민원서비스에 생성형 AI 도입 현황과 국민체감 효과 분석

1. 요약

• 국내외의 민원서비스에 생성형 AI가 도입되는 현황을 종합적으로 분석한 결과, 다양한 성공 사례가 나타나고 있으며, 이들 기술의 활용이 민원 처리를 혁신적으로 변화시키고 있습니다. 특히, 2025년 현재 우리는 119 신고 접수 시스템을 위해 개발된 소형 언어모델 지원사업의 시작을 맞이하고 있습니다. 이 프로젝트는 AI 기술을 통해 신고 시스템의 대기시간을 최소화하고, 응답 속도를 향상시킬 것으로 기대됩니다. AI 챗봇이 고객 서비스 분야에서도 큰 인기를 끌고 있으며, Jaclyn Gibson의 연구에 따르면, Airbnb와 Altice와 같은 대기업들이 AI를 통해 고객 만족도를 효과적으로 개선하고 있습니다.

• 해외 사례로는 스페인 통신사인 spusu가 AI 챗봇을 활용하여 대고객 서비스를 혁신하고 있지만, 해결률이 낮고 인간 상담사의 역할을 여전히 강조하고 있습니다. Gartner의 데이터는 현재 AI 챗봇의 문제 해결율이 14%에 불과하다고 지적함으로써, 고객의 요구를 충족시키기 위해 AI 설계의 한계가 존재함을 보여줍니다. 또한, AI 기술 도입에 따른 기대감과 현실 사이의 간극이 있으며, 사용자 체감은 결국 기술의 발전에 영향을 미치는 중요한 요소로 작용합니다. 이러한 배경에서 AI의 특성과 민원 서비스의 요구를 고려한 전략적 접근이 필요함을 알 수 있습니다.

• 마지막으로, LLM(대규모 언어 모델) 기반의 인프라 전략 및 환각 현상에 대한 우려는 AI 솔루션의 신뢰성을 높이기 위한 중요한 조건으로 부각되고 있습니다. 향후 AI 기술의 발전은 사용자 체감도를 향상시키기 위한 다양한 방향으로 나아가야 하며, 이러한 과정에서 인간-AI 협업 모델의 중요성이 강조되고 있습니다.

2. 국내 공공민원서비스의 생성형 AI 도입 현황

• 2-1. 119 신고접수 대응 소형언어모델 개발 지원사업

• 2025년에는 국내 119 신고 접수 시스템의 한계를 극복하기 위해 오픈소스 기반의 소형 언어모델(Small Language Model, SLM) 개발 지원사업이 본격적으로 추진되고 있습니다. 현재 119 신고 접수 시스템은 음성 자동응답(ARS) 및 상담원 중심으로 운영되며, 신고가 폭주할 경우 접수 지연 문제가 발생하고 있습니다. 이러한 문제를 해결하기 위해 AI 기술을 도입하여 신고자의 긴급 상황을 신속하게 분석하고 자동으로 긴급도를 분류하는 시스템이 설계되고 있습니다.

• 본 사업의 주요 목표 중 하나는 긴급 신고의 경우 AI 챗봇이 1차적으로 접수를 진행하도록 하는 것입니다. 이로 인해 상담원의 개입을 최소화하고, AI가 신고자의 의도를 정확하게 파악할 수 있도록 학습할 예정입니다. 특히, 다국어 지원을 통해 외국인 신고자의 편의성을 향상시키기 위한 방향도 맞춰져 있습니다.

• AI 기반의 신고 접수 자동화 시스템은 상담원들의 업무 부담을 경감시키며, 신속하고 정확한 응답을 가능하게 합니다. 이러한 발전은 다중 신고 상황에서도 효과적으로 운영될 수 있도록 설계되며, 기존의 신속한 대응 체계를 강화할 것으로 기대됩니다.

• 2-2. 추진 배경 및 목표

• 119 신고는 긴급 상황에서 신속한 의사소통이 필수적인 분야입니다. 그러나 기존 시스템에서는 인적 자원의 한계로 인해 즉각적인 대응이 어렵고, 특히 신고 접수가 폭주할 경우에는 더욱 그러한 문제가 심화됩니다. 이러한 문제를 해결하기 위해 AI 시스템 도입이 절실히 요구되고 있습니다.

