Gartner 설문조사에 따르면 고객의 64%가 기업이 고객 서비스에 AI를 사용하지 않기를 바랍니다. 솔직히 말하면, 틀린 말은 아닙니다. 적어도 대부분의 고객이 경험해 온 AI에 대해서는 그렇습니다. 메뉴 5개를 빙빙 돌게 한 뒤 이미 걸어 본 전화번호로 연락하라고 안내하는 챗봇. 문제가 해결되어서가 아니라 고객이 포기했기 때문에 티켓을 '해결됨'으로 처리하는 챗봇.
이것이 고객 지원에서 대화형 AI가 남긴 유산입니다. 상호작용을 해결하기보다 붙잡아 두는 데 최적화된 시스템입니다. 하지만 이제 전혀 다른 아키텍처가 실제 운영 환경에서 쓰이고 있습니다. 고객과 대화만 하며 시간을 낭비하지 않고, 고객을 대신해 실제로 조치를 취하는 방식입니다. 업계에서는 이를 에이전틱 AI라고 부르며, 두 방식의 성능 격차는 결코 미묘하지 않습니다.
대화형 AI는 디플렉션을 위해 만들어졌습니다. 그것이 핵심 문제입니다.
지난 10년간 도입된 챗봇 대부분을 포함하는 기존 대화형 AI는 하나의 지표, 즉 컨테인먼트율을 중심으로 설계되었습니다. 얼마나 많은 상호작용을 상담원에게 넘기지 않을 수 있는가? 이 시스템은 FAQ에 답하고, 도움말 문서를 제시하고, 티켓을 라우팅할 수 있었습니다. 하지만 실제로 무언가를 해결하는 일은 할 수 없었습니다. 환불 처리도, 계정 업데이트도, 주문 변경도 불가능했습니다.
CNBC는 2026년 4월 많은 서비스 챗봇이 여전히 고객을 이른바 '모호함의 미로'에 가둬 두고 있다고 보도했습니다. 챗봇의 '디플렉션율'을 측정하고 만족한 적이 있다면 이렇게 물어볼 필요가 있습니다. 디플렉션된 티켓 중 실제로 고객 만족으로 끝난 것은 얼마나 될까요? Maven AGI가 자체적으로 진행한 디플렉션과 해결 지표 분석에 따르면, 그 답은 불편한 경우가 많습니다.
에이전틱 AI는 답하지 않습니다. 해결합니다.
대화형 AI에서 에이전틱 AI로의 전환은 기능 업그레이드가 아닙니다. 시스템이 무엇을 하도록 설계되었는가에 대한 아키텍처의 변화입니다. 주요 분석 기관들은 모두 같은 구분에 이르렀습니다. 대화형 AI는 상호작용을 개선하고, 에이전틱 AI는 실행을 개선합니다.
2029년까지 에이전틱 AI가 일반적인 고객 서비스 문제의 80%를 자율적으로 해결할 것이라는 Gartner의 2025년 3월 전망은 분명한 선을 그었습니다. 대화형 AI는 반응형으로, 대화를 통해 범위가 정해진 질의를 처리합니다. 에이전틱 AI는 능동형으로, 자율 에이전트가 의사결정을 내리고, 백엔드 시스템 전반에서 여러 단계의 작업을 실행하며, 최소한의 사람 개입으로 워크플로를 완료합니다.
McKinsey의 관점은 자율성을 핵심 특징으로 강조합니다. 이러한 시스템은 큰 목표를 개별 작업으로 나누고, 실행 순서를 정하고, 정보를 검색·평가하며, 행동을 개시합니다. BCG는 이를 고객 서비스 혁신의 새로운 개척지라고 부릅니다. 모든 분석 기관의 정의를 관통하는 공통점은 단순합니다. 에이전틱 AI는 응답을 생성하는 것이 아니라 결과를 실행합니다.
실제로는 고객이 청구 오류로 지원팀에 연락하면, AI 에이전트가 청구 시스템에 접속해 거래 내역을 대조하고, 불일치를 찾아 정정하고, 확인 메시지를 보내고, 전체 상호작용을 기록합니다. 한 번의 세션으로 끝납니다. 에스컬레이션도, "전문 상담원에게 연결해 드리겠습니다"도 없습니다. (물론 에스컬레이션이 필요한 경우는 예외입니다. 이때는 이전 대화의 전체 맥락을 상담원이 확인할 수 있는 상태로 넘겨야 합니다.)
성능 격차는 이미 측정 가능합니다
초기 엔터프라이즈 도입 사례에서 나온 데이터는 이 차이를 구체적으로 보여 줍니다. 기존 규칙 기반 챗봇의 컨테인먼트율은 20–40%입니다. LLM을 통합한 챗봇은 40–55%에 이릅니다. 잘 구현된 에이전틱 AI 시스템은 70–80%의 자율 해결률을 기록하고 있으며, Maven AGI 고객은 최대 90% 이상의 해결률을 달성합니다. 컨테인먼트가 아니라 해결 기준입니다.
