OpenAI와 n8n을 사용하여 4일 만에 AI 고객 지원 워크플로우를 구축한 방법

고객 지원 팀이 어려움을 겪는 이유는 고객이 어려운 질문을 하기 때문인 경우가 드뭅니다.

그들이 어려움을 겪는 이유는 고객이 반복적으로 같은 질문을 하기 때문입니다.

매일이 거의 동일해 보였습니다:

• 가격을 문의하는 고객들
• 요청 사항을 수동으로 라우팅(Routing)하는 지원 팀
• CRM 기록을 업데이트하는 상담원들
• 수동으로 티켓(Ticket)을 생성하는 팀들
• 반복적인 답변을 계속해서 타이핑하는 과정

지원 운영 프로세스를 검토한 후, 한 가지 사실이 명확해졌습니다:

사람들이 워크플로우(Workflow)를 조정하는 데 너무 많은 시간을 소비하고 있다는 점이었습니다.

그래서 우리는 무언가를 테스트해 보기로 했습니다.

요청을 이해하고 운영 작업을 수행할 수 있는 워크플로우 말입니다.

우리가 그것을 구축한 과정은 정확히 다음과 같습니다.

1일 차: 실제로 자동화가 필요한 것이 무엇인지 파악하기

처음에 우리는 대부분의 팀이 저지르는 것과 똑같은 실수를 했습니다.

우리는 다음과 같이 가정했습니다:

고객 메시지

↓
...

단순했습니다.

불행히도, 완전히 틀렸습니다.

고객 지원은 그렇게 작동하는 경우가 거의 없기 때문입니다.

대부분의 지원 요청은 다음과 같은 형태에 가깝습니다:

고객 메시지

↓
...

• 진짜 문제는 대화가 아니었습니다.

• 진짜 문제는 다음과 같았습니다:

• 워크플로우 조정(Workflow coordination).

• 그래서 어떤 도구를 만지기 전에, 우리는 반복적인 워크플로우를 매핑(Mapping)했습니다.

워크플로우 1: 가격 문의

고객들은 반복적으로 물었습니다:
귀사의 솔루션 비용은 얼마인가요?

지원 워크플로우:

고객이 가격 문의

↓
...

워크플로우 2: 기술적 문제

고객:
로그인이 작동하지 않음
대시보드에 접속할 수 없음
시스템 오류

워크플로우:

기술적 문제

↓
...

워크플로우 3: 환불 요청

워크플로우:

환불 요청

↓
...

워크플로우를 매핑한 후:
구축 작업이 훨씬 쉬워졌습니다.

2일 차: n8n을 사용하여 워크플로우 인프라 구축하기

우리가 n8n을 선택한 이유는 단 하나입니다:
다음과 같은 것들을 구축하는 데 며칠을 쓰고 싶지 않았기 때문입니다:

• 백엔드 API (Backend APIs)
• 오케스트레이션 시스템 (Orchestration systems)
• 큐 관리 (Queue management)
• 워크플로우 엔진 (Workflow engines)

우리가 원한 것은:

로직 (Logic) 이었습니다.

워크플로우는 다음과 같이 시작되었습니다:

고객 메시지

↓
...

고객 메시지는 다음과 같은 경로로 올 수 있습니다:

• 웹사이트 채팅 (Website chat)
• 문의 양식 (Contact forms)
• WhatsApp
• 고객 지원 편지함 (Support inbox)
• Messenger

데이터가 n8n에 입력되면:
모든 것이 워크플로우 로직 (workflow logic)이 되었습니다.

3일 차: 의도 파악 (Intent Detection)을 위한 OpenAI 추가

이것이 가장 중요한 계층이었습니다.
질문은 다음과 같았습니다:
AI가 질문에 답할 수 있는가?

질문은 이것이었습니다:
AI가 고객의 의도 (intent)를 신뢰할 수 있게 이해할 수 있는가?

예시:
고객 메시지:
제품 가격 정보를 알고 싶습니다

OpenAI 출력:

sales_inquiry

고객:
계정에 로그인할 수 없습니다

출력:
technical_issue

고객:
구독을 취소하고 싶습니다

출력:

billing_request

의도가 정의되면:
자동화 (Automation)가 가능해졌습니다.

4일 차: 의사결정 로직 (Decision Logic) 구축
이 지점에서 모든 것이 바뀌었습니다.

워크플로우가 없을 때

• 당신은 다음과 같은 것을 만듭니다:
• 챗봇 (Chatbots)

워크플로우가 있을 때

• 당신은 다음과 같은 것을 만듭니다:
• 운영 시스템 (Operational systems)

워크플로우는 최종적으로 다음과 같은 모습이 되었습니다:

고객 메시지 (Customer Message)

↓
...

이제 시스템은 단순히 대화만 하는 것이 아니었습니다.
시스템은 실제로 작동하고 있었습니다.

우리는 다음을 연결했습니다:

• CRM 워크플로우
• 티켓 생성 (Ticket creation)
• 알림 (Notifications)
• 내부 경고 (Internal alerts)

예시:

고객이 버그를 보고함 (Customer Reports Bug)

↓
...

최종 워크플로우 아키텍처 (Final Workflow Architecture)
모든 것을 결합한 후:

고객 메시지 (Customer Message)

↓
...

마치며

미래는 아마 다음과 같은 모습이 아닐 것입니다:

고객이 질문함

↓
...

고객이 질문함

↓
...

AI로부터 가장 큰 가치를 얻고 있는 기업들은 단순히 더 나은 챗봇을 만드는 것이 아닙니다.

그들은 더 나은 워크플로우를 구축하고 있습니다.

어디서부터 시작해야 할지 확신이 서지 않는다면, AI 준비도 감사 (AI Readiness Audit)를 통해 구현을 시작하기 전에 워크플로우의 공백, 자동화 기회 및 영향력이 큰 유스케이스 (use cases)를 식별하는 데 도움을 받을 수 있습니다.