이번 고객사례는 스팸 전화에 할애되는 상담 리소스를 줄이고, 복잡한 응대를 자동으로 처리해 고객 문의 품질까지 높인 삼일텍스톤(Samil Grindstone MFG. Co.,Ltd.)의 사례입니다.
삼일텍스톤은 레지노이드 본드 연마석과 레지노이드 본드 절단석을 전문적으로 개발, 생산하고 있는 제조기업으로, 2022년 ‘한국품질만족도 1위’를 수상할 만큼 제품 품질은 물론 고객 응대와 서비스 경험 전반의 품질을 중요하게 관리해온 기업입니다.
하지만 대표번호로 거래처 문의와 제품 도입 문의 같은 정상 인입과 함께, ARS 안내나 인터뷰 요청 등 스팸 전화가 반복적으로 유입되고 있었습니다. 이로 인해 정작 중요한 거래처 문의의 대기 시간은 길어지고, 상담사는 불필요한 통화 대응으로 운영 부담이 가중되는 상황이었습니다.
삼일텍스톤은 이러한 문제를 해결하기 위해 대표번호 인바운드에 vox.ai의 AI 상담사를 도입하게 되었습니다.
이를 통해 스팸 전화는 빠르게 정리하고 정상 문의 인입에 대한 선별 구조를 구축함으로써, 상담 인원의 운영 부담을 줄이는 동시에 거래처 응대 품질을 높이는 두 가지 목표를 달성했습니다.
1. 도입 배경
삼일텍스톤의 대표번호에는 두 가지 유형의 전화가 혼재되어 들어오고 있었습니다.
하나는 제품 견적 요청, 주문 및 재주문 접수, 거래명세서 및 세금계산서 발급 요청, MSDS(물질안전보건자료) 제공, 제품 정보 및 재고 확인 등 비즈니스에 직접 연결되는 정상 인입이었고, 다른 하나는 ARS 안내, 인터뷰 요청, 각종 영업 전화 등 업무와 무관한 스팸성 전화였습니다.
과제 1: 스팸 전화로 인한 상담 대기 시간 증가
정상 문의와 스팸 전화를 구분할 방법이 없었기 때문에, 모든 전화에 동일하게 응대해야 했습니다. 문제는 스팸 전화의 빈도가 높아, 정작 중요한 거래처 문의나 제품 도입 문의가 대기하는 시간이 길어졌다는 점입니다.
상담사는 스팸 전화를 응대하는 동안에 정상 문의 고객을 계속 대기시켜야 했고, 이는 결과적으로 고객 응대 품질 저하로 이어질 수 있는 구조가 되었습니다.
Sobot의 고객 서비스 분석 보고서에 따르면, ‘콜센터 평균 대기 시간별 고객 만족도’를 다음과 같이 정리하고 있습니다. 0–5분 대기 시 약 95% 만족, 6–10분 대기 시 약 85% 만족, 11–15분 대기 시 약 70% 만족으로 감소하는 패턴이 나타났습니다. 이는 평균 대기 시간이 길어질수록 고객의 서비스 평가가 급격히 악화된다는 점을 수치로 보여줍니다.
평균 대기 시간(Average Wait Time)은 콜센터 업계에서 핵심 지표로 관리되며, 일반적으로 전체 통화의 80%를 20초 이내에 응답하는 것을 최소 운영 목표로 설정합니다. 이 기준을 지속적으로 벗어나는 경우, 고객 경험 저하가 누적되고 브랜드 신뢰 하락 및 고객 이탈로 이어질 가능성이 높아집니다.
과제 2: 불필요한 통화로 인한 상담사 운영 부담
스팸 전화 한 통 자체는 1~2분으로 짧았지만, 이러한 통화가 하루 종일 반복되면서 상담사의 실질적인 업무 처리 시간은 지속적으로 줄어들었습니다.
상담사는 정상 문의와 스팸 전화를 사전에 구분할 수 없었기 때문에, 통화를 시작한 이후에야 그 유형을 파악할 수 있었고, 이 과정에서 불필요한 응대에 시간과 에너지가 누적되었습니다.
