어느 금요일 오후 4시 58분의 전화
금요일 오후 4시 58분. 은행 영업 마감 2분 전이었다. 챗봇 관제 화면에 빨간 알림이 떴다. 70대 고객이 챗봇과 47분째 대화 중이었다. 돌아가신 배우자의 계좌를 정리하고 싶다는 내용이었다.
챗봇은 완벽하게 동작하고 있었다. 상속 관련 필요 서류 목록을 안내했고, 가까운 지점 위치도 알려줬고, 예약 가능한 시간대까지 제시했다. 기술적으로는 모든 답변이 정확했다. 그런데 고객은 같은 질문을 조금씩 바꿔가며 계속 물었다. “그러면 남편 이름으로 된 적금은요?” “남편이 매달 넣던 자동이체는요?” “남편 카드 연회비는 어떻게 되나요?”
숫자로 보면 챗봇의 응답 정확도는 100%에 가까웠다. 그런데 이 대화는 끝나지 않고 있었다. 47분이나.
관제실의 후배가 물었다. “봇이 답을 다 하고 있는데, 왜 안 끝나는 거죠?”
나는 전화기를 들었다. 상담사에게 즉시 연결해달라고 요청했다. 상담사가 전화를 걸었고, 고객은 5분 만에 울음을 터뜨렸다. “어디서부터 시작해야 할지 모르겠어요. 남편이 다 알아서 했거든요.”
그날 이후 나는 확신하게 됐다. AI가 아무리 정확하게 ‘답’을 해도, ‘끝맺음’은 전혀 다른 차원의 일이라는 것을.
지난 3화에서 AI를 잘 쓰는 팀과 못 쓰는 팀의 결정적 차이가 ‘피드백 루프’에 있다고 이야기했다. 오늘은 그 루프의 가장 끝단, 즉 ‘닫는 순간’에 대해 이야기하려 한다. 8년 동안 금융 챗봇을 운영하면서 쌓인 이야기다.
금융 챗봇 8년, 무엇이 바뀌었고 무엇이 안 바뀌었나
내가 처음 금융 챗봇 프로젝트에 투입된 것은 2018년이었다. 당시 챗봇이라고 부르기도 민망한, 키워드 매칭 기반의 FAQ 응답기였다. “잔액 조회”라고 치면 잔액 조회 방법을 안내하는 수준. 고객들은 “이게 챗봇이냐”며 별점 1점을 남겼고, 우리는 매주 키워드 사전을 손으로 업데이트했다.
8년이 지난 지금, 기술은 비교할 수 없을 만큼 발전했다. 자연어 이해 수준은 상전벽해라는 말로도 부족하다. 고객이 “지난달에 어디서 쓴 건지 모르겠는데 8만 원 정도 빠져나간 게 있어요”라고 쓰면, 챗봇은 카드 이용 내역에서 해당 건을 특정하고 가맹점명까지 알려준다. 음성 인식도 되고, 이미지 첨부도 되고, 다국어도 지원한다.
그런데 이상한 일이 있다. 기술이 이렇게 발전했는데, 상담사 연결 요청은 줄지 않았다.
정확하게 말하면, ‘단순 문의’에서의 상담사 연결은 확실히 줄었다. 잔액 조회, 이체 한도 확인, 카드 분실 신고 같은 건. 이런 것들은 챗봇이 80% 이상 자체 해결한다. 그런데 전체 상담사 연결 건수의 절대량은 크게 달라지지 않았다. 왜일까.
답은 단순했다. 챗봇이 단순 문의를 빨리 처리해주니까, 고객들이 더 복잡한 요구를 들고 오기 시작한 것이다. “이 정도는 봇이 해주니까” 하는 기대치가 올라가면서, 봇으로 해결이 안 되는 건에 대한 불만도 같이 올라갔다. 기술이 좋아질수록 ‘남은 것들’의 난이도가 올라가는 역설. 이것을 우리 팀에서는 “라스트 마일 역설”이라고 불렀다.
챗봇 세대별 변화와 ‘남은 문제’의 진화
8년을 크게 세 시기로 나눠볼 수 있다.
1세대 (2018~2020): 키워드 매칭 시기. 챗봇이 못하는 게 너무 많아서 상담사 연결이 자연스러웠다. 고객도 “챗봇은 이 정도겠지” 하고 금방 상담사를 찾았다. 역설적으로 불만이 적었다. 기대가 낮았으니까.
