문의는 쌓이는데, 절반은 늘 같은 질문
CS 인박스를 열어봅니다. 환불 문의, 배송 조회, 로그인 문제, 요금제 질문… 매일 수십에서 수백 건. 그리고 그중 상당수는 답이 정해진 반복 질문입니다. 진짜 사람의 판단이 필요한 건 일부고요.
문제는, 그 '일부'를 골라내려면 전부를 사람이 읽어야 한다는 것입니다. 배송 조회 30건을 지나가야 진짜 화난 고객 1명이 나옵니다. 이게 트리아지(triage) 문제입니다 — 들어오는 문의를 빠르게 분류하고, 1차 답변 초안을 만들고, 사람에게 넘길 것만 넘기는 일.
이 글은 그 트리아지를 Marblo 보드로 구현하는 레시피입니다. AI 챗봇 vs 전통 CS 비교에서 다룬 하이브리드 CS 전략을, 이번엔 실제 보드 구성으로 옮깁니다. 첫 멀티 에이전트 튜토리얼을 한 번 해봤다는 가정입니다.
왜 챗봇 하나로는 부족한가
"CS 챗봇 하나 붙이면 되지 않나?" — 단일 챗봇의 진짜 문제는 자신 없을 때도 자신 있게 답한다는 것입니다. 환불 규정을 잘못 안내하거나, 화가 난 고객에게 형식적인 답변을 보내면 자동화가 오히려 신뢰를 깎아 먹습니다.
트리아지도 사실 성격이 다른 일의 묶음입니다:
- 분류 — 유형·긴급도·감정 판별 (빠르고 저렴하게, 대량으로)
- 답변 초안 — 지식베이스에 근거가 있을 때만 정확히 (RAG)
- 안전 검증 — 정책 위반·틀린 안내를 걸러내기 (독립적 판별)
- 라우팅 — 자신 있으면 초안 제시, 불확실하면 사람에게
각 일을 강점이 다른 모델에 나눠 맡기는 게 이종(heterogeneous) 에이전트의 핵심입니다. Marblo 보드는 이 4단계를 시각적으로 연결하고, 각 문의가 어디서 어떻게 처리됐는지 추적하게 해줍니다.
레시피 아키텍처
[문의 유입: 이메일 / 채팅 / 문의폼]
│
▼
classifier (분류)
│
▼
responder (답변 초안 · 지식베이스 RAG)
│
▼
safety_checker (정책·정확성 검증)
│
┌────┴─────────────────┐
▼ ▼
[신뢰도 높음] [위반/불확실/강한 부정 감정]
상담원 승인 큐 사람에게 즉시 에스컬레이션
(초안 제시)
핵심 설계는 모든 문의가 사람을 완전히 우회하지 않는다는 점입니다. 자신 있는 케이스는 상담원에게 초안으로, 애매한 케이스는 바로 사람에게. 자동화가 실수해도 고객에게 그대로 나가지 않습니다.
스테이션별로 뜯어보기
1. classifier — 분류
대량의 문의를 빠르게 훑는 단계라, 추론보다 속도와 비용이 중요합니다. 가벼운 저가 모델(Claude Haiku 또는 Gemini Flash)로 충분합니다.
역할: classifier · 시스템 프롬프트 요지:
당신은 CS 문의 분류 에이전트입니다. 문의를 받아 JSON으로만 분류하세요.
- type: 환불 / 배송 / 계정 / 요금제 / 기타
- urgency: 상 / 중 / 하
- sentiment: 부정 / 중립 / 긍정
- kb_answerable: 지식베이스로 답변 가능해 보이는가 (true/false)
- needs_human: 판단이 애매하면 true
확신이 없으면 needs_human을 true로 두세요. 틀린 분류보다
사람에게 넘기는 게 낫습니다.
2. responder — 답변 초안
여기서 정확성이 갈립니다. 답변은 반드시 회사의 실제 지식베이스(FAQ·정책 문서·매뉴얼)에 근거해야 합니다. Marblo에서는 지식베이스를 MCP 도구로 연결해, responder가 관련 문서를 검색(RAG)하도록 합니다. MCP가 왜 이런 도구 연결의 표준이 됐는지는 MCP 완벽 가이드에 있습니다. 근거 기반 답변엔 긴 맥락 추론이 강한 Claude가 적합합니다.
당신은 CS 답변 작성 에이전트입니다. 분류 결과와 원문 문의를 받아,
연결된 지식베이스에 **근거가 있을 때만** 답변 초안을 작성하세요.
- 근거 문서를 인용할 것
- 지식베이스에 없는 내용은 절대 지어내지 말 것
- 근거가 없으면 답변 대신 "지식베이스 근거 없음"을 반환할 것
- 고객 감정(sentiment)에 맞춰 어조를 조정할 것
마지막에서 두 번째 규칙이 결정적입니다 — 근거 없으면 지어내지 말고 손을 들 것. 이게 잘못된 안내를 원천 차단합니다.
