10 Years After Growth Hacking: 그로스 해킹 10년, 성장 전술이 통한 곳과 AI가 바꿀 다음 채널

그로스 해킹의 도구는 이미 규모가 있는 제품의 퍼널을 몇 퍼센트씩 끌어올리는 데 잘 맞습니다. PMF와 리텐션은 어떤 카테고리와 고객을 고르느냐가 먼저 정합니다. AI 시대의 성장은 쓰는 동안 공유할 결과물을 만드는 제품과, 한 사람씩 상대하는 AI 세일즈 에이전트 쪽으로 옮겨 갑니다. 실험 예산은 작은 화면 수정보다 큰 제품 결정과 공유 루프 계측에 먼저 써야 합니다.

요약

a16z의 Andrew Chen은 2024년 5월 13일 뉴스레터에서 10년 전 자신이 쓴 『Growth Hacker is the VP of Marketing』을 돌아봤습니다. 그때 그는 네 가지를 내다봤습니다. 마케팅에 기술 역량이 필요해진다는 것, 제품은 만들기 쉬워지는 대신 distribution(유통, 사용자에게 닿게 하는 일)이 어려워진다는 것, 수억 명이 모인 superplatform(초대형 플랫폼)이 스타트업에 길을 연다는 것, API 연동과 플랫폼 접점은 브랜드·홍보 중심의 전통 마케팅이 아니라 기술을 아는 유통 팀이 맡는다는 것입니다. 이 글 뒤로 Head of Growth라는 직함과 전담 그로스팀이 퍼졌습니다. k-factor(사용자 한 명이 데려오는 신규 사용자 수)나 D1/7/28 리텐션(가입 1일·7일·28일 뒤에도 남아 있는 비율) 같은 말도 일상어가 됐습니다. 이번 글은 무엇이 맞았고 무엇이 빗나갔는지, 성장이 다음에 어디로 가는지를 정리합니다.

저자의 판단은 엇갈립니다. 성장 환경은 풍요에서 희소로 바뀌었습니다. 아이폰과 앱스토어 초기에는 새 앱을 깔아 보는 일 자체가 즐거웠고 연락처를 긁어 보내는 초대 메일도 잘 먹혔습니다. 지금은 홈 화면이 꽉 차 있고 새 제품은 메신저·숏폼 영상과 시간을 다툽니다. 그로스팀의 도구도 기대만큼 멀리 가지 못했습니다. A/B 테스트는 스타트업이 PMF를 찾는 과학이 되지 못했고 이미 큰 제품의 가입·매출 같은 퍼널 상단 지표를 꾸준히 올리는 데 쓰였습니다. 대신 지표 중심의 사고방식은 PM·마케팅·영업이 흡수했습니다. 저자는 AI가 모바일이 잃은 새로움을 되살리고 마케팅을 AI 에이전트가 한 사람씩 상대하는 세일즈에 가깝게 바꾼다고 예측합니다. 아래에서는 이 흐름을 여섯 개 메커니즘으로 풀고 우리 성장 조직이 실험 설계와 채널 관리를 어떻게 바꿀지 덧붙였습니다.

핵심 메커니즘

Abundance to Scarcity: 새 앱을 깔아 보던 시절이 끝났다

성장의 기본 속도는 팀의 실력보다 플랫폼 주기에 먼저 묶여 있다는 관점입니다. 새 플랫폼 초기에는 사용자의 novelty drive(새것을 써 보려는 호기심)가 커서 설치와 가입 전환이 높습니다. 신규 앱 목록과 순위가 그대로 유입 채널이 되고 SXSW나 TechCrunch 출시가 화제를 만들고 SEO·SEM·이메일도 잘 듣습니다. 플랫폼이 S-curve(성장 곡선) 후반에 들어가면 사정이 바뀝니다. 홈 화면은 차 있고 사람들의 시간은 메신저와 숏폼 영상, 쉬지 않는 이메일이 가져갑니다. 새로움은 양날입니다. 가입은 끌어올리지만 한 번 쓰고 마는 사용, 비교 쇼핑, 높은 이탈도 함께 낳습니다.

