Listen

Description

1. 왜 이 사례인가

SoftBank Corp. 법인 사업 부문에서 중소기업 고객 대상 마케팅과 영업을 담당하는 Customer Growth Division은 법인 웹사이트에 인입되는 중소기업 고객 문의를 Sierra 기반의 대화형 AI 에이전트가 먼저 응대하도록 구성했습니다. 에이전트는 제품, 서비스, 요금, 계약 관련 질문에 대화 형식으로 답하고, 직접 처리하기 어려운 질문은 문의 폼으로 안내해 영업 담당자에게 전달합니다.

Sierra 고객 사례(2026-07-14 게시)에 따르면 이 에이전트는 현재 하루 약 100건의 문의를 처리하고 있습니다. 고객이 대화 과정에서 필요한 정보를 찾아 스스로 문제를 해결한 비율인 셀프 해결률은 도입 당시 약 50%에서 70%까지 상승했습니다.

이 사례에서 주목할 점은 중소기업 영업 조직이 AI 에이전트를 고객 접점의 최전선에 배치했다는 사실입니다. AI가 반복 문의를 즉시 처리함으로써 영업 담당자가 복잡한 상담과 제안에 더 많은 시간을 투입하도록 돕는 것이 도입 목적입니다. 기존에 이미 AI 챗봇과 AI 검색을 운영하던 기업이 에이전트로 전환한 배경 중 하나로 셀프 해결률을 정확하게 측정하는 일을 꼽았다는 점도 눈여겨볼 만합니다. 처리 규모는 크지 않지만, 어떤 업무를 먼저 맡기고 어떻게 측정하며 어떤 방식으로 개선했는지가 명확하게 드러납니다.

2. Problem

Customer Growth Division은 SoftBank 법인 사업 부문에서 중소기업 고객을 대상으로 마케팅과 영업을 수행하는 조직입니다. 고객 사례에서는 일본 내 약 340만 개의 중소기업이 존재하며, 이 조직이 해당 기업들의 다양한 요구에 대응하고 있다고 설명합니다.

영업 담당자들은 고객별로 상이한 복잡한 상담과 제안 업무를 맡고 있었으나, 여기에 더해 제품, 요금, 계약에 관한 일상적인 문의가 대량으로 유입되었습니다. 고객 사례는 이러한 접점이 고객 경험에 중요한 만큼, 한층 일관되고 수준 높은 답변을 신속하게 제공해야 한다는 요구가 지속해서 커졌다고 설명합니다.

SoftBank는 이전부터 웹사이트에 AI 챗봇과 AI 검색 기능을 도입해 고객의 정보 탐색과 문제 해결을 지원해 왔습니다. 그러나 다음 세 가지 목표를 달성하기 위해서는 한층 정교한 지원 체계가 필요했다고 고객 사례는 밝힙니다.

* 고객에게 정보가 필요한 바로 그 시점에 즉각 제공하는 것

* 셀프 해결률을 정확하게 측정하는 것

* 한 단계 더 높은 수준의 고객 경험을 제공하는 것

확인된 사실: 중소기업 대상 마케팅·영업 조직, 일본 중소기업 약 340만 개, 영업 담당자에게 몰린 제품·요금·계약 관련 반복 문의, 기존 웹사이트 AI 챗봇과 AI 검색 운영, 즉시 응답·셀프 해결률 측정·고객 경험 향상을 위해 더 정교한 체계가 필요했다는 판단.

3. Solution

3.1 법인 웹사이트 방문 고객을 위한 대화형 AI 에이전트

Customer Growth Division은 Sierra와 협력하여 SoftBank 법인 고객용 웹사이트(https://www.softbank.jp/business/)를 방문하는 중소기업 고객을 위한 대화형 AI 에이전트를 구축했습니다. 에이전트는 제품, 서비스, 요금, 계약에 관한 폭넓은 질문에 자연스러운 대화 형식으로 답변합니다.

3.2 첫 적용 영역을 고른 기준

고객 사례는 이 영역을 첫 적용 사례로 선정한 이유를 두 가지로 제시합니다. 고객과의 접점이 가장 빈번하게 발생하는 곳이자, 고객 경험 개선 효과를 가장 빠르게 체감할 수 있는 영역이라고 판단했기 때문입니다.

