Rocket Money, 문의 재배정 줄이기

요약

2024년 대화 10%로 시작해 명확한 워크플로로 넓히며 Fin과 사람 상담원의 분기 규칙을 세웠습니다.
그 결과 Fin은 관여한 대화의 68%를 해결했고 사람 상담원의 고객 만족도도 6포인트 상승했습니다.
인공지능 도입은 전체 자동화보다 문의 처리 경계를 먼저 정하고 단계적으로 확장할 때 효과를 냅니다.

고객에게 길 찾기를 떠넘기던 지원 창구의 한계

수백만 명의 사용자가 이용하는 Rocket Money는 구독 관리, 지출 추적, 저축 목표 달성을 돕는 개인 금융 앱입니다. 고객의 실제 자금과 금융 계좌를 직접 다루는 서비스인 만큼, 고객 지원 문의는 언제나 빠르고 정확하며 높은 신뢰를 유지해야 합니다. 하지만 사용자 기반이 빠르게 늘어나면서 고객 지원 운영은 극심한 복잡성에 직면했습니다. 고객 지원 팀은 매달 6만 건이 넘는 대화를 처리하고 있었습니다.

당시 Rocket Money는 고객이 직접 버튼을 눌러 문의 유형을 선택하도록 안내하는 버튼식 경로 방식을 주로 사용하고 있었습니다. 이 버튼식 흐름은 내부에서 많은 공을 들여 설계한 구조였습니다. 그러나 이 방식은 문의 유형을 정확히 분류해야 하는 책임을 고객에게 고스란히 떠넘기는 문제를 안고 있었습니다.

고객이 자신의 상황과 맞지 않는 버튼을 잘못 누르면 대화는 길을 잃고 ‘Unassigned(미배정)’ 받은편지함으로 흘러들어갔습니다. 결국 고객 지원 팀원이 이 미배정 받은편지함에 쌓인 대화들을 하나하나 직접 열어 읽고, 맥락을 해석해 올바른 담당자나 부서로 다시 전달해야 했습니다. 상황이 가장 심각했을 때는 팀원 한 명이 하루 2~3시간을 오로지 잘못 들어온 문의를 다시 나누는 일에만 쏟아부어야 했습니다. 꼭 해야 하는 작업이었지만 계속 유지하기는 불가능한 방식이었습니다.

운영 디렉터 Michelle McGowan은 당시 상황을 이렇게 설명했습니다.

“그것은 고객과 우리 모두에게 추가적인 일을 만들어 냈습니다. 그리고 아무리 흐름을 잘 설계하려고 애써도 모든 상황을 미리 예측하는 것은 불가능하다는 점을 깨달았습니다.”

아무리 촘촘하게 버튼 메뉴를 짜더라도 사용자가 겪는 현실의 모든 경우의 수를 담아낼 수는 없었습니다. 그렇다고 Rocket Money가 단순히 효율만을 목적으로 자동화를 바라본 것은 아니었습니다. Michelle McGowan은 “우리는 단순히 효율만을 위해 자동화하고 싶지 않았습니다. 우리는 고객의 금융 생활이 지극히 개인적인 일임을 잘 알고 있기에, 규모를 키우면서도 안정적으로 지원하고 여전히 각자에게 맞춤형으로 느껴지는 시스템을 원했습니다”라고 밝혔습니다. 자금을 다루는 서비스인 만큼, 자동화의 속도보다 고객이 느끼는 안정감이 먼저였습니다.

10%의 실험에서 통제 가능한 워크플로로

Rocket Money는 2024년 고객 지원 체계를 재편하기 위해 Intercom의 인공지능 상담 에이전트인 Fin을 도입했습니다. 이 내용은 Intercom이 공개한 고객 사례를 통해 알려졌습니다. Rocket Money는 도입 첫날부터 모든 문의를 인공지능에 넘기는 위험한 방식을 피했습니다. 대신 전체 대화의 10%에만 Fin을 적용하는 통제된 실험으로 첫걸음을 뗐습니다. 작은 규모에서 결과를 지켜보며 출발했던 이 10%의 실험은 머지않아 고객 지원 운영의 새로운 기반이 되었습니다.

10% 실험을 거친 뒤, 팀은 범위를 명확히 좁힐 수 있고 세밀하게 통제할 수 있는 핵심 워크플로(업무 흐름) 세 가지를 정해 순차적으로 적용 대상을 넓혀 나갔습니다. 세 가지 핵심 워크플로는 다음과 같습니다.

