Exa 공동 창립자 제프리 왕, AI 기반 시장 진출 전략 옹호

Exa의 공동 창립자 제프리 왕은 시장 진출(GTM)을 AI 엔지니어링 문제로 취급하여 기업이 영업 및 유통에 접근하는 방식을 근본적으로 전환할 것을 제안합니다. 이 관점은 이제 엔지니어가 전통적으로 인간 영업 팀이 처리하던 작업을 관리하기 위해 자동화를 배포할 수 있어 더 확장 가능하고 효율적인 방법을 제공한다는 것을 시사합니다. 왕은 이러한 재정의가 GTM을 기술 팀에게 더 매력적이고 흥미롭게 만들어 문제 해결 전문 지식과 새로운 시스템 구축에 대한 열정과 일치시킨다고 믿습니다.

Exa는 AI 에이전트에게 실시간 웹 정보에 대한 접근 권한을 제공하도록 설계된 전문 검색 엔진 역할을 합니다. 왕은 AI 에이전트가 지능적이지만 일반적으로 직접적인 인터넷 접근이 부족하므로 Exa가 이들에게 필수적인 '웹 도구'가 된다고 설명했습니다. 이 플랫폼은 Cursor 및 Cognition을 포함한 다양한 개발 도구와 통합되어 에이전트가 라이브 웹 데이터를 활용하여 향상된 기능과 의사결정을 할 수 있도록 합니다.

왕은 제품 품질과 유통 중 어느 것이 회사 성공에 더 중요한지에 대한 업계의 오랜 논쟁을 다루었습니다. 그는 우수한 제품이 에이전트를 본질적으로 끌어들일 것이므로 광범위한 마케팅이 덜 필요해 보인다는 주장을 인정했습니다. 그러나 왕은 그의 경험에 비추어 볼 때, 어떤 회사가 번성하려면 강력한 제품과 효과적인 시장 진출 전략 모두가 필수적이라고 단호하게 말했습니다. 그는 기업이 '제품을 만들고' 품질을 보장할 뿐만 아니라 사용자에게 효과적으로 전달해야 한다고 강조했습니다.

기술 창업자들은 종종 개발에 대한 편견을 가지고 있으며, 영업 및 마케팅 노력보다 우수한 제품 개발을 우선시합니다. 왕은 그의 팀이 처음에는 기술 개발에 크게 집중하여 시장 진출 전략이 약화되었다고 솔직히 인정했습니다. 그러나 2026년에 AI가 등장하면서 영업에 대한 보다 자동화되고 데이터 기반 접근 방식이 가능해졌고, 이는 GTM을 더 체계적이고 전통적인, 종종 수동적인 영업 프로세스에 덜 의존하게 만듦으로써 이러한 엔지니어링 편견을 완화하는 데 도움이 됩니다.

시장 진출(GTM)은 철저한 고객 조사, 목표 고객 식별, 기술 개념 증명(POC) 개발을 포함한 여러 핵심 활동을 수반합니다. 이러한 작업은 일반적으로 상당한 데이터 분석과 대량의 상호 작용을 필요로 합니다. 왕은 이러한 복잡하고 데이터 집약적인 GTM 기능이 공학적 접근 방식을 통해 체계화되고 간소화되어 더 관리하기 쉽고 효율적으로 만들 수 있다고 제안했습니다.

왕은 본질적으로 시장 진출(GTM)이 근본적으로 데이터 문제라고 강조했습니다. 기업은 시장을 이해하기 위해 제품의 기능을 잠재 고객의 광범위한 환경에 효과적으로 매핑해야 합니다. 이 관점은 GTM을 성공적으로 탐색하려면 회사의 기회와 도전 과제의 세계를 학습하고 정의하기 위한 체계적이고 데이터 중심적인 접근 방식이 필요하다는 것을 강조합니다.

왕은 기업이 운영 세계의 라이브 동적 모델을 유지하여 AI 에이전트가 그 안에서 효과적으로 행동할 수 있도록 해야 한다고 제안했습니다. 이 모델은 고객 상호 작용 및 제품 사용 지표와 같은 내부 데이터와 중요한 외부 시장 데이터를 통합할 것입니다. 이러한 포괄적인 모델은 에이전트가 GTM 전략을 정확하게 실행하고 실시간 시장 변화에 적응하는 데 필수적입니다.

전 세계 비즈니스 데이터의 엄청난 양은 수십억 개의 데이터 포인트를 필터링할 수 있는 정교한 GTM 시스템을 필요로 합니다. 왕은 전 세계적으로 6천만 개 이상의 회사와 LinkedIn과 같은 플랫폼에 10억 명 이상의 사용자가 있다고 언급했습니다. GTM 시스템은 이러한 방대한 소스 전반에서 뉴스 및 데이터를 지속적으로 추적하여 기회를 식별하고 전략을 효과적으로 조정해야 합니다. 그는 고급 AI를 통해 이러한 복잡한 데이터 문제를 해결하기 위해 GPT-4 출시 후 2023년 중반에 Exa를 출시했습니다.

Exa는 내부 'ICP 대시보드'를 활용하여 의미론적 분류를 통해 총 가용 시장(TAM)을 매핑합니다. 이 대시보드는 회사가 고객 및 사용 사례의 세계를 정의하여 "우리의 세계는 무엇인가?"라는 근본적인 질문에 답하는 데 도움이 됩니다. Exa는 검색 엔진 기술을 활용하여 TAM 내의 모든 회사를 모델 제공자, AI 코딩 플랫폼, GTM 인텔리전스 도구와 같은 범주로 분류하여 시장에 대한 구조화된 개요를 제공합니다.

