호텔리어가 AI 챗봇 고객 분류 알고리즘을 수정하게 된 실무적 이유와 사례 분석

호텔리어가 AI 챗봇의 고객 분류에 의문을 품은 계기

호텔리어는 AI 챗봇이 도입되며 단순 반복 응대 업무가 줄어든다는 기대를 가지고 실무에 적용하기 시작했다.

시스템은 고객의 연령, 예약 형태, 방문 목적 등을 기준으로 자동으로 분류하고, 이에 따라 가장 적합한 응대 스크립트를 선택하여 전달했다.

 

초기에는 효율성과 일관성 면에서 긍정적인 평가가 많았지만, 호텔리어는 실무 현장에서 예상 밖의 반응을 접하게 되었다. 고객이 정보는 정확한데, 기계적인 느낌이 싫다 는 피드백을 자주 남기기 시작했고, 일부 고객은 내가 어떤 분류로 처리됐는지 모르겠지만 응대가 맞지 않았다 는 불만을 제기했다.

호텔리어는 이 과정에서 단순히 분류 기준에 문제가 있는 것이 아니라, 분류 결과가 고객의 실제 의도나 감정 상태를 무시한 채 일방적으로 작동하고 있다는 점에 주목했다.

AI가 고객을 한 줄짜리 프로필로 인식하고, 그에 맞춰 정형화된 언어를 뿌리는 방식이 고객 개별성의 본질을 왜곡하고 있었다.

 

호텔리어가 발견한 고객 분류 오류의 실무 사례들

호텔리어는 AI 챗봇의 고객 분류 기능이 반복적으로 놓치는 실질적 오류들을 현장에서 직접 수집했다.

첫 번째 사례는 출장으로 방문한 여성 고객에게 AI가 휴식 목적 응대 패턴을 적용한 경우다. 고객이 예약 시 여성 1인 투숙이라는 정보만 입력되어 있었고, 시스템은 이를 자동으로 ‘리프레시형 여행객’으로 분류했다. 호텔리어는 체크인 당시 고객이 노트북을 꺼내놓고 일정표를 확인하는 모습을 보고 출장임을 직감했고, 이에 맞춰 빠른 룸서비스, 회의실 안내, 와이파이 우선 설정 등을 제안해 고객의 만족을 끌어올렸다.

두 번째 사례는 가족 단위 고객이었는데, 예약 명단에 성인 두 명과 어린이 한 명이 포함되어 있었지만, AI는 연령 기준으로 고객을 ‘일반 가족 여행객’으로 분류했다. 그러나 호텔리어는 고객이 조용한 분위기를 중시하는 부모임을 현장에서 감지하고, 활동적인 추천 대신 정적인 콘텐츠를 중심으로 수정 응대를 진행했다. 이런 사례들을 통해 호텔리어는 AI가 데이터만 보고 판단한 분류 기준이 고객의 실제 니즈와 충돌하는 상황을 반복적으로 마주하게 되었다.

 

호텔리어가 고객 분류 알고리즘에 직접 개입하게 된 배경

호텔리어는 이런 반복적인 오류를 단순한 일회성 실수로 보지 않았다. 고객의 기대와 시스템의 대응이 어긋나는 빈도와 패턴을 수치로 정리하고, 내부 회의에서 공유하기 시작했다.

특히 고객 후기 중 ‘딱딱하다’, ‘내가 원했던 방식이 아니다’, ‘정형화된 응대 같다’는 표현이 늘어나는 것을 주목했다. 호텔리어는 결국 AI 팀과 협업해 고객 분류 알고리즘의 구조를 분석하고, 새로운 ‘비정형 분류 기준’ 항목을 제안하게 된다.

이 기준은 단순히 성별, 나이, 예약 경로 같은 데이터가 아니라, 고객의 입력 속도, 말투, 예약 시 코멘트 사용 여부, 요청 사항 문장의 길이 등을 종합적으로 고려하는 방식이었다.

예를 들어 짧고 명확한 요청을 입력한 고객은 ‘목적 지향형’으로, 구체적인 숙소 요청을 남긴 고객은 ‘디테일 중시형’으로 분류되도록 설계했다. 호텔리어는 이 새로운 기준이 AI에게 고객을 더 입체적으로 이해하게 해 줄 수 있다고 판단했고, 이는 곧 고객 만족도와 후기 점수 개선으로 이어지는 결과를 낳았다.

