안녕하세요. 15년 차 SCM 및 자동화 전문가 에이드네(Aidne)입니다. 매일 아침 출근하자마자 고객의 문의 메일을 읽고, 담당 부서를 찾아 전달하고, 엑셀에 이력을 남기는 ‘김 대리의 복붙 노가다’를 언제까지 방치하실 건가요? CS(Customer Service) 부서의 인력은 감정 노동과 단순 반복 작업이라는 이중고에 시달리며, 이는 결국 고객 응대 리드 타임 지연과 기업의 비용 손실로 직결됩니다.

단순 반복 작업은 자동화라는 ‘디지털 컨베이어 벨트’에 맡겨야 합니다. 오늘은 값비싼 엔터프라이즈 솔루션 없이도 Make(구 Integromat)와 AI API를 결합하여 고객 문의(CS) 티켓팅 자동 분류 및 초기 답변 봇을 구축하는 실무 밀착형 워크플로우를 낱낱이 파헤쳐 보겠습니다.

고객 문의(CS) 티켓팅 자동화 시스템의 필요성

반복되는 단순 문의 처리의 한계와 비용

하루에 쏟아지는 수백 건의 고객 문의 중 70% 이상은 배송 지연, 환불 규정, 단순 비밀번호 찾기 등 패턴화된 질문들입니다. 하지만 이를 사람이 일일이 읽고 분류하는 순간, 병목 현상(Bottleneck)이 발생합니다. 문의 채널(이메일, 카카오톡, 웹사이트 폼)이 파편화되어 있을수록 데이터 누락의 위험은 기하급수적으로 커지며, 이는 곧 브랜드 신뢰도 하락으로 이어집니다.

AI 라우터(Router) 도입을 통한 리드 타임 단축

최근의 AI 자동화 트렌드는 단순한 ‘키워드 매칭’ 챗봇을 넘어섰습니다. LLM(대형 언어 모델)을 활용한 AI 라우터는 고객이 작성한 비정형 텍스트의 ‘의도(Intent)’와 ‘감정(Sentiment)’을 정확히 파악합니다. 긴급한 불만 접수 건은 즉시 CS 팀장에게 슬랙(Slack) 알림을 보내고, 단순 문의는 AI가 규정에 맞는 답변 초안을 작성하여 담당자가 클릭 한 번으로 발송할 수 있도록 돕습니다.

Make 기반 CS 자동 분류 및 초기 답변 봇 구축 워크플로우

그렇다면 현업에서 이 시스템을 어떻게 구축할 수 있을까요? 노코드 자동화 툴인 Make와 OpenAI API를 활용한 4단계 딥다이브 워크플로우를 소개합니다.

[1단계] 트리거(Trigger) 설정: Gmail 및 웹훅 연동

모든 자동화의 시작은 데이터의 수집입니다. Make에서 Gmail - Watch Emails 모듈을 트리거로 설정합니다. 특정 수신처(예: support@company.com)로 들어오는 이메일을 감지하거나, 웹사이트의 문의 폼에서 제출된 데이터를 Webhooks - Custom Webhook으로 받아옵니다. 이때 첨부파일 유무, 발신자 정보, 수신 시간 등의 메타데이터를 함께 추출합니다.

[2단계] 데이터 파싱 및 AI 의도 분류 (OpenAI API)

수집된 본문 텍스트는 OpenAI - Create a Chat Completion 모듈로 전달됩니다. 여기서 프롬프트 엔지니어링이 핵심입니다. 시스템 프롬프트에 “너는 10년 차 CS 매니저야. 아래 고객 문의 내용을 읽고 카테고리를 [배송, 환불, 제품결함, 단순문의] 중 하나로 분류하고, 고객의 감정 상태를 [긍정, 중립, 부정]으로 평가해. 그리고 JSON 형태로 출력해.”라고 지시합니다. 이 과정을 통해 비정형 텍스트가 시스템이 이해할 수 있는 정형 데이터로 파싱됩니다.

[3단계] 조건부 라우팅 (Router) 및 초기 답변 초안 생성

Make의 Router 모듈을 사용하여 AI가 분류한 카테고리에 따라 경로를 분기합니다. 예를 들어 ‘환불’ 카테고리로 분류되었다면, 다시 한번 OpenAI 모듈을 호출하여 회사의 환불 규정(Knowledge Base)을 바탕으로 정중한 초기 답변 초안(Draft)을 생성합니다. Gmail - Create a Draft 모듈을 연결하여, 담당자가 최종 검토만 하고 바로 보낼 수 있도록 임시 보관함에 답변을 세팅해 둡니다.

[4단계] 슬랙(Slack) 알림 및 티켓팅 시스템 배정 자동화

마지막으로, 분류된 데이터와 생성된 답변 초안 링크를 팀 메신저로 전송합니다. Slack - Create a Message 모듈을 활용해 “[긴급/제품결함] OOO 고객님의 문의가 접수되었습니다. (답변 초안 확인 링크)” 형태로 담당 부서 채널에 알림을 쏩니다. B2B 환경이라면 여기서 Zendesk나 Jira 모듈을 추가하여 자동으로 티켓을 생성하고 담당자를 할당(Assign)할 수도 있습니다.

전사적 AI 워크플로우 확장을 위한 B2B 도입 전략

개인과 소상공인 수준에서는 앞서 설명한 Make 기반 워크플로우만으로도 하루 2~3시간의 업무 시간을 단축할 수 있습니다. 하지만 B2B 의사결정권자라면 이를 전사적 데이터 파이프라인으로 확장하는 시각이 필요합니다. CS 문의 데이터는 곧 제품 개선의 핵심 인사이트입니다. 자동 분류된 고객의 페인 포인트 데이터를 빅쿼리(BigQuery)나 스노우플레이크(Snowflake) 같은 데이터 웨어하우스에 자동 적재하고, 이를 대시보드로 시각화하여 경영진의 의사결정을 지원하는 수준까지 나아가야 합니다. 이것이 바로 고단가 AI 자동화 솔루션이 기업에 제공하는 진짜 가치입니다.