AI, 특히 생성형 AI는 놀라운 파급력으로 일상에 많은 변화를 가져오고 있다. 비즈니스 환경에서도 도입 논의가 뜨겁다. 오늘은 그중 가장 활발하게 기술 도입이 이루어지고 있는 고객서비스 분야에서의 현황을 짚어보고자 한다. 마침 BCG의 해당 리포트가 있어 소개해보려 한다.
Open AI사는 ChatGPT를 출시한 이후, 모든 산업의 기업들이 생성형 AI를 통해 고객관리 부문의 역량을 향상시킬 수 있는 방법을 이미 탐구하고 있다.
ChatGPT 및 기타 텍스트 기반 생성형 AI의 대형 언어 모델(LLM)은 인간과 유사한 텍스트 및 음성으로 프롬프트에 응답할 수 있는 능력을 제공한다. 일반 대중은 빠르게 생성형 AI의 능력을 테스트하기 시작했으며, 이 기술은 다양성과 제공하는 응답의 질로 인해 신속하게 수용되고 있다. 이로 인해 고객서비스 업무에 자연스럽게 적용되고 있다. 실제로, 이 기술이 대규모로 구현되면 생산성을 30%에서 50% 이상 증가시킬 수 있다고 전망된다. 또한 2022년 BCG의 글로벌 고객서비스 조사에 따르면, 95%의 응답자들은 고객서비스 상호작용에서 다음 3년 이내에 고객이 AI봇에 의해 서비스를 받을 것으로 예상하고 있었다.
하지만 여전히 의문과 도전 과제들이 남아있는 것이 사실이다. LLM 기반 챗봇은 내재된 편향성을 가진 데이터로 훈련되어 부정확한 결과를 생성할 수 있다. 이는 가끔씩의 오류가 회사의 손익과 평판에 상당한 악영향을 미친다는 것을 생각하면, 기업에 실질적인 문제로 대두된다. 그래서 현재 고객서비스 환경에서 생성형 AI의 대규모 전개는 어느 정도 인간이 감독역할로 개입하거나, 비교적 중대하지 않은 서비스를 제공하는 것에 한정되어 있다.
하지만 이러한 상황은 곧 변화할 것이다. 이 새로운 기술을 고객관리 기능에 통합하고자 하는 기업은 가치를 제공할 수 있는 사례와 성공을 위한 단계를 결정하고 함정을 피하는 방법을 고안하고 결정해야 한다.
이제 생성형 AI의 잠재력과 도전 과제를 분석하고, 고객서비스 기능을 발전시키고자 하는 기업을 위한 전진 경로를 알아보자.
생성형 AI가 보여주는 미래
지난 몇십 년간, 대화형 음성 응답 (IVR), 에이전트 어시스트, 로봇 프로세스 자동화 및 챗봇과 같은 도구들은 이미 고객 서비스 담당자들을 더 생산적으로 만들어 왔다. 이러한 기술들은 대부분의 서비스센터에서 에이전트 수의 큰 감소를 유발하지 않았는데, 그 이유는 이전에 자동화되었던 업무들로 인해 센터 직원들이 디지털 서비스 사용 방법에 대한 고객 교육과 같은 새로운 역할과 책임을 맡게 되었기 때문이다.
하지만 LLM은 이전 기술의 능력을 훨씬 뛰어넘는, 중요한 고객 서비스 업무를 자동화할 수 있는 엄청난 능력을 갖추고 있다. 이러한 모델들은 방대한 양의 데이터로 훈련되며, 속도와 정확도를 갖추고 정교한 텍스트와 음성을 인식, 분류 및 생성할 수 있다.
새로운 AI 알고리즘, 컴퓨팅 파워의 증가, 저렴한 클라우드 컴퓨팅 인프라 등 다양한 요인들에 의해 이뤄지는 AI 기반의 고객관리 응용프로그램은 고객에게 더 빠르고 인간과 유사한 방식으로 답변과 해결책을 제공할 수 있게 될 것이다. 그리고 이들 알고리즘은 훈련에 사용되는 데이터가 잘 조정될 때, 특정 산업과 회사의 요구에 더 잘 맞도록 세밀하게 세팅될 수 있다.
기업들은 이미 LLM을 고객관리센터에서 활용하고 있다. 예를 들어, 올해 지속 가능한 에너지 분야의 글로벌 전문 기업인 Octopus Energy는 고객서비스 플랫폼에 생성형 AI 기능을 추가하여 이전에는 불가능했던, 더 빠르게 풍부하고 철저한 이메일 응답을 작성하는 데 도움을 주고 있다. 회사에 따르면, AI 응용 프로그램으로 작성된 이메일은 인간에 의한 응답에 비해 18% 더 높은 고객 만족도 점수를 획득했다. 이 응용 프로그램은 이미 모든 고객 문의 이메일의 1/3에 응답하며, 에이전트들이 전기 자동차 및 가정용 전기 생산과 같은 복잡하고 고성장 제품을 지원하는 데 집중하도록 해주고 있다.
