이 문서는 비즈니스 가치 기반 의사 결정 방식에 따라 AI 비즈니스 사용 사례를 정의하는 데 도움이 됩니다.
생성형 AI와 기존의 AI 솔루션은 강력한 도구이지만, 항상 비즈니스 목표를 지원해야 하며 서로 격리된 상태에서 존재해서는 안 됩니다. 성공적인 생성형 AI 또는 기존 AI 솔루션을 만들려면 먼저 해결해야 하는 측정 가능한 특정 비즈니스 목표 또는 요구를 명확하게 파악해야 합니다. 그런 다음 직원 효율성 향상 또는 고객 만족도 향상과 같은 원하는 비즈니스 성과를 역방향으로 처리하여 이 솔루션이 비즈니스 목표에 직접적으로 기여하는지 확인합니다.
비즈니스 가치에 중점을 둔 생성형 AI 또는 기존 AI 사용 사례를 정의하려면 다음과 같은 간소화된 결정 프로세스를 사용합니다.
- 비즈니스 목표 및 성공 기준: 측정 가능한 비즈니스 목표를 파악합니다.
- 효율성 및 생산성 증가, 비용 절감, 고객 환경 개선, 경쟁 우위 등 달성하려는 비즈니스 목표와 가치에 집중합니다.
- 식별된 목표의 성공을 측정하기 위한 비즈니스 계획을 명확히 합니다. 투자수익(ROI)은 AI 프로젝트 성공의 주요 측정 기준 중 하나입니다. ROI는 다음과 같은 여러 측정항목을 통해 측정할 수 있습니다.
- 직접적인 재정적 이익: 증가된 수익 또는 절감된 비용입니다.
- 운영 효율성: 더 빠른 TTM(time to market) 또는 더 빠른 문제 해결입니다.
- 고객 경험: 향상된 만족도 점수 또는 개선된 유지율입니다.
- 보안 및 개인 정보 보호 측면이 특정 업계 규정 준수 또는 국가 규제 요구사항을 충족하는지 확인하는 등 잠재적인 비즈니스 제약조건 및 고려사항을 파악합니다.
AI/ML 유형: AI/ML이 비즈니스 문제를 해결하거나 식별된 목표를 달성하는 데 적합한 접근 방식인지 결정합니다.
식별된 비즈니스 기대치에 생성형 AI, 다른 유형의 AI가 필요한지, 또는 이를 달성하기 위해 AI가 필요하지 않는지 여부를 결정합니다. 자세한 내용은 'ML 문제 프레이밍'의 필요한 출력 확인을 참조하세요.
사용자 환경 기대치: 사용 사례의 최종 사용자와 이러한 사용자가 생성형 AI 또는 기존의 AI 기반 애플리케이션 또는 서비스와 상호작용하는 방법을 파악합니다. 사용자 기대치 또는 선호도를 고려합니다.
비즈니스 중심 사용자 중심 AI 솔루션: 최적의 생성형 AI 또는 기존 AI 기술 사용 사례를 측정 가능한 비즈니스 요구사항, 조직의 경영진 우선순위, 사용자 기대치와 연결합니다. 다음 사항을 고려하세요.
- 생성형 AI 또는 기존 AI를 사용하여 더 빠른 속도로 더 많은 결과를 얻고 운영 복잡성을 줄이거나 노동을 줄여(비용 절감 효과를 얻음) 기업에서 최적화된 효율성과 생산성을 이끄는 방법
- 비즈니스가 생성형 AI 또는 기존 AI를 사용하여 향상된 고객 또는 제품 경험을 유도하는 방법
- 생성형 AI 또는 기존 AI를 사용하여 혁신적인 방식으로 비즈니스 가치를 창출하는 방법:
- 기존 비즈니스 제품과 기능을 분석하여 생성형 AI 또는 기존 AI가 기존 솔루션을 개선하거나 창의성을 발휘하거나 새로운 가능성을 탐색할 수 있는 영역을 파악합니다.
- AI가 비즈니스를 차별화하는 혁신적인 개선사항을 지원하는 방법을 이해합니다. 생성형 AI는 차별화된 기능과 가치를 만드는 데 도움이 되며, 즉각적인 비즈니스 문제를 해결하는 것 외에도 기존 제품을 향상시킬 수 있는 방법을 모색하는 데 도움이 됩니다.