3. safety_checker — 안전 검증
작성된 초안을 발송 전에 정책·정확성 기준으로 검증합니다. 결정적으로 다른 벤더(Gemini)를 씁니다 — 초안을 쓴 모델이 검증하면 같은 착각을 공유하니까요.
당신은 CS 안전 검증 에이전트입니다. 답변 초안과 근거 문서를 받아
검증하세요.
- 환불·보상·정책 규정과 정확히 일치하는가
- 지식베이스 근거를 벗어난 약속(할인·예외 처리 등)을 하지 않는가
- 어조가 고객 감정에 비추어 부적절하지 않은가
위반이 하나라도 있으면 플래그하고 사유를 명시하세요.
4. 라우팅 — 사람에게 넘길 것만 넘기기
safety_checker를 통과하고 classifier가 신뢰도 높음으로 본 케이스는 상담원 승인 큐에 초안과 함께 올라갑니다. 반대로 정책 위반·needs_human·강한 부정 감정은 초안 없이 바로 사람에게 에스컬레이션합니다.
사람은 어디에 — 'agent-assist'부터 시작하세요
가장 중요한 원칙: 처음부터 자동 발송하지 않습니다. 초기엔 agent-assist 모드로 운영합니다 — 에이전트가 초안을 만들고, 상담원이 승인 또는 수정 후 발송. 상담원은 백지에서 답을 쓰는 대신 다듬은 초안을 검토만 하면 됩니다. 처리 속도는 오르는데 통제권은 사람에게 남습니다.
몇 주간 승인하며 검증이 안정적으로 통과하는 걸 확인하면, 그때 위험 낮은 유형(예: 배송 조회)만 골라 자동 발송으로 넘기면 됩니다. 이렇게 신뢰를 계층적으로 넓히는 방법은 AI 에이전트 거버넌스 5원칙에서 더 다룹니다.
실측과 정직한 한계
이 레시피로 개선되는 지표는 대개 1차 응답 시간, 상담원 1인당 처리량, 반복 문의 자동 처리 비율입니다. 승인 큐 덕분에 상담원은 '쓰는' 시간을 '검토하는' 시간으로 바꿉니다.
정직하게 말하면, 복잡하거나 감정적인 문의는 여전히 사람이 처리해야 합니다 — 그리고 그래야 합니다. 이 레시피가 없애는 건 판단이 아니라 분류·초안 노동입니다. 배송 조회 30건을 지나 진짜 화난 고객에게 더 빨리, 더 집중해서 닿게 하는 게 목적입니다.
자주 묻는 질문
Q. 틀린 답이 고객에게 나가면 어쩌죠?
이중 방어입니다 — safety_checker(다른 벤더 검증) + 상담원 승인 큐. agent-assist로 시작하면 사람이 발송 전 모든 초안을 봅니다. 신뢰가 쌓인 뒤에만 저위험 유형을 자동화하세요.
Q. 우리 지식베이스가 부실한데요? 그건 먼저 정리해야 할 문제입니다. RAG 답변은 근거 문서의 품질만큼만 정확합니다. 오히려 이 레시피를 준비하는 과정이 FAQ·정책 문서를 정돈하는 좋은 계기가 됩니다.
Q. 다국어 문의가 섞여 들어옵니다.
classifier 앞에 언어 감지/번역 스테이션을 하나 더 붙이거나, responder를 다국어로 구성하면 됩니다. 아키텍처는 그대로 확장됩니다.
Q. 비용은요?
멀티 에이전트 보드는 Marblo Pro(19,000원/월~) 부터 사용 가능하고, 여기에 실행당 모델 API 사용료가 붙습니다. classifier·safety_checker를 저가 모델로 두면 문의당 비용을 크게 낮출 수 있습니다.
직접 만들어 보기
귀사의 실제 문의 데이터와 지식베이스에 맞춰 이 보드를 함께 구성하고 싶으시면 30분 무료 세션을 신청하세요. Marblo 팀이 첫 트리아지 보드를 같이 설계합니다. 아니면 바로 Marblo에서 Free로 시작해도 됩니다.
관련 글
- AI 챗봇 vs 전통 CS: 비용 절감과 고객 만족도 비교 분석
- 마블로 시작하기 — 첫 멀티 에이전트 만드는 30분 튜토리얼
- 이종 AI 에이전트가 단일 모델보다 강한 이유
- 사내 AI 에이전트 운영 거버넌스 5원칙
마지막 업데이트: 2026-07-10. Marblo UI는 자주 개선되지만 보드 레시피 패턴은 안정적입니다.