Maven AGI의 고객 데이터가 이를 뒷받침합니다. Mastermind는 6주 만에 93%의 자율 해결률에 도달했습니다. Papaya Pay는 3주 만에 90%를 달성했습니다. Clio는 80%의 해결률을 달성하며 60% 더 많은 티켓을 해결했습니다. 통제된 환경의 파일럿 수치가 아니라, 실제 고객 문의량을 처리하는 운영 환경의 결과입니다.
Gartner는 대화형 AI가 2026년 컨택 센터 인건비를 $80 billion 절감할 것으로 전망했으며, 그 ROI를 체감하는 기업은 디플렉션이 아닌 자율 해결을 측정하는 기업입니다. IDC와 Microsoft 데이터에 따르면 AI 고객 서비스에 $1를 투자할 때마다 $3.50의 수익이 돌아오며, 최고 성과 기업은 8배에 이릅니다.
문제는 아직 대부분의 기업이 그 단계에 이르지 못했다는 점입니다
이러한 흐름에도 불구하고 초기 도입 기업과 나머지 시장 사이의 격차는 큽니다. McKinsey에 따르면 AI 에이전트를 확장해 실질적 가치를 창출한 기업은 10% 미만입니다. BCG 조사 결과 고객 서비스에서 생성형 AI로 측정 가능한 비즈니스 성과를 거둔 기업은 28%에 불과합니다. 그리고 Gartner 스스로도 비용 증가나 불분명한 ROI로 인해 2027년 말까지 에이전틱 AI 프로젝트의 40% 이상이 취소될 것이라고 경고합니다.
성과를 내는 조직에는 공통된 패턴이 있습니다. 에이전트를 도입하기 전에 데이터 인프라와 시스템 통합에 투자했습니다. 전면 교체 마이그레이션을 요구하는 대신 기존 헬프데스크(Zendesk, Salesforce, Freshdesk)에 연결되는 오버레이 아키텍처 플랫폼을 선택했습니다. 그리고 피한 티켓 수가 아니라 고객 성과로 성공을 측정했습니다.
Forrester의 2026년 전망은 직설적입니다. 올해는 AI 셀프서비스 시도 중 실패하는 경우가 성공하는 경우보다 약간 더 많을 것이며, 주된 이유는 기업들이 해결을 가능하게 하는 통합 작업 없이 비용 압박 속에서 도입하기 때문이라는 것입니다. 성공과 실패 사례 모두에서 얻는 교훈은 같습니다. 에이전틱 AI는 챗봇 업그레이드가 아니라 운영 아키텍처의 변화입니다.
CX 전략에 주는 시사점
현재 지원 조직을 운영하고 있다면, 현실적인 질문은 '에이전틱 AI를 도입해야 하는가?'가 아닙니다. 이에 대한 분석 기관들의 합의는 이미 나와 있습니다. 질문은 1세대 챗봇을 웃음거리로 만든 실수를 반복하지 않으면서 전환을 어떤 순서로 진행할 것인가입니다.
실제 운영 환경에서 효과를 보고 있는 사례를 바탕으로 가장 중요한 3가지는 다음과 같습니다.
중요한 것을 측정하십시오. 컨테인먼트율에서 자율 해결률로 전환하십시오. 대화 종료 여부가 아니라 백엔드 시스템 상태로 검증된 실제 해결률을 공급업체가 보고하지 못한다면, 여전히 보여 주기식 컨테인먼트에 머물러 있는 것입니다. Maven AGI의 AI 에이전트 평가 방법에서 무엇을 확인해야 하는지 자세히 살펴보십시오.
통합이 먼저, 도입은 그다음입니다. 몇 달이 아닌 며칠에서 몇 주 만에 도입할 수 있는 오버레이 모델의 속도 이점은 AI가 실제로 시스템에 접근할 수 있을 때만 의미가 있습니다. 즉 CRM, 청구, 주문 관리, 티켓 시스템에 대한 API 접근이 필요합니다. 읽기·쓰기 통합이 없다면 더 비싼 FAQ 봇을 만드는 것에 불과합니다.
하이브리드를 계획하십시오. 모든 분석 보고서에서 성공적인 도입 사례는 같은 운영 모델로 수렴합니다. AI 60–70%, 사람 30–40%입니다. 목표는 팀을 없애는 것이 아닙니다. 반복적인 해결 업무에서 벗어나 사람의 판단이 실제로 차이를 만드는 복잡하고 중요한 상호작용에 집중하게 하는 것입니다.
이를 제대로 해낼 수 있는 시간은 점점 줄어들고 있습니다. 올바른 아키텍처, 올바른 통합, 올바른 지표를 갖추고 지금 움직이는 기업은 지원 비용에서 경쟁사를 앞서는 데 그치지 않을 것입니다. 훨씬 더 가치 있는 것을 얻게 됩니다. 연락하면 문제가 실제로 해결된다고 믿는 고객입니다. 에이전틱 AI가 가능하게 하는 것이 바로 이것입니다. 남은 질문은 여러분이 그 방향으로 나아가고 있는지, 아니면 여전히 디플렉션을 측정하며 성공이라고 부르고 있는지입니다.
귀사의 실제 대화로 확인하세요.
맞춤형 무료 데모를 신청하세요.
