LLM으로 서비스로 혁신? 고객은 UX로 판단한다

같은 기술, 다른 결과

LLM(대규모 언어 모델)이 등장한 이후, 인공지능과 자연스럽게 대화하는 시대가 현실로 다가왔습니다. 많은 기업이 이 변화에 주목하며 LLM으로 서비스를 혁신하기 위한 다양한 실험을 진행하고 있습니다. (AI 기업에는 아마도 올해가 PoC 프로젝트가 가장 많이 진행된 한 해가 되지 않을까 싶네요.)

물론 기술적 과제는 여전히 존재합니다. 하지만 완성된 기술이 곧 성공적인 서비스를 보장하지 않는다는 점은 많은 사례를 통해 확인할 수 있습니다. 기술이 아무리 발전하더라도, 최종 성공 여부는 결국 ‘고객 경험(UX)’에 달려있습니다. 특히 LLM처럼 일부 기업에 의해 과점 되고 결국 인프라처럼 일상화되면, 기술력의 차이는 점차 사라지고 서비스 기획력과 고객 경험의 차이가 진정한 차별화 요소가 될 것입니다.

기존 기술로 여겨지는 Rule-based 챗봇도 여전히 성공하는 사례들이 존재합니다. 기술이 완성되기를 기다리기보다는, 고객 피드백을 바탕으로 꾸준히 시도하고 개선해 나가는 것이 중요합니다.

챗봇 시스템에서 UX란?

챗봇 UX는 흔히 대화형 UX(Conversational UX, CUX)라고 불립니다. CUX는 사용자와 챗봇 간의 정보 교환 방식을 설계하는 것이 핵심입니다. 챗봇 서비스는 상담 인력을 대체할 것이라는 기대감으로 빠르게 성장했지만, 결과적으로 만족도가 높지 못했습니다. 기술적 한계가 명확했고(특히 고객 요청을 정확히 이해하는 데 어려움이 있었습니다.), 이를 보완할 UX 측면에서도 충분히 좋은 경험을 제공하지 못했습니다.

그러나 LLM의 등장으로 대화형 AI 서비스에 대한 기대가 다시금 커지게 되었습니다. 이제는 적어도 기술적으로 기존의 많은 한계가 해결되었으므로, 서비스 및 제품화 관점에서 AI를 바라봐야 합니다.

좋은 CUX 구현을 위한 몇 가지 제안

LLM을 잘 활용하기 위해선 대화형 서비스에 대한 이해가 중요합니다.

대화형 서비스에서 핵심은 효과적인 정보 교환입니다. 내가 가진 정보를 주고 상대가 가진 정보를 되받는 과정에서 새로운 정보가 생성되는, 일련의 정보 교환 과정이 가장 역동적으로 일어나는 방식이 ‘대화’입니다. 따라서 기업 입장에서 잘 설계된 대화형 서비스는 인터넷에서 구할 수 없는 초개인화 정보들이 수집되는 보물창고입니다.

이를 위해서는 세밀한 대화 여정 설계가 필요합니다. 여기서는 대화형 서비스를 도입하려는 입장에서 고려해야 할 몇 가지 핵심 항목을 소개합니다.

내가 가진 무기(정보)를 구조화하자-정보(output) 설계

LLM, NLU(Natural Language Understanding), RAG(Recovery-Augmented Generation) 같은 기술이 발전하면서 기업이 다룰 수 있는 정보의 양은 크게 늘어났습니다. 여기서 중요한 것은 늘어난 정보를 어떻게 구조화하고 전달할 것인가입니다. 고객이 궁금해할 법한 질문을 예상하고, 기업이 보유한 방대한 정보들을 고객 니즈에 맞게 연계하는 과정이 필요합니다. 단순히 고객의 질문에 답변하는 방식으로는 기업이 보유한 정보가 제대로 전달되지 않습니다. 고객은 챗봇이 어떤 정보를 갖고 있는지 모르기 때문입니다.

어떤 정보를 수집할 것인지 따져보자-정보(input) 설계

대화는 사용자의 니즈를 가장 직접적으로 확인할 수 있는 기회입니다. 대화를 통해 수집된 고객 니즈 정보와 컨텍스트 정보는 기업이 제공하는 서비스와 맞춤형으로 연결될 수 있습니다. 이 정보들은 개인화된 서비스를 제공하는 데 중요한 요소이며, 이를 위해서는 히스토리 관리 시스템을 통해 정보를 체계적으로 저장하고 실시간으로 대화에 반영하는 것이 필수적입니다. 이를 위해서는 수집할 고객 정보를 어떻게 이끌어낼지와 어떤 정보가 중요하고 중요하지 않은지를 사전에 정의하고 설계해야 합니다.

고객의 서비스 여정을 이해하자-여정 설계

핵심 고객이 기대하는 서비스 흐름을 파악하는 것이 중요합니다. 이를 바탕으로 대화의 내러티브를 설계하고, 챗봇의 페르소나를 정의해야 합니다. 고객이 기대하는 대화 흐름을 예측하고 맞춤형 대화 시나리오를 준비해야 합니다. 고객이 예상하는 흐름대로 대화가 진행될 때 안정감을 느끼고 대화에 몰입할 수 있습니다.

