Rocket Money — 상담의 10%에서 시작해 워크플로 단위로 AI 상담을 넓힌 개인 금융 앱

1. 왜 이 사례인가

Rocket Money는 구독 관리, 지출 추적, 저축 목표 달성을 돕는 개인 금융 앱으로, 수백만 사용자를 지원합니다. 고객의 돈과 계정을 직접 다루는 서비스인 만큼 고객 지원 역시 빠르고 정확하며 신뢰할 수 있어야 합니다. 이러한 금융 앱이 AI 상담 에이전트를 도입할 때는 “얼마나 많이 자동화할 수 있는가”보다 “어디까지 AI에 맡겨도 안전한가”를 먼저 따져야 합니다.

Intercom Fin 고객 사례에 따르면 Rocket Money는 2024년 전체 대화의 10%에만 Fin을 적용하는 통제된 실험으로 프로젝트를 시작했습니다. 이후 적용 범위를 명확히 설정할 수 있는 워크플로부터 하나씩 넓혀 나갔습니다. 현재는 Fin이 전체 대화의 절반 이상에 관여하며, 그중 68%를 스스로 해결합니다. 고객 사례에서는 Fin 도입을 통해 연간 약 100만 달러 규모의 효율 개선 효과를 얻었다고 밝힙니다.

이 사례에서 눈여겨볼 대목은 단순한 자동화율 수치가 아니라 단계적 도입 순서와 조직의 역할 변화입니다. Rocket Money가 해결하려던 핵심 과제는 단순한 상담량 부담보다 잘못 분류된 문의를 상담원이 일일이 수작업으로 다시 배정하는 작업이었습니다. AI가 대량의 반복 업무를 맡으면서 상담원의 역할은 Fin을 점검하고 개선하는 업무로 전환되었고, 사람 상담원이 진행하는 상담의 고객 만족도(CSAT)도 함께 올랐습니다. 민감한 정보를 다루는 서비스가 AI 상담을 어떻게 단계적으로 확장해야 하는지 잘 보여 주는 사례입니다.

2. Problem

사용자 규모가 빠르게 커지면서 Rocket Money의 고객 지원 업무도 한층 복잡해졌습니다. 지원팀은 매달 6만 건이 넘는 대화를 처리해야 했고, 문의를 알맞은 부서로 분류하는 일은 주로 고객이 버튼을 눌러 선택하는 워크플로에 의존했습니다.

고객 사례에 따르면 이 버튼식 경로는 사용자를 돕기 위해 공들여 만든 설계였지만, 결과적으로는 정확한 메뉴를 골라야 하는 부담을 고객에게 지우고 말았습니다. 고객이 경로를 잘못 선택하면 대화는 “Unassigned(미배정)” 받은편지함으로 넘어갔고, 팀원이 문의 내용을 직접 읽고 파악한 뒤 알맞은 부서로 다시 배정해야 했습니다. 상황이 가장 심각했을 때는 팀원 한 명이 하루 2~3시간을 대화 재분류에만 쏟아부었습니다. 고객 사례는 이 작업이 필수적이었지만 계속 유지하기는 어려운 운영 방식이었다고 평가합니다.

운영 책임자(Director of Operations) Michelle McGowan은 당시 상황을 이렇게 설명합니다.

“It created extra work for customers and for us. And we realized that no matter how well we tried to design those flows, we were never going to be able to predict every situation.”

버튼식 경로를 아무리 꼼꼼하게 설계하더라도 고객이 겪는 모든 상황을 사전에 예측하기는 불가능하다는 판단이었습니다. 동시에 Rocket Money는 효율성만을 목표로 자동화를 무리하게 밀어붙이지 않았습니다. McGowan은 고객의 금융 관리가 매우 사적인 영역에 속하는 만큼, 대규모 지원 환경에서도 안정적이면서 여전히 고객 개개인에게 맞춤화된 느낌을 주는 시스템을 구축하고자 했다고 설명합니다.

확인된 사실: 월 6만 건 이상의 대화, 버튼식 라우팅 워크플로, 잘못 고른 대화가 쌓이는 “Unassigned” 받은편지함, 가장 심할 때 팀원 한 명이 하루 2~3시간을 재분류에 사용, 효율만을 위한 자동화가 아니라는 McGowan의 발언.

3. Solution

3.1 전체 대화의 10%로 시작한 통제된 실험

Rocket Money는 2024년 AI 환경에 발맞추어 고객 지원 운영 체계를 재설계하기 시작했고, Intercom의 AI 상담 에이전트 Fin을 도입했습니다. 시작 단계에서는 전체 대화의 10%에만 Fin을 적용했습니다. 고객 사례는 이렇게 통제된 환경에서 진행한 실험이 곧 전체 지원 업무의 새로운 표준 운영 체계로 자리 잡았다고 설명합니다.

