고객상담 AI 자동화, 어디까지 될까? 실제 기업 사례로 보는 도입 범위와 시사점

직답 요약

고객상담 AI 자동화는 배송 조회나 환불 안내처럼 답이 정해진 반복 문의에서 가장 빨리 성과를 냅니다. 다만 공개된 해결률 수치는 회사의 문의 구성과 지식베이스 상태에 따라 크게 달라지므로, 도구를 고르기 전에 우리 데이터를 먼저 봐야 합니다. 복잡하거나 민감한 문의는 결국 사람이 맡아야 해서, 자동화만큼이나 사람에게 넘기는 설계가 중요합니다.

2024년 2월, 클라르나(Klarna)는 자사 AI 어시스턴트가 첫 달에 상담원 700명분의 일을 처리했다고 발표했습니다. 숫자는 화제가 됐지만, 도입을 검토하는 담당자에게 정작 중요한 질문은 따로 있습니다. "그래서 우리 팀은 어디까지 맡길 수 있나." 이 글은 고객지원팀이 AI로 무엇부터 자동화할 수 있고, 실제 기업들이 어느 정도까지 도입을 넓혔다가 어디서 멈췄는지를 공개된 수치와 함께 짚습니다. AX(AI 전환)를 검토하는 담당자가 도입 범위를 가늠하는 데 활용하도록 정리했습니다.

고객상담 AI 자동화는 무엇부터 할 수 있을까?

고객지원에서 AI를 가장 먼저 적용하는 업무는 세 가지입니다. 단순 반복 문의 응대, 상담원 보조, 문의 분류와 라우팅입니다.

• 단순 반복 문의 응대: 배송, 환불, 계정처럼 답이 정해진 문의를 AI가 직접 처리합니다. 고객은 상담원을 기다리지 않고 즉시 답을 받습니다.

• 상담원 보조: AI가 상담원에게 답변 초안, 관련 문서, 이전 대화 요약을 실시간으로 띄워 줍니다. 상담원이 고객을 상대하되 자료를 찾는 시간을 줄이는 방식입니다.

• 문의 분류와 라우팅: 들어온 문의의 내용을 파악해 적절한 팀이나 상담원에게 넘깁니다. 사람이 일일이 읽고 배분하던 분류 업무를 줄입니다.

비중이 가장 큰 유형은 단순 반복 문의입니다. 배송 조회, 환불 절차, 비밀번호 재설정, 영업시간 안내처럼 답이 정해진 문의가 전체의 상당 부분을 차지합니다. 답이 지식베이스에 이미 있어서, AI가 그 답을 찾아 대화로 돌려주는 일에 잘 맞습니다. 반대로 답이 매번 달라지거나 감정 대응이 필요한 문의는 자동화 우선순위가 낮습니다.

실제 기업은 AI로 어떤 성과를 냈을까?

단순 문의 자동화로 시작해 문의의 상당 부분을 AI로 처리한 회사는 이미 여러 곳이 있습니다. 처리량과 고객만족도 같은 수치를 공개한 사례를 출처와 함께 보겠습니다.

가장 널리 인용되는 사례는 클라르나(Klarna)입니다. 회사 공식 발표를 보면, 클라르나는 2024년 2월 AI 어시스턴트를 전 세계에 출시했습니다. 첫 달에만 230만 건의 대화를 처리했는데, 전체 고객서비스 채팅의 약 3분의 2에 해당하고 정규직 상담원 700명분의 업무량과 맞먹는 규모라고 밝혔습니다. 이 "700명분"은 클라르나 고객서비스를 맡던 외주 상담 인력의 업무량을 인원으로 환산한 수치입니다(Pragmatic Engineer 분석). 실제로 700명을 감원했다는 뜻은 아니어서, 보고서에 "700명 감원"으로 옮기면 사실과 어긋납니다.

품질 지표도 함께 공개했습니다. 고객만족도는 인간 상담사와 동등한 수준이었고, 반복 문의는 25% 줄었다고 밝혔습니다. 고객이 문제를 해결하는 시간은 기존 11분에서 2분 이내로 짧아졌고, 23개국에서 35개 이상의 언어로 24시간 작동했습니다.