2세대 (2020~2023): 의도 분류 + 시나리오 시기. 머신러닝으로 고객 의도를 분류하고, 의도별 시나리오를 설계해서 대화를 이끌었다. “카드 분실이시군요 → 분실 신고 하시겠어요? → 네 → 완료되었습니다” 식의 태스크 완결형 봇. 단순 업무 해결률이 급등했다. 동시에 고객 기대치도 급등했다. “분실 신고는 되는데 왜 보험 청구는 안 돼?”
3세대 (2023~현재): 대규모 언어 모델 시기. 자연어 이해가 사람 수준에 근접했다. 고객이 뭘 원하는지 ‘이해’하는 데는 거의 문제가 없어졌다. 그런데 바로 여기서 근본적인 질문이 등장했다. 이해한다고 해서 끝낼 수 있는 건 아니라는 것.
AI가 ‘답’은 하는데 ‘끝’은 못 내는 것들
8년간 챗봇을 운영하면서 “이건 AI가 절대 혼자 못 끝낸다”고 확신하게 된 영역들이 있다. 기술이 아무리 발전해도, 적어도 금융이라는 맥락에서는 사람의 개입 없이 닫을 수 없는 일들. 하나씩 풀어보겠다.
첫 번째: 감정이 얽힌 민원의 종결
금융 민원은 독특하다. 돈이 걸려 있기 때문이다. 식당 서비스에 불만이 있으면 “다음에 안 가면 그만”이지만, 금융 민원은 다르다. 내 돈이 잘못 빠져나갔거나, 대출이 거절됐거나, 보험금이 안 나오면 — 그건 생활이 걸린 문제다.
챗봇은 민원을 ‘접수’할 수 있다. 분류도 잘 한다. 관련 규정도 안내할 수 있다. 처리 예상 기간도 알려줄 수 있다. 그런데 민원이 ‘종결’되려면 고객이 “이제 됐다”고 느껴야 한다. 그리고 그 느낌은 정보 전달만으로는 만들어지지 않는다.
실제 사례를 하나 들겠다. 물론 익명 처리한다.
60대 자영업자 고객이 대출 연장이 거절됐다. 챗봇에 사유를 물었고, 챗봇은 신용평가 기준에 따른 거절 사유를 정확하게 안내했다. 고객은 “그럼 어떻게 하면 되느냐”고 물었다. 챗봇은 신용점수 개선 방법, 다른 대출 상품 안내, 서민금융 안내까지 빠짐없이 제시했다. 기술적으로 완벽한 응답이었다.
그런데 고객은 만족하지 않았다. 다음 날 다시 왔다. 그다음 날도. 일주일 동안 매일 챗봇에 접속해서 비슷한 질문을 반복했다. 로그를 분석해보니, 고객이 진짜 원했던 건 ‘다른 방법’이 아니었다. “20년 거래했는데 이렇게 되냐”는 억울함을 누군가에게 말하고 싶었던 것이다.
결국 상담사가 전화를 걸었다. 상담사는 20분 동안 이야기를 들었다. “네, 20년 동안 거래해주셨는데 이런 결과가 나와서 정말 속상하시겠습니다.” 이 한마디가 일주일치 챗봇 대화보다 더 큰 효과를 냈다. 고객은 결과 자체는 바뀌지 않았지만, “알겠다, 다른 방법을 찾아보겠다”며 전화를 끊었다.
종결은 정보의 문제가 아니라 관계의 문제다. AI는 정보를 완벽하게 전달할 수 있다. 하지만 “이제 됐다”는 느낌을 만들어내는 건, 적어도 현재의 AI로는 불가능하다.
두 번째: 규정의 회색 지대에서 내리는 판단
금융은 규제 산업이다. 모든 것에 규정이 있고, 그 규정을 지키지 않으면 벌금이나 제재가 따른다. 챗봇도 당연히 규정에 맞게 답변해야 한다. 그런데 문제는, 규정이 항상 깔끔하게 흑백으로 나뉘지 않는다는 것이다.
예를 들어보자. 고객이 해외에서 카드를 사용했는데, 본인이 사용한 건 맞지만 가맹점에서 금액을 잘못 청구한 것 같다고 한다. 이런 경우 ‘이의제기(chargeback)’ 절차를 안내해야 하는데, 여기서부터 회색 지대가 시작된다.
규정상 이의제기는 ‘부정 사용’과 ‘거래 분쟁’으로 나뉜다. 부정 사용이면 A 프로세스, 거래 분쟁이면 B 프로세스. 그런데 고객의 설명이 어중간하다. “제가 쓴 건 맞는데, 금액이 다르고, 그 가게가 좀 이상했어요.” 이게 부정 사용인가, 거래 분쟁인가?