3.2 범위가 분명한 워크플로부터 확대

10% 대상 실험을 거친 뒤에는 처리 범위를 명확히 설정하고 세밀하게 통제할 수 있는 핵심 워크플로부터 순차적으로 적용을 확대했습니다. 고객 사례에서 제시한 대표적인 워크플로는 다음 세 가지입니다.

청구(billing) 관리
앱 문제 해결
계정 접근 요청

Rocket Money로 인입되는 가장 흔한 문의 상당수는 고객 정보와 직결되는 민감한 사안이기도 했습니다. 따라서 팀은 모든 워크플로를 사전에 검증하고 면밀하게 모니터링했습니다. McGowan은 확대 과정을 다음과 같이 설명합니다.

“Every step of the rollout was deliberate. We tested, we measured, and we made sure the experience was up to our standard before we expanded.”

3.3 Fin이 맡을 문의와 사람에게 넘길 문의를 나누는 규칙

Rocket Money는 세밀한 라우팅 규칙과 로직 경로를 구축했습니다. 이를 통해 Fin이 스스로 해결할 준비가 갖춰진 문의만 처리하도록 하고, 위험도가 높거나 민감한 문제는 즉시 사람 상담원에게 넘기도록 유도했습니다. 고객 사례는 이 규칙을 도입한 이후 수작업 분류(triage) 작업이 크게 줄었다고 밝힙니다.

3.4 상담원의 역할 변화

Fin이 대량의 반복 업무를 전담하면서 사람 상담팀의 일상 업무도 달라졌습니다. 과거 몇 시간씩 대화를 다시 분류하던 상담원들은 이제 Fin을 고도화하는 데 집중합니다. 워크플로를 다듬고, 예외적인 처리 사례를 찾아내며, Fin이 예외 상황에 대응하는 방식을 지속해서 보완합니다. 나아가 Rocket Money는 Fin이 참고하는 지식 베이스를 늘 정확하고 최신 상태로 유지하고자 전담 지식 관리자(Knowledge Manager) 채용도 함께 진행하고 있습니다.

초기 응대와 자주 묻는 일반 문의는 Fin이 신속하게 처리하되, 관리자의 개입이나 전문 상담이 필요한 순간에는 사람이 직접 나섭니다. 고객 사례는 상담원들이 단순 반복 업무에서 벗어난 덕분에, 사람의 손길이 꼭 필요한 상담을 훨씬 더 세심하게 처리할 수 있게 되었다고 설명합니다.

“This is what a modern support team looks like. It’s not about removing humans. It’s about redesigning the work so humans are focused where they add the most value.”

확인된 사실: 2024년 Fin 도입, 전체 대화의 10%로 시작, 청구 관리·앱 문제 해결·계정 접근 요청 워크플로로 확대, 모든 워크플로의 시험과 모니터링, Fin이 처리할 수 있는 문의만 맡기는 라우팅 규칙, 고위험·민감 문의의 즉시 에스컬레이션, 상담원의 Fin 개선 업무 전환, 전담 지식 관리자 채용 추진, McGowan 인용문.

4. Impact

Intercom Fin 고객 사례(게시일 미표기)가 제시한 주요 성과 지표입니다.

지표	수치	비고
Fin 도입에 따른 연간 효과(ROI)	약 100만 달러	본문 표현은 “연간 효율 향상”
Fin 해결률	68%	Fin이 관여한 대화 기준
Fin 관여율	54%	본문 표현은 “전체 대화의 절반 이상”
이메일 기반 청구 관리 CSAT	80% 이상	사람 상담 성과를 넘어섬
사람 상담 CSAT	6포인트 상승
도입 전 월간 대화량	6만 건 이상

고객 사례에 따르면 Fin은 도입 후 불과 몇 달 만에 전체 대화의 절반 이상을 분담해 그중 68%를 직접 해결했으며, 이는 매달 수만 건에 달하는 규모입니다.

이메일 기반 청구 관리와 같은 일부 영역에서는 Fin이 기존 사람 상담원이 기록하던 수준을 넘어 꾸준히 80% 이상의 CSAT를 기록했습니다. 운영 측면에서도 수작업 재분류 업무가 크게 줄고 평균 처리 시간(AHT)이 단축되었습니다. 상담원의 직무 만족도와 사기가 올랐으며, 사람이 직접 진행하는 상담의 CSAT도 6포인트 상승했습니다. McGowan은 현재 상담팀의 업무가 이전보다 훨씬 창의적이고 영향력이 크며, 보람 있는 일로 자리 잡았다고 평가합니다.