상담 자동화 솔루션 중에서는 인터콤(Intercom)의 AI 에이전트 Fin이 자주 등장합니다. Fin 공식 사이트에 따르면 Fin은 12,000곳이 넘는 고객사에서 평균 76%의 해결률을 기록하고 주당 200만 건을 해결하며, 일부 고객사는 해결률이 85% 이상입니다.

국내 사례도 공개돼 있습니다. 채널톡은 공식 블로그에서 AI 에이전트 '알프'의 AI 상담 해결률을 전체 상담 유입에서 실제 상담원 개입 없이 알프 응대만으로 고객 상담이 완료된 비율로 정의했습니다. 같은 글에서 이랜드이츠는 2024년 11월 45%를 기록했고, 알프가 응대한 뒤 상담사에게 넘어간 건도 첫 응답 시간이 전년 동월 대비 67%, 상담 처리 시간이 56% 줄었습니다. 안다르는 디지털투데이 보도에 따르면 2025년 1월 알프가 상담원 연결 없이 상담을 완료한 비율이 61%였습니다.

공개된 해결률을 읽을 때 유의할 점

공개된 해결률은 회사 조건에 따라 크게 달라지고, 숫자가 높다고 곧 고객이 만족했다는 뜻도 아닙니다. 같은 제품을 쓴 두 회사인데도 이랜드이츠는 2024년 11월 45%, 안다르는 2025년 1월 61%로 갈립니다. 해결률은 AI가 답할 수 있는 문의가 얼마나 들어오는지, 그 답이 지식베이스에 정리돼 있는지에 좌우되기 때문입니다. 그래서 다른 회사가 공개한 숫자를 우리 회사에서 나올 숫자로 기대하기는 어렵습니다. 도입 검토에서 봐야 할 것은 우리 문의 로그와 우리 지식베이스에서 나올 해결률입니다.

해결률의 정의도 함께 봐야 합니다. 인터콤 제품 문서에 따르면 Fin은 마지막 답변 뒤 고객이 추가 지원을 요청하지 않으면 그 문의를 해결로 집계합니다. "더 묻지 않았다"에는 답을 얻어 떠난 경우도, 포기하고 떠난 경우도 섞여 있습니다. 회사마다 목표가 달라 무엇을 성공으로 볼지도 다릅니다. 그래서 해결률 옆에는 고객만족도(CSAT)를 함께 놓고, 성공 기준도 우리 목표에 맞게 정해야 합니다.

그럼 사람 상담원은 필요 없어질까?

2025년 클라르나는 상담원을 다시 뽑기 시작했습니다. 자동화를 가장 앞서 밀어붙인 회사가 이듬해 방향을 바꾼 것입니다.

AI가 문의의 상당 부분을 처리한다는 사실과, 나머지가 사람을 필요로 한다는 사실은 서로 모순이 아닙니다. CX Dive의 보도에 따르면 시미아토우스키 CEO는 AI 성과를 비용 절감 위주로 평가하다가 품질이 낮아졌다고 인정했습니다. 고객이 원할 때 언제든 사람을 만날 수 있어야 한다는 것이 그의 진단이었습니다. 클라르나는 이후 상담원을 다시 뽑는 시범 운영을 시작했고, AI는 단순 업무를 맡고 사람은 복잡하고 민감한 사안을 맡는 하이브리드 모델로 옮겨 갔습니다.

결국 자동화율만큼 중요한 것이 사람에게 넘기는 인계(핸드오프) 설계입니다. 잘 설계된 인계 흐름은 세 가지를 지킵니다. 고객이 사람을 요청하면 바로 연결되는 통로가 늘 열려 있어야 하고, AI가 스스로 못 푼다고 판단하면 대화 맥락을 그대로 상담원에게 넘겨 고객이 처음부터 다시 설명하지 않게 해야 하며, 넘어온 문의를 받을 사람이 충분히 있어야 합니다. 자동화로 업무를 덜었다고 인력을 그만큼 줄이면, 정작 어려운 문의를 처리할 사람이 부족해집니다.