챗봇은 규정을 기반으로 분류를 시도한다. 하지만 경계선에 있는 건은 어느 쪽으로 분류하느냐에 따라 고객의 보호 수준과 처리 속도가 달라진다. 잘못 분류하면 고객이 불이익을 받을 수 있고, 반대로 지나치게 관대하게 분류하면 회사가 리스크를 떠안는다.
이런 판단을 AI에게 맡길 수 있을까? 기술적으로 가능할 수도 있다. 확률적으로 이쪽에 더 가깝다는 판정을 내릴 수는 있다. 하지만 금융에서는 “확률적으로 이쪽 같습니다”가 통하지 않는다. 누군가가 판단에 대해 책임을 져야 하고, 그 책임은 사람에게만 귀속될 수 있다.
우리 챗봇 시스템에는 “회색 지대 감지기”라는 내부 모듈이 있다. 고객의 질문이 규정의 경계선에 걸리면, 자동으로 플래그를 세우고 상담사에게 넘긴다. 이 모듈을 만드는 데 2년이 걸렸다. 재미있는 건, 이 모듈의 핵심 기능이 “답하지 않는 것”이라는 점이다. AI가 가장 잘 동작하는 순간이, 자신이 답하면 안 되는 상황을 정확히 인지하는 순간이라니. 역설적이지만 이것이 현실이다.
세 번째: 예외적 인생 상황에 대한 대응
글의 서두에서 이야기한 70대 고객의 사례로 돌아가보자. 배우자를 잃고 처음으로 금융 업무를 혼자 처리해야 하는 상황. 이런 일은 드물지 않다.
사별, 이혼, 중병, 사기 피해, 자연재해. 금융 챗봇을 8년 운영하면 이런 상황을 수도 없이 만난다. 그리고 이런 상황에서 고객이 원하는 건, 단순한 업무 처리가 아니다.
사별 후 계좌 정리를 문의하는 고객에게 필요한 건 서류 목록이 아니라, “지금 당장 다 하지 않아도 됩니다. 천천히 하셔도 괜찮습니다”라는 한마디다.
보이스피싱 피해를 당한 고객에게 필요한 건 신고 절차 안내가 아니라, “고객님 잘못이 아닙니다”라는 확인이다.
챗봇이 이런 말을 할 수 있을까? 기술적으로는 가능하다. 감정 분석을 해서 고객이 힘든 상황에 있다고 판단하면, 공감 문구를 먼저 출력하도록 프로그래밍할 수 있다. 실제로 우리도 그렇게 했다.
그런데 효과가 없었다.
이유를 오래 고민했다. 결론은 이렇다. 같은 말이라도 ‘누가’ 하느냐가 중요하기 때문이다. “고객님 잘못이 아닙니다”라는 말은, 기계가 하면 프로그래밍된 응답이고, 사람이 하면 위로다. 고객은 그 차이를 안다. 아니, 느낀다. 챗봇이 “걱정되시겠습니다”라고 말하면, 고객은 “어차피 자동 응답이겠지”라고 생각한다. 하지만 상담사가 잠깐 말을 멈추고 “…정말 힘드셨겠네요”라고 하면, 그 침묵과 목소리의 떨림에서 진심을 감지한다.
이것을 기술로 해결할 수 있을까? 언젠가는 될 수도 있다. 하지만 “언젠가”와 “지금”은 다르다. 그리고 금융은 “언젠가”를 기다릴 여유가 없는 산업이다. 지금 당장 눈앞의 고객이 울고 있으면, 지금 당장 사람이 나서야 한다.
네 번째: 책임의 서명이 필요한 순간
금융에서 가장 무거운 단어 중 하나가 ‘책임’이다. 그리고 책임에는 항상 서명이 따른다.
대출 승인, 보험금 지급, 투자 상품 권유, 고객 정보 변경. 이런 것들에는 반드시 ‘누군가의 결재’가 필요하다. 법적으로 그렇고, 내부 통제 기준으로도 그렇다.
챗봇이 아무리 정확하게 고객의 대출 적격 여부를 판단해도, 최종 승인 버튼은 사람이 눌러야 한다. 챗봇이 보험 약관을 완벽하게 해석해서 “이 경우 보험금이 지급됩니다”라고 판단해도, 실제 지급 결의서에는 심사역의 도장이 찍혀야 한다.
이것은 기술의 한계가 아니다. 제도의 설계다. 금융 시스템은 “누군가가 책임진다”는 원칙 위에 세워져 있다. AI가 판단의 정확도를 99.9%로 올려도, 그 0.1%가 현실이 됐을 때 “AI가 그랬습니다”는 답이 되지 않는다. 규제 기관 앞에서, 법정에서, 금융감독원의 민원 조정 과정에서 — 결국 사람이 서서 “제가 판단했습니다”라고 말해야 한다.