역할 분담 역시 명확합니다. AI 에이전트가 정형화된 문의를 즉시 처리하면 고객은 필요한 정보를 더 빠르게 얻을 수 있고, 영업 담당자는 사람의 응대가 가장 큰 가치를 발휘하는 복잡한 상담과 제안에 더 많은 시간을 할애할 수 있습니다. 고객 사례는 AI를 더 높은 품질의 고객 경험을 제공하기 위한 핵심 수단으로 규정했다고 표현합니다.

3.3 웹사이트 정보로 시작하고 운영하며 고치는 방식

마케팅 전략부 2과의 Abe 씨는 초기 설정과 이후 운영 방식을 다음과 같이 설명합니다.

“Sierra feels like a highly polished AI agent platform that is both easy to implement and easy to improve over time. In our case, by leveraging information from our website during the initial setup, we were able to train the AI agent — in a short period of time — the product knowledge and FAQs that would take a human considerable time to learn.”

초기 설정 단계에서 웹사이트에 공개된 정보를 활용해, 사람이 학습하려면 상당한 시간이 소요되는 제품 지식과 FAQ를 단기간에 에이전트에 학습시켰다는 설명입니다.

Abe 씨는 서비스 배포 이후의 개선 과정에 대해서도 강조합니다.

“We also appreciate how easy it is to continuously improve the AI agent’s response quality after launch. Sierra makes it straightforward to identify which questions aren’t being answered well and what information should be added to improve accuracy, allowing us to continually enhance the AI agent’s performance through ongoing operation.”

어떤 질문에 대한 답변이 미흡한지, 정확도를 높이려면 어떤 정보를 보강해야 하는지를 파악해 운영 과정에서 지속적으로 개선해 나간다는 점을 짚었습니다. 셀프 해결률이 약 50%에서 70%로 향상된 과정에 대해서는 다음과 같이 덧붙였습니다.

“SoftBank’s corporate business covers a wide range of services, and the self-resolution rate\* — which started at around 50% at launch — has now risen to 70%, thanks to iterative improvements to help the AI agent better understand customer intent and the relevant service.”

법인 사업에서 취급하는 서비스가 워낙 방대한 만큼, 개선의 핵심은 고객의 실제 의도와 대상 서비스를 에이전트가 정확히 파악하도록 돕는 데 있었습니다. 일본어판 고객 사례는 이 과정을 두고 에이전트가 고객의 의도와 대상 서비스를 적절히 “청취”할 수 있도록 개선을 거듭했다고 표현합니다.

3.4 사람에게 넘기는 경계

에이전트가 해결하지 못한 질문은 고객을 문의 폼으로 안내하고, 이후 영업 담당자가 내용을 인계받아 응대합니다. 고객 사례는 현재 복잡한 상담이나 개별 대응이 필요한 문의만 영업 담당자에게 전달되며, 그에 따라 고객이 상황에 적합한 지원을 받게 된다고 설명합니다.

확인된 사실: Sierra 기반 대화형 AI 에이전트, softbank.jp/business 방문 중소기업 고객 대상, 제품·서비스·요금·계약 질문 응답, 미해결 질문은 문의 폼을 거쳐 영업 담당자에게 인계, 접점 빈도와 체감 속도를 기준으로 한 첫 적용 영역 선정, 웹사이트 정보를 활용한 초기 설정, 답이 부족한 질문과 추가할 정보를 찾아 운영 중 개선, 고객 의도와 대상 서비스 파악에 초점을 둔 반복 개선.

4. Impact

Sierra 고객 사례(2026-07-14 게시)에서 발표한 주요 수치입니다.

셀프 해결률은 Sierra의 모니터링 기능이 도출한 수치입니다. 고객 사례의 각주에 따르면 이 기능은 대화 과정에서 고객의 문제가 해결되었는지를 AI가 판정하고, 셀프 해결로 연결된 대화의 비율을 집계해 셀프 해결률을 계산합니다. 사람이 개별 대화 내역을 일일이 확인한 수치가 아니라 AI 판정을 토대로 도출한 결과입니다.

고객 사례는 현재 하루 약 100건의 문의 중 70%에서 고객이 필요한 정보를 얻고 스스로 문의를 해결하고 있으며, 복잡하거나 개별 대응이 필요한 경우에만 영업 담당자에게 연결된다고 설명합니다.

마케팅 전략부의 Tajima 부장은 향후 기대 효과를 다음과 같이 밝혔습니다.

“We expect that as the self-resolution rate of the AI agent continues to improve, customers will be able to access the information they need even more quickly. Sales representatives will also be able to dedicate more time to addressing individual customer challenges and advancing proposals. We see this as an initiative that achieves both improved customer experience and greater sales productivity, and we intend to continue developing it.”