이와 같은 문제는 이미 여러 산업 분석 자료를 통해 반복적으로 지적되고 있습니다. 원치 않는 스팸 전화는 업무 흐름을 지속적으로 방해해 상담사의 집중력을 저하시킬 뿐 아니라, 정상적인 업무 처리 시간을 잠식하는 요인으로 작용하며, 반복적인 중단은 전반적인 업무 효율과 생산성을 떨어뜨리는 것으로 보고되고 있습니다.
결과적으로 동일한 인력으로 처리할 수 있는 정상 문의의 양이 감소하며, 상담사 운영비 부담이 누적되는 문제가 발생합니다.
이에따라 vox.ai가 해결할 수 있는 삼일텍스톤의 목표를 아래와 같이 설정했습니다.
- 스팸 전화 선별 구조 구축: 정상 문의와 스팸 전화를 자동으로 분류해 상담 대기 시간 단축
- 상담사 운영 부담 완화: 불필요한 통화 대응을 최소화하고 거래처 응대에 집중할 수 있는 환경 구축
2. 솔루션 설계
삼일텍스톤의 과제를 해결하기 위해, vox.ai는 대표번호 인바운드에 AI 상담사를 적용하되, 단순히 모든 전화를 자동 응대하는 구조가 아닌 ‘전화 유형을 선별하는 구조’로 설계했습니다.
1) 정상 문의는 접수, 스팸은 짧게 종료
AI 상담사는 전화를 받는 순간부터 고객의 발화 내용을 분석해, 해당 전화가 정상 문의인지 스팸인지를 판단합니다.
정상 문의 (일반문의/도입문의/거래처)
- AI가 접수 흐름으로 진행
- 필요한 정보를 체계적으로 수집
- 운영팀에게 접수 내용 전달
스팸 전화 (ARS/인터뷰 요청 등)
- "담당자 확인 후 연락드리겠습니다" 안내
- 불필요한 대화 없이 통화 종료
- 시간 소모 최소화
이 구조의 핵심은 스팸 전화를 완전히 차단하는 것이 아니라, 빠르게 정리하는 것입니다. 무조건 거부하면 오히려 민원이 될 수 있고, 혹시 모를 정상 인입을 놓칠 위험도 있기 때문에, 예의를 갖춘 안내 후 짧게 종료하도록 설계했습니다.
2) 지식베이스 기반 응대 설계
삼일텍스톤의 일반 문의는 정해진 질문·답변 패턴으로 처리하기에는 범위가 넓고 세부적인 정보 확인이 필요한 경우가 많았습니다.
주요 문의 유형
- 거래명세서 요청
- 제품 견적 및 가격 문의
- 주문 및 재주문 접수
- 거래명세서 및 세금계산서 발급 요청
- MSDS(물질안전보건자료) 제공 요청
- 제품 정보 문의 (스펙, 용도, 재고, 라인업 등)
- 구매 방법 및 절차 안내
특히 연마석 제품군은 품목과 규격이 매우 다양해, 고객이 “○○ 용도로 사용할 수 있는 제품이 있나요?”와 같이 구체적인 용도를 기준으로 문의하는 경우가 많았습니다. 이때 AI가 제품에 대한 충분한 지식 없이 “확인 후 연락드리겠습니다”라는 응답만 반복할 경우, 고객 경험은 저하될 수밖에 없습니다.
이를 해결하기 위해 vox.ai는 단일 응대 시나리오가 아닌, 카탈로그 기반으로 제품 정보를 수집하고 이를 지식베이스로 정제해, 문의 유형에 따라 분기되는 구조로 AI 응대 시나리오를 구축했습니다.
3. 구현 과정
AI 상담 시스템 구축은 총 2주간 진행되었으며, 빠른 구현과 동시에 실전 검증을 병행하는 단계적 접근을 취했습니다.
| 구축 기간
총 2주 (개발 1주 + PoC 및 피드백 1주)
1주차: 개발 및 시나리오 설계
킥오프 미팅 후 AI 상담 시나리오를 설계하고 초기 버전을 개발했습니다. 이 단계에서는 다음 작업이 진행되었습니다.