챗봇 운영 초기에 우리 팀 내부에서 논쟁이 있었다. “왜 챗봇이 직접 처리해버리면 안 되냐. 기술적으로 가능한데.” 그때 컴플라이언스 팀의 답변이 아직도 기억난다.
“기술적으로 가능한 것과, 해도 되는 것은 다릅니다.”
이 한마디가 금융에서 AI의 역할을 정의한다고 생각한다.
다섯 번째: 맥락이 대화를 넘어서는 경우
챗봇은 대화의 맥락을 기억한다. 대화가 시작된 이후의 맥락은. 하지만 금융에서 진짜 중요한 맥락은 대화 밖에 있다.
한 번은 이런 일이 있었다. 고객이 갑자기 전 계좌의 해지를 요청했다. 챗봇은 해지 절차를 안내하려 했고, 이탈 방지 로직이 작동해서 “해지하시면 이런 혜택을 잃게 됩니다”라는 멘트를 출력했다. 기술적으로 맞는 대응이다.
그런데 이 고객은 보이스피싱 피해자였다. 범인의 지시를 받고 있었다. “빨리 계좌를 해지하고 새 계좌를 만들어야 한다”고 속은 상태였다. 챗봇의 이탈 방지 멘트는 오히려 고객을 초조하게 만들었다. “왜 빨리 안 해주느냐”며 더 다급해졌다.
이런 상황을 챗봇이 감지할 수 있을까? 대화 내용만으로는 어렵다. “계좌를 해지하고 싶다”는 말 자체는 정상적인 요청이다. 하지만 이 고객의 최근 거래 패턴, 갑작스러운 행동 변화, 통화 이력, 접속 환경 등을 종합하면 이상 징후를 감지할 수도 있다.
문제는 이런 종합 판단이 단순한 패턴 매칭이 아니라는 점이다. 경험 많은 상담사는 고객의 목소리 톤, 말의 속도, 질문의 패턴에서 “뭔가 이상하다”는 직감을 얻는다. 그리고 그 직감을 바탕으로 “고객님, 혹시 누군가 지시를 받고 계신 건 아닌가요?”라고 조심스럽게 물을 수 있다. 이 질문 하나가 수천만 원의 피해를 막기도 한다.
AI는 데이터를 분석할 수 있다. 하지만 “뭔가 이상하다”는 직감, 그리고 그 직감을 바탕으로 조심스럽게 개입하는 판단은 아직 사람의 영역이다.
왜 ‘끝맺음’이 ‘시작’보다 어려운가
여기서 잠깐, 좀 더 근본적인 질문을 던져보자. 왜 AI는 대화를 ‘시작’하고 ‘이어가는’ 것은 잘 하면서, ‘끝맺는’ 것은 못 할까?
답은 생각보다 단순하다. ‘끝맺음’에는 판단, 책임, 공감이 동시에 필요하기 때문이다.
대화를 시작하는 것은 쉽다. “무엇을 도와드릴까요?” 대화를 이어가는 것도 상대적으로 쉽다. 질문에 답하고, 추가 질문을 하고, 정보를 제공하면 된다. 하지만 대화를 끝내려면 — 특히 금융 맥락에서 만족스럽게 끝내려면 — 다음 세 가지가 동시에 충족돼야 한다.
첫째, 상황에 대한 올바른 판단. 이 고객의 문제가 진짜 해결됐는가? 표면적으로 답을 줬다고 해서 문제가 해결된 게 아닐 수 있다. 앞서 든 대출 거절 사례처럼.
둘째, 결과에 대한 책임. “이 조언대로 하시면 됩니다”라고 말하려면, 그 조언이 틀렸을 때의 결과도 감수해야 한다. AI가 “이 펀드에 투자하시면 됩니다”라고 말할 수 있을까? 기술적으로 가능하다. 하지만 그 투자로 손실이 나면 누가 책임지나?
셋째, 인간적 공감. “이제 끝이다”는 느낌은, 상대방이 나를 이해하고 있다는 확신에서 온다. 규정에 맞는 답변을 받았다고 해서 자동으로 “이해받았다”고 느끼지는 않는다.
이 세 가지가 동시에 충족되는 순간, 대화는 자연스럽게 종료된다. 고객이 “감사합니다, 알겠습니다”라고 하고 전화를 끊는 그 순간. 그것이 진정한 ‘끝맺음’이다.
AI는 이 세 가지 중 첫 번째에만 강하다. 정보 분석과 상황 판단. 나머지 두 개는 — 적어도 금융이라는 고위험 맥락에서는 — 아직 사람의 몫이다.