- 조직의 우선순위 목표에 따라 비즈니스 기능을 향상하기 위해 기술 사용에 우선순위를 둡니다.
비즈니스 프로세스 변경: 비즈니스가 생성형 AI 또는 기존 AI 사용 사례에 맞게 기존 프로세스 또는 워크플로에 적용해야 하는 변경사항을 식별합니다.
AI 솔루션이 직원이나 고객이 모바일 앱 또는 고객 지원 챗봇 등을 통해 회사의 시스템 및 워크플로와 상호작용하는 방식을 어떻게 바꿀지 생각해 보세요. 이러한 상호작용에서 워크플로 자동화와 같은 AI 기능을 활용하고 비즈니스가 AI의 이점을 실현하기 위해 백엔드 프로세스를 변경하거나 다시 만들어야 할 수 있습니다.
생성형 AI 비즈니스 사용 사례 예시
다음 섹션에서는 측정 가능한 비즈니스 요구사항과 기대치를 식별하고 영향력 있는 생성형 AI 비즈니스 사용 사례에 연결하는 방법을 보여주는 간단한 예시를 제공합니다.
비즈니스 문제 기술문
이 시나리오에서는 고객 지원 서비스팀에 대량의 반복 문의, 수동 티켓 관리, 지속적인 지원 이메일 커뮤니케이션으로 인한 과부하가 발생합니다. 과부하로 인해 리소스 부담이 가중되고 상담사의 근무 시간이 늘어나며 해결 시간이 느려지므로 고객 만족도와 유지율이 낮아집니다.
측정 가능한 비즈니스 가치를 가진 잠재적 최적화 영역
다음은 이전 비즈니스 과제를 해결하기 위해 생성형 AI 역량을 기반으로 하는 기술 솔루션(챗봇)을 사용하여 달성할 수 있는 측정 가능한 비즈니스 가치에 대한 예시입니다. 비즈니스 모델과 우선순위에 따라 기업은 이러한 측정 가능한 목표 중 일부 또는 전부를 고려할 수 있습니다.
- 고객 지원 효율성 향상: 지원 비용을 줄이고 상담사 워크플로를 간소화합니다. 측정 가능한 성공 기준은 다음과 같습니다.
- 정의된 기간(예: 분기별) 동안 고객 지원 운영 비용의 감소 비율
- 챗봇에서 처리하는 고객 문의 증가 비율
- 반복적인 작업에 대한 상담사 근무 시간의 평균 감소
- 티켓 해결 최적화: 해결 속도를 개선하고 챗봇으로 직접 해결되는 문제의 비율을 높입니다.
측정 가능한 성공 기준은 다음과 같습니다.
- 챗봇이 처리하는 문의의 해결 시간 평균 감소
- 사람의 개입 없이 해결된 티켓의 비율
- 복잡성으로 인해 기술 지원팀에 에스컬레이션해야 하는 티켓의 양 감소 비율
- 최초 문의의 해결 속도 증가(단일 상호작용로 해결된 문제)
- 챗봇이 처리하고 해결하는 고객 문의 증가 비율
- 고객 경험 향상: 하루 24시간 제공되는 응답성과 맞춤 지원을 제공하여 고객 만족도를 높입니다.
측정 가능한 성공 기준은 다음과 같습니다.
- 챗봇 사용과 관련된 설문조사에서 고객 만족도(CSAT) 점수 상승
- 최초 상호작용의 평균 고객 대기 시간 감소
- 단일 상호작용으로 해결되는 문제 증가
- 챗봇 대화 및 의견 설문조사에서 감지된 긍정적인 감정의 비율
- 개선된 고객 유지율
- 비즈니스 운영 성장 지원: 선형적으로 증가하는 비용 발생이나 최초 고객 상호작용을 위한 대기 시간을 늘리지 않고도 고객 수요 증가를 처리합니다. 측정 가능한 성공 기준은 다음과 같습니다.
