비즈니스·마케팅

Personalization

개인화

AI 활용 분야에서 쓰이는 용어로, 사용자별 행동·이전 답변·취향에 맞춰 같은 서비스라도 서로 다른 답과 콘텐츠를 자동으로 보여 주는 운영 방식을 가리킵니다.

쉬운 풀이

개인화는 같은 서비스라도 사람마다 다른 답과 다른 화면을 보여 주는 운영 방식이에요. 학교 도서관이 모든 학생에게 같은 책을 추천하지 않고, 대출 기록을 보고 "이 책 다음엔 이런 책이 어떠세요" 하고 1:1로 권하는 일을 수억 명에게 동시에 자동으로 해 주는 구조라고 보면 비슷합니다. 넷플릭스 메인 화면이 친구 계정과 다르게 뜨고, ChatGPT가 이전에 말한 전공·말투를 기억해 답을 다르게 내놓는 것도 같은 흐름이에요. 마케팅·교육 현장에서는 "어떤 사람에게 어떤 콘텐츠를 띄울지"가 그대로 매출과 수강 완료율로 연결되니, 비즈니스 맥락에서 자주 만나게 됩니다.

한 줄 비유

같은 카탈로그라도 거래처별로 단가표를 다르게 끼워 넣는 영업 방식입니다.

활용 예시

Case 1

Netflix — 시청 시간 80%가 개인화 추천에서 발생

Netflix는 2009년 Netflix Prize에서 시작된 협업 필터링 라인을 발전시켜, 시청 이력·평점·시간대·디바이스를 결합한 개인화 추천 시스템을 운영하고 있습니다 ^[2]. 자체 발표 기준 가입자가 시청한 콘텐츠의 약 80%가 검색이 아닌 추천에서 시작되고, 나머지 20%만 검색에서 발생한다고 보고했습니다 ^[2]. 회사는 추천·개인화의 결합 효과를 가입자 이탈 방지 환산 기준으로 연 10억 달러 이상의 가치로 추산하고 있습니다 ^[2]. 메인 화면 표지 이미지까지 사용자별로 다르게 노출하는 구조라, "같은 서비스, 다른 화면"의 대표 사례로 자주 인용됩니다.

Case 2

네이버플러스 스토어 — 출시 한 달 만에 구매 전환율 +40%

네이버는 2025년 3월 HyperClovaX 기반 AI 추천을 전면에 내건 네이버플러스 스토어를 출시했습니다 ^[5]. 출시 한 달 만에 구매 전환율 전월 대비 +40%, 고객 1인당 객단가 +16%, 멤버십 비중 70%대를 기록했다고 보도됐고 ^[5], 같은 시기 쿠팡은 DEVIEW에서 실시간 행동 데이터 기반 개인화 추천 시스템 구조를 공개해 왔습니다 ^[6]. 국내 이커머스에서 개인화는 가격·물류와 함께 3대 경쟁 축이 됐고, "같은 상품 페이지를 누구에게 어떤 순서로 보여줄 것인가"가 곧 매출 분기점이 되는 흐름이 분명해졌습니다 ^[5].

Case 3

Salesforce Einstein — B2B CRM 데이터 위에 얹은 개인화로 매출 +5~15%

B2B SaaS에서는 CRM에 쌓인 거래 이력·접점 기록을 활용한 개인화가 표준이 됐습니다. Salesforce Einstein은 잠재 고객 점수화, 이메일 발송 시점 최적화, 상품 추천을 자동화하고 ^[7], 맥킨지는 글로벌 보고서에서 개인화를 잘하는 기업이 보통 매출의 5~15%를 추가로 만든다고 보고했습니다 ^[1]. 같은 보고서는 빠르게 성장하는 기업이 평균 기업보다 개인화에서 발생하는 매출 비중이 +40% 높다고 정리하면서, "잘못된 개인화"는 오히려 매출을 깎는다고도 명시했습니다 ^[1]. 영업·마케팅 라인이 개인화를 "옵션"이 아니라 "기준치"로 다루기 시작한 사례에 가깝습니다.