8년간 배운 것: 끝맺음의 다섯 가지 패턴
운영 데이터를 분석하면서 금융 챗봇에서 ‘사람의 끝맺음’이 필요한 상황을 다섯 가지 패턴으로 분류할 수 있었다. 이 분류가 우리 팀의 에스컬레이션 정책의 뼈대가 됐다.
패턴 1: 감정 잔여(Emotional Residue)
정보는 전달됐지만 감정이 해소되지 않은 경우. 앞서 든 대출 거절, 사별 후 계좌 정리 사례가 여기에 해당한다. 고객이 같은 질문을 반복하거나, 답변을 받고도 대화를 종료하지 않는 패턴으로 감지한다.
우리 팀의 대응: 동일 주제 반복 3회 이상 감지 시 상담사 연결 제안. 강제 연결이 아니라 제안. “혹시 상담사와 직접 이야기하고 싶으시면 연결해드릴까요?” 수용률이 약 60%. 그리고 상담사가 연결된 후 종결까지 걸리는 시간은 평균 8분. 챗봇과 반복 대화하던 시간보다 훨씬 짧다.
패턴 2: 규정 경계(Regulatory Boundary)
고객의 요청이 규정의 경계선에 걸리는 경우. 챗봇이 어느 쪽으로도 명확하게 답할 수 없고, 잘못 답하면 법적 리스크가 생기는 상황.
우리 팀의 대응: 앞서 말한 “회색 지대 감지기”가 작동한다. 이 모듈은 규정 DB와 고객 질문을 매칭해서, 매칭 확신도(confidence)가 임계값 이하이면 자동 에스컬레이션. 임계값은 분기별로 컴플라이언스 팀과 조율해서 조정한다.
이 패턴에서 중요한 건, 에스컬레이션 자체가 답이라는 점이다. “지금 이 질문에는 전문 상담사가 정확하게 안내해드려야 합니다”라는 응답도 하나의 좋은 답변이다. 오히려 애매하게 답하는 것보다 훨씬 나은.
패턴 3: 생애 사건(Life Event)
사별, 이혼, 은퇴, 중병 등 고객의 인생에 큰 변화가 생긴 상황에서의 금융 문의. 업무적으로는 계좌 명의 변경, 보험 청구, 연금 수령 등이지만 감정적으로는 훨씬 복잡하다.
우리 팀의 대응: 특정 키워드(상속, 사망, 이혼, 장애 등)가 감지되면 대화 톤을 전환하고, 초기부터 상담사 연결을 적극 제안한다. 그리고 연결되는 상담사도 일반 상담사가 아니라, 해당 분야 전문 교육을 받은 상담사로 라우팅한다.
이 패턴에서 기술이 기여하는 부분은 ‘감지’와 ‘라우팅’이다. 챗봇이 상황을 빠르게 파악해서 적합한 사람에게 연결해주는 것. 기술의 역할이 “대신 처리하는 것”이 아니라 “적합한 사람을 빨리 찾아주는 것”으로 바뀌는 영역이다.
패턴 4: 다중 접점 이력(Multi-touch History)
같은 문제로 여러 채널(챗봇, 전화, 지점, 이메일)을 거친 고객. 이미 여러 번 설명했는데 아직 해결이 안 된 상태. 이런 고객의 첫마디는 대개 “이거 몇 번째 연락인지 아세요?”다.
이 패턴에서 챗봇이 가장 못 하는 건 ‘이전 맥락의 연속성 보장’이다. 기술적으로 이전 대화 기록을 보여줄 수는 있다. 하지만 “아, 이전에 전화로 OOO 상담사랑 통화하셨었네요. 그때 말씀드린 부분에서 추가로 궁금하신 거죠?”라는 자연스러운 맥락 이어가기는 사람이 해야 한다.
우리 팀의 대응: 동일 이슈로 3회 이상 접촉한 고객은 자동으로 전담 상담사를 배정한다. 그리고 그 상담사에게는 이전 모든 채널의 대화 요약을 AI가 만들어 제공한다. 여기서 AI의 역할은 “직접 상담”이 아니라 “상담사의 무기 장전”이다.
패턴 5: 의사결정 요청(Decision Request)
“제 상황에서 뭘 해야 하나요?” 이 질문이 가장 까다롭다.
“적금 만기가 됐는데 재예치할까요, 펀드에 넣을까요?” “대출 갈아탈까요, 그냥 둘까요?” “보험 하나 더 들어야 할까요?”