 

호텔리어가 주도한 알고리즘 수정 후의 변화

호텔리어가 고객 분류 알고리즘에 개입한 이후, 내부적으로 응대 일치율이 상승했고, 고객 클레임 발생률도 눈에 띄게 낮아졌다.

기존에는 고객 분류와 응대 결과가 어긋나는 경우가 많아, 별도의 인적 개입이 자주 필요했다. 그러나 알고리즘 수정 후, 고객 응대 톤과 안내 정보가 실제 고객 기대에 부합할 확률이 높아졌고, 챗봇 응대에서 인간 개입이 필요한 빈도도 줄어들었다.

특히 후기에서 '응대가 나를 이해하고 있었다'는 표현이 증가했으며, 예약 플랫폼 평점에도 긍정적인 반영이 이루어졌다.

호텔리어는 응대의 품질이 단지 신속성과 정보량에 달린 것이 아니라, ‘고객이 어떻게 분류되었는지’에 따라 전반적인 응대 흐름이 결정된다는 사실을 현장에서 확인했다. 그 결과, 챗봇과 인간의 협업 구조에서 호텔리어는 단순한 백업이 아니라, ‘정확한 응대 흐름을 설계하는 핵심 결정자’로 자리매김하게 되었다.

 

호텔리어가 제안하는 향후 고객 분류의 방향성

호텔리어는 AI 시스템이 고도화될수록 분류 기준 역시 더 정교해져야 한다고 말한다.

현재 대부분의 호텔 AI는 예약 시점의 데이터를 기반으로 고객을 유형화하지만, 호텔리어는 그 순간조차 고객의 감정이나 맥락이 빠질 수 있다는 점을 경계한다. 향후 호텔리어가 제안하는 방향은 ‘응대 중 실시간 재분류’다. 처음엔 일반 고객으로 분류됐더라도, 대화 중에 사용되는 단어나 표현에서 감정 상태를 추론하고, 이를 반영해 응대 방식을 유연하게 바꾸는 구조다.

또한 호텔리어는 AI에게 모든 결정을 맡기기보다, 사람의 판단이 개입할 수 있는 ‘수정 창구’를 항상 열어두는 구조를 권장한다.

고객 응대는 정확함만으로는 완성되지 않는다. 고객이 ‘이해받고 있다’는 감정을 느낄 수 있어야 만족으로 연결된다.

AI는 빠를 수 있지만, 공감의 미세 조정은 아직까지도 호텔리어의 몫이다. 따라서 고객 분류 알고리즘이 진화하더라도, 그 안에는 반드시 호텔리어의 관찰과 해석이 포함되어야 한다는 것이 현장의 결론이다.

 

 

호텔리어가 고객 분류 정확도를 높이기 위해 만든 피드백 시스템

호텔리어는 알고리즘을 수정하는 데 그치지 않고, 고객 분류의 정확도를 지속적으로 점검하고 개선할 수 있는 자체 피드백 시스템까지 설계했다. 그 시작은 응대 이후 고객 설문이었다. 기존에는 응대 전체에 대한 만족도를 평가하는 방식이었지만, 호텔리어는 설문 구조를 세분화해 ‘초기 응대가 나에게 맞았는가’라는 문항을 별도로 추가했다.

이 문항을 통해 고객 분류 결과와 실제 고객 인식이 일치했는지를 분석할 수 있게 되었고, 오답률이 높은 분류 기준은 다시 검토 대상으로 설정되었다. 호텔리어는 이 피드백 데이터를 정기적으로 분석해, 분류 알고리즘의 문제점과 고객 언어의 흐름 사이에 존재하는 괴리를 파악했다.

예를 들어 예약 시 목적을 ‘휴식’이라고 입력했더라도, 고객이 도착 즉시 회의 일정을 묻는 경우는 출장 성격이 강하다는 것을 데이터로 입증할 수 있었다. 이런 피드백 시스템은 기술 팀이 놓치기 쉬운 고객의 실제 행동 맥락을 반영하게 만들었고, 호텔리어는 단순한 응대자가 아니라 분류 알고리즘의 공동 설계자로서 역할을 확장해 나갔다.

이 과정을 통해 호텔의 응대 품질은 정형화된 AI 시스템 위에 인간의 감각과 판단이 결합된 하이브리드 고객 응대 시스템으로 발전할 수 있었다.