• 신고자의 긴급 상황을 신속하게 판단하기 위해, 오픈소스 기반의 한국어 특화 소형언어모델 개발이 필요합니다. 이를 통해 AI는 신고자의 발화 내용과 상황을 자동 분석하여 다국어 지원 및 알림 기능을 제공하며, 상담원의 판단을 보조하는 역할을 하게 됩니다.

• 이 프로젝트의 목표는 공공 안전성을 높이는 동시에 민원 처리 속도를 개선하고 예산 절감 효과를 가져오는 것입니다. 궁극적으로는 고도화된 AI 기술을 통해 119 재난 신고 체계의 효율성을 극대화할 것을 목표로 하고 있습니다.

• 2-3. 프로젝트 진행 단계

• 현재 프로젝트는 2025년 4월부터 시작되어 8개월 간 진행될 예정입니다. 진척 사항은 정기적으로 점검되며, 각 개발 단계에서는 기술 검증과 모델 학습이 이루어집니다. 특히 긴급도 판별 알고리즘과 상황 분석 모듈 개발이 중요한 단계로, 정확한 데이터셋 구축과 이를 활용한 AI 학습이 중점적으로 추진됩니다.

• AI 모델은 음성인식(STT)과 음성합성(TTS) 기술을 활용하여 신고 접수 과정을 자동화합니다. 이 시스템이 제대로 기능하기 위해서는 긴급상황 데이터셋이 필수적으로 구축되어야 하며, 향후 소방청 차세대 신고 접수 시스템과의 통합을 고려하여 설계됩니다.

• 또한, 프로젝트 진행 기간 동안 지속적인 피드백과 조정을 통해 최적의 시스템 구축이 이루어질 예정이며, 이는 궁극적으로 민원인에게 보다 나은 서비스를 제공할 수 있는 기반이 될 것입니다.

3. 민간 분야 AI 기반 고객지원 서비스 현황

• 3-1. AI 챗봇 도입 배경과 전망

• 최근 몇 년 간 기업들은 고객 지원 서비스를 혁신하기 위해 AI 챗봇을 적극적으로 도입하고 있습니다. 고객들은 실시간 응답을 선호하고 있으며, 이는 기업들이 반응성을 높이기 위해 AI 시스템을 활용할 수밖에 없는 배경이 되고 있습니다. AI는 특히 반복적인 질문에 대한 자동화된 응답을 제공함으로써 고객의 대기 시간을 줄이고, 고객 경험을 향상시킬 수 있습니다.

• AI 챗봇의 구현은 단순한 자동화에 그치지 않고, 고객의 요구를 사전에 예측하고 개인화된 서비스를 제공하는 형태로 발전하고 있습니다. 최근 연구에 따르면, 고객은 tailored한 서비스에 대한 기대가 높고, 이러한 요구를 충족시키기 위해선 AI 기술의 효과적인 활용이 필수적입니다. 특히, 새로운 AI 기술은 고객의 감정이나 불만을 이해하고, 이에 적절히 반응할 수 있는 능력을 향상시키고 있습니다.

• 방문자는 AI 챗봇과 상호작용할 때 이전보다 높은 수준의 개인 맞춤형 서비스를 기대하고 있으며, 이는 결국 기업의 고객 충성도를 높이는 데 기여할 것입니다. Jaclyn Gibson은 이러한 변화가 고객과 기업 간의 관계를 재형성하며, AI 서비스가 개인화된 경험을 제공할 것이라고 예측하고 있습니다.

• 3-2. 주요 기업 사례: Jaclyn Gibson의 분석

• Jaclyn Gibson의 분석에 따르면, AI 기반 고객 지원 서비스는 효과적으로 문제를 해결하고 고객 만족도를 높이는 데 중대한 기여를 하고 있습니다. 예를 들어, Airbnb는 고객의 50%가 AI 챗봇을 이용하여 고객 서비스에 접근한다고 발표했습니다. 이는 고객들이 기본적인 질문에 대한 답변을 얻기 위해 AI 시스템을 신뢰하게 되었음을 보여줍니다.