챗봇은 각 선택지의 정보를 비교해서 보여줄 수 있다. 금리, 수수료, 세금 혜택, 리스크 수준. 훌륭한 정보 제공이다. 하지만 “그래서 뭘 하라”는 말은 할 수 없다. 아니, 해서는 안 된다.
이것은 기술의 한계가 아니라 금융 규제의 영역이다. 투자 권유는 자격이 있는 사람만 할 수 있다. 그리고 권유에는 책임이 따른다. 적합성 원칙, 설명 의무, 냉정 기간 안내. 이 모든 것이 ‘사람’에게 부여된 의무다.
챗봇이 “A 상품이 고객님께 더 유리해 보입니다”라고 말하는 순간, 그것은 투자 권유가 된다. 그리고 그 권유의 주체가 AI라면? 현행 금융 규제 체계에서는 아직 명확한 답이 없다. 규제가 기술을 따라가지 못하는 전형적인 사례다.
우리 팀의 대응: 의사결정 요청이 감지되면 “정보는 이렇습니다”까지만 제공하고, “구체적인 상담은 전문 상담사와 진행하시는 게 좋겠습니다”로 마무리한다. 이것이 가장 안전하고, 동시에 가장 정직한 대응이다.
그렇다면 금융 챗봇은 무엇을 하고 있는가
여기까지 읽으면 “그럼 챗봇은 쓸모없는 거 아니야?”라고 생각할 수도 있다. 절대 아니다. 오히려 반대다.
AI가 ‘못 끝내는 일’을 명확히 알기 때문에, AI가 ‘잘하는 일’에 더 집중할 수 있다.
8년간 챗봇이 해온 일을 정리하면 이렇다.
1. 단순 반복 업무의 즉시 처리. 잔액 조회, 이체 한도 확인, 카드 분실 신고, 비밀번호 재설정. 이런 것들은 사람이 할 이유가 없다. 365일 24시간 즉시 처리. 이것만으로도 고객 만족도가 크게 올랐다.
2. 상담사의 업무 부하 분산. 단순 문의를 챗봇이 처리해주니까, 상담사가 복잡한 건에 더 집중할 수 있게 됐다. 상담사 1인당 복잡 민원 처리량이 3년 전 대비 40% 늘었다. 사람이 사람다운 일에 집중할 수 있게 된 것이다.
3. 사전 정보 수집과 라우팅. 고객이 상담사와 연결되기 전에, 챗봇이 기본 정보를 수집하고 문제를 분류한다. 상담사가 전화를 받는 순간 이미 고객의 상황을 70% 파악한 상태로 시작할 수 있다. 이것이 체감 상담 품질을 엄청나게 올린다.
4. 이상 징후 감지. 보이스피싱 의심 패턴, 비정상적 거래 시도, 본인 인증 실패 반복 등을 실시간으로 감지해서 경보를 울린다. 사람이 24시간 모니터링할 수 없는 영역을 AI가 보완한다.
5. 상담 품질 데이터 축적. 모든 대화가 로그로 남는다. 이 데이터를 분석하면 고객 니즈의 트렌드, 불만의 패턴, 규정의 사각지대를 발견할 수 있다. 이 인사이트가 다시 서비스 개선으로 이어진다.
정리하면, 금융 챗봇의 진짜 가치는 ‘사람을 대체하는 것’이 아니라 ‘사람이 더 잘 일할 수 있게 만드는 것’이다. 이것이 8년간의 결론이다.
현장에서 만난 오해 세 가지
금융 챗봇을 운영하면서 가장 많이 들은 오해들이 있다. 이 자리에서 정리해두고 싶다.
오해 1: “AI가 더 발전하면 상담사가 필요 없어질 것이다”
앞서 말한 ‘라스트 마일 역설’이 답이다. AI가 발전할수록 남은 문제의 난이도가 올라간다. 단순 문의가 사라진 자리를 복잡한 문의가 채운다. 상담사의 역할은 사라지는 게 아니라 바뀌는 것이다. 키보드로 잔액을 알려주던 상담사가, 이제는 고객의 인생 상황에 맞는 금융 조언을 하는 전문가로 진화하고 있다.
실제로 우리 조직에서 최근 3년간 상담사 인력은 줄지 않았다. 대신 채용 기준이 바뀌었다. 이전에는 “빠르고 정확한 정보 전달”이 핵심 역량이었다면, 지금은 “복잡한 상황에서의 판단력과 공감 능력”이 핵심이다.
오해 2: “챗봇의 성공 지표는 자체 해결률이다”
초기에는 우리도 이렇게 생각했다. 챗봇이 상담사 도움 없이 자체적으로 해결한 비율이 높을수록 좋은 챗봇이라고. 그래서 자체 해결률을 KPI로 잡았다.