- 인입 전화 유형별 분기 로직 설계
- 정상 문의 접수 흐름 및 질문 구조 설계
- 스팸 전화 대응 스크립트 작성
- 제품 카탈로그 기반 지식베이스 구축
2주차: PoC 및 피드백 반영
1주간 실제 대표번호 환경에서 PoC를 진행하며, 테스트 과정에서 확인된 개선 사항을 즉시 반영해 시스템을 안정화했습니다.
이 과정에서 AI가 접수한 내용을 운영팀이 즉시 확인하고 대응할 수 있도록, 통화 종료 시 접수 내용과 통화 요약을 알림톡으로 전달하는 기능을 함께 구축했습니다.
이를 통해 운영팀은 별도의 대시보드에 접속하지 않아도 모바일 환경에서 접수 내용을 즉시 확인하고, 내부 담당자에게 신속하게 인계할 수 있는 운영 체계를 확보했습니다.
4. 운영 구조의 변화
AI 상담 도입 전후로 대표번호 운영 구조는 다음과 같이 변화했습니다.
도입 전: 모든 전화에 동일하게 응대하는 구조
- 정상 문의와 스팸 전화가 구분 없이 동일 채널로 유입
- 모든 인입 콜에 상담사가 직접 응대
- 스팸 전화 대응으로 정상 문의 고객의 대기 시간 증가
- 상담사의 불필요한 통화 대응으로 운영 부담 누적
- 업무시간 외 인입 콜에 대한 자동 안내 및 접수 체계 부재
도입 후: AI가 전화를 선별하고, 상담사는 정상 문의에만 집중하는 구조
1. 대표번호 전화 인입 고객이 대표번호로 전화를 걸면 AI 상담사가 1차 응대
2. AI가 인입 유형 자동 분기 및 동시 통화
- 정상 문의: 접수 및 응대 진행 → 알림톡 발송 → 운영팀 확인 후 후속 대응
- 스팸 전화: "담당자 확인 후 연락드리겠습니다" 안내 후 통화 종료
3. 알림톡으로 접수·요약 공유 통화 종료 즉시 운영팀에게 전달되어 확인 및 인계 속도 개선
이제 상담사는 스팸 전화 대응에 시간을 쓰지 않고, 정상 문의에만 집중할 수 있게 되었습니다. 스팸 전화는 AI가 빠르게 정리하고, 정상 문의만 운영팀에게 전달되는 구조로 바뀌면서 거래처 응대 대기 시간이 감소하고 상담 품질이 개선되었습니다.
5. 운영 성과
1) 불필요한 스팸성 통화 대응 감소
AI가 스팸 전화를 1차적으로 선별하고 짧게 종료하면서, 상담사가 스팸 전화에 직접 응대하는 빈도가 크게 줄었습니다. 이는 단순히 전화 응대 시간만 줄인 것이 아니라, 업무 재집중 시간까지 포함한 전체 생산성 손실을 줄인 효과를 가져왔습니다.
2) 정상 문의 응대 흐름 유지
스팸 전화를 걸러내면서도, 제품 견적 요청, 주문 접수, 명세서 발급, 재고 확인 같은 정상 인입은 빠짐없이 접수되는 구조가 유지되었습니다. AI가 지식베이스를 기반으로 다음과 같은 문의를 직접 응대 및 해결했습니다.
- 제품 견적 문의: "린티 연마석 7인치 견적 알려주세요" → AI가 제품 정보 및 가격 안내
- 주문 접수: "텍스톤 5인치 절단석 한 박스 주문합니다" → AI가 주문 정보 수집 및 접수
- 재고 확인: "카누토 4인치 제품 재고 있나요?" → AI가 제품 라인업 및 재고 현황 안내
- 제품 정보: "디스크 연마석 스펙 알려주세요" → AI가 제품 사양 및 용도 안내
- 구매 절차: "연마석 구매는 어떻게 하나요?" → AI가 구매 방법 및 채널 안내
- 명세서 발급 및 서류 요청: "연마석 거래명세서 발급 부탁합니다" → AI가 정보 수집 후 담당자 전달
이를 통해 필요한 정보를 체계적으로 수집해 필요시 운영팀이 추가 응대가 가능하도록 알림톡을 통해 전달까지 완료합니다.