Case 4

ChatGPT·Claude — 메모리 기반 사용자별 응답 개인화

LLM 영역에서는 사용자별 컨텍스트를 모델 메모리에 저장하는 방식의 개인화가 새 축으로 자리잡았습니다. OpenAI는 2024년 2월 ChatGPT 메모리를 도입해 직업·말투·진행 중인 프로젝트 같은 정보를 대화 사이에 유지하도록 했고 ^[3], Anthropic은 2025년 8월 유료 사용자에게 Claude Memory를 연 뒤 2026년 3월 2일 무료 사용자까지 확대했습니다 ^[4]. 같은 질문에 대해서도 사용자별로 답이 다르게 나오는 구조가 되면서, Stanford HAI를 비롯한 연구 그룹은 LLM 개인화를 별도 연구 분야로 정리하고 있습니다 ^[10]. 마케팅·고객 응대·교육 영역에서는 사용자별 LLM 응답이 곧 1:1 컨설팅처럼 작동하는 사용처가 늘고 있습니다.

오늘 바로 해보기

자사 데이터에서 개인화에 쓸 수 있는 신호 3가지를 적어 봅니다 (구매 이력·체류 시간·검색어 등).
맥킨지 보고서의 5~15% 매출 상승 구간 중 우리 업종이 어느 쪽에 가까운지 한 줄로 추정해 봅니다.
ChatGPT나 Claude에 자주 쓰는 업무 컨텍스트(직무·고객·말투)를 메모리로 저장하고 1주일간 답이 어떻게 달라지는지 기록합니다.
자사 이메일·푸시 발송 1개를 사용자 세그먼트별로 분기해 A/B 테스트를 돌리고, 전환율 차이를 단위·기준점과 함께 정리합니다.
추천·메모리 기반 매출 비중을 별도 KPI로 분리해 측정 방식을 정합니다 (전체 매출 − 직접 유입·검색 매출 기준).

한계와 진화

개인화는 효과가 큰 만큼 데이터 의존도와 규제 부담도 함께 커집니다. 맥킨지 보고서는 "잘못된 개인화"가 오히려 매출을 깎는다고 명시했고, 관련 없는 추천이 노출되면 고객 신뢰가 빠르게 무너진다는 점을 강조합니다 ^[1]. iOS의 ATT(App Tracking Transparency, 앱 추적 투명성) 도입 이후 광고 식별자 기반 개인화는 추적 정확도가 크게 떨어졌고, EU GDPR과 한국 개인정보보호법은 동의 범위 밖 데이터 활용을 점점 강하게 제한하고 있습니다. Stanford HAI 등에서 진행된 LLM 개인화 서베이는 사용자마다 모델을 따로 두는 방식이 컴퓨트·메모리 측면에서 현실적이지 않다는 점, 메모리 누수와 프롬프트 인젝션이 사용자별 컨텍스트를 공격면으로 만들 수 있다는 점을 같이 지적합니다 ^[10].

진화 방향은 크게 두 갈래입니다.

추론 시점에 사용자 컨텍스트만 끼워 넣는 LLM 메모리·프로젝트 방식이 빠르게 확산되고 있습니다. OpenAI는 2024년 2월 ChatGPT 메모리를 도입했고 ^[3], Anthropic은 2025년 8월 유료 사용자에게 Claude Memory를 연 뒤 2026년 3월 2일 무료 사용자까지 확대했습니다 ^[4]. 모델 자체를 사람마다 바꾸지 않고도 응답을 개인화하는 구조입니다.
토스의 Human Party Data 같은 사례처럼 1차 데이터(자사 직접 수집)와 맥락 신호 중심으로 무게가 옮겨가고 있습니다. 토스는 사용자의 금융 행동·결제·송금 맥락을 'Human Party Data'로 정의하고 단순 인구통계 대신 "최근 자동차 견적을 본 사람" 같은 맥락 신호를 광고주에게 제공하는 구조를 운영하고 있습니다 ^[8][9]. 광고 식별자가 아닌 행동 맥락으로 개인화가 이동하는 흐름이 당분간 이어진다고 보는 시각이 우세합니다.

이 용어와의 관계

유사 개념
LLMO같은 비즈니스·마케팅 갈래에서 자주 함께 등장하는 개념입니다.
유사 개념
AI Search같은 비즈니스·마케팅 갈래에서 자주 함께 등장하는 개념입니다.
유사 개념
ChatGPT Search같은 비즈니스·마케팅 갈래에서 자주 함께 등장하는 개념입니다.