채널 성과가 떨어질 때 실행 문제인지 플랫폼 주기 문제인지 가르는 데 이 관점을 씁니다. 가상 예시로, 설치 단가가 2년째 오르는데 화면 개선 실험 20건이 모두 1~2% 차이라면 채널 교체를 검토할 때입니다.

Growth Team Lift: 꾸준한 +5%가 큰 힘을 이기지는 못한다

그로스팀의 작업은 라이프사이클 곳곳에서 +5% 정도의 개선을 꾸준히 쌓습니다. 이 방식은 데이터가 많고 지표가 매일·매주 움직이는 곳, 가입이나 매출처럼 결과가 분명한 곳에서 잘 듣습니다. 그래서 쓰임새가 규모 있는 제품의 퍼널 상단으로 좁아졌습니다. 계절성, 낮은 리텐션, S-curve 둔화 같은 큰 힘은 이런 개선으로 넘지 못합니다. 저자는 획득 예산을 두 배로 늘리거나 가격을 내리는 단순한 결정이 더 크게 움직일 때가 있고 때로는 제품을 크게 바꿔야 한다고 말합니다.

부작용도 있습니다. 공격적인 전술은 UX를 어지럽혀 장기 참여를 깎습니다. 큰 회사에서는 PM·엔지니어·디자이너로 꾸린 그로스 스쿼드가 프로덕트 스쿼드와 겹치며 마찰을 빚고 그로스팀은 기술적으로 쉬운 일만 고른다는 평판을 얻었습니다. 사용자 수가 적은 초기 제품과 장기 리텐션 문제에는 이 도구를 주력으로 쓰지 않는 편이 맞습니다.

Nature vs Nurture: 리텐션의 천장은 카테고리가 정한다

사용 빈도와 리텐션은 어떤 제품 카테고리와 고객 세그먼트를 골랐느냐가 대부분 정한다는 주장입니다. 저자가 별도 에세이에서 펼친 생각을 이번 글에서 다시 꺼냅니다. 카테고리 선택(nature)이 빈도와 이탈의 천장을 정하고 실험과 최적화(nurture)는 그 천장 아래에서 조금 밀어 올릴 뿐입니다. 빈도는 높은데 리텐션이 낮은 게임 앱은 A/B 테스트로 그 구조를 벗어날 수 없습니다.

저자의 초기 이론은 랜딩 페이지 테스트로 가치 제안을 먼저 검증하고 작은 제품을 빠르게 고쳐 PMF에 다가간다는 것이었습니다. 실제로 A/B 테스트가 도운 곳은 획득과 퍼널 상단 UX였고 리텐션은 아니었습니다. 스타트업은 통계적으로 유의한 결과를 낼 만큼 사용자가 많지 않고 필요한 변화도 랜딩 페이지 문구 수정이 아니라 큰 방향 전환인 경우가 많습니다. 가상 예시로, 출시 3개월 된 B2B 협업 도구가 D28 리텐션을 올리려 온보딩 문구를 열 번 바꾸기보다, 쓰는 빈도가 높은 팀 세그먼트로 타깃을 옮기는 결정이 먼저입니다.

Law of Shitty Clickthroughs: 모두가 쓰는 전술은 닳는다

채널 성과는 시간이 지나면 떨어진다는 저자의 법칙입니다. 새 전술은 처음에 낯설어서 반응이 좋습니다. 앱 초대처럼 잘 듣는 수법이 알려지면 많은 팀이 같은 채널에서 같은 방식으로 따라 쓰고 소비자는 익숙해지고 지칩니다. 청중이 빨리 소진되면서 클릭률과 수락률이 내려가고 기법은 누구나 쓰는 범용품이 됩니다. 그로스 기법이 널리 퍼진 결과가 바로 이 범용화였습니다.

그래서 잘 듣는 전술에도 수명이 있다고 보고 첫 성과를 기록해 하락 속도를 재며 다음 채널을 미리 시험합니다.

Content-generating Product: 쓰는 동안 홍보물이 생기는 제품

사람들은 새 앱을 덜 깔지만 크리에이터를 팔로하고 영상·링크·사진은 기꺼이 나눕니다. 성장 채널도 이 행동을 따라 다시 짜이고 있습니다. 크리에이터, 숏폼 영상, 퍼 나르기 쉬운 밈이 스타트업 성장을 이끌지만 급등은 짧게 끝날 수 있습니다. 업무용 제품에서는 PLG(product-led growth, 제품 사용이 곧 영업이 되는 방식)와 bottoms-up(실무자에서 시작해 조직으로 번지는 도입)이 동료끼리 콘텐츠를 나누며 퍼집니다.