고객에게 필요한 질문을 던지자-질문 설계

LLM 기술이 발전하면서 사용자의 프롬프트 작성 부담이 커졌습니다. ‘좋은 질문=좋은 답변’인 AI에게 필요한 질문을 정확하게 던지는 작업은 여전히 어려운 일입니다. 공급자가 고객의 니즈를 분석하고 필요한 질문을 역으로 먼저 제안하면, 고객 경험은 크게 향상될 수 있습니다. 노트북을 처음 구매하는 고객은 무엇부터 물어봐야 할지와 무엇이 중요한 질문인지 모르는 경우가 많습니다. 이럴 때 봇이 필요한 질문을 먼저 던지면 대화가 겉돌지 않고 서비스 목표에 더 가까워질 수 있습니다.

고객의 두려움을 해소하자-리스크 설계

챗봇이 도입된 지 꽤 오랜 시간이 흘렀지만, 대부분의 사용자에게 대화형 서비스는 여전히 낯설고 두려운 존재입니다. 대체로 고객은 다음의 걱정을 갖고 있습니다.

• 기계가 내 말을 잘 이해하고 있는 걸까? 나는 기계의 말을 잘 이해할 수 있을까?(불확실성)
• 중간에 잘못되면 처음부터 다시 해야 하는 거 아닐까?(경직성)
• 문제를 해결하려면 너무 많은 단계를 거쳐야 하는 건 아닐까?(비효율성)
• 내 문제를 어디까지 해결해 줄 수 있을까?(범용성)

서비스가 제공하는 것이 무엇이고 어떻게 활용할 수 있는지 고객이 직관적으로 이해할 수 있는 UX 설계가 필요합니다. 가장 최신의 기술을 적용했다 하더라도 고객이 느끼는 불안은 모든 프로세스를 마무리하기 전까진 해소되지 않습니다. 따라서 서비스 초기 단계에서 이러한 불안을 해소하는 것이 중요합니다.

다음은 단순 QA 기반 대화 예제와 (위 설계 항목을 반영한)멀티턴 기반의 대화 예제입니다. 사용자는 어떤 챗봇과 더 대화하고 싶을까요?

대화 비교 예제

• 휴가를 계획하고 있는 직원의 문의 상황

사용자 경험은 피드백 루프(Feedback Loop)로 완성

고객사 미팅에서 종종 듣는 이야기는, 챗봇이 답변은 잘하지만 이용률이 저조하고 만족도가 낮다는 것입니다. 새로운 기술은 아무리 우수해도 사용자 경험이 불편하면 외면받기 쉽습니다.

실제로 대화 평가를 진행해 보면, 정확한 답변과 고객 만족도 사이에 큰 상관관계가 없다는 것을 알 수 있습니다. 만족도는 곧 경험이며, 폐쇄형 질문과 개방형 질문은 어떻게 활용하고 문장 길이나 정보량을 어떻게 조절할지 등의 세밀한 대화 설계가 고객 경험에 중요한 영향을 미칩니다.

대화는 정답이 없습니다. 사용자 관점에서 끊임없이 고민하고 시도하여 고객의 피드백을 수집하고 반영하는 것만이 최선이자 유일한 성공 방정식입니다. 그래서 작업 범위를 좁히고 실사용 테스트를 통해 실제 사용자 경험을 반영하고 이를 개선하는 것이 필수적입니다.

LLM을 사용하는 고객들은 점점 더 높은 기대를 가지고 있습니다. 고객의 기대를 조금이라도 넘어서는 경험을 제공하기 위해서는, 기술뿐만 아니라 UX 전반에 걸친 세심한 설계가 필요한 시점입니다.

TEXTNET 소개

지금의 딥러닝을 있게 한 AI Guru 제프리 힌튼의 데이터셋 'ImageNet'에 어원을 둔 TEXTNET은 (주)스피링크가 운영하는 AI/챗봇을 위한 텍스트 데이터 설계 및 구축 서비스입니다.

TEXTNET은 언어학, 심리학, 전산언어학 석·박사를 포함한 전문 인력으로 구성된 언어전문가 그룹으로서, 고객사의 니즈에 부합하는 텍스트 데이터를 설계·가공·구축하고 내부 R&D를 통해 설계 방식을 지속적으로 개선하여 최적의 데이터 설계 방법을 제안합니다. 프로젝트 목적에 따라 적합한 숙련 작업자를 선별하여 투입하고, 체계적이고 효율적으로 고품질의 학습데이터를 생산합니다.

TEXTNET은 삼성, LG, KT, SK 등 유수 대기업의 데이터 구축 파트너로 함께하며 금융, 마케팅, 콘텐츠, 메타버스, 서비스 기획, CS 등 다양한 도메인을 다루고 있습니다.