고객은 왜 CX 봇을 떠나는가

고객 서비스팀은 수년간 고객이 즉시 상담원을 요청하는 일을 설계상의 문제로 여겨 왔습니다. 발신자가 자동화된 경험이 제대로 시작되기도 전에 거부하면, 자연스럽게 시스템의 말투를 더 따뜻하고 사람답게 바꾸려 합니다. 인사말을 고쳐 쓰고, 답답한 마음을 헤아리며, 편하게 말해도 된다고 안내합니다. 경험이 덜 기계적으로 느껴지면 사람들이 더 기꺼이 이용할 것이라는 전제가 깔려 있습니다.

최근에는 다른 요소가 훨씬 더 중요하다는 증거를 확인했습니다.

자동차 렌트 혜택 관련 문의를 AI로 처리하는 한 대형 보험사에서 음성 에이전트는 처음에 발신자에게 “실제 사람과 대화하듯 저와 이야기하셔도 됩니다”라고 안내했습니다. 발신자 10명 중 4명 이상은 시스템과 실질적인 대화를 나누기도 전에 사람 상담원을 요청했습니다. 인사말을 더 간결하고 직접적인 표현으로 바꿨지만 결과는 거의 달라지지 않았습니다. 발신자의 44%는 여전히 즉시 상담원을 요청했습니다.

결국 발신자의 행동을 바꾼 것은 AI의 말투와는 거의 관련이 없었습니다. AI가 알고 있는 내용을 실제로 보여 줄 수 있도록 바꿨습니다. AI는 일반적인 인사말로 대화를 시작하는 대신 고객이 전화한 이유를 합리적으로 추측하고, 문제를 미리 해결하는 데 도움이 될 정보를 제공했습니다. 예를 들어 발신자의 보험금 청구와 관련된 차량을 설명하고, 청구 처리 상태를 알려 주며, 고객에게 렌터카가 필요한지 확인했습니다.

사람 상담원 요청은 23% 감소했습니다. AI와 실질적인 대화를 나눈 비율은 54%에서 66%로 증가했습니다.

여기서 얻을 수 있는 교훈은 컨택센터를 훨씬 넘어섭니다. 기업들은 AI를 더 대화하기 쉽고 친근하며 직관적으로 만들기 위해 앞다퉈 노력하지만, 더 근본적인 요소에는 충분히 투자하지 않고 있을 수 있습니다. AI가 눈앞의 상황을 이해하고 있음을 입증할 만큼 충분한 맥락을 제공하는 일입니다.

AI는 신뢰 부족을 물려받고 있다

사람들은 아무 선입견 없이 새로운 AI 시스템을 접하지 않습니다. 간단한 요청도 잘못 알아듣던 전화 자동응답 시스템, 엉뚱한 답변을 내놓던 챗봇, 이미 제공한 정보를 다시 말하게 하던 자동화 시스템을 수년간 경험해 왔습니다. 그러다 보니 사용자는 무언가를 처리하려면 사람을 요청하는 것이 가장 빠른 방법일 수 있다는 사실을 알게 됐습니다.

이런 행동은 AI에 대한 거부감처럼 보일 수 있지만, 더 유용한 관점에서 이해할 수 있습니다. 자동화 시스템에 일을 맡기기 전에 사람들은 시스템이 자신의 구체적인 상황을 충분히 이해해야 실제로 도움이 된다고 생각합니다. 연구자들은 이러한 거부감의 한 요소를 “개별성 간과”라고 설명해 왔습니다. 이는 자동화 시스템이 개인의 상황을 충분히 고려하지 못한다는 인식입니다.

AI가 우리 삶과 업무에서 더 중요한 영역으로 진출할수록 이는 더욱 중요해집니다. 교통사고를 당한 뒤 보험사에 전화한 고객은 자신의 문제를 흔한 보험 문의로 여기지 않습니다. 기업용 비서를 사용하는 직원은 비서가 자신의 역할과 권한, 현재 진행 중인 업무를 이해하리라 기대합니다. AI 코딩 도구를 사용하는 개발자는 코드 주변의 아키텍처를 고려한 답변을 필요로 합니다.

각각의 경우에 AI 시스템은 사용자가 답변을 신뢰할 만한 이유를 갖기 전에 요청을 둘러싼 상황을 이해하고 있음을 입증해야 합니다.

맥락은 AI 인터페이스의 일부가 되고 있다

전통적으로 개인화란 상대방의 이름을 알고, 선호 사항을 기억하거나, 이전 행동을 바탕으로 무언가를 추천하는 것을 의미했습니다. AI는 개인화를 훨씬 더 상황에 맞게 구현할 기회를 제공합니다. 유용한 시스템이라면 사용자가 무엇을 하려는지, 지금까지 어떤 일이 있었는지, 그 순간 어떤 정보가 관련 있는지, 실제로 어떤 조치를 취할 수 있는지 이해해야 합니다.

