음성을 둘러싼 소비자 행동은 기업의 준비 속도보다 빠르게 변했습니다. Censuswide가 비즈니스 리더와 소비자 700명을 대상으로 실시한 설문 Amplified 2026에 따르면, 소비자의 55%가 이제 음성을 AI와 상호작용하는 주요 인터페이스로 사용하는 반면, 고객 대상 음성 AI를 도입한 기업은 29%에 불과합니다.
음성은 고객 서비스에서 물량이 가장 많고, 비용이 가장 크며, 기술적으로 가장 까다로운 채널이면서 AI 도입이 가장 뒤처진 채널입니다. 이런 조합은 흔치 않습니다. 절감할 비용이 가장 큰 채널에서 그 이점을 둘러싼 경쟁은 가장 적습니다.
음성을 어렵게 만든 장벽은 3가지였고, 모두 실재하는 문제였습니다. 바로 지연 시간, 정확도, 컴플라이언스입니다. 달라진 점은 이들이 미해결 연구 과제가 아니라 해답이 있는 엔지니어링 문제가 되었다는 것입니다.
지연 시간이 가장 어려웠던 이유
음성 에이전트를 만드는 일반적인 방식은 3개의 시스템을 연결하는 것입니다. 음성을 텍스트로 변환하고, 언어 모델이 텍스트를 읽고 답변을 작성하며, 세 번째 시스템이 이를 음성으로 읽어줍니다. 각 단계는 단독으로는 잘 작동합니다. 문제는 단계 사이에 쌓이는 것입니다.
단계를 거칠 때마다 지연이 더해지고, 고객이 체감하는 것은 그 총합입니다. 300ms 미만의 응답이 대화처럼 느껴지는 통화의 대략적인 기준이며, 침묵이 1초 정도를 넘으면 사람들은 다시 말을 꺼냅니다. 그러면 첫 발화를 아직 처리 중인 파이프라인은 겹치는 입력 2개를 받게 되고, 이를 깔끔하게 조정할 방법이 없습니다.
연결 방식이 잃는 것은 시간만이 아닙니다. 음성 인식은 텍스트를 만들어내기 때문에 어조, 망설임, 목소리 크기, 인내심을 잃어가는 소리는 첫 단계를 넘어가지 못합니다. 모델은 말한 사람이 곧 전화를 끊으려 한다는 신호 없이 밋밋한 문장만 읽습니다. 복구도 취약합니다. 고객이 말을 끊거나 두 사람이 동시에 말하면, 파이프라인은 한 단계에서 문제를 감지하고 그 정보를 애초에 받도록 설계되지 않은 이전 단계로 되돌려 보내야 하기 때문입니다.
그래서 많은 음성 도입 사례가 데모에서는 잘 작동하다가 평범한 화요일 오후에는 어려움을 겪습니다. 데모는 조용하고, 각본이 있으며, 말이 끊기는 일이 없습니다.
단일 모델 voice-to-voice가 바꾸는 것
다른 아키텍처는 이러한 단계를 없앱니다. 하나의 모델이 오디오를 받아 오디오를 생성하며, 그 사이에 텍스트로 변환했다가 되돌리는 과정이 없습니다.
모델이 텍스트가 아닌 소리 자체를 다루기 때문에 파이프라인이 버렸던 정보가 그대로 남습니다. 말 끊김은 말 끊김으로 인식됩니다. 겹치는 발화, 배경 소음, 익숙하지 않은 억양은 인계를 망가뜨리는 실패 상황이 아니라 모델이 처리하는 조건이 됩니다. 중간 단계가 없으니 응답 간격이 충분히 줄어들어 고객이 시스템의 말을 끊고 말하는 일이 사라집니다.
이것이 지연 시간과 정확도 문제가 이제 프로덕션에서 해결되었다고 말할 수 있는 근거입니다. Maven은 voice-to-voice 에이전트를 완전한 프로덕션 환경에 도입한 최초의 엔터프라이즈 AI 플랫폼으로, Ibex가 이를 검증했습니다. voice-to-voice에서 57개 언어, 채팅에서 54개 언어를 지원합니다. Maven이 측정한 도입 사례에서 잘 구축된 음성 에이전트는 유사한 의도의 문의에 대해 채팅과 비슷한 수준의 해결률을 보였습니다.
기술 스택을 정확히 말씀드리면, 실시간 음성은 OpenAI Realtime API와 Cartesia 음성 모델을 기반으로 실행되며, 음성 에이전트는 채팅 및 이메일과 동일한 엔진을 사용합니다. 따라서 이메일을 보낸 뒤 전화한 고객도 처음부터 다시 설명할 필요가 없습니다.
