고객센터 투자는 왜 기대한 효과를 충분히 내지 못할까? (1/2)
1편에서는 고객의 문제를 해결하고 있는지, 아니면 이미 발생한 문의를 더 잘 처리하고 있는지 물었습니다.
현장에서는 이 질문에 답하기 전에 어떤 기술을 도입할지부터 정하기 쉽습니다.
1. 자동화는 보통 기존 업무에서 시작합니다.
전화가 몰리고 응대 비용이 커지니 챗봇과 콜봇을 도입합니다.
상담사가 지식을 검색하니 AI가 답변을 추천하도록 합니다.
상담사가 통화를 분류하고 요약하니 AI가 그 일을 대신하게 합니다.
이런 시도가 잘못된 것은 아닙니다. 저 역시 이런 시스템을 만들었고, 실제로 효과를 낼 수 있다는 것도 압니다.
그런데 무엇을 자동화할지 정할 때는 보통 그 업무가 왜 생겼는지보다 지금 누가 어떤 일을 하고 있는지를 먼저 봅니다.
“AI가 이 일을 더 빨리 할 수 있을까?”보다 먼저 물어야 할 것도 있습니다. “이 일을 계속 지금 방식으로 해야 할까?”
2. 업무를 옮기는 것과 업무를 다시 설계하는 것은 다릅니다.
콜봇과 챗봇, 상담 지원 AI를 만들며 이런 차이를 경험했습니다.
아웃바운드 업무를 콜봇으로 자동화하는 일을 맡았습니다. 자동화 이전에도 상담사는 하루 대상자 중 절반 정도에만 발신을 시도할 수 있었고, 연락이 늦어질수록 고객의 상황이 바뀌어 기회를 놓치기 쉬웠습니다. 저는 상담사가 하던 절차를 콜봇에 그대로 옮기기보다, 콜봇으로 이 병목을 어떻게 풀 수 있을지부터 봤습니다. 최근 발생한 건부터 연락하도록 순서를 바꾸고 여러 고객에게 동시에 발신하도록 설계했습니다.
그 결과 대상자 발신 수행률은 약 50%에서 100%로 높아졌고, 실적도 함께 개선됐습니다. 콜봇 도입 자체보다 업무의 순서와 처리 방식을 바꾼 것이 성과를 내는 데 중요했습니다.
반면 다른 프로젝트에서는 새로운 채널이 기존 앱에서 제공하던 기능을 그대로 반복하기도 했습니다. 고객에게 시도할 곳은 하나 더 생겼지만, 하려던 일을 더 잘 끝낼 방법이 생긴 것은 아니었습니다.
상담사가 직접 하던 상담유형 분류를 AI가 추천하도록 시스템을 만들었고, 정확도도 개선했습니다. 그런데 숙련된 상담사는 통화 중 이미 유형을 판단했고, AI의 추천은 그 뒤에 도착했습니다.
숙련된 상담사에게는 정확도를 높이는 것만큼 필요한 순간에 추천을 받을 수 있는지가 중요했습니다.
도구는 달랐지만 질문은 같았습니다. 이 기술을 더하면 고객이나 상담사의 일이 실제로 어떻게 달라지는가?
3. 모든 기존 업무가 자동화할 가치가 있는 것은 아닙니다.
어떤 문의는 고객이 안정적으로 일을 끝낼 수 있으므로 자동화하는 것이 맞습니다.
어떤 업무는 AI와 사람의 강점과 한계를 고려해 다시 설계해야 합니다.
어떤 결정에는 사람의 판단이 필요합니다.
어떤 업무는 그 일을 발생시키는 제품이나 프로세스를 고쳐 아예 없앨 수도 있습니다.
이건 하나의 자동화 지표로 묶을 일이 아니라, 서로 다른 투자 판단입니다.
제가 챗봇을 담당할 때 우리 팀은 고객센터 문의를 챗봇으로 전환해 월간 활성 이용자 수(MAU)를 높이는 것을 목표로 삼았습니다. 그런데 제가 해결한 문제 중 하나는 고객이 아예 문의할 필요를 없애는 일이었습니다. 그 개선은 MAU를 높이지 못했지만 고객의 불편과 기업의 응대 비용을 줄였습니다. MAU는 채널 이용을 보여줬지만, 문의 발생 자체를 줄인 사업적 가치는 담아내지 못했습니다. 제품을 맡더라도 더 나은 성과가 제품 밖에 있을 수 있다는 사실을 잊지 않으려 합니다.
지금의 업무 방식에는 과거의 기술이나 조직 제약 때문에 만들어진 절차도 있습니다. 그 제약이 달라졌는데도 기존 절차를 그대로 자동화할 필요는 없겠죠.
무엇을 만들 수 있는지만 따져서는 부족합니다.
어떤 문제를 먼저 풀지, 어디를 바꿀지, 없애도 되는 업무는 없는지를 함께 결정해야 합니다.
그런데 문제를 제대로 정하더라도, 실제로 바꿀 수 있는 사람들이 함께하지 않으면 해결하기 어렵습니다.
#AIOperations #WorkflowDesign #AIProductManagement