지원 티켓 자동화 AI 에이전트: 답변부터 종료까지

잘 분류된 티켓이라도 답변이 없으면 아무 의미가 없습니다. 무엇에 관한 문제이고 얼마나 급한지 파악한 뒤에도 답변을 작성하고, 게시하고, 기한이 초과되기 전까지 추적하고, 깔끔하게 종료해야 합니다. 가장 반복적이고 물량에 가장 민감한 이 부분을, 자율 AI 에이전트가 맡을 수 있습니다.

문제

잘못된 티켓 처리의 대가는 고객의 행동에서 빠르게 드러납니다. Zendesk가 인용한 Zendesk Benchmark 데이터에 따르면, 소비자의 73%가 여러 번의 나쁜 서비스 경험 후 브랜드를 바꾸며, 절반이 넘는 사람들은 단 한 번의 나쁜 경험만으로도 그렇게 합니다(https://www.zendesk.fr/blog/customer-service/satisfaction/customer-service-statistics/). 22개국 11,000명 이상의 응답자를 기반으로 한 Zendesk의 CX Trends 2026 리포트도 같은 방향을 가리킵니다. CX 담당자의 85%는 첫 접촉에서라도 문제가 해결되지 않으면 고객이 떠난다고 생각합니다(https://cxtrends.zendesk.com/).

좋은 소식은, 같은 Zendesk Benchmark 데이터가 바로 이 지점에서 이미 AI가 유용하다고 인식되고 있음을 보여준다는 것입니다. 소비자 10명 중 거의 8명이 단순한 문제에는 AI 봇이 유용하다고 평가하며, 설문에 응한 경영진의 3분의 2는 고객 서비스에 대한 AI 투자가 유의미한 성과 개선을 가져왔다고 말합니다. 구체적인 결과 신호는 업계 공급사에서도 나옵니다. 자체 AI 지원 에이전트(Fin)를 판매하는 Intercom은 2026년 6월 기준 7,000개 이상의 고객사 전체에서 평균 76%의 해결률을 기록했다고 밝혔으며, 이 수치는 매달 개선되고 있다고 밝혔습니다(https://www.intercom.com/blog/from-resolutions-to-outcomes-evolving-how-fin-delivers-value/). 이는 공급사가 자사 제품에 대해 발표한 수치이지 독립적인 측정치가 아니므로 이 점을 감안해 읽어야 하지만, AI 지원 처리가 지식 베이스 기반 티켓에서 어디까지 커버할 수 있는지에 대한 대략적인 규모는 보여줍니다.

이 수치들이 보여주지 않는 것은, 높은 해결률에 도달하기 위해 사전에 필요한 작업입니다. 최신 상태의 지식 베이스, 반복 사안에 적합한 매크로, 기한이 지나기 전에 알려주는 SLA 추적입니다. 이런 준비 없이 자동화된 처리를 하면 대개 일반적이거나 요점을 벗어난 답변만 늘어나, 신뢰를 높이기는커녕 오히려 떨어뜨립니다. 이것이 정확히 이 에이전트가 메우도록 설계된 격차입니다. 아무것도 없는 상태에서 답변을 지어내는 대신 이미 존재하는 자료를 바탕으로 삼는 것입니다.

에이전트가 단계별로 하는 일

Atako에서 이 에이전트는 사람이 분류했든 전담 분류 에이전트가 분류했든, 이미 열려 있고 분류된 티켓을 대상으로 작동합니다. 연결된 모든 티케팅 채널에서 팀의 근무 시간과 무관하게 대기열을 지속적으로 감시합니다.

각 티켓마다 기업의 지식 베이스에서 가장 관련성이 높은 문서를 찾은 뒤, 티켓의 구체적인 맥락과 기업이 정한 톤에 맞춰 답변을 작성합니다. 티케팅 커넥터에 부여된 grant가 쓰기 권한을 허용하면 답변을 바로 게시하고, 그렇지 않으면 사람의 검토를 위한 초안으로 준비합니다. 동시에 우선순위에 따라 각 티켓에 남은 SLA 기한을 계산하고 추적하며, 충분한 답변 없이 기한이 임박한 티켓이 있으면 Slack으로 팀에 알립니다. 티켓의 사유가 이미 여러 번 해결된 패턴과 일치하면 처음부터 답변을 작성하는 대신 매크로를 적용하거나 제안합니다. 티켓이 해결되면 해결 내용을 요약해 CRM의 고객 정보를 업데이트합니다.