결과는 재앙이었다. 자체 해결률을 올리려고 하니, 챗봇이 상담사 연결을 회피하게 됐다. 고객이 “사람하고 얘기하고 싶다”고 해도 “제가 도와드릴 수 있습니다, 어떤 문제인가요?”라고 버티는 봇. 고객 만족도가 급락했다.
지금 우리의 핵심 지표는 ‘적시 에스컬레이션율’이다. 사람이 개입해야 할 상황에서 적절한 시점에 사람에게 넘겼느냐. 너무 빨리 넘기면(챗봇이 할 수 있는 건데 바로 넘기면) 비효율적이고, 너무 늦게 넘기면(사람이 필요한데 버티면) 고객이 떠난다. 이 타이밍을 맞추는 것이 챗봇의 가장 중요한 능력이다.
오해 3: “대화형 AI면 충분하다”
금융 챗봇을 “대화형 AI”로만 보면 절반만 보는 것이다. 금융 챗봇은 대화 인터페이스를 가진 업무 자동화 시스템이다. 뒤에는 계정 시스템, 카드 시스템, 대출 시스템, 보험 시스템, 컴플라이언스 시스템이 연결돼 있다. 대화는 빙산의 일각이다.
대화 자체를 아무리 자연스럽게 만들어도, 뒤의 시스템이 받쳐주지 않으면 소용없다. “잔액 알려줘”라는 말을 이해하는 건 대화 AI의 몫이지만, 실제로 잔액을 조회하는 건 코어뱅킹 시스템의 몫이다. 그리고 이 두 세계를 안전하게 연결하는 건 엔지니어링의 몫이다.
금융 챗봇의 난이도는 “대화를 얼마나 잘 하느냐”가 아니라 “대화 뒤에서 일어나는 업무 처리를 얼마나 안전하고 정확하게 하느냐”에 있다.
끝맺음의 기술: 사람에게 필요한 새로운 역량
AI가 끝맺지 못하는 일을 사람이 해야 한다면, 그 사람에게는 어떤 역량이 필요할까? 이것도 8년간 현장에서 관찰한 내용이다.
역량 1: 맥락 전환 능력
AI가 만들어놓은 대화 요약을 빠르게 읽고, 3초 안에 상황을 파악하는 능력. 상담사가 전화를 받는 순간 “아, 이 고객은 이런 상황이구나”를 바로 잡아야 한다. 예전에는 고객이 처음부터 설명했지만, 이제는 AI가 정리해놓은 맥락 위에서 시작하는 거다. 이것은 새로운 종류의 읽기 능력이다.
역량 2: 감정 해독력
“화난 고객”과 “두려운 고객”은 표면적으로 비슷해 보인다. 둘 다 목소리가 높고, 빨리 해달라고 다그친다. 하지만 대응 방법은 완전히 다르다. 화난 고객에게는 공감과 사과가 먼저고, 두려운 고객에게는 안심이 먼저다. AI의 감정 분석은 “부정적 감정”이라고만 알려준다. 그 안에서 화, 두려움, 실망, 억울함을 구분하는 건 사람의 몫이다.
역량 3: 판단의 설명 능력
회색 지대에서 판단을 내렸다면, 그 판단의 이유를 고객에게 설명할 수 있어야 한다. “규정이 이래서요”가 아니라, “고객님의 상황을 이렇게 이해했고, 이 규정을 이렇게 적용한 결과입니다”라고. 이것은 규정에 대한 깊은 이해와, 그것을 일반인의 언어로 번역하는 능력이 동시에 필요한 일이다.
역량 4: 기술과의 협업 감각
AI가 만들어놓은 정보를 활용하되, 맹목적으로 따르지 않는 능력. AI가 “이 고객은 이탈 위험이 높습니다”라고 분석했어도, 실제 대화에서 “아, 이건 이탈이 아니라 단순히 궁금한 거구나”라고 판단할 수 있어야 한다. AI의 분석을 참고하되 무비판적으로 수용하지 않는, 건강한 회의를 유지하는 것.
역량 5: 종결의 타이밍 감각
언제 “더 궁금하신 건 없으시죠?”라고 물어야 하는지. 이 타이밍이 빠르면 고객은 “나를 빨리 끊으려고 한다”고 느끼고, 늦으면 불필요하게 시간을 잡아먹는다. 이것은 매뉴얼로 정할 수 없는, 순전히 경험과 감에 의존하는 영역이다.
1화에서 4화까지, 이제 보이는 그림
잠깐 뒤를 돌아보자.