Rocket Money는 앞으로 라우팅 로직을 더 정교하게 개선하고, Fin이 직접 처리할 수 있는 작업(action) 범위를 넓히는 한편, AI와 상담원 모두에게 유용한 내부 지식 시스템을 구축할 계획입니다. 아울러 Fin과 상담원 간의 원활한 업무 인계 프로세스를 정립하고 민감한 워크플로에 대한 모니터링을 지속하는 데 주력하고 있습니다. 고객 사례는 이러한 접근 방식을 두고 “AI는 프로젝트가 아니라 역량”이라고 정리합니다.

확인된 사실: 위 표의 수치, 몇 달 만의 관여율 확대, 월 수만 건 해결, 수작업 분류 감소와 평균 처리 시간 단축, 상담원 사기 향상, 라우팅·작업·지식 시스템 확장 계획. 수작업 분류는 고객 사례 도입부에서 “없어졌다(eliminated)”, 본문에서 “크게 줄었다(greatly reduced)“로 표현이 다릅니다.

5. Insight

AI 상담의 첫 효과는 답변 생성보다 문의 분류에서 나올 수 있습니다. Rocket Money가 겪던 핵심 문제는 상담 건수 자체보다 잘못 분류된 문의였습니다. 기존의 버튼식 경로는 고객에게 정확한 선택을 요구했고, 고객이 실수하면 상담원이 그 뒷감당을 떠안아야 했습니다. Fin과 정교한 라우팅 규칙이 첫 응대를 맡으면서 수작업 재분류 업무는 크게 줄었고, 재배정에 매일 수시간씩 쏟던 상담원들은 Fin을 점검하고 고도화하는 일로 전환할 수 있었습니다. AI 고객 상담 도입을 고민하는 조직이라면 답변 자동화율뿐 아니라 오분류와 재배정에 소모되는 운영 비용부터 측정해 볼 필요가 있습니다.

민감한 업무일수록 좁은 범위에서 시작해 워크플로 단위로 확장해야 합니다. Rocket Money는 전체 대화의 10%라는 작은 모수로 시작해 청구 관리, 앱 문제, 계정 접근 등 범위가 뚜렷한 워크플로부터 단계적으로 넓혀 갔습니다. 각 단계마다 엄격하게 테스트하고 성과를 측정한 뒤 기준을 충족했을 때만 다음 단계로 확대했습니다. 금융처럼 사소한 오류가 큰 문제로 이어지는 영역에서는 전면 도입보다 이처럼 대상을 쪼개어 접근해야 리스크를 최소화하면서 문제를 조기에 발견할 수 있습니다.

AI가 맡아서는 안 될 문의를 먼저 정의해야 합니다. Fin이 명확하게 해결할 수 있는 문의만 맡기고, 고위험·민감 문의는 즉시 상담원에게 넘기도록 설계한 라우팅 규칙이 이번 확장의 선결 조건이었습니다. 자동화 영역을 넓히는 작업은 자동화하지 않고 사람에게 넘길 경계를 명확히 긋는 작업과 나란히 진행되어야 합니다.

상담원의 역할은 축소되는 것이 아니라 더 높은 부가가치로 전환됩니다. 수동 재분류를 반복하던 상담원들은 이제 워크플로를 최적화하고 예외 상황을 발굴해 Fin을 개선하는 업무를 담당합니다. 전문 지식 관리자 채용을 추진하는 배경도 여기에 있습니다. 고객 사례는 단순 반복 업무에서 해방된 상담원들이 전문적인 상담이 필요한 건에 온전히 집중할 수 있게 되었고, 사람 상담 CSAT가 6포인트 상승했다고 밝힙니다.

복제 조건과 한계. 이 모델은 고객 문의를 청구 관리, 기술 지원, 계정 관리처럼 독립적이고 뚜렷한 워크플로로 구조화할 수 있고, 고위험 문의에 대한 기준을 명확히 정의할 수 있는 조직에 적합합니다. 다만 본문의 성과 수치는 Intercom 고객 사례에서 공개한 자료에 기반한 것으로 외부 독립 기관의 검증을 거치지 않았으며, 구체적인 사례 게시일도 명시되어 있지 않다는 점을 감안해야 합니다.

한 줄 요약: 민감한 금융 상담에 AI를 도입할 때는 전체의 10%처럼 작은 규모로 시작해, AI가 처리할 영역과 사람이 맡을 영역을 명확한 규칙으로 구분하고, 워크플로 단위로 성과를 측정하며 단계적으로 넓혀 가야 합니다.

6. 원문에 없는 추정 (구현 가설)

6.1 버튼 선택을 대체한 의도 분류와 에스컬레이션 규칙

근거: 고객 사례는 이전의 버튼식 흐름에서 잘못 고른 대화가 “Unassigned” 받은편지함에 쌓였고, 도입 후에는 라우팅 규칙과 로직 경로로 Fin이 해결할 수 있는 문의만 맡고 고위험·민감 문의는 즉시 에스컬레이션한다고 설명합니다. 또 수작업 분류가 크게 줄었다고 밝힙니다.

