 고유한 글자 수 제약 내에서 작업한다. 이렇게 분리된 작업은 단일 프롬프트로 두 가지 작업을 모두 처리하는 것보다 훨씬 높은 출력 품질을 제공한다.
결국 Claude Code는 15개의 제목과 4개의 설명을 하나의 CSV 파일로 패키징하여 구글 애즈에 바로 업로드할 수 있도록 한다. Austin은 이처럼 생성된 문구는 단지 출발점일 뿐이며, 자신이 반드시 일일이 평가한다고 강조한다: 핵심 가치 제안이 제대로 전달되었는가? 어조가 적절한가? 경쟁사와의 차별성이 있는가? 하지만 적어도 지루한 초안 작성과 형식화 작업은 완전히 자동화되었다.
이 두 가지 워크플로우의 효율성 향상은 이미 매우 놀랍지만, Austin의 시스템은 이에 그치지 않는다. 그는 메타 애즈(Meta Ads) API와 연동되는 MCP 서버(Model Context Protocol)도 구축했다.
이 연동을 통해 그는 클로드 데스크톱 앱 내에서 바로 광고 노출 성과, 지출 데이터, 개별 광고 효과 등을 조회할 수 있게 되었고, 더 이상 메타 애즈 관리자 대시보드를 열 필요가 없어졌다. “이번 주 어떤 광고의 전환율이 가장 높았는가?”, “어느 부분에서 예산을 낭비하고 있는가?”와 같은 질문을 클로드에게 직접 던져 실시간 데이터 기반 답변을 얻을 수 있다.
더 중요한 건 ‘클로저(closure)’다. Austin은 각 라운드의 광고 실험에서 세웠던 가설과 결과를 기록하는 메모리 시스템을 구축했다. 새로운 변형 생성을 시작할 때 클로드는 자동으로 이전 모든 테스트 데이터를 불러와, 어떤 문구가 잘 됐고 어떤 문구가 부족했는지를 분석함으로써 다음 라운드의 생성을 역사적 실험 데이터 위에 기반 짓도록 한다. 이 시스템은 매 사이클을 거칠수록 조금씩 더 똑똑해진다. 수백 개 광고에 걸친 체계적 실험 추적은 전통적인 팀에서는 일반적으로 전담 데이터 분석가가 필요하다.
Anthropic 백서에 따르면, 이러한 작업 방식의 성과는 다음과 같다: 광고 문구 제작 시간이 2시간에서 15분으로 단축되었고, 창의적 산출물의 양은 기존의 10배로 증가했으며, 그가 혼자 테스트한 광고 변형의 채널 및 규모는 대부분의 전통적인 완전 규모 마케팅 팀을 능가한다.
해당 백서에서 성장 마케팅은 10개 사례 중 하나일 뿐이다. 데이터 인프라 팀은 Claude Code를 활용해 쿠버네티스(Kubernetes) 클러스터 장애를 진단하고, 원래 네트워크 전문가에게 문의해야 했던 문제를 몇 분 안에 스스로 해결했다. 추론 팀의 멤버 중 머신러닝 배경이 없는 사람들도 이를 활용해 모델 함수와 설정을 이해하고, 문서 조회 시간을 1시간에서 10~20분으로 단축했다. 제품 디자인 팀은 클로드 코드를 직접 활용해 프론트엔드 코드를 수정했고, 엔지니어들은 “보통 디자이너가 하지 않는 대규모 상태 관리 변경 작업”을 디자이너가 수행했다고 언급했다. 법무 팀의 한 구성원은 전혀 프로그래밍 경험이 없었음에도, 1시간 만에 언어 장애가 있는 가족을 위한 예측 텍스트 보조 애플리케이션을 제작했다.
기술직과 비기술직의 활용 방식은 다르지만 결론은 동일하다: 클로드 코드는 ‘할 수 있다’와 ‘할 수 없다’ 사이의 경계를 흐리고 있으며, 이 경계는 과거에는 거의 전적으로 기술 역량에 의해 결정되었었다.