핵심은 쓰는 과정에서 결과물이 생기는 제품입니다. video-native(영상이 기본 단위인) 제품이나 창작 AI 도구는 사용자가 만든 3D 에셋·영상 클립·이미지를 시각 중심 SNS에 올리는 순간 홍보가 됩니다. 저자의 판단으로는 모바일에서 AI로 넘어가며 새로움이 돌아왔습니다. 사람들은 새 기능이 “it actually works”라는 놀라움 때문에 공유합니다. 덜 다듬은 1세대 AI 도구도 최적화된 퍼널 없이 주목을 받습니다. 다만 저자는 이 새로움도 언젠가 식는다고 덧붙입니다.

Marketing Looks Like Sales: 일대일로 파는 AI 에이전트

저자는 10년 전 예측 가운데 두 가지가 더 강해졌다고 봅니다. 만들기는 거의 쉬운 일이 됐고 유통은 더 어려워졌습니다. 생성형 AI와 노코드 도구로 앱을 프롬프트만으로 만들 수 있고 플랫폼은 더 커져 밈과 앱이 수십억 명에게 순식간에 퍼집니다. 그 위에서 그는 마케팅이 세일즈를 닮아 간다고 예측합니다. 한 메시지를 모두에게 뿌리는 대신, 수많은 일대일 AI 에이전트가 채팅·전화·영상으로 한 사람에게 맞춘 제안을 합니다. 브랜드 활동은 이 가상의 영업 조직에 air cover(현장 영업이 먹히도록 미리 인지도를 깔아 두는 지원)를 제공하고 랜딩 페이지와 제품 경험도 대량으로 개인화됩니다.

상담·견적 단계가 있는 B2B와 고관여 소비재가 먼저 해당합니다. 가상 예시로, 보험 비교 사이트가 모두에게 같은 랜딩 페이지를 보여 주던 데서 방문자 질문에 맞춰 플랜을 설명하는 에이전트를 붙이는 경우입니다.

통념과 다른 주장

저자가 든 사례

사례	상황	한 일	결과	연결
신문 사이트	구독 전환 압박	기사를 가리는 구독 유도 팝업	단기 지표 상승, 장기 사용자 이탈 우려(수치는 원문에서 밝히지 않음)	Growth Team Lift의 UX cruft(쌓인 화면 군더더기)
게임 앱	빈도는 높고 리텐션은 낮음	A/B 테스트로 리텐션 개선 시도	조금 밀어 올릴 뿐 구조는 그대로	Nature vs Nurture
Web 2.0 소셜 앱	빠른 사용자 확보	이메일 연락처를 긁어 초대	초기 도달·수락률 높음, 수법이 퍼지며 하락	Abundance to Scarcity, Law of Shitty Clickthroughs
Coca-Cola	테크 밖 대형 소비재 기업	Chief Growth Officer 직함 신설	그로스 직함이 기술 산업 밖으로 확산(역할 세부는 원문에서 밝히지 않음)	다른 직무가 그로스를 흡수
창작 AI 도구	퍼널을 거의 다듬지 않은 1세대	사용자가 3D 에셋·영상·이미지를 SNS에 게시	퍼널 최적화 없이 주목, 새로움은 언젠가 식음	Content-generating Product

기술 디테일: 우리 성장 조직에 옮기려면

아래는 글의 메커니즘을 우리 제품의 실험·채널·영업 운영에 대입할 때 필요한 설계로, AX Review가 새로 작성했습니다. 숫자는 가상 예시입니다.

