고객 지원을 위한 에이전트 이점 3장

자율 고객 지원을 위한 로드맵

자율 고객 지원은 하루아침에 뚝딱 이루어지는 것이 아닙니다. 이는 시간을 두고 꾸준히 구축하는 역량입니다. 목표는 첫날부터 모든 케이스를 자동화하거나 지원 업무에서 사람의 전문성을 배제하는 것이 아닙니다. 지원 팀이 전문성을 통해 가장 큰 가치를 창출할 수 있는 케이스에 집중할 수 있도록 하는 동시에 자율적으로 처리할 수 있는 지원 업무의 비중을 꾸준히 확대하는 것입니다.

대부분의 조직에서 이는 비교적 결정론적인 지원 업무부터 시작하여 에이전트를 성공적으로 구현하는 데 필요한 지식과 평가 기반을 구축한 다음, 점진적으로 더 복잡한 케이스로 자율성을 확장하는 것을 의미합니다. 다음은 그러한 목표를 달성하기 위한 다섯 단계입니다.

1단계: 지원 기준선 설정하기

무엇을 자동화할지 결정하기 전에 현재 지원 팀이 시간과 비용을 어디에 들이고 있는지 파악해야 합니다. 티켓 처리량, AHT(평균 처리 시간), ART(평균 해결 시간), 에스컬레이션 비율, 우회 처리율, 티켓당 비용 등 조직에서 이미 추적하고 있는 지표부터 시작하세요. 그런 다음 이러한 지표를 케이스 복잡성의 관점에서 살펴보세요.

해결하는 데 몇 시간이 걸리는 L1 요청은 전문적인 엔지니어링 지식이 필요한 L3 문제와는 전혀 다른 자동화 기회를 의미합니다. 케이스 유형별로 처리량과 해결 시간, 비용을 분류하면 자율성이 초기에 가장 큰 영향을 미치는 영역을 알아보는 데 도움이 됩니다.

해결 경로가 명확히 알려져 있는 처리량이 많은 케이스를 특히 주의 깊게 찾아보세요. 이러한 케이스는 더 결정론적인데다 판단이 필요한 부분이 적으므로 초기 단계의 자율 해결에 가장 적합한 경우가 많습니다.

하지만 평가를 개별 티켓에만 한정하지 마세요. 전체 해결 과정을 살펴보세요. 에이전트가 몇 개의 시스템을 사용하나요? 핸드오프는 어디에서 발생하나요? 정보를 찾는 데 얼마나 많은 시간이 걸리나요? 어떤 단계에서 사람의 판단이 필요하고 어떤 단계에서 수동으로만 작업이 이루어지나요?

목표는 자동화보다 더 중요한 것, 바로 각 케이스를 해결하는 데 사람의 노력이 얼마나 들어가야 하는지를 측정하는 데 사용할 수 있는 기준선을 마련하는 것입니다.

2단계: 지식 기반 마련하기

AI 에이전트에게 지식 기반에 대한 액세스 권한을 부여하는 것은 고객 문제를 해결하는 데 필요한 지식을 제공하는 것과는 다릅니다. 엔터프라이즈 조직은 수년간의 지원 문서, 종료된 케이스, 제품 문서, 문제 해결 가이드, 엔지니어링 노트와 암묵적인 지식을 보유하고 있는 경우가 많습니다. 이러한 기록은 매우 귀중할 수 있지만 동시에 오래된 지침, 중복된 정보, 상충되는 해결책, 더 이상 관련 없는 제품이나 버전에 대한 콘텐츠를 포함할 수도 있습니다.

이러한 지식은 자율 지원을 위해 준비되어야 합니다. 조직은 관련 콘텐츠를 파악하고 불필요한 정보를 없애며 정보를 적절하게 구조화해야 합니다. 또한 에이전트가 특정 고객, 제품, 구성 또는 문제의 맥락에서 올바른 지식을 검색할 수 있도록 해야 합니다. 더군다나 이는 일회성 마이그레이션이 아닙니다.

이러한 기반은 또한 모든 케이스 에스컬레이션과 사람 상담원과의 해결 과정을 통해 지속적으로 개선되어야 합니다. 완료된 케이스를 평가하고 기존 지식 기반에서 부족한 부분이나 누락된 지침을 파악하여 시스템이 새로운 지식 문서를 자율적으로 생성할 수 있도록 하세요. 해당 문서는 이후 조직의 거버넌스 프로세스에 따라 검토 및 게시될 수 있습니다. 다른 고객이 동일한 문제를 제기하면 AI 에이전트는 이처럼 새로 생성된 지식을 활용하여 추가적인 에스컬레이션 없이 문제를 해결할 수 있습니다. 이렇게 하면 에스컬레이션을 통해 지식 기반을 강화하고 향후 해결률을 높이는 순환식 시스템이 구축됩니다.