성숙으로의 길
시간이 지남에 따라서 생성형 AI는 고객 서비스 기능에 점점 더 통합될 것이다.
곧, 생성형 AI는 위에서 제시된 여정의 3단계에 도달할 것이다. 생성형 AI는 점점 더 복잡한 고객 문의를 해결할 수 있을 것이다. 이 능력은 음성 톤과 응답성 면에서 인간 에이전트와 마찬가지로 고객과 상호작용할 수 있는 능력과 함께 고객 경험을 계속해서 개선시킬 수 있을 것이다.
4단계에서는 AI가 대부분의 문의에 대해 고객을 지원할 수 있을 것이다. 기업들은 문의에 대응하는 것에서 문제를 선제적으로 해결하도록 전환함으로써 고객 경험을 더욱 개선할 것이다. AI 기반의 어시스턴트는 문제가 발생한 후에 답변하는 것이 아닌, 일반적인 문제에 대한 예방적인 해결책을 직접 고객에게 제공할 것이다. 전통적인 AI와 예측 분석 시스템은 고객에게 전달할 프롬프트와 메시지를 결정하고, 생성형 AI는 그러한 프롬프트와 메시지를 인간과 유사하며, 개인화된 방식으로 전달할 것이다. AI를 활용한 고객 접촉에 대한 신뢰가 증가하고 훈련된 작업이 더 정확하고 편향이 없어짐에 따라 인간의 개입이 훨씬 적게 필요해질 것이다.
마침내, 5단계에서는 AI를 활용한 지원이 거의 모든 사용자 여정에 제공될 것이다. 생성형 AI는 개별 고객의 특정 요구에 맞춤화된 서비스 봇을 지원할 수 있으며, 회사와의 고객 관계를 완전히 이해하고 고객의 요구와 우려를 예상하며, 회사 내 다른 시스템과 상호작용하여 고객 생애 주기의 전체적인 그림을 개발할 수도 있을 것이다.
기업들은 아직 이러한 모든 단계를 거치지 않았지만, 많은 기업들이 이미 완전히 AI를 활용한 고객 관리 센터가 어떻게 작동할 수 있는지 상상하는 단계에 이르렀다.
도전 극복하기
생성형 AI에는 이미 알려진 대로 몇 가지 제한 사항들이 있다.
가장 중요한 제한 사항 중 하나는 가끔씩 제공되는 정보의 부정확성이다. 이는 고객 서비스의 맥락에서 특히 위험한 요소다. 또한, LLM 기반 애플리케이션은 기본 모델이 훈련된 데이터 및 특정 맥락을 기반으로 한 모델에 내재된 편향성을 흡수할 수 있으며, 이러한 편향성은 특정 고객에 대한 불공정한 대우로 이어질 수 있다. 또 다른 위험은 이 기술이 자체 정보와 지적 재산 또는 부적절한 고객 데이터를 노출시킬 수 있다는 것이다.
현재 가장 효과적으로 위험을 최소화하는 전략은 AI가 고객에게 도달하기 전에 인간 에이전트가 AI가 생성한 콘텐츠를 확인하는 것이다. 이는 고객 상호작용의 유형에 따라 다를 것이다. 일부 상호작용은 LLM에 의해 독립적으로 수행될 수 있지만, 고 가치 프리미엄 서비스와 같은 상호작용은 직접적인 인간 감독이 필요할 것이다. 일부 기업은 LLM과 전통적인 AI 및 자동화 기술을 혼합하여 전통 도구의 정확성과 LLM의 인간적 접근성을 결합한 하이브리드 도구를 구축하여 오류 발생 위험을 줄이려고 시도하고 있다.
생성형 AI를 기반으로 한 고객 서비스 애플리케이션이 더욱 성숙해짐에 따라 기업들은 그 성능에 대한 신뢰를 갖게 되며, 인간 감독의 필요성을 줄이고 고객이 직접 상호작용할 수 있도록 할 것이다. 이는 훈련 데이터의 타당성, 품질 및 보안, 부정확성과 편향성 제거 능력, 그리고 AI가 적용되는 특정 사용 사례에 따라 달라질 것이다. 기업들은 각 사용 사례의 위험과 제한 사항을 완전히 이해하고 관리한 후에 다음 단계로 전환해야 한다. 또한 기술이 발전함에 따라, 성숙도 수준과 관계없이 고객 서비스 맥락에서 효과적으로 작동하기 위해 필요한 인간적인 손길과 공감 능력을 유지할 수 있도록 신중히 작업해야 한다. 마지막으로, 기업들은 고객의 자체적인 AI 성숙도가 증가하는 것의 의미를 이해해야 할 것이다.
생성형 AI 도입에 필요한 것 : 결정, 또 결정
생성형 AI의 이점을 고려하여 기업들은 위험과 도전을 감수하고 이 기술을 고객 서비스에 전례 없는 속도로 통합하려고 하고 있다.
하지만 어떻게 진행해야 할까? 이것이 중요한 질문이다. 기업들은 업계별로 준비된 솔루션을 구매해야 할까, 아니면 주요 기술 기업들이 LLM 기능을 포함한 플랫폼을 제공하는 시스템을 구매해야 할까? 아니면 자체 모델을 세밀하게 조정하는 데 시간과 자원을 투자해야 할까?