청구 관리
앱 문제 해결
계정 접근 요청

Rocket Money로 들어오는 가장 흔한 문의의 상당수는 고객의 금융 계정 정보와 직결된 민감한 사안이었습니다. 작은 답변 실수 하나도 신뢰에 큰 타격을 줄 수 있었기 때문에, 팀은 모든 워크플로를 사전에 엄격히 시험하고 면밀하게 지켜봤습니다. Michelle McGowan은 이 과정을 두고 “도입의 모든 단계는 신중했습니다. 우리는 범위를 넓히기 전에 테스트하고, 측정하고, 경험이 우리의 기준에 부합하는지 확인했습니다”라고 말했습니다.

해결할 수 있는 것만 맡기고 민감한 문제는 즉시 넘긴다

범위를 넓히는 과정에서 가장 중요했던 장치는 정교한 라우팅 규칙과 로직 경로였습니다. 라우팅이란 고객의 문의가 들어왔을 때 내용과 위험도를 따져 가장 알맞은 처리 주체에게 전달해 주는 분기 규칙을 뜻합니다.

Rocket Money가 세운 원칙은 명확했습니다. Fin은 스스로 확실하게 해결할 준비가 갖춰진 문의만 맡아서 처리하도록 했습니다. 반대로 위험도가 높거나 보안상 민감한 문제는 중간에서 인공지능이 섣불리 개입하지 않고 즉시 사람 상담원에게 에스컬레이션되도록 설계했습니다. 에스컬레이션은 상위 담당자나 전문 인력에게 문제를 넘겨 해결을 요청하는 절차입니다.

실제 시스템에서는 이전의 버튼 방식 대신 첫 메시지의 자연어를 분석해 문의 의도를 분류하는 계층이 작동했을 가능성이 높습니다. 문의가 Fin의 허용 목록에 부합할 때만 인공지능이 응답하고, 분류 확신도가 기준치에 미치지 못하면 곧바로 사람 상담원 큐로 배정했을 것입니다. 아울러 승인되지 않은 결제, 계정 도용 의심, 법적 분쟁과 같은 단어가 감지되면 일반적인 분류와 무관하게 즉시 사람 상담원에게 연결하는 별도의 고위험 필터를 거치도록 구성했을 가능성이 큽니다. 이처럼 위험한 문제를 걸러내는 안전장치가 먼저 작동했기에 미배정 받은편지함에 대화가 쌓이지 않고 수작업 트리아지(분류)가 크게 줄어들었을 것입니다.

또한 10% 실험에서 워크플로 단위로 확장을 결정할 때도, 실시간 채팅이나 이메일 같은 채널과 워크플로 조합별로 해결률과 CSAT(고객 만족도), 사람 상담원 연결 비율 등을 정밀하게 따져 가며 기준을 넘긴 영역부터 차례로 트래픽을 늘려 나갔을 것입니다.

효율과 만족도를 동시에 끌어올린 지표

조심스럽게 단계를 밟아 나간 결과, 도입 몇 달 만에 Fin은 전체 대화의 절반 이상(54% 관여율)에 개입하게 되었습니다. 그리고 Fin이 관여한 대화 가운데 68%를 사람의 개입 없이 스스로 해결해 냈습니다. 매달 수만 건에 이르는 고객 문의가 인공지능을 통해 직접 해결된 셈입니다.

Fin 대화 관여율 추이

통제된 실험을 거쳐 대화 관여율을 단계적으로 확대했습니다. (출처: Intercom Fin 고객 사례)

성과는 양적 규모에만 그치지 않았습니다. 이메일로 인입되는 청구 관리 워크플로에서 Fin이 기록한 고객 만족도(CSAT)는 80% 이상이었습니다. 이는 이전에 사람 상담원이 달성했던 성과를 넘어선 수치였습니다.

운영 전반의 체질도 바뀌었습니다. 팀원들을 지치게 만들었던 수작업 분류 작업은 크게 줄었고, 전체 상담의 평균 처리 시간이 단축되었습니다. Fin 도입으로 인한 연간 효율 개선 효과, 즉 연간 투자 대비 수익(ROI)은 약 100만 달러에 달했습니다.

무엇보다 사람 상담원이 직접 처리한 상담의 CSAT가 6포인트 상승했습니다. Fin이 첫 응대와 단순 반복형 문의를 신속하게 걷어내 주자, 상담원들은 더 이상 문의 재배정에 하루 두세 시간을 낭비하지 않고 복잡하고 민감한 사안에 충분한 시간을 들여 세심하게 집중할 수 있었습니다. 단순 작업에 치이던 상담원들의 사기가 오른 것은 자연스러운 결과였습니다.

분류 작업을 하던 상담원이 인공지능의 코치가 되다

Fin이 대량의 반복 문의를 전담하면서 사람의 역할은 완전히 재정의되었습니다. 과거 미배정 받은편지함에 붙어 앉아 대화를 다시 배정하던 상담원들은 이제 Fin을 최적화하는 업무로 전환했습니다.