작은 트래픽에서 A/B 테스트를 할지 정하려면(Nature vs Nurture, Growth Team Lift) 실험을 시작하기 전에 표본 크기부터 계산합니다. 기준 전환율 5%에서 상대 +5%(5.25%)를 잡아내려면, 유의수준 5%·검정력 80% 기준 그룹당 약 122,000명이 필요합니다. 하루 방문 2,000명을 반씩 나누면 123일입니다. 같은 조건에서 상대 +50%(7.5%)를 찾는 실험은 그룹당 약 1,470명, 이틀이면 끝납니다. 트래픽이 적은 제품은 작은 수정 대신 큰 변화만 실험하라는 저자의 말이 숫자로 이렇게 나옵니다. 실험 백로그는 experiment_id, hypothesis, funnel_stage(acquisition·activation·retention·revenue), change_size(tweak·swing), primary_metric, guardrail_metric, mde_rel, n_per_arm, days_needed 필드로 관리합니다. 백로그가 수백 건이면 LLM이 funnel_stage와 change_size를 먼저 태깅합니다. JSON 스키마를 고정하고 temperature 0으로 3회 돌려 갈리는 항목만 그로스 PM이 봅니다. n_per_arm과 days_needed는 계산 코드가 채웁니다.

리텐션 천장을 먼저 재려면(Nature vs Nurture) 가입 주차별 코호트 표를 만듭니다. 필드는 cohort_week, users, d1, d7, d28, d90이고 유입 경로(acq_channel)로 한 번 더 나눕니다. 판단 기준은 곡선이 평평해지는 지점이 있느냐입니다. 가상 기준으로 d28에서 d90까지 하락 폭이 3%p 이하면 천장이 보인다고 판단합니다. 그 높이를 같은 카테고리의 공개 벤치마크나 우리 다른 제품과 비교합니다. 평평해지는 구간이 없으면 획득 예산을 늘리는 것보다 세그먼트나 제품을 바꾸는 결정을 먼저 올립니다.

채널 감쇠를 감시하려면(Law of Shitty Clickthroughs) 채널과 전술 단위로 주간 로그를 쌓습니다. 필드는 channel, tactic, launch_week, week, impressions, ctr, cvr, cac입니다. 전술마다 출시 첫 4주 최고치를 기준값으로 저장하고 최근 4주 이동평균이 기준값보다 40% 넘게 떨어지면 decay 플래그를 답니다(가상 기준). 플래그가 선 전술은 예산을 줄이고 전체 획득 예산의 일정 비율(가상 예시 15%)을 아직 검증되지 않은 새 채널 시험에 상시 배정합니다. 주간 리포트 문장은 LLM에 맡겨도 하락률 계산과 판정은 코드에 둡니다.

공유 루프를 계측하려면(Content-generating Product) 결과물이 밖으로 나가는 순간을 이벤트로 남깁니다. output_created(결과물 ID, 유형), output_shared(destination: SNS·메신저·사내 툴), share_view, share_signup 네 개면 충분합니다. 결과물에는 출처 태그나 공유 링크를 붙여 유입을 추적합니다. 가상 예시로 사용자 한 명이 평균 0.6회 공유하고 공유 1회당 가입이 0.15명이면 k-factor는 0.09입니다. 1보다 작아 저절로 커지지는 않지만 유료로 데려온 사용자 100명마다 9명이 덤으로 붙습니다. 새로움이 식는 속도를 보려면 가입 코호트별 공유율을 주 단위로 그립니다. 어떤 결과물이 공유되는지는 LLM으로 결과물 유형과 주제를 분류해 공유율과 맞대어 확인합니다.

일대일 AI 세일즈 에이전트를 시험하려면(Marketing Looks Like Sales) 에이전트가 말할 근거를 먼저 정리합니다. 상품 카탈로그, 가격표, 할인 정책, FAQ를 문서 ID가 달린 검색 대상으로 두고 답에는 근거 문서 ID를 반드시 남기게 합니다. 대화 출력과 별도로 구조화 필드를 받습니다. intent, segment, recommended_plan, quoted_price, discount_pct, evidence_ids, needs_human입니다. quoted_price와 discount_pct는 모델이 정하지 않고 플랜과 조건을 받아 코드가 계산하며 할인 상한을 넘으면 차단합니다. 대화 생성은 temperature 0.3 안팎, 필드 추출은 0으로 둡니다. 평가는 주 1회 대화 50건을 사람이 채점합니다. 정확성(가격·정책이 근거와 맞나), 적합성(세그먼트에 맞는 제안인가), 다음 행동(견적·데모·담당자 연결이 분명한가)을 각각 0점 틀림, 3점 사소한 누락, 5점 완전으로 매깁니다. 같은 질문을 3회 넣어 추천 플랜이 바뀌면 프롬프트나 근거 문서를 고칩니다. 개인화 랜딩 페이지는 법무가 승인한 문구 블록 안에서만 조합합니다.