이제 일정을 좌우하는 3가지 결정
기술적 장벽이 해결되면서 도입 속도는 몇 가지 선택에 달려 있으며, 각각의 경우 더 빠른 기본 선택지가 더 안전한 선택지인 경우가 많습니다.
- 텔레포니. 통신사를 옮기지 말고 기존 통신사 및 스택과 통합하십시오. 마이그레이션을 먼저 하는 것은 그만한 가치가 없는 경우가 대부분이며, voice-to-voice는 Twilio, Vonage, Cisco, Zendesk Talk, Genesys 등 이미 운영 중인 시스템에 연결됩니다.
- IVR. 기존 IVR을 걷어내고 교체하기보다 그 위에 덧붙여 기능을 강화하십시오. 교체는 상한선이 높지만 그만큼 경로가 훨씬 깁니다.
- 에스컬레이션. 전체 맥락을 상담원에게 전달하는 웜 핸드오프를 사용하십시오. 맥락 없는 콜드 핸드오프는 고객이 모든 것을 2번 설명해야 하므로 자동화를 하지 않는 것보다 나쁩니다.
음성이 즉시 제기하는 컴플라이언스 문제
통화 중 고객은 저장해서는 안 되는 정보를 말합니다. 카드 번호, 건강 정보, 계정 인증 정보 등을 도움을 요청하면서 소리 내어 말합니다.
음성의 컴플라이언스는 텍스트보다 엄격하며, 플랫폼이 이를 염두에 두고 처음부터 설계되었을 때 해결됩니다. 중요한 것은 시점입니다. 통화 중 실시간 PII 마스킹과 통화 후 후처리는 노출 구간이 다르며, 민감한 정보가 파이프라인에 들어가지 않게 하는 것은 전자뿐입니다. 어떤 방식을 구매하는지는 보안 검토 도중이 아니라 그 전에 확인하십시오.
음성에서 더 어려워지는 다국어 지원
텍스트 번역은 대부분의 기업이 더 이상 걱정하지 않을 만큼 해결되었습니다. 음성은 다릅니다. 구어에는 억양 차이, 지역별 표현, 문장 중간의 언어 전환, 말하는 속도의 차이가 있으며, 텍스트로 옮기면 이런 요소가 사라집니다. 연결형 파이프라인에서는 문제가 더 커집니다. 모델이 무엇을 보기도 전에 음성 인식 단계가 언어를 추측해야 하고, 잘못 추측하면 그 이후 모든 단계로 오류가 전파되기 때문입니다.
지원 언어 수는 꼼꼼히 따져볼 가치가 있습니다. 어떤 벤더에게든 목록에 있는 언어가 프로덕션에서 테스트되었는지, 아니면 모델 카드에 표기만 되어 있는지 확인하는 것이 유용합니다.
대규모 물량에서의 입증
규제 시장에서 운영되는 Fortune 500 게임 기업은 월 330,000건 이상의 상호작용에서 80%의 해결률을 기록하고 있으며, 여기에는 단일 피크 이벤트 당일에 해결된 13,000건의 상호작용도 포함됩니다.
피크 데이야말로 진짜 시험대입니다. 물량이 급증할 때 대기열이 폭주하고, 시스템이 버티거나 눈에 띄게 무너지며, 고객은 전화 문의가 통하는지에 대해 오래가는 인상을 갖게 됩니다.
데모에 휘둘리지 않고 음성을 평가하는 방법
녹화된 데모는 증거가 아닙니다. 라이브 통화를 요청하고, 통화 중에는 실제 고객처럼 행동하십시오.
- 말하는 도중에 끼어들어 에이전트가 멈추는지, 계속 말하는지 확인합니다
- 요청 도중에 마음을 바꿉니다
- 배경 소음을 만듭니다
- 벤더가 예상하지 못한 억양으로 말합니다
- 무언가를 알려달라고 하는 데 그치지 말고, 실제로 처리해 달라고 요청합니다
마지막 항목이 가장 중요합니다. 질문에 답하는 것과 거래를 완료하는 것은 서로 다른 역량이며, 자율 해결에는 후자가 필요합니다.
3가지 결정을 요약한 내용은 음성 AI 의사결정 트리(The Voice AI Decision Tree) 에서 확인할 수 있으며, 음성을 첫 자동화 채널로 고려하는 팀은 90일 파일럿 범위(The 90-Day Pilot Scope) 와 함께 활용하시기 바랍니다. 두 자료 모두 State of AI in CX 2026 보고서 의 Voice Channel Opportunity 장을 바탕으로 작성되었습니다.
귀사의 실제 대화로 확인하세요.
맞춤형 무료 데모를 신청하세요.