상담원들은 Fin이 실패한 대화나 예외 사례를 추적하고, 세부 워크플로를 다듬으며, 인공지능이 예외 상황을 더 똑똑하게 처리할 수 있도록 시스템을 개선하는 일에 집중하고 있습니다. Michelle McGowan은 이러한 변화를 두고 “이것이 바로 현대적인 고객 지원 팀의 모습입니다. 사람을 없애는 것이 아니라, 사람이 가장 큰 가치를 더할 수 있는 곳에 집중하도록 일 자체를 다시 설계하는 것입니다.” 그는 또 “이것이 사람들이 진정으로 하고 싶어 하는 일입니다. 더 창의적이고, 더 영향력 있으며, 더 큰 성취감을 줍니다”라고 평가했습니다.

실제 현장에서는 사람 상담원에게 에스컬레이션된 문의나 불만족 평가를 받은 대화를 정기적으로 검토하여, Fin이 잘못 안내한 예외 사례를 새로운 지식 문서와 규칙으로 환류시키는 작업이 이루어졌을 것입니다. 이러한 개선 작업이 누적되면 문서 간 충돌을 막고 지식의 일관성을 유지하는 관리 체계가 필수적이 됩니다. Rocket Money는 Fin이 학습하고 참조하는 지식을 언제나 정확하고 최신 상태로 유지하기 위해 전담 지식 관리자(Knowledge Manager)를 정규직으로 채용하는 과정에 들어갔습니다.

Rocket Money는 앞으로 라우팅 로직을 더 정교하게 다듬고, 단순 안내를 넘어 Fin이 직접 실행할 수 있는 행동의 범위를 넓혀 갈 계획입니다. 또한 인공지능과 사람 상담원이 함께 사용하는 내부 지식 체계를 구축하고, 인공지능에서 사람으로 넘어가는 인계 과정을 더 매끄럽게 다듬는 동시에, 민감한 워크플로에 대한 사람의 감독 체계를 늦추지 않고 있습니다. 이들이 세운 핵심 원칙은 “AI는 프로젝트가 아니라 역량”이라는 점입니다.

답변 자동화보다 중요한 것은 잘못된 분류를 걷어내는 일

Rocket Money 사례가 고객 지원 업무를 넘어 업무 전반에 던지는 교훈은 분명합니다.

첫째, 인공지능 도입의 첫 성과는 답변을 자동 생성하는 데서 나오는 것이 아니라 잘못된 분류 비용을 없애는 데서 나옵니다. Rocket Money의 병목은 전체 문의량 자체보다 고객이 누른 잘못된 버튼 때문에 대화가 엉뚱한 곳에 쌓이고 이를 사람이 일일이 재분류해야 하는 데 있었습니다. 분류 오류로 낭비되는 팀의 시간을 수치로 측정해 보지 않은 채 답변 자동화 비율만 좇는다면, 현장의 마찰을 결코 줄일 수 없습니다.

둘째, 민감한 정보를 다루는 조직일수록 좁게 시작해 워크플로 단위로 넓혀야 합니다. Rocket Money는 전체 대화의 10%라는 작은 실험으로 출발해 청구 관리, 앱 문제 해결, 계정 접근처럼 경계가 뚜렷한 세 가지 워크플로부터 검증했습니다. 성과 기준을 넘어서는 것을 확인한 뒤에만 다음 단계로 나아갔습니다. 한 번에 전체 시스템을 뒤바꾸는 방식은 금융처럼 작은 실수가 치명적인 분야에서 감당하기 어려운 위험을 낳습니다.

셋째, 인공지능이 ‘해서는 안 될 일’의 경계를 먼저 세워야 합니다. Fin이 해결할 준비가 된 문의만 맡도록 엄격한 규칙을 세우고, 고위험 및 민감 문의는 즉시 사람에게 넘기는 안전선이 있었기에 대규모 확장이 가능했습니다. 자동화의 범위를 넓히는 작업은 사람이 반드시 지켜야 할 통제 영역을 어디까지 둘 것인지 정하는 일과 함께 가야 합니다.

넷째, 사람은 줄어드는 것이 아니라 시스템을 가르치고 고도화하는 역할로 이동합니다. 단순 분류를 하던 상담원이 인공지능의 오류를 잡아내고 지식 관리자가 이를 문서로 체계화할 때, 사람 상담원의 본래 업무 만족도와 고객 만족도가 함께 오릅니다. 인공지능 도입은 인력을 덜어내는 작업이 아니라, 사람이 가장 가치 있는 일에 시간을 쓸 수 있도록 팀의 역할을 다시 설계하는 일입니다.

출처

Intercom Fin — Rethinking support at scale: How Rocket Money operationalized AI — https://fin.ai/customers/rocket-money — 발행일 미표기, 2026-09-23 확인