1화에서는 AI 도입 후 오히려 더 바빠진 현실을 이야기했다. 2화에서는 ‘휴먼 인 더 루프’라는 개념이 어떻게 오해되고 있는지 살펴봤다. 3화에서는 AI를 잘 쓰는 팀과 못 쓰는 팀의 차이가 피드백 루프에 있다는 것을 확인했다.
그리고 오늘 4화에서 금융이라는 구체적인 도메인에서, AI가 절대 혼자 끝맺지 못하는 일의 실체를 들여다봤다.
이 네 편을 관통하는 메시지는 하나다. AI의 가치는 사람을 대체하는 데서 오는 것이 아니라, 사람이 사람만이 할 수 있는 일에 집중할 수 있게 만드는 데서 온다.
그런데 여기서 자연스러운 의문이 생긴다. 그렇다면 그 ‘사람만이 할 수 있는 일’이란 정확히 무엇이고, 그것은 미래에도 계속 사람의 영역으로 남을까? AI가 계속 발전하면, 지금 “사람만 할 수 있다”고 말한 것들도 결국 AI가 하게 되지 않을까?
솔직히 말하면, 나도 이 질문에 100% 확답을 못 한다. 다만 8년간의 경험에서 얻은 잠정적인 답은 있다.
기술은 끊임없이 ‘할 수 있는 것’의 경계를 넓히지만, ‘해도 되는 것’의 경계는 기술만으로 넓어지지 않는다. 규제, 윤리, 사회적 합의, 그리고 무엇보다 “누가 책임지느냐”라는 질문. 이것들이 기술의 경계를 다시 좁힌다. 그리고 그 좁혀진 영역, 기술이 할 수 있지만 해서는 안 되는 영역 — 그곳이 바로 사람의 자리다.
현장의 목소리: 같이 일하는 사람들의 한마디
마지막으로, 현장에서 함께 일하는 동료들이 했던 말 중 기억에 남는 것들을 옮긴다. 물론 익명이다.
상담사 A (경력 12년): “예전엔 하루에 100통 받으면 80통이 잔액 조회 같은 거였어요. 지금은 100통 중 80통이 진짜 상담이에요. 일은 줄지 않았는데, 일의 밀도가 완전히 바뀌었어요. 솔직히 더 피곤해요. 근데 더 보람 있어요.”
개발자 B (경력 7년): “챗봇 만들 때 제일 어려운 건 대화를 자연스럽게 만드는 게 아니에요. ‘여기서 사람한테 넘겨야 해’를 판단하는 로직을 만드는 게 열 배 더 어려워요. 그리고 그걸 만든 뒤에도, 현장에서 계속 수정해야 해요. 한번 짜면 끝인 코드가 아니에요.”
컴플라이언스 담당자 C (경력 15년): “AI가 잘못 안내해서 고객이 손해를 봤다. 이런 민원이 들어오면 우리는 어떻게 해야 하나요? 규정은 아직 이 상황을 충분히 다루지 못해요. 기술이 규제보다 빨리 가는 게 항상 문제입니다.”
팀장 D (경력 20년): “나는 챗봇을 도입한 가장 큰 성과가 뭔지 알아? 우리가 ‘진짜 상담이 뭔지’ 다시 생각하게 된 거야. 예전엔 잔액 알려주는 것도 상담이라고 생각했거든. 지금은 아니지. 그건 정보 제공이야. 상담은 사람만 할 수 있는 거야.”
이번 주 한 줄 노트
AI에게 ‘답변’을 맡기고, 사람에게 ‘끝맺음’을 맡겨라. 고객은 정보가 아니라 종결을 원한다.
이 한마디가 8년 운영의 가장 짧은 요약이다. 회사 공식 입장이 아닌, 8년간 관제 화면 앞에서 수만 건의 대화 로그를 읽은 한 사람의 개인적 결론이다.
다음 5화에서는 시야를 넓혀, AI와 사람 사이의 ‘신뢰’라는 문제를 다뤄보려 한다. 금융만이 아니라 의료, 법률, 교육까지 — 고위험 영역에서 사람들은 왜 AI를 ‘알면서도’ 완전히 믿지 못할까? 그리고 그 불신은 합리적인 것일까, 아니면 극복해야 할 편견일까? 실무자의 관점에서 이야기하겠다.
이미지는 Leonardo AI 로 생성되었습니다.
이미지는 Claude AI 로 생성되었습니다.
◀ 이전 3화 (다음 차수는 아직 게시되지 않았습니다)
[…] 인 더 루프(Human-in-the-Loop): AI 시대, 사람만 할 수 있는 일 (총 12화 중 5화)◀ 이전 4화 (다음 차수는 아직 게시되지 않았습니다) 카테고리: IT기술 […]