Austin Lau는 사례 인터뷰에서 한마디로 요약했다: “‘이런 것이 있으면 좋겠다’는 생각과 ‘내 손으로 직접 만들 수 있다’는 가능성 사이의 거리는, 대부분 사람들이 생각하는 것보다 훨씬 짧다.”
물론 보충 설명이 필요하다. 성장 마케팅(growth marketing)은 전체 GTM(go-to-market) 전략과 동일하지 않다. Anthropic은 완전한 브랜드, 제품 마케팅, 커뮤니케이션 팀을 보유하고 있으며, Austin Lau는 성과 중심의 마케팅—즉 유료 광고, 앱스토어 최적화, SEO 등 측정 가능한 채널—을 담당한다.
금년 2월 Anthropic이 슈퍼볼에 텔레비전 광고를 집행한 것은 분명 한 사람이 해낼 수 있는 일이 아니었다. 그의 워크플로우가 기반으로 삼는 광고 문구 및 브랜드 자산 역시 처음에는 제품 마케팅팀과 카피라이터들이 협업하여 생산한 것이다. 클로드는 그런 기존 자산 위에서 변형 생성 및 대규모 테스트를 수행한 것이다.
Austin Lau는 최근 링크드인에 추가 배경 정보를 공유했다. 그는 널리 퍼진 기사가 다룬 사례가 2025년 2분기, 즉 지금으로부터 거의 8개월 전 그가 성장 마케팅 담당자로서 유일한 인력이었던 시기의 경험을 묘사한 것이라고 밝혔다. 이후 팀은 확실히 인력을 보강했으나, 외부가 상상하는 규모보다 여전히 훨씬 작다는 점을 강조하며 “우리의 전투력은 우리 인원 수를 훨씬 능가한다”고 말했다.
그럼에도 불구하고 신호는 충분히 강렬하다. 기업 가치 3,800억 달러, 연간 매출 140억 달러를 기록하는 회사가, 성장 속도가 가장 빠른 시기에 코드 한 줄도 써본 적 없는 마케터 한 명에게 핵심 성장 채널을 10개월간 맡겼고, 그 결과도 나쁘지 않았다. 이는 AI가 지식 근로자의 역량을 얼마나 크게 확장시킬 수 있는지를, 현재의 조직 구조와 채용 관행이 가정하는 것보다 훨씬 더 크게 보여주는 결정적 사례다.
다만, 이러한 모델이 어느 정도까지 재현 가능할지는 아직 불분명하다. 성장 마케팅은 고도로 데이터 기반적이며, 프로세스화·API 친화적이기 때문에 자동화에 천연적으로 적합하다. 그러나 인간 간 판단이나 창의적 직관이 더 많이 요구되는 분야라면 상황이 크게 달라질 수도 있다.
Anthropic 백서의 성장 마케팅 장 마지막 부분에서는 세 가지 권고사항을 제시한다: ① 자동화 가능한 반복 작업 중 API 인터페이스를 갖춘 것을 우선적으로 찾아 자동화하라; ② 복잡한 프로세스를 하나의 프롬프트로 해결하려 하지 말고, 여러 전문화된 하위 에이전트로 분할하라; ③ 코드 작성을 시작하기 전에, 먼저 클로드를 통해 전체 프로세스 설계를 충분히 고민하라. 이 세 가지 권고는 본질적으로, 효율성의 병목이 기술 역량이 아니라, 당신이 자신의 업무 프로세스를 명확히 분해하고, 그중 기계가 대신 수행할 수 있는 부분을 과감히 위임하려는 의지에 있다는 점을 말해준다.
TechFlow 공식 커뮤니티에 오신 것을 환영합니다
Telegram 구독 그룹:https://t.me/TechFlowDaily
트위터 공식 계정:https://x.com/TechFlowPost
트위터 영어 계정:https://x.com/BlockFlow_News