실패하는 경우와 대응. 표본이 모자라면 작은 수정 실험을 멈추고 큰 변화 실험과 사용자 인터뷰로 바꿉니다. 퍼널 지표만 오르고 장기 참여가 깎이는 신문 팝업 같은 경우를 막으려면, 모든 실험에 가드레일 지표(D28 리텐션, 해지율)를 함께 걸고 가드레일이 나빠지면 승자로 채택하지 않습니다. 밈이나 크리에이터로 급등한 뒤 급락할 때는 유입 경로별 코호트를 분리해 공유로 들어온 사용자의 리텐션을 따로 봅니다. 에이전트가 가격이나 정책을 틀리게 말하는 위험은 코드 계산, 근거 ID 필수, 할인 상한 차단의 세 겹으로 막습니다.

현업 실행 디테일: 누가, 언제, 무엇을

역할	담당	4주 동안 하는 일
스폰서	CEO 또는 CPO·CMO	진단 범위 승인, 4주차 판정 회의 주재
그로스 PM	PM 1명	실험 백로그 재분류, 큰 변화 실험 1건 설계
데이터 분석	분석가 1명	표본 크기 계산, 코호트 리텐션, 채널 감쇠 로그
마케팅 채널	퍼포먼스·콘텐츠 담당 1명	전술별 첫 성과 기준값 정리, 새 채널 후보
엔지니어	개발자 1명	공유 이벤트 4종 계측, 에이전트 시제품 연결
영업·CS	리드 1명	상담 로그 표본 제공, 에이전트 대화 채점
법무	담당 1명	에이전트 고지 문구, 개인화 문구 블록 승인

시작 전 준비물: 최근 12개월 실험 목록과 결과, 가입 주차별 리텐션 원자료, 채널·전술별 주간 노출·클릭·전환·CAC, 공유·초대 이벤트 로그(없으면 없다는 사실), 가격표와 할인 정책 문서 상담 채팅·통화 기록 표본 200건.

주차	할 일	산출물
1주	실험 백로그를 funnel_stage·change_size로 재분류, 실험마다 표본 크기 계산	백로그 표, 표본 부족 실험 목록
2주	코호트 리텐션 곡선과 채널 감쇠 진단	리텐션 천장 보고, decay 전술 목록
3주	공유 이벤트 계측 설계, 큰 변화 실험 1건 설계	이벤트 명세, 실험 설계서
4주	AI 세일즈 에이전트 내부 그림자 시험(상담 로그 재생), 판정 회의	대화 채점표, 판정 보고서

담당자 인터뷰 질문: 지난 1년 실험 가운데 리텐션을 움직인 것은 몇 건이고 무엇이었습니까? 우리 고객이 이 제품을 쓰는 빈도는 주 몇 회이고 그 빈도는 카테고리 탓입니까 제품 탓입니까? 가장 큰 채널은 처음보다 성과가 얼마나 떨어졌습니까? 고객이 우리 제품의 결과물을 밖에 공유합니까, 어디에 올립니까? 상담에서 매번 반복하는 설명 가운데 에이전트에 맡길 것과 맡기면 안 되는 것은 무엇입니까?

진행 판정 기준(예시): 백로그에서 표본이 모자란 실험이 절반을 넘으면 작은 수정 실험을 멈추고 큰 변화 실험으로 옮깁니다. d90까지 평평해지는 구간이 없으면 획득 예산 증액을 보류하고 세그먼트 재검토를 올립니다. 주력 채널 성과가 기준값보다 40% 넘게 떨어졌으면 새 채널 시험 예산을 배정합니다. 에이전트 그림자 시험에서 가격·정책 정확도가 98%에 못 미치면 고객 노출을 하지 않고 시험을 2주 연장합니다.