향후 다양한 고객 접점으로 AI 에이전트 적용 범위를 확대해, 고객이 필요할 때 필요한 정보에 즉시 접근할 수 있는 일관된 지원 환경을 마련할 계획입니다.

확인된 사실: 셀프 해결률 약 50%에서 70%로 상승, 하루 약 100건 처리, Sierra 모니터링 기능의 AI 판정 방식 셀프 해결률 정의, 복잡하거나 개별적인 경우만 영업 담당자에게 인계, 다른 고객 접점으로의 확대 계획, Tajima 부장 인용문.

5. Insight

첫 적용 영역은 고객 접점이 가장 빈번하고 성과 체감이 빠른 곳이었습니다. SoftBank는 법인 웹사이트의 제품·요금·계약 문의를 첫 도입 사례로 택했습니다. 문의가 가장 집중되는 영역인 동시에, 즉각적인 답변이 고객 경험 개선으로 곧바로 이어지는 지점이기 때문입니다. 웹사이트 정보를 활용해 초기 설정을 단기간에 마칠 수 있었다는 점도 이러한 선택과 맞물려 있습니다.

정확한 측정 가능성이 도입 이유 중 하나였습니다. SoftBank는 이미 AI 챗봇과 AI 검색을 운영하고 있었으나, 에이전트로 전환한 주요 이유 중 하나로 셀프 해결률을 정확하게 측정하는 체계 구축을 들었습니다. 도입 이후의 성과 또한 이 지표를 중심으로 설명합니다. 다만 해당 지표는 대화 결과를 AI가 판정해 산출한 값이므로, 조직 차원에서 판정 기준을 어떻게 검증하느냐가 데이터의 신뢰성을 결정짓게 됩니다.

셀프 해결률 향상은 배포 이후의 지속적인 운영 과정에서 나왔습니다. 웹사이트 정보를 바탕으로 빠르게 서비스를 개시한 뒤, 답변이 미흡한 질문과 보강할 정보를 찾아 수정하는 루프를 반복하면서 셀프 해결률을 약 50%에서 70%로 끌어올렸습니다. Abe 씨가 언급한 개선의 핵심은 고객의 실제 의도와 문의 대상 서비스를 정확하게 구분하는 작업이었습니다. 제공 서비스가 다양한 조직일수록 접수된 질문이 어떤 서비스에 관한 것인지를 선별하는 과정이 셀프 해결률 개선의 분기점이 될 수 있습니다.

AI 에이전트를 영업 조직의 전면에 배치한 설계입니다. 에이전트가 해결하지 못한 질문은 문의 폼을 거쳐 영업 담당자에게 전달됩니다. 고객 사례는 이러한 설계를 영업 담당자가 고난도 상담과 제안 업무에 집중할 수 있도록 지원하는 수단으로 설명하며, Tajima 부장 역시 고객 경험과 영업 생산성을 동시에 강화하는 시도로 평가합니다. 영업 인력의 시간 배분 구조를 재편하는 데 목적을 둔 사례입니다.

복제 조건과 한계. 이 모델은 제품·요금·계약 정보가 웹사이트에 체계적으로 구축되어 있고, 에이전트가 처리하지 못한 문의를 받아줄 영업 인계 절차가 이미 정립된 조직에 적합합니다. 일평균 약 100건이라는 처리량은 대규모 고객센터 사례와 비교하면 크지 않은 편입니다. 성과 수치 역시 Sierra가 공개한 고객 사례에 기반한 것으로 외부 기관의 독립 검증을 거치지 않았으며, 셀프 해결률은 Sierra 모니터링 기능의 AI 판정에 따른 값입니다. 도입 시점 및 실제 영업 생산성 변화에 관한 정량적 데이터는 공개되지 않았습니다.

한 줄 요약: 반복 문의가 가장 집중되는 접점에 AI 에이전트를 전진 배치하고, 셀프 해결률이라는 명확한 지표를 기준으로 고객 의도와 서비스 분류를 꾸준히 다듬으면 영업 담당자의 리소스를 복잡한 상담과 제안 중심으로 재배치할 수 있습니다.

6. 원문에 없는 추정 (구현 가설)

6.1 웹사이트 정보로 채운 초기 지식과 답이 부족한 질문을 찾는 루프

근거: Abe 씨는 초기 설정에서 웹사이트 정보를 활용해 제품 지식과 FAQ를 짧은 기간에 에이전트에 익혔고, 출시 이후에는 어떤 질문에 답이 부족한지와 어떤 정보를 추가해야 하는지를 쉽게 파악해 운영 중에 계속 개선한다고 말합니다.