그래서 우리 팀은 어떤 문의부터 시작할까?

한꺼번에 다 바꾸는 대신, 문의량이 많고 답이 정해져 있으며 사람 개입이 적어도 되는 업무부터 고르는 편이 성공 확률이 높습니다. 업무를 고를 때는 세 가지를 봅니다. 같은 형태로 얼마나 자주 들어오는지(반복성), 답이 하나로 정해지는지(답의 명확성), 그 답이 문서로 정리돼 있는지(지식베이스)입니다.

세 가지에 모두 해당하는 문의가 1순위입니다. 배송 조회, 환불 절차 안내, 계정 관리 같은 유형입니다. 그중 하나를 골라 "AI 우선 응대, 막히면 사람 연결" 흐름으로 먼저 바꾸고, 해결률과 고객만족도를 확인한 뒤 옆 유형으로 넓혀 갑니다. 결제 오류, 계정 도용, 불만 응대처럼 감정이 얽히거나 예외 판단이 필요한 문의는 사람 비중을 크게 둡니다. 아래 표는 문의 유형별 자동화 적합도를 정리한 것입니다.

우리 팀은 AI 상담을 도입할 준비가 됐을까?

우리 팀이 지금 시작해도 되는지는 다음 다섯 가지로 가늠할 수 있습니다.

1. 문의 로그가 유형별로 분류돼 있는가. 지난 3개월 문의를 유형별로 세어 상위 5개 유형이 전체의 몇 퍼센트인지 알 수 있어야 합니다. 이 비율이 자동화 가능 범위의 상한을 가늠하는 출발점입니다.

2. 상위 문의에 대한 응답 절차가 문서화되어 있는가. 담당자 머릿속에만 있으면 AI가 찾아올 자료가 없습니다.

3. 그 문서가 최신이고 서로 모순되지 않는가. 옛 규정과 새 규정이 섞여 있으면 AI가 무엇을 답할지 알 수 없습니다.

4. 사람에게 인계하는 절차가 설계되어 있는가. 고객이 상담원을 요청했을 때 몇 번 만에 연결되는지, 대화 맥락이 함께 넘어가는지 확인합니다.

5. 측정 지표가 정해져 있는가. 지표가 있어야 도입 효과를 정량적으로 평가할 수 있습니다. 고객만족도와 인계 시간은 도입 전에 재 두고, 해결률은 도입 직후부터 같은 기준으로 누적합니다.

막히는 항목이 있다면 그 지점부터 진행하는 것이 좋습니다. 1번과 2번이 막히면 도구 선정보다 문의 분류와 문서화가 먼저고, 3번은 문서 통폐합, 4번은 인계 흐름 설계, 5번은 측정 세팅부터 진행하는 것이 권장됩니다.

이 일은 CS팀 혼자 할 수 없습니다. 착수 전에 세 부서를 미리 확보해 두어야 합니다. 지식베이스에 들어갈 문서는 제품·운영팀이 소유하고 있어 그쪽이 최신본을 열어 줘야 합니다. 고객 데이터를 AI에 넣는 문제는 법무·보안팀 검토를 통과해야 진행할 수 있습니다. 도구 계약은 구매팀이 맡습니다. 일정은 자가진단·문서 정비 구간과 시범 운영 구간 둘로 나눠 잡되, 문의량과 문서 상태에 따라 크게 달라지므로 회사 상황에 맞춰 산정합니다.

도입이 성공했는지는 절대 수치가 아니라 도입 전후 비교로 판단합니다. 공개된 자료에 "해결률 몇 퍼센트면 성공"이라는 기준은 없습니다. 대신 자동화 대상으로 고른 문의 유형의 고객만족도를 도입 전에 따로 재 두고, 같은 유형을 AI가 응대한 뒤의 고객만족도와 비교합니다. 전체 평균과 비교하면 AI가 맡은 쉬운 문의는 원래 만족도가 높아 기준이 느슨해집니다.