이러한 질문에 대한 답을 찾기 위해 기업들은 기술적, 기능적, 비즈니스적인 측면에서 어떤 것이 작동하고 어떤 것이 그렇지 않은지를 배울 수 있는 비교적 간단하지만 가치 있는 사용 사례에서 시작해야 한다. 아래 표는 생성형 AI가 적용될 가능성이 있는 초기 고객 접촉부터 최종 응답과 해결까지의 전형적인 고객 서비스 여정을 통해 사용 사례의 다양성을 설명하고 있다.
이러한 방식을 선택한 기업 중 하나가 미국의 항공사인 JetBlue이다. 이 항공사는 기술 공급업체인 ASAPP와 협력하여 패키지형 생성형 AI를 활용한 솔루션을 구현하여 채팅 채널의 자동화와 강화를 이끌고, 서비스센터에서 고객서비스를 제공하고 있다. 이로 인해 서비스센터는 평균적으로 채팅 당 280초의 시간을 절약할 수 있었으며, 이는 1분기에만 73,000 시간의 에이전트 시간을 절약한 것을 의미하며, 에이전트들은 복잡한 문제를 가진 고객들에게 더 많은 시간을 할애할 수 있었다.
한편, 북미의 한 기술 회사는 점진적으로 생성형 AI "사이드킥"을 배치하고 있으며, 이는 고객과 지원 엔지니어가 기술 지원 요청을 완료하고 제품 정보에 액세스 하며 루틴 업무를 자동화하는 데 도움을 주는 역할을 한다. 이 도구의 초기 버전은 전체 지원 티켓 중 약 30%를 차지하는 비교적 간단한 요청(사용 설명서 및 기본 제품 구성 정보 등)을 지원한다. 기술이 성숙해짐에 따라 이 회사는 결함 탐지 및 수정과 같은 더 복잡한 요청을 포함하는 사용 사례 범위를 확대할 계획이다.
생성형 AI를 기반으로 한 고객 서비스 애플리케이션을 구매하고 별도의 조정을 하지 않을지, 아니면 기반 모델인 LLM을 구매하고 개별 조직의 데이터를 기반으로 조정할지는 사용 사례의 복잡성과 산업적 문맥에 따라 다르다.
일반적이고 비구체적인 사용 사례의 경우, 세밀한 조정은 필요하지 않다. 이는 복잡한 작업으로, 항상 더 높은 정확성을 보장하지는 않으며, 시간, 자금 및 기술 전문성에 대한 큰 투자를 요구한다.
현재 가장 적합한 접근 방식은 기업들이 기계 학습 시스템, LLM 및 프롬프트 엔지니어링과 같은 전통적인 AI의 조합을 기반으로 고객을 대상으로 한 애플리케이션을 구축하는 것이다. 프롬프트 엔지니어링은 LLM에 제공되는 정보와 제약 조건을 개발하고 최적화하는 것을 의미한다. 예를 들어, 프롬프트 자체에 회사 특정 키워드를 정의하는 것이다. 이 과정을 통해 기업들은 더 나은 수준의 제어, 조정 및 개인화를 달성할 수 있다.
그러나 규제가 엄격한 산업이나 금융 서비스 및 국방과 같이 데이터 보안 요구가 더 높은 산업, 일반적으로 더 복잡하고 개인화된 사용 사례의 경우, 기존 모델을 세밀하게 조정한 것이 더 인기 있는 옵션이 될 것이다. 이는 보다 빠른 응답 시간과 결과물의 더 큰 제어를 보장하기 위함이다.
최근 생성형 AI의 신속한 발전은 기업들이 핵심 고객 서비스 기능을 관리하는 방식을 이미 변화시키고 있다. 이제 기업들은 이 기술의 상당한 능력이 그들의 비즈니스 모델을 더욱 깊이 변형할 수 있는 방식에 대비해야 한다.
우리는 오늘날의 대규모 고객 서비스 기능이 일반적으로 다른 비즈니스와 별도로 고객과 상호작용하던 방식에서 벗어나, 민첩하고 데이터 주도적인 조직으로 변화할 것으로 예측하고 있다. 생성형 AI 시스템이 회사의 제품, 운영 및 고객에 대해 더 많이 학습함에 따라, 고객의 행동을 예측하고 고객의 요구와 욕구를 예견하여 고객에게 접근할 수 있을 것으로 예상된다.
생성형 AI가 발전함에 따라, 이러한 정보를 사용하여 생산 및 자원 계획과 같은 비즈니스의 다른 측면에 더 깊이 관여할 수도 있을 것이다. 심지어 공급 업체와 직접 작업하는 것까지 가능할 수 있다.
어떤 일이 벌어지든, 그것은 빠르게 일어날 것이다.
[Reference : Simon Bamberger, Nicholas Clark, Sukand Ramachandran, and Veronika Sokolova, How Generative AI
Is Already Transforming Customer Service, BCG, July 06, 2023]
댓글