초기 지식베이스는 softbank.jp/business 도메인 내의 제품 소개, 요금표, FAQ 페이지를 크롤링하여 에이전트의 참조 지식 소스로 연동하는 방식을 채택했을 가능성이 높습니다. 담당자가 문서를 새로 작성하기보다 이미 검증되어 공개된 페이지를 그대로 활용했기 때문에 단기간 내 서비스 배포가 가능했을 것으로 보입니다. 배포 이후에는 모니터링 체계상 미해결로 분류된 대화나 문의 폼으로 이관된 기록을 유형별로 군집화하여, 답변 오류, 지식 누락, 의도 오인 여부를 분석했을 것으로 추정됩니다. 정보가 누락된 경우에는 웹사이트에 기재되지 않은 보충 설명이나 세부 조건을 에이전트 전용 지식으로 등록하고, 의도를 잘못 파악한 경우에는 프롬프트 지침을 보완하는 식으로 원인별 대응을 진행했을 것입니다. 요금 및 계약 조건처럼 오류 리스크가 큰 영역은 수정 사항 반영 전 과거 대화 이력을 기반으로 회귀 테스트를 거쳐 적용했을 가능성이 있습니다.

6.2 의도와 대상 서비스를 먼저 묻는 대화 흐름과 문의 폼 인계

근거: 셀프 해결률 개선은 에이전트가 고객 의도와 대상 서비스를 더 잘 파악하도록 반복한 결과이며, 일본어판은 이를 적절히 “청취”할 수 있도록 개선했다고 표현합니다. 풀 수 없는 질문은 문의 폼으로 안내하고 영업 담당자가 이어받으며, 복잡하거나 개별 대응이 필요한 경우만 넘어갑니다.

법인 서비스 구성이 다양하기 때문에 동일한 “요금” 관련 문의라도 대상 서비스가 무엇이냐에 따라 안내할 답변이 완전히 달라집니다. 따라서 개선 과정에서 에이전트가 질문 내용이 모호할 경우 단정적으로 답변하지 않고 대상 서비스와 구체적인 확인 희망 사항(요금 체계, 계약 조건, 기능 스펙 등)을 되묻는 확인 대화 흐름을 추가했을 가능성이 높습니다. 초기 약 50% 구간에서는 서비스를 오인해 잘못된 답변을 제공한 경우가 미해결 대화의 상당 부분을 차지했을 것이며, 확인 질문 도입을 통해 이러한 실패 유형을 줄였을 것으로 추정됩니다. 문의 폼으로의 이관 기준은 공개된 정보만으로 응대할 수 없는 케이스, 즉 맞춤형 견적 산출이나 기존 계약 변경처럼 개별 고객 데이터 확인이 필수적인 문의로 한정했을 것입니다. 담당자 인계 시 대화 과정에서 파악된 대상 서비스와 문의 핵심 요약을 폼 데이터로 자동 바인딩하여 전달함으로써 영업 담당자의 중복 질문을 방지하는 연계 설계도 함께 적용했을 가능성이 있습니다.

6.3 AI 판정으로 계산하는 셀프 해결률과 그 검증

근거: 셀프 해결률은 Sierra 모니터링 기능이 대화 안에서 고객 문제가 해결되었는지를 AI로 판정해 계산하며, SoftBank는 기존 챗봇에서 이 지표를 정확하게 측정하기 어려웠다는 점을 도입 배경으로 들었습니다.

대화 세션이 종료되면 LLM 판정 모델이 전체 대화 로그를 분석해 해결, 미해결, 인계 상태 중 하나로 자동 분류하는 아키텍처를 기본 구조로 삼았을 것입니다. 고객에게 문의 폼 링크가 제공되었는지, 최종 답변 제공 이후 추가 질문 없이 이탈했는지 등의 대화 시그널 역시 판정 피처로 종합 활용되었을 가능성이 높습니다. 기존 챗봇 환경에서는 해결 여부를 피드백 버튼 클릭이나 세션 종료와 같은 간접 신호에 의존해 추정했을 가능성이 높으며, 대화 맥락 자체를 분석하는 정밀 판정이 가능해진 점이 시스템 전환의 실질적 동기로 작용했을 것입니다. 다만 AI 판정…



This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit parkdaesun.substack.com