3) 업무시간 외 안내 가능
기존에는 업무시간 외 전화가 부재중으로 남았지만, AI 도입 후에는 비운영시간에도 기본 안내와 접수가 가능해져 고객 응대 공백이 줄어들었습니다.
6. 삼일텍스톤 사례의 핵심 포인트
삼일텍스톤의 AI 상담 도입 사례에서 주목할 포인트는 세 가지입니다.
| *핵심 포인트 확인 전, 콜센터 지표를 먼저 확인해 보세요!
1) AI 상담을 전화 선별 구조로 활용
삼일텍스톤 사례의 핵심은 AI를 모든 전화를 대신 받는 수단이 아니라, 상담사가 개입해야 할 문의만 선별하는 구조로 활용했다는 점입니다이를 통해 스팸·오인 전화를 초기 단계에서 제거하고, 상담 리소스를 실제 업무 가치가 있는 문의에 집중시키는 기반을 마련했습니다.
이러한 구조는 특정 기업에 국한되지 않고, 대부분의 산업군 콜센터에서 동일하게 적용할 수 있는 운영 개선 방식입니다.
콜센터 운영에서 중요한 것은 통화량 자체가 아니라, 어떤 문의에 상담 시간이 쓰이고 있는가이며, 이 판단은 지표를 통해 명확해집니다.
가장 먼저 확인해야 할 지표가 자동 해결률(Deflection Rate)입니다. 자동 해결률은 고객 문의가 상담사에게 연결되기 전, AI 단계에서 해결된 비율을 의미합니다. 이 수치가 높을수록 단순·반복 문의로 인해 상담사가 소모되는 시간이 줄고, 고객은 대기 없이 빠른 답변을 받을 수 있습니다.
반대로 에스컬레이션율(Escalation Rate)은 AI가 처리하지 않고 상담사에게 전달된 문의 비율을 뜻합니다. 이 지표는 높은 것도 문제를 발생시키지만, 너무 낮을 경우 고객에게 필요한 전문적인 지원이 제때 제공되지 않을 가능성도 있습니다.
vox.ai는 이러한 지표 구조를 기반으로 자동 해결률을 70~90% 범위에서 유지하고, 상담사 개입이 필요한 문의만 남겨 에스컬레이션율을 10~30% 수준으로 관리합니다. 이 방식은 상담량 자체를 무리하게 줄이는 것이 아니라, 상담사가 실제로 집중해야 할 업무만 남겨 인력 운영의 밀도를 높이는 구조라고 볼 수 있습니다.
즉, vox.ai의 AI 콜센터 솔루션은 전화를 단순히 자동 처리하는 솔루션이 아니라, 상담 리소스를 어디에 써야 하는지를 지표로 설계하고 관리할 수 있게 만드는 운영 시스템입니다.
2) 지식베이스 학습을 통한 응대 품질 표준화 및 FCR 개선
삼일텍스톤 사례에서 연마석 제품의 다양한 품목과 규격 정보를 카탈로그 기반으로 정리해 지식베이스화했고, 이를 바탕으로 AI가 제품 문의, MSDS 요청, 구매 절차 안내와 같은 주요 문의를 직접 처리할 수 있도록 구축했습니다. 이처럼 제품 정보와 응대 기준을 하나의 기준으로 정리하는 방식은, 콜센터 운영 과정에서 자주 발생하는 응대 품질 편차 문제를 줄이는 데 효과적입니다.