고객이 버튼 메뉴를 고르는 대신 자연어로 첫 메시지를 입력하면, 시스템이 해당 내용을 분석해 청구, 앱 기능 문제, 계정 접근과 같은 주제로 자동 분류하는 프로세스를 최우선으로 배치했을 가능성이 높습니다. 분류 결과가 Fin의 처리 허용 목록에 속하면 Fin이 직접 응대하고, 목록에 없거나 분류 신뢰도가 떨어지면 사람 상담팀으로 넘겼을 것으로 보입니다. 고위험 문의는 주제 분류와 별개의 필터를 두어 감지했을 것으로 추정됩니다. 예컨대 미승인 결제, 계정 탈취 의심, 법적 분쟁 언급과 같은 특정 키워드나 신호가 포착되면 Fin이 응대를 시도하지 않고 담당 부서 받은편지함으로 즉각 이관하는 식입니다. 이때 Fin이 이전 대화 요약과 분류 정보를 함께 전달한다면 상담원이 처음부터 다시 확인하지 않고 상담을 이어갈 수 있습니다. “Unassigned” 받은편지함으로 쏠리던 대화가 줄어든 이유 역시 고객 대신 시스템이 의도를 판별하고 처음부터 수신처를 지정해 사람에게 넘겼기 때문일 가능성이 큽니다.

6.2 워크플로별 측정 기준과 확대 결정

근거: 고객 사례는 전체 대화의 10%로 시작해 범위가 분명한 워크플로로 넓혔고, 모든 워크플로를 시험·모니터링했으며, 경험이 기준에 맞는지 확인한 뒤에만 확대했다고 설명합니다. 이메일 기반 청구 관리에서는 Fin의 CSAT가 사람을 넘어섰다고 밝힙니다.

10%라는 초기 설정은 인입 대화를 무작위로 배정해 Fin 응대 대화와 사람 상담원 응대 대화 간 성과를 직접 비교하려는 A/B 테스트 목적의 설계였을 수 있습니다. 이후 워크플로별 확대 여부는 채널(실시간 채팅, 이메일)과 워크플로 조합별로 해결률, CSAT, 상담원 이관율, 동일 건 재문의율을 종합해 평가했을 것으로 판단됩니다. 이메일 청구 관리처럼 사람 상담원보다 CSAT가 높게 나타난 영역부터 단계적으로 배정 비율을 높이고, 계정 보안과 직결된 민감 영역은 낮은 배정 비율을 유지하며 장기간 검증했을 가능성이 높습니다. 동일한 워크플로라도 인입 채널에 따라 고객의 피드백과 반응이 다를 수 있는 만큼, 확대 결정은 워크플로와 지원 채널을 결합한 세부 단위로 이루어졌을 것으로 추정됩니다.

6.3 상담원이 찾은 예외를 지식으로 되돌리는 운영 루프

근거: 고객 사례는 상담원이 워크플로를 다듬고, 예외 사례를 찾고, Fin의 예외 처리 방식을 개선하는 일을 맡게 되었으며, Fin을 뒷받침하는 지식을 정확하고 최신으로 유지할 전담 지식 관리자를 채용하려 한다고 설명합니다. 향후 계획으로는 내부 지식 시스템 구축과 Fin이 실행할 수 있는 작업 확대를 듭니다.

상담원들은 사람에게 이관된 문의 건, 만족도 평가(CSAT)가 저조한 대화, 동일한 이슈로 재인입된 대화를 정기적으로 검토하며 Fin이 제대로 대응하지 못한 예외 케이스를 발굴했을 가능성이 높습니다. 이렇게 발견한 예외 사례는 지식 베이스 문서 보완, 워크플로 분기 로직 추가, 에스컬레이션 기준 조정 형태로 시스템에 반영되었을 것입니다. 이러한 수정 작업이 누적되면 문서 간 내용 충돌이나 정보 노후화가 발생하기 쉬우므로, 지식 관리자는 업데이트 이력을 관리하고 콘텐츠의 정합성을 검증하는 책임자 역할을 맡게 되었을 것으로 보입니다. 추후 청구 금액 조정이나 정기 구독 해지와 같이 Fin이 직접 수행하는 액션이 늘어나면, 새로운 액션 역시 3.2절과 동일하게 소규모 대화에서 우선 검증하고 실행 결과를 사람이 검수하는 점진적 배포 방식을 취할 것으로 추정됩니다.

7. 출처

Intercom Fin — Rethinking support at scale: How Rocket Money operationalized AI
https://fin.ai/customers/rocket-money
게시일: unknown (페이지 미표기), 확인일 2026-09-23