대부분의 기업은 감성 분석 (sentiment analysis)을 사용하여 대규모로 고객 지원 데이터를 읽지만, 이는 고객이 결과에 만족했는지보다는 고객의 말투가 어떠한지를 측정합니다. 우리는 선도적인 온라인 모금 플랫폼의 70,450건의 고객 지원 대화를 대상으로 더 풍부한 대안을 테스트했습니다. 우리는 어조 (tone)와 더불어, GPT-5.4를 사용하여 각 고객의 만족도를 추정하고 구체적인 문제를 보고했는지 여부를 표시했으며, 이후 이 세 가지 판독 값을 고객이 대화에 남긴 1~5점 사이의 평점과 대조하여 검증했습니다. 만족도 추정치는 감성 분석보다 해당 평점을 훨씬 더 잘 추적했으며, 상관관계는 0.36 대비 0.47을 기록했고 훨씬 적은 오보 (false alarms)로 불만족스러운 고객을 식별해냈습니다. 이러한 구조화된 판독은 감성 분석이 볼 수 없는 것을 포착합니다. 대화의 44%에서 어조와 만족도가 일치하지 않으며, 단일한 "중립 (Neutral)" 레이블은 조용히 만족한 고객부터 조용히 포기한 고객에 이르기까지 모든 것을 숨깁니다. 그리고 가장 큰 그룹은 바로 "용인된 마찰 (tolerated friction)"으로, 만족은 하지만 여전히 해결 가능한 문제를 보고하고 있는 고객들입니다. 이는 감성 기반의 대시보드로는 드러낼 수 없는 고질적인 문제입니다. 더 광범위한 발견은 LLM 기반의 주석 달기 (annotation)가 고객 언어의 어조보다 훨씬 더 많은 것을 포착할 수 있다는 점입니다. 이는 상호작용 및 피드백의 가공되지 않은 텍스트 데이터에서 직접 추출한 고객의 상태(만족 여부)와 문제의 원인에 근거한 새로운 비즈니스 지표를 제공할 강력한 잠재력을 가지고 있습니다.