- 사람의 개입 없이 지원 요청 볼륨의 지정된 비율 증가를 처리하는 능력
- 수요가 많은 기간 동안 일관된 CSAT 점수와 해결 시간 유지
- 최초 상호작용을 위한 고객 대기 시간을 일관되게 유지
생성형 AI 기반 솔루션
대화형 챗봇: 생성형 AI 기반 챗봇 또는 가상 에이전트는 맞춤설정된 인간과 비슷한 자연스러운 대화 기능을 크게 개선합니다. 이는 생성형 AI가 언어 내의 복잡한 컨텍스트, 감정, 관계를 이해할 수 있는 능력 때문입니다. 이 기능은 보다 자연스러운 상호작용으로 이어지고, 관련성 높은 질문을 하고, 사용자 경험을 개선하기 위한 맞춤 추천을 제공합니다.
또한 생성형 AI 기능은 조직이 작업 효율성과 생산성을 높이는 데 도움이 됩니다. 반면 기존의 규칙 기반 챗봇은 일반적으로 사전 정의된 키워드와 인텐트 패턴으로 제한됩니다. 따라서 대화 패턴이 발전하거나 새로운 질문이 생기면 규칙 기반 챗봇에는 규칙 업데이트 및 상세검색과 인텐트 학습을 위한 추가적인 운영 노력이 필요합니다. 이 사용 사례에서 생성형 AI 챗봇은 기존 규칙 기반 챗봇에 비해 다음과 같은 이점을 제공합니다.
- 생성형 AI 기반 챗봇 답변은 자주 묻는 질문(FAQ)으로 제한되지 않습니다. 챗봇은 지원 케이스의 이전 데이터, 웹사이트, 제품 문서, 인벤토리, 이메일, 해결 방법 관련 이전의 채팅 대화와 같은 다양한 소스의 대규모 데이터 세트 내에서 답변을 찾을 수 있습니다. 또한 대화식 쿼리를 이해하고 복잡한 정보를 요약할 수 있습니다.
- 생성형 AI 가상 에이전트는 모든 데이터 소스의 정보를 합성합니다. 이러한 합성 과정을 통해 제공된 데이터를 기반으로 하고 비즈니스 기대에 부합하는 구체적이고 근거가 있으며 실용적인 응답을 제공할 수 있습니다.
- 생성형 AI가 티켓 내의 복잡한 언어와 미묘한 차이를 해석합니다. 고객 문제의 전체 맥락을 이해할 수 있습니다. 기존의 AI 챗봇은 주로 특정 키워드에 중점을 둡니다.
- 생성형 AI 챗봇은 고객이 선호하는 방법(텍스트, 음성, 이미지)을 사용하여 자신을 표현할 수 있는 유연성을 제공하는 반면 챗봇은 모든 입력을 활용하여 문제 해결을 개선합니다. 예를 들어 고객이 채팅 대화 중에 손상된 제품의 사진을 공유할 수 있으며 생성형 AI는 진단 및 문제 해결 정확도를 향상시키기 위해 고객의 설명을 사진과 결합할 수 있습니다.
케이스 관리 및 인사이트 생성 워크플로: 생성형 AI 기반 챗봇은 모든 상호작용에서 티켓을 자동으로 생성할 수 있습니다. 챗봇은 생성형 AI 기능을 사용하여 문제의 긴급성, 감정 분석, 복잡성을 파악합니다. 이러한 기능을 사용하면 티켓의 우선순위를 효과적으로 지정할 수 있습니다. 챗봇은 다음과 같은 방식으로 티켓팅 시스템과 상호작용할 수 있습니다.
- 생성형 AI 챗봇은 지원 티켓팅 시스템과 직접 상호작용하여 다음과 같은 필수 정보로 지원 티켓을 만들고 채웁니다.
- 고객 세부정보
- 기술적 문제 분류 및 우선순위
- 컨텍스트를 위한 대화의 전체 스크립트
- 핵심 문제 요약
- 새롭고 복잡한 문제의 경우 챗봇은 문제 요약 및 대화와 같은 지원 컨텍스트를 사용하여 올바른 팀에 티켓을 할당할 수 있습니다.
다음 단계
- 생성형 AI 예시에서 생성형 AI가 사용 사례에 적용되는 방법을 알아보세요.
- Google Cloud에서 생성형 AI 애플리케이션 빌드에서 생성형 AI 애플리케이션 개발 단계를 자세히 알아보고 사용 사례에 가장 적합한 제품과 도구를 선택하세요.
- AI 준비 워크숍으로 AI 기능을 평가하고 잠재력을 활용하기 위한 로드맵을 만드세요.