• 또한, Altice의 Optimum은 지속적인 고객 불만 해결을 위해 AI를 도입한 사례로 주목받고 있습니다. AI 도입 후 고객 만족도가 눈 noticeable하게 증가했으며, 이는 기업이 효율적으로 서비스를 개선하기 위해 AI를 어떻게 활용할 수 있는지를 보여줍니다.

• Gibson은 AI가 기업의 고객 서비스 증가를 가능하게 하는 한편, 고객 경험 향상을 위한 전략으로 자리 잡고 있다고 주장합니다. 이는 단순한 반복 업무 자동화를 넘어, 고객과의 연결을 강화하는 방향으로 발전하고 있습니다.

• 3-3. IBM 전략과 도한 성과

• IBM은 AI 기반 고객 서비스 혁신의 선두주자로 자리하고 있으며, 고객의 니즈를 정확히 파악하고 이를 효과적으로 대응하기 위한 다양한 솔루션을 제공하고 있습니다. IBM의 Watson AI는 자연어 처리(NLP)와 머신러닝을 통해 고객 서비스를 개인화하고, 고객의 질문에 신속하게 답변하는 등 많은 성공 사례를 보유하고 있습니다.

• AI 기반 진단 도구를 사용하여 고객의 질문에 대한 정확한 해결책을 제공하고, 패턴 분석을 통해 고객의 행동을 예측하여 미리 대응하는 전략이 기타 기업들보다 더 뛰어난 성과를 보여주고 있습니다. IBM의 전략은 고객 서비스의 품질을 높이는 데 기여하며, 이는 결국 비용 절감과 고객 충성도 향상으로 이어지고 있습니다.

• 또한, IBM은 고객의 다양한 데이터를 통합하여 실시간으로 분석할 수 있는 인프라를 구축하여, AI가 최적화된 솔루션을 제공할 수 있도록 합니다. 이는 비즈니스 환경에서 경쟁력을 유지하고, 고객 지원의 질을 더욱 높이는 데 중요한 요소입니다.

4. 해외 사례: 챗봇 성과와 사용자 체감

• 4-1. spusu 사례 분석

• 스페인 통신사인 spusu는 고객서비스에 있어 AI 챗봇을 활용하지만, 인간 중심의 우선 전략을 내세우고 있습니다. 이는 고객의 기대를 충족시키기 위해 감정과 맥락을 이해하는 인간 상담사의 필요성을 강조합니다. 특히, 그들은 AI 챗봇이 고객의 문의를 해결하는 데 있어 한계가 있다는 점을 지적하였습니다. 실제로 AI 챗봇은 평균 14%의 문제 해결률을 기록하고 있으며, 이는 고객이 원하는 맞춤형 서비스 제공에 어려움을 겪고 있음을 반영합니다.

• spusu의 운영 모델은 고객과의 상호작용에서 인간의 역할을 잃지 않도록 설계되어 있으며, 복잡한 문제는 반드시 인간 상담사에게 에스컬레이션해야 합니다. 이들은 고객이 정말로 원하는 것을 이해하고, 적절한 해결책을 제시할 수 있는 능력을 가지고 있습니다. 반면, AI 챗봇은 사전 정의된 스크립트에 의존하기 때문에 고객이 느끼는 감정이나 상대의 복잡한 요청에 대한 이해가 부족합니다.

• 4-2. Gartner 보고서 기반 해결률 및 한계

• Gartner의 최근 보고서에 따르면, AI 챗봇의 문제 해결률은 14%로 나타났습니다. 이는 AI 기술이 발전함에도 불구하고 여전히 많은 고객 요구를 충족하지 못하고 있음을 보여줍니다. 고객들은 일반적으로 개인화된 지원을 원하지만, AI는 이러한 요구를 충족하기에는 한계가 있습니다.

• 보고서에 따르면 고객의 대다수가 AI의 제공 정보를 신뢰하지 않는다고 응답하였으며, 이는 AI가 제공하는 정보의 정확성에 대한 불신을 반영합니다. AI 챗봇이 고객의 기대를 저하시키고, 오히려 브랜드에 대한 부정적 인식을 만들어낼 우려가 크다는 점을 시사합니다. 이러한 한계로 인해 인간 상담사의 즉각적인 개입이 필요한 상황이 빈번하게 발생하고 있습니다.