같은 회사에 문의했음에도 상담사에 따라 서로 다른 답변이 제공되는 경우는 적지 않습니다. 이로 인해 품질 점수(Quality Score), 고객 만족도(CSAT), 문제 해결률(Resolution Rate), 최초 문의 해결률(FCR) 등 주요 지표에서 상담사 간 편차가 발생하고, 고객 입장에서는 응대에 대한 신뢰도가 낮아질 수 있습니다.
vox.ai는 이러한 편차를 줄이기 위해 기업의 콜 녹취 데이터, 상담 스크립트, 제품 카탈로그를 기반으로 상담 시나리오를 구조화해 학습합니다. 단순 FAQ 설정이 아니라, 실제 상담 과정에서 사용되는 표현과 판단 기준을 하나의 응대 기준으로 정리해 AI 응대에 적용하는 방식입니다.
해당 시나리오는 기업 내부 검수를 거쳐 운영에 반영되며, 운영 과정에서 발생한 미해결 문의는 기준 답변으로 보완되어 다시 학습 구조에 포함됩니다.
이러한 방식으로 내부 데이터베이스 및 업무 시스템과 연동된 응대를 통해, 일반적인 AI 콜센터 환경에서 약 20% 수준에 머무르는 최초 문의 해결률(FCR)을 50~60% 수준까지 개선할 수 있습니다.
중요한 점은 이 방식이 제조업에만 한정되지 않는다는 것입니다. 제품 라인업이 수백 개인 이커머스, 고객마다 계약 조건이 다른 금융·보험, 시즌별로 상품이 바뀌는 유통업, 환자별 상담 내용이 다른 의료기관 등 문의 유형이 복잡하고 다양한 모든 산업에서 동일하게 적용 가능합니다.
또한 하루 수백~수천 건의 인입 콜이 발생하는 대규모 콜센터 환경에서도 vox.ai는 동시 다발적으로 최대 100콜 이상을 처리할 수 있어, 콜량이 많은 기업일수록 더 큰 효과를 체감할 수 있습니다.
3) 기존 인건비 대비 20~25% 수준의 비용으로 24시간 운영
삼일텍스톤은 제조업 특성상 정규 근무 시간 외에도 거래처 문의가 발생하는 구조였습니다. 하지만 인력 중심의 콜센터 운영으로는 야간·주말까지 응대 범위를 넓히는 데 한계가 있었고, 추가 인력 투입이나 교대 근무 체계 구축은 비용과 운영 부담 측면에서 현실적인 선택지가 되기 어려웠습니다.
이러한 상황은 삼일텍스톤에만 국한된 문제가 아닙니다. 실제 B2B 환경에서는 하루 전체 인입 중 약 15~20%가 오전 9시~오후 6시 외 시간대(야간·주말)에 발생합니다.
vox.ai의 AI 콜센터 솔루션은 이러한 제약을 기존 인건비 대비 약 20~25% 수준의 비용으로 해결할 수 있도록 설계되었습니다. 추가 인력 없이도 24시간 자동 응대가 가능해, 정규 운영 시간 외에도 서비스 레벨(Service Level)을 일정하게 유지할 수 있습니다.
AI 기반 24시간 응대를 적용하면 이러한 근무시간 외 문의(After-Hours Contact Rate)를 놓치지 않고 처리할 수 있어, 잠재 고객 이탈과 영업 기회 손실을 줄일 수 있습니다.
만약, 우리 회사도 같은 고민을 하고 있다면
삼일텍스톤의 사례는 제조업을 비롯한 전문성을 요구하는 B2B 환경에서 AI 상담이 어떻게 실질적인 가치를 만들 수 있는지를 보여주는 참고 사례입니다.
다음과 같은 상황에 해당한다면, 삼일텍스톤처럼 AI 상담 도입을 고려해볼 시점입니다.
- 스팸 전화와 정상 문의를 구분하지 못해 운영 부담이 크다 – AI가 전화 유형을 선별해 상담 대기 시간을 단축합니다.
- 제품 문의가 다양하고 복잡해 단순 응대로는 한계가 있다 – 지식베이스 기반으로 전문적인 응대가 가능합니다.
- 대표번호 운영에 인력을 투입하기 어렵다 – AI가 24시간 1차 응대와 접수를 처리합니다.
우리 회사에 최적화된 AI 상담이 어떻게 적용될 수 있을지 궁금하다면, 지금 바로 vox.ai에 문의하세요.