활용되는 연동

Zendesk와 Freshdesk는 grant가 쓰기 권한을 허용하는 경우 update_ticket을 통해 작성된 답변을 받고, 에이전트가 티켓 상태를 종료까지 추적할 수 있게 합니다. Notion은 지식 베이스 역할을 합니다. 에이전트는 무엇이든 작성하기 전에 search나 query_database로 관련 문서를 찾아, 출처 없이 답변을 지어내는 일을 막습니다.

HubSpot은 티켓이 해결되면 해당 연락처나 딜에 해결 내용 요약을 기록해 고객 정보를 업데이트합니다. Slack은 충분한 답변 없이 SLA 기한이 임박한 티켓이 있을 때 알림을 받아, 기한이 초과되기 전에 사람이 다시 개입할 수 있게 합니다.

사람의 몫으로 남는 일

에이전트는 결코 아무것도 없는 상태에서 답변을 지어내지 않습니다. 기존 지식 베이스에 의존하며, 지식 베이스가 티켓의 주제를 다루지 못하면 제시할 만한 신뢰할 자료가 없습니다. 에이전트가 사용하는 각 연동은 정확한 grant에 좌우됩니다. 예를 들어 Zendesk에 대한 읽기 전용 grant가 있으면 에이전트는 답변을 바로 발송하지 못하고 초안으로 준비해야 하며, 이는 팀이 원하는 한 계속 유지되는 사람의 통제 지점이 됩니다.

세 가지 책임은 분명히 사람의 몫으로 남습니다. 먼저, 팀이 이미 검증한 매크로에 해당하지 않는 모든 사례는 발송 전 생성된 답변을 검토하거나 수정합니다. 다음으로, 지식 베이스가 다루지 못하는 복잡하거나 에스컬레이션된 티켓을 처리합니다. 이는 고객의 사안에 대한 진짜 판단과 때로는 에이전트에게 단독으로 결정할 권한이 없는 영업 판단을 요구합니다. 마지막으로, 지식 베이스를 최신 상태로 유지합니다. 아무리 잘 만들어진 에이전트라도 오래되거나 불완전한 문서만으로는 정확하게 답변할 수 없습니다.

이 작동 방식은 휴먼인더루프 원칙을 따릅니다. 에이전트가 반복적인 작성 작업과 기한 추적을 흡수하고, 사안이 이미 알려진 범위를 벗어나는 순간부터는 사람이 실제로 고객에게 나가는 내용을 통제합니다. 게시된 답변, 적용된 매크로, CRM 업데이트 등 에이전트의 모든 행동은 상태와 함께 기록되며, 에이전트의 활동 타임라인에서, 그리고 관리자를 위한 회사 전체 연동 로그에서 확인할 수 있습니다.

측정 가능한 결과

시간이 지나면서 이런 꾸준함은 지원팀이 업무 부담을 체감하는 방식도 바꿉니다. 조용히 초과되는 SLA 기한으로 인한 스트레스 급증이 줄어들고, 이미 다른 곳에서 작성된 답변이 아니라 정말 사람의 판단이 필요한 티켓에 더 많은 시간을 쓸 수 있게 됩니다.

핵심 효과는 두 축으로 측정됩니다. 하나는 SLA 준수입니다. 에이전트가 모든 티켓을 지속적으로 감시하고 기한 이후가 아니라 이전에 알리기 때문입니다. 다른 하나는 답변 품질의 일관성입니다. 매번 다른 사람이 다르게 표현하는 대신 항상 같은 지식 베이스에서 나오기 때문입니다. 그렇다고 지식 베이스를 최신으로 유지할 필요가 없어지는 것은 아닙니다. 오히려 이 결과가 지속되기 위한 조건입니다. 아무리 잘 설계된 에이전트라도 읽는 자료의 품질에 좌우되므로, 문서화는 프로젝트 초반에 한 번 정리하고 다음 사고가 날 때까지 잊어버리는 일회성 작업이 아니라 지속적인 투자가 됩니다.

Atako의 스탠다드 플랜은 에이전트 슬롯 하나당 월 20유로이며, 문서 검색과 답변 작성, SLA 추적에 필요한 모델 호출을 위한 크레딧 1,000개가 매달 포함됩니다. 이 비용은 해당 월에 처리한 티켓 수와 관계없이 동일하며, 오직 동시에 활성화된 에이전트 수만 영향을 줍니다. 자세한 내용은 요금 페이지에서 확인할 수 있습니다.