새로운 제품을 출시하고, 지원 케이스를 생성하고, 해결이 성공으로 이어질 때마다 새로운 지식이 만들어집니다. 자율적인 성능을 유지하려면 해당 정보를 지속적으로 갱신해야 합니다. 그래야 에이전트가 제품에 관해 이전에 이해하고 있는 내용을 바탕으로 추론을 하지 않도록 할 수 있기 때문입니다. 자율 해결의 품질은 궁극적으로 그 기반이 되는 지식의 품질에 크게 좌우됩니다.

3단계: L1부터 시작하되 L2를 고려하여 구축하기

일상적인 L1 지원은 시작점으로 삼기 좋은 단계입니다. 이러한 케이스는 대체로 처리량이 많고 위험도가 낮으며 더 결정론적인 경향이 있으므로 엔드 투 엔드 자율 해결을 적용하기에 적합합니다. 하지만 그렇다고 해서 조직이 L1 자동화 환경을 별도로 구축하고 그 밖의 나머지는 모두 나중에 고민해야 한다는 의미가 아닙니다.

L1, L2, L3 간의 경계는 항상 명확하지 않습니다. AI 에이전트는 케이스를 이해하고 복잡성을 분류하고 안전하게 해결할 수 있는지 여부를 판단하며, 해결할 수 없는 경우에는 에스컬레이션할 수 있도록 충분한 컨텍스트가 필요합니다. 더 효과적인 접근 방식은 각 단계 내에서 서로 다른 수준의 자율성을 추구하는 동시에 L1과 L2 전반에 걸쳐 역량을 구축하는 것부터 시작하는 것입니다.

결정론적인 L1 케이스에 엔드 투 엔드 해결을 도입하세요. 더 복잡한 L2 케이스의 경우 AI 에이전트가 해결 과정에서 수행할 수 있는 부분을 처리하도록 하고 필요할 때는 사람의 전문 지식을 프로세스에 활용하세요. 이는 다음 단계인 사람의 개입으로부터 학습할 수 있는 기반을 제공합니다.

4단계: 평가 및 학습 루프 구축하기

지원 기반 방식에서 자율적인 방식으로 전환하기 위해서는 AI 에이전트에 여전히 지원이 필요한 지점과 그 이유를 정확히 이해해야 합니다. 따라서 평가는 운영 모델의 핵심 요소가 됩니다. 조직에는 에이전트의 행동, 해결 품질, 지식 검색, 에스컬레이션 결정 및 결과를 지속적으로 평가할 수 있는 방법이 필요합니다. 에이전트가 케이스를 자율적으로 완료할 수 없는 경우 단순히 티켓을 사람에게 넘기고 다음 단계로 넘어가는 것이 아니라

무슨 일이 있었는지 살펴봐야 합니다. 예를 들면 에이전트에 도움이 필요한 부분이 어디였는지, 어떤 정보가 누락되었는지, 사람이 어떤 조치를 취했는지, 에이전트가 잘못된 지식을 가져왔거나 잘못된 결정을 내렸거나 이전에 본 적 없는 상황을 마주했는지 살펴보세요. 사람의 개입으로 성공적으로 해결된 케이스는 이후에 가치 있는 새로운 지식이 됩니다.

이를 수집하여 지식 기반에 통합하고 업데이트된 정보를 바탕으로 에이전트를 테스트한 후 그 결과를 활용해 향후 유사한 케이스를 처리하는 방식을 개선하세요. 이를 통해 지속적인 순환이 이루어집니다. 성공적인 조직은 사람의 개입을 자율성의 실패로 여기기보다는 AI 에이전트가 다음에 처리할 수 있는 범위를 확대하는 데 활용합니다.

5단계: 지속적으로 자율성의 범위 확장하기

목표는 100% 완전한 자율 해결이 아니라 사람의 개입 없이 완료할 수 있는 지원 업무의 비율이 지속적으로 늘어나는 것입니다. 처음에는 해결 과정의 60%에서 사람이 개입해야 하는 L2 케이스를 생각해 보겠습니다. AI 에이전트는 엔지니어에게 문제가 전달되기 전에 이를 미리 분류하고 고객 컨텍스트를 수집하며 관련 지식을 검색하고 로그를 분석하고 조치를 추천할 수 있습니다.

조직이 결과를 수집하고 에이전트를 개선함에 따라 그 비율은 달라질 수 있습니다. 40%가 자율적인 방식으로 해결되고 60%가 지원 기반 방식으로 해결되던 상황이 60%가 자율적인 방식으로 해결되고 40%가 지원 기반 방식으로 해결되는 형태로 바뀔 수 있습니다. 시간이 지남에 따라 프로세스에서 사람에 의존하는 부분이 계속해서 줄어듭니다.