비용은 문의량으로 가늠합니다. Fin처럼 성공 결과당 과금하는 구조라면 계산이 단순합니다. 월 문의 1만 건에 해결률이 50%라면 과금 대상이 5,000건이고, 건당 0.99달러 기준으로 월 약 5,000달러입니다. 환율 1,400원으로 잡으면 월 700만 원 안팎입니다. 여기에 지식베이스 정비 인건비와 초기 구축 공수가 별도로 듭니다.

도입 검토를 함께할 파트너가 필요하다면

ONS의 AX Foundry는 기업이 AI를 실제 업무에 도입하는 과정을 함께 설계하는 서비스입니다. 위 자가진단에서 막힌 항목이 있다면 그 지점부터 시작합니다.

문의 로그를 유형별로 분류해 자동화가 닿을 수 있는 범위를 먼저 산정하고, 지식베이스에서 무엇이 비어 있는지 진단합니다. AI가 못 푼 문의를 사람에게 넘기는 흐름과, 도입 전후를 비교할 측정 지표도 함께 설계합니다. 도구 선정은 이 진단을 마친 뒤에 하는 편이 안전합니다. 같은 도구라도 회사의 문의 구성과 문서 상태에 따라 결과가 달라지기 때문입니다.

자주 묻는 질문

해결률이 높은 제품을 고르면 우리도 그 숫자가 나오나요?

아닙니다. 공개된 평균 해결률은 고객사마다 크게 갈립니다. 우리 문의 구성과 지식베이스 상태를 확인하는 편이 실제 나올 숫자를 가늠하는 데 낫습니다.

AI가 문의의 상당 부분을 처리하면 상담 인력을 그만큼 줄여도 되나요?

권하지 않습니다. 클라르나는 비용 절감을 앞세웠다가 품질 저하로 상담원을 시범적으로 다시 채용하기 시작했습니다. AI가 남긴 문의는 대개 더 어렵고 민감하므로, 그 문의를 감당할 인력과 매끄러운 인계 설계가 오히려 더 중요해집니다.

어디서부터 시작하는 게 안전한가요?

문의량이 많고 답이 정해진 유형(배송 조회, 환불 절차 등) 하나를 골라 "AI 우선, 막히면 사람 연결" 흐름으로 시작하는 방법이 안전합니다.

고객 응대를 바로 AI에 맡기기가 부담스러운데, 다른 방법은 없나요?

상담원 보조부터 시작하는 방법이 있습니다. AI가 고객과 직접 대화하지 않고 상담원에게 답변 초안과 관련 문서를 띄워 주는 역할만 맡는 방식입니다. 잘못된 답이 고객에게 바로 나가는 위험이 없고, 응대 속도는 빨라집니다.

AI가 틀린 답을 고객에게 내보내면 어떻게 하나요?

이 리스크를 먼저 인정하고 설계해야 합니다. 자동화 범위를 답이 정해진 문의로 좁히면 오답 가능성이 줄고, 고객 대면 대신 상담원 보조부터 시작하면 잘못된 답이 고객에게 바로 나가지 않습니다. 개인정보나 결제가 얽힌 문의를 자동화 대상에서 빼는 것, 오답이 났을 때 누가 책임지고 정정하는지 사내 절차를 미리 정해 두는 것도 도입 전에 합의할 사항입니다.

출처

출처

• 클라르나 AI 어시스턴트 첫 달 성과, klarna.com 공식 보도자료

• 클라르나 2025년 인력 재채용, CX Dive

• Fin AI 에이전트 지표, fin.ai 공식

• Fin 해결률 개선, Intercom 블로그

• Fin 해결(resolution) 정의와 과금, Intercom 제품 문서

• 클라르나 수치 비판적 분석, The Pragmatic Engineer

• AI 상담 해결률 정의 및 이랜드이츠 실적, 채널톡 공식 블로그

• 안다르 알프 도입 성과(상담원 연결 없이 완료 61%), 디지털투데이