이러한 차이를 보면 보험사 실험이 효과를 거둔 이유를 알 수 있습니다. AI는 발신자에게 더 친절하게 인사하는 데 그치지 않았습니다. 대화 과정에서 고객이 해야 할 일을 줄였습니다. 렌터카 혜택을 받을 수 있는지 확인하려고 전화한 고객은 더 이상 보험금 청구 내용을 설명하거나 차량을 확인해 주거나 시스템이 관련 정보를 조회할 때까지 기다릴 필요가 없었습니다. 시스템은 이런 맥락을 즉시 제시해 다른 내용을 신뢰해 달라고 요청하기도 전에 역량을 입증했습니다.

이 원칙은 기업용 AI 전반에 적용됩니다. 사용자가 시스템이 이미 알고 있어야 할 정보를 되풀이하거나, 시스템이 애초에 해서는 안 될 추측을 바로잡거나, 조직 내 다른 곳에 이미 있는 맥락을 다시 짜 맞춰야 할 때마다 신뢰는 약해집니다. 기업은 맥락을 단순히 보이지 않는 곳에서 처리하는 기술적 문제가 아니라 사용자 경험의 일부로 다뤄야 합니다.

AI는 성공을 측정하는 방식을 바꿀 수 있다

이번 실험에서는 쉽게 간과할 수 있는 행동도 드러났습니다. 맥락을 반영한 인사말을 도입한 뒤 일부 발신자는 첫 안내를 듣고 그대로 전화를 끊었습니다.

기존 컨택센터 지표로는 이런 통화를 이탈로 분류할 수 있습니다. 하지만 일부 고객은 필요한 정보를 이미 정확히 얻은 상태였습니다. 보험금 청구가 승인됐는지 확인하려고 전화했는데 AI가 청구가 승인됐고 렌터카 혜택도 이용할 수 있다고 즉시 알려 준다면 더 이야기할 내용이 없을 수도 있습니다.

동적 인사말을 사용한 통화 중 약 3%가 이러한 양상을 보인 것으로 나타났습니다. 발신자는 정보를 받은 뒤 전화를 끊었고, 두 시간 이내에 다시 전화하지 않았습니다. 비율은 낮지만, 우리가 그동안 참여도를 측정하는 데 사용해 온 지표가 더 이상 가치를 정확히 측정하지 못한다면 어떻게 될지라는 더 큰 질문을 제기합니다.

AI의 역량이 향상됨에 따라 짧은 상호작용이 더 나은 상호작용인 사례가 늘어날 수 있습니다. 시스템이 필요를 미리 파악하고 적절한 정보를 선제적으로 제시할 수 있다면, 대화 시간이나 완료한 단계의 수, 심지어 기존의 통화 포기율도 성공을 가늠하는 지표로서 의미가 줄어들 수 있습니다.

AI와의 모든 상호작용은 오디션이다

AI가 더 많은 업무 흐름에 통합되면서 사용자는 어떤 시스템에 시간을 들일 가치가 있는지 더 잘 판단하게 될 것입니다. 상호작용의 첫 순간은 큰 영향을 미칩니다. 사람들은 시스템이 자신의 상황을 이해하는지, 제공하는 정보가 믿을 만해 보이는지, 그리고 계속 진행하는 데 들이는 노력이 가치가 있는지를 빠르게 따져 보기 때문입니다.

가장 뛰어난 AI 경험은 유용한 맥락을 빠르고 정확하게 파악해 보여 줄 수 있는 경험일 것입니다. 고객 서비스에서는 발신자가 설명하기도 전에 청구 건의 처리 상태를 파악하는 것이 이에 해당할 수 있습니다. 기업용 어시스턴트라면 직원의 역할과 권한, 현재 진행 중인 업무를 이해하는 것일 수 있습니다. 소프트웨어 개발에서는 코드 한 부분을 둘러싼 아키텍처를 파악해 추론하는 것이 이에 해당할 수 있습니다.

기업이 차세대 AI 경험에 투자하는 만큼, 시스템과 더 자연스럽게 상호작용할 수 있도록 만드는 일은 가치가 있습니다. 하지만 자연스러운 대화만으로는 한계가 있습니다. AI가 도움이 될 것이라고 믿을 만한 이유를 제시할 때 사람들은 AI에 기회를 줄 것이며, 갈수록 그 이유는 맥락을 이해하는 능력에 달려 있습니다.