L2 케이스에 대해 해당 학습 주기가 안정적으로 작동하면 조직은 위험 허용도, 비즈니스 요건 및 에이전트 성과를 기반으로 동일한 모델을 일부 L3 상황으로 확대할 수 있습니다. 그 결과, 사람의 전문 지식을 각기 다르게 활용하는 지원 조직이 만들어집니다.

AI 에이전트는 더 많은 비율의 일상적인 조사, 시스템 상호작용 및 해결을 처리하고 지원 엔지니어는 새로운 문제, 모호한 문제, 가치 높은 문제 등에 집중합니다. 그리고 사람의 개입을 통해 문제가 성공적으로 해결되면 다음에는 더 자율적인 상호작용이 이루어질 수 있습니다.

자율 고객 지원은 이런 식으로 확장됩니다. 즉, 수동 지원에서 자율 지원으로 한 번에 도약하는 것이 아니라 사람의 전문 지식이 필요한 영역과 더 이상 필요하지 않은 영역 사이의 경계를 지속적으로 이동시키는 과정을 통해 이루어집니다.

로드맵 실천하기

자율 지원을 구현하는 방식은 조직마다 다르게 나타날 것입니다. 제품의 복잡성, 케이스 처리량, 이용 가능한 지식, 위험 허용도와 기존 시스템은 모두 어디서부터 시작할지와 얼마나 빠르게 확대할지를 결정하는 데 영향을 미칩니다. 하지만 특정 지원 상황을 살펴보면 그 진행 과정을 더 쉽게 이해할 수 있습니다.

다음 세 가지 유스케이스는 조직이 매우 결정론적인 L1 요청부터 기술적인 문제 해결, 그리고 궁극적으로 전체 케이스 수명 주기에 걸친 오케스트레이션에 이르기까지 점진적으로 높아지는 자율성을 어떻게 적용할 수 있는지를 보여줍니다.

사용자 액세스 관리: 예측 가능하고 처리량이 많은 업무부터 시작

일반적인 L1 요청을 생각해 보겠습니다. 고객이 새로운 직원을 채용했으며 이 직원은 지원 케이스를 제출하고 관리하기 위해 고객 포털에 액세스해야 합니다. 기존에 이러한 요청이 접수되면 지원 또는 관리 직원이 검토하고 처리해야 하는 티켓이 생성됩니다. 작업 자체는 간단할 수 있지만 요청이 발생할 때마다 인적 자원이 소모되고 티켓 처리량이 증가하게 됩니다.

이때 AI 에이전트는 대신 요청을 이해하고, 필요한 정보를 수집하며, 사용자의 자격 및 권한을 검증하고, 연결된 시스템 전반에서 적절한 액세스 워크플로를 실행할 수 있습니다. 또한 액세스 권한이 성공적으로 프로비저닝되었는지 확인할 수 있습니다. 이는 자율 해결을 위한 자연스러운 출발점이 되는 결정론적이고 복잡성이 낮은 유형의 케이스입니다. L1 케이스의 경우 적절한 조치가 일반적으로 잘 알려져 있고 반복 가능하기 때문에 매우 높은 수준의 엔드 투 엔드 자율 해결을 적용할 수 있습니다.

여기서 얻을 수 있는 것은 단순히 액세스 요청을 자동화하는 것이 아닙니다. 이러한 예측 가능한 케이스를 활용하여 지식, 통합, 테스트, 평가, 거버넌스와 같은 기본 역량을 구축하고, 이를 통해 더 복잡한 자율 해결을 지원할 수 있습니다.

봇 배포 실패: 기술적 문제 해결 부문으로 자율성 확장

이제 조금 더 복잡한 상황을 살펴보겠습니다. 고객이 서비스를 시작하려고 준비하는 중에 봇이 배포에 실패하고 검은 화면이 표시됩니다. 이 경우 액세스 요청과는 달리 문제를 해결할 수 있는 단일하고 결정론적인 경로가 없을 수도 있습니다. 원인은 로그, 구성, 제품 버전, 고객 환경, 이전 케이스 또는 기타 기술적 요인에 따라 달라질 수 있습니다.

AI 에이전트는 보고된 문제를 이해하고 관련 컨텍스트를 수집하며 사용 가능한 로그를 분석하고 적용 가능한 제품 지식을 검색한 후 가장 가능성 높은 해결책을 결정함으로써 조사를 시작할 수 있습니다. 신뢰도와 확립된 안전 장치가 허용하는 범위 내에서 에이전트는 승인된 문제 해결 조치를 수행하고 배포가 성공적으로 이루어졌는지 확인할 수 있습니다. 전문 지식이 추가로 필요한 경우 케이스 요약, 진단 결과, 관련 지식, 권장되는 다음 단계 등 이미 수집한 정보를 바탕으로 케이스를 지원 엔지니어에게 에스컬레이션할 수 있습니다.

