AI 챗봇(ALF) 세팅, 이제 상담 데이터로 자동화하세요!

1단계: 임베딩(Embedding) 및 클러스터링(Clustering)을 통해 상담 유형 자동 분류. AI가 샘플을 읽고 라벨링(Labeling) 수행

2단계: 각 클러스터에서 고객 표현, 빈출 패턴, 상담사 해결 방식 추출

3단계: 패턴을 바탕으로 SOP 문서 생성. 단순 안내, 문제 해결 등 상황에 따라 구조화

4단계: SOP와 분석 결과를 ALF가 읽을 수 있는 규칙 파일, RAG 문서, 태스크 초안으로 분리

상담 유형별 비중과 SOP 커버 가능 범위를 통해 ALF 도입 가치를 수치화하고, 막연한 자동화가 아닌 데이터 기반의 기대치를 제시

상담사가 응대하는 방법은 규칙(프롬프트)으로 변환되어 챗봇의 동작을 정의하며, 상담사가 참고하는 문서는 지식(RAG)으로 활용

상담 흐름을 7가지 대화 유형으로 자동 분류하여 ALF 설계의 방향성을 제시

클러스터링 알고리즘 선택 시, 수치(Silhouette Score)보다 SOP(Standard Operating Procedure) 활용 가능성을 우선시하여, 실제 SOP 생성에 적합한 알고리즘 선택

카테고리 고정 방식 대신, 에이전트가 샘플을 보고 업종에 맞는 카테고리를 직접 생성하도록 하여, '기타' 분류를 최소화

프롬프트에 의존하는 대신, 샘플 추출 스크립트와 LLM(Large Language Model)의 연동을 통해, 추측을 방지하고 데이터 기반의 SOP 생성을 강화

초기에는 '전체 상담의 X% 해결'과 같은 추상적인 지표를 사용했으나, '해결'의 기준 모호성으로 인해 가치 전달에 어려움

'이 유형 1건 처리에 걸리는 평균 시간 × 월 발생 건수'로 지표를 변경하여, 상담사가 인지하는 시간 절감 효과를 구체적으로 제시

추상적인 자동화율 대신, 현실적인 시간 절감 효과를 통해, AI 서비스 도입의 실질적인 가치를 입증

완성된 세팅을 제공하는 것이 아니라, 데이터에서 추출한 초안을 제공하여, 팀이 '맞다/틀리다'를 판단하고 다듬는 작업부터 시작

상담 규모가 작은 고객사의 경우, 초안을 기반으로 ALF(AI Life Assistant)를 먼저 세팅하고, 실제 커버 가능한 범위를 확인한 후 도입 여부 결정

회의 없이, 데이터를 넣고 결과를 보면서 판단하는 방식을 통해, 의사 결정의 효율성을 극대화