기술적 관점에서 Exa는 인터넷에 걸쳐 임베딩을 적용하여 웹을 지속적으로 크롤링하고 검색 기능을 최적화하기 위해 이러한 임베딩을 훈련함으로써 작동합니다. 이 시스템은 회사 데이터의 강력한 의미론적 필터링을 가능하게 하여 매우 구체적이고 세분화된 통찰력을 제공합니다. 왕은 이러한 심층 분석이 고급 의미론적 분석을 활용하여 회사별 예상 연간 지출과 같은 귀중한 정보를 제공할 수 있다고 언급했습니다.

Exa는 '요청 렌즈' 시스템을 구현하여 고객 상호 작용에 대한 실시간 신호 모니터 역할을 하며, 중요한 이벤트가 발생할 때마다 팀에 알립니다. 이 시스템은 새로운 가입, 사용량 변화, 우선순위가 높은 계정의 도착을 포함한 다양한 신호를 추적합니다. 즉각적인 알림을 제공함으로써 요청 렌즈는 팀이 중요한 고객 개발에 사전 예방적으로 대응하고 긴밀한 참여를 유지하는 데 도움이 됩니다.

Exa의 시장 진출(GTM) 팀은 생산성과 효율성을 높이기 위해 AI 에이전트를 일상 업무 흐름에 깊이 통합합니다. 이러한 에이전트는 데모 생성 및 계정 조사와 같은 작업에 활용됩니다. 왕은 내부 Slack 환경에서 약 12개의 다른 에이전트가 활성화되어 다양한 GTM 활동으로 팀원을 돕기 위해 내부 회사 데이터에 대한 광범위한 접근을 제공한다고 언급했습니다.

제프리 왕은 과거 통신 및 의사결정 패턴으로 훈련시켜 자신을 복제한 AI인 '제프봇'을 개발했습니다. 그는 일주일 휴가 동안 Opus 4.5를 활용하여 제프봇을 구축하고, 자신의 고유한 통신 스타일(평균 이메일당 18단어, 끝맺음에서 '진심으로'보다 '안녕히' 선호)을 복제하기 위해 과거 이메일 760개를 모델에 학습시켰습니다. 주요 목표는 그의 의사결정 스타일과 목소리를 모방할 수 있는 디지털 복제본을 만드는 것이었습니다.

제프봇을 구축하기 위해 왕은 760개의 개인 이메일을 분석하여 AI의 독특한 목소리를 확립했습니다. 그는 또한 수백 가지 과거 결정을 분석하여 의사결정 프레임워크를 개발하고, 에이전트의 판단을 자신의 판단과 비교하여 조정하는 평가를 만들었습니다. 이러한 포괄적인 훈련을 통해 제프봇은 그의 의사소통 스타일을 모방할 뿐만 아니라 자신의 방식과 일치하는 방식으로 결정을 내릴 수 있게 되었으며, 시스템에 내부 회사 데이터에 대한 읽기/쓰기 액세스를 제공하여 운영에 사용했습니다.

제프봇은 Exa의 내부 운영에 통합되어 모든 직원이 이를 사용하여 Slack 메시지를 작성할 수 있습니다. 이러한 메시지는 종종 답변이나 결정 역할을 하여 기업 통신을 효과적으로 간소화합니다. AI는 또한 시장 진출 팀이 이메일을 작성하는 데 도움을 주어 수동 작업을 크게 줄이고 일관성을 보장합니다. 제프봇의 이러한 구현은 Exa가 AI를 활용하여 다양한 내부 프로세스의 효율성을 향상시킴으로써 적지만 생산성이 높은 팀 구조를 유지할 수 있도록 합니다.

왕은 모든 AI 에이전트나 시스템이 챗봇 인터페이스를 필요로 한다는 개념에 도전하며, 일관된 사용자 경험을 유지하기 위한 '결정화된 UI'의 가치를 옹호했습니다. 그는 반복적인 작업에 안정적이고 친숙한 사용자 인터페이스를 갖는 것의 이점을 강조하여 사용자가 시간이 지남에 따라 도구를 배우고 마스터할 수 있도록 했습니다. 왕은 유연한 채팅 에이전트와 정적 UI가 상호 배타적이지 않고 상호 보완적이며, 각각 다른 상호 작용 요구 사항을 효과적으로 충족시킨다고 주장했습니다.

왕은 SaaS 솔루션 구매와 사내 시스템 구축 사이의 전통적인 업계 이분법을 잘못된 선택으로 간주하며 거부했습니다. 그는 진정한 목표는 '임의의 사용자 정의 가능성'을 달성하여 회사가 고유한 요구 사항에 정확하게 맞게 도구를 맞춤화할 수 있도록 하는 것이라고 제안했습니다. 왕은 Exa가 Salesforce를 즉시 사용할 수 있는 SaaS 솔루션으로 사용하는 것이 아니라, 견고한 데이터베이스와 자체 MCP(관리 제어 프로그램)와의 원활한 통합을 위해 사용하며, 이는 엄격한 채택보다는 심층적인 사용자 정의를 가능하게 한다고 밝혔습니다.

한 청중은 제프봇을 훈련하는 데 사용된 '과거 결정'의 성격에 대해 질문하며, 사람들이 일반적으로 결정을 명시적으로 보존하지 않으므로 그러한 아티팩트가 일반적으로 어떻게 저장되고 추적되는지 물었습니다. 이 질문은 의사결정 패턴에 대한 AI 훈련에 사용된 데이터 소스 및 방법론에 대한 설명을 요구했습니다. 청중은 또한 Slack이 이러한 결정을 기록하는 주요 저장소 또는 '아티팩트' 역할을 했는지 구체적으로 물었습니다.