이는 자율 로드맵의 중요한 원칙인 '케이스가 완전히 자율적이지 않더라도 가치를 창출할 수 있다'는 점을 보여줍니다. 조직은 처음에는 이러한 해결 과정의 40%를 자동화하고 나머지 60%는 사람의 개입에 맡길 수 있습니다. 에이전트에 지원이 필요했던 지점을 평가하고 엔지니어의 성공적인 해결 방법을 기록하고 그러한 지식을 시스템에 다시 반영함으로써 향후 케이스에서 자율적으로 처리할 수 있는 비율을 점진적으로 높일 수 있습니다.

목표는 자율 작업이 멈추는 지점과 사람의 개입이 시작되는 지점 간의 간격을 계속해서 줄여나가는 것입니다.

케이스 수명 주기 관리: 접수에서 해결에 이르는 과정에서 지원 오케스트레이션

케이스 수명 주기 관리는 자율 고객 지원의 더 넓은 최종 목표를 나타냅니다. AI 에이전트는 특정 태스크나 문제 해결 시나리오만 자동화하는 것이 아니라 문제가 조직에 접수되는 순간부터 해결과 종료에 이르는 지원 과정 전반에 걸쳐 참여합니다.

프로세스는 분류로 시작됩니다. AI 에이전트는 고객의 문제를 해석하고 자율 해결을 시도하는 데 필요한 지식과 역량을 보유하고 있는지 판단합니다. 이를 바탕으로 AI 에이전트는 지원 시스템 전반에 걸쳐 정보를 수집하고 관련 지식을 검색하며 가능한 해결책을 추론하고 적절한 조치를 실행할 수 있습니다. 상호작용 중에 고객 감정 및 에이전트 성능과 같은 신호도 평가하여 케이스를 자율적으로 계속 진행할지 아니면 전문 지식을 갖춘 사람에게 에스컬레이션할지 여부를 결정할 수 있습니다.

사람의 도움이 필요한 경우 그 목적은 단순히 해당 티켓을 다른 대기열로 전달하는 데 그치는 것이 아닙니다. 엔지니어는 AI가 이미 조합한 맥락을 전달받으므로 조사를 처음부터 다시 시작하지 않고 문제 해결을 이어갈 수 있습니다. 이러한 사람의 개입은 지속적인 학습 주기에도 도움이 됩니다. 성공적인 해결 방법은 기록되어 조직의 지식에 통합될 수 있으며, 향후 에이전트가 유사한 상황을 처리하는 방식을 개선하는 데 활용될 수 있습니다.

시간이 지남에 따라 케이스 수명 주기의 더 많은 부분이 자율적으로 처리됩니다.

이때 시스템 간 이동을 없애는 것이 매우 중요해집니다. 기술 지원 케이스를 해결하려면 티켓팅 시스템, CRM, 지식 기반, 고객 포털 및 커뮤니케이션 플랫폼 전반에 있는 정보와 조치가 필요할 수 있습니다. 자율적인 케이스 관리를 위해서는 고객이나 지원 엔지니어가 각 애플리케이션을 수동으로 탐색하도록 강요하는 것이 아니라 에이전트가 해당 환경 전반에서 추론을 수행하고 조치를 취해야 합니다.

그 결과, 근본적으로 다른 지원 모델이 만들어집니다. 케이스가 자동으로 분류되고 적절한 경우 자율적으로 해결되며 전문 지식을 갖춘 사람의 도움이 필요한 경우에는 원활하게 에스컬레이션됩니다. 또한 이러한 케이스는 지속적으로 미래의 해결 방안을 개선하는 데 활용됩니다.

개별 유스케이스부터 자율 지원 모델까지

이러한 예시들은 세 개의 분리된 자동화 프로젝트로 취급되어서는 안 됩니다.

사용자 액세스 관리는 조직이 결정론적 지원 업무에 대해 어떻게 자율성을 확보할 수 있는지 보여줍니다. 봇 배포 실패는 동일한 기반이 자율적인 해결 방식과 지원 기반 해결 방식이 함께 작동하는 더 복잡한 케이스로 확대될 수 있음을 보여줍니다. 케이스 수명 주기 관리는 이러한 기능들이 전체 지원 여정에 걸쳐 오케스트레이션될 때 어떤 일이 발생하는지를 보여줍니다.

그 안에서의 공통된 흐름은 지속적인 확장입니다. 조직은 지식 및 통합 기반을 구축하고 자신 있게 해결할 수 있는 부분을 자동화하며 여전히 사람의 지원이 필요한 사항을 평가합니다. 또한 사람의 개입을 통해 성공적으로 해결된 케이스를 수집하며 이러한 인사이트를 바탕으로 자율성을 더욱 확장합니다.

이는 지원 태스크를 자동화하고 자율 지원 운영 체계를 구축해나가는 과정입니다.