AX 적용 제언. 마케팅·영업 조직이 AI 예산을 어디에 쓸지 정하는 기준으로 쓰기 좋습니다. AI로 광고 문구와 랜딩 페이지 변형을 대량으로 만들기 전에, 그 차이를 검증할 트래픽이 있는지 먼저 계산합니다. 없으면 변형 수를 줄이고 큰 변화에 집중합니다. 생성형 AI 기능을 넣는 제품은 결과물이 밖으로 공유되는 경로를 처음부터 설계하고 계측합니다. AI 세일즈 에이전트는 견적 단계가 정형화된 상품 하나에서 그림자 시험으로 시작하고 가격·할인은 코드에 둡니다. 순서는 실험 표본 점검 → 리텐션 천장 확인 → 공유 루프 계측 → 에이전트 그림자 시험이 무난합니다. 스폰서는 마케팅과 영업을 함께 보는 임원이 맡아야 두 조직의 경계 문제를 바로 풀 수 있습니다.

원문 사례

항목	내용
발표처	Andrew Chen 뉴스레터(Substack), 2024.05.13. 부제는 무엇이 바뀌었고 무엇이 새로운가
되짚은 글	『Growth Hacker is the VP of Marketing』(약 10년 전)
2014년 예측	마케팅에 기술 역량, 만들기 쉬움·유통 어려움, superplatform, API·플랫폼 접점은 기술 유통 팀 몫
남은 유산	Head of Growth, 전담 그로스팀, k-factor, D1/7/28 리텐션
풍요의 시절	앱스토어 초기 신규 목록·순위, 연락처 스크래핑 초대, SXSW·TechCrunch 출시, SEO·SEM·이메일
그로스의 쓰임새	라이프사이클 곳곳의 +5% 개선. 계절성·낮은 리텐션·S-curve는 넘지 못함
부작용	UX cruft(신문 사이트 구독 유도 팝업), 그로스·프로덕트 스쿼드의 마찰
흡수	PM 면접의 A/B 테스트·CAC·LTV·D30, growth marketer, B2B Head of Growth, Coca-Cola CGO
법칙	Law of Shitty Clickthroughs(채널 성과는 시간이 지나면 떨어짐)
다음 채널	크리에이터·숏폼·밈, PLG·bottoms-up, video-native 제품, 창작 AI 도구의 결과물 공유
예측	마케팅이 세일즈를 닮음. 일대일 AI 에이전트, 브랜드의 air cover, 대량 개인화
관련 에세이	Nature vs Nurture, 모바일 S-curve와 AI

핵심 개념

growth hacking

데이터와 실험, 기술적 연동으로 사용자 획득과 전환을 끌어올리는 방식. 저자가 2014년 글로 널리 알렸다.

k-factor

사용자 한 명이 데려오는 신규 사용자 수. 1을 넘으면 외부 유입 없이도 사용자가 늘어난다.

D1 / D7 / D28 / D30

가입 뒤 1·7·28·30일째에도 제품을 쓰는 사용자 비율.

CAC / LTV

고객 한 명을 얻는 데 드는 비용과, 그 고객이 떠날 때까지 남기는 총가치.

MDE(minimum detectable effect)

실험이 잡아낼 수 있는 가장 작은 효과 크기. 작을수록 표본이 많이 든다.

guardrail metric

실험이 주 지표를 올리는 동안 나빠지면 안 되는 지표. 리텐션, 해지율 같은 것.

New User Experience(NUX)

가입 직후 첫 사용 경험을 맡는 기능이나 팀.

Chief Growth Officer

성장 전반을 책임지는 경영진 직함. 저자는 Coca-Cola의 사례를 든다.

내 메모

TODO: 내 생각 추가

원문: Andrew Chen, 10 years after ‘Growth Hacking’: What’s changed and what’s new(Andrew Chen 뉴스레터, 2024.05.13). 요약·메커니즘·통념과 다른 주장·사례·원문 사례 표는 저자가 언급한 내용을 AX Review가 다시 정리했습니다. 기술·현업 디테일, 필드 설계, 표본 크기 계산, 일정·판정 기준, 인포그래픽은 새로 작성했으며 숫자는 가상 예시입니다(표본 크기는 유의수준 5%·검정력 80%의 두 비율 비교 공식으로 계산). 원문 전체는 저자의 Substack에서 볼 수 있습니다.