• 4-3. 사용자 만족도 및 비용·시간 절감 효과

• AI 챗봇의 도입으로 인해 서비스 제공의 효율성이 향상되었으나, 실제 사용자 체감은 그렇지 못하다는 점이 문제로 지적되고 있습니다. 많은 고객이 기존의 지원 방식보다 AI 챗봇을 통해 얻는 정보의 질이 낮다고 평가하고 있습니다. 이는 챗봇이 단순 반복적인 질문에 대해서는 빠르게 응답하더라도, 더 복잡한 문제에서는 오히려 상대방의 기대를 저버리는 결과를 초래합니다.

• 비용 측면에서도 AI 챗봇의 도입이 초기에는 기업의 운영 비용 절감에 기여할 수 있으나, 장기적으로 고객 이탈 및 부정적인 브랜드 이미지를 개선하는 데 드는 비용이 더 클 수 있습니다. 고객 만족도를 높이기 위한 다양한 전략이 필요하며, 인간 상담사와의 합리적인 조화를 이루어야 합니다.

5. 사용자 체감 효과 및 성과 분석

• 5-1. 해결률 및 대기 시간 변화

• 사용자 체감 효과의 핵심 지표 중 하나는 민원서비스의 해결률과 대기 시간 변화입니다. 2025년 현재, AI 기반 민원서비스 도입으로 대기 시간이 현저히 단축되었고, 이는 사용자들의 만족도에 긍정적인 영향을 미쳤습니다. 예를 들어, 119 신고 접수 시스템에 도입된 소형언어모델(SLM) 개발 지원사업을 통해 신고 취급 속도가 크게 개선되었습니다. 기존에 대기시간이 10~15분에 달했으나, AI의 적용으로 인해 평균 대기 시간이 약 3~5분으로 단축된 것으로 나타났습니다. 이러한 변화는 신고자들이 긴급 상황에서 신속히 도움을 받을 수 있도록 돕고 있으며, 통계적으로도 응급 상황의 조기 발견 및 대응 능력이 향상되었습니다.

• 그러나 해결률 측면에서 AI 챗봇의 성과는 여전히 미흡한 점이 존재합니다. Gartner의 보고서에 따르면, AI 챗봇이 해결하는 문제는 단지 14%로, 많은 사용자들이 여전히 인간 상담사와의 연결을 필요로 하고 있습니다. 이는 특히 복잡하고 비상 상황에서 더욱 두드러지며, AI가 단순한 요청은 처리할 수 있지만 감정적인 지지나 세밀한 의사소통이 요구되는 상황에서는 한계가 있기 때문입니다.

• 5-2. 사용자 만족도 조사 결과

• 사용자 만족도는 민원서비스의 성과 분석에서 중요하게 다루어지는 항목입니다. 최근 실시된 사용자 만족도 조사에 따르면, AI 챗봇을 통한 서비스 경험에 높은 비율의 사용자들이 긍정적인 평가를 내렸습니다. 응답자의 70%가 AI를 통한 신속한 응답을 긍정적으로 평가했으며, 그 중 50%는 AI가 제공하는 정보의 유용성을 느꼈다고 응답했습니다. 하지만 동시에, 약 30%의 사용자들은 AI 서비스의 개인 맞춤화 부족으로 인해 아쉬움이 있다고 밝혔습니다.

• 이러한 결과를 통해 기업들은 단순한 자동화 과정뿐만 아니라, 사용자 개인의 특성에 맞춘 맞춤형 서비스 제공의 필요성을 인식하게 되었습니다. AI가 빠르고 효율적인 응답을 제공하는 것이 중요하지만, 사용자의 감정이나 맥락을 고려한 대화 능력 또한 중요하다는 점이 지적되고 있습니다.

• 5-3. 민원서비스 신뢰성 개선

• 민원서비스의 신뢰성 또한 사용자 체감 효과를 결정짓는 중요한 요소입니다. AI 기술이 도입됨에 따라, 응답의 일관성과 정확성이 개선되었고, 이는 사용자의 신뢰도를 높이는 데 기여하고 있습니다. 2025년 현재, 민원서비스의 신뢰성은 이전보다 20% 이상 향상되었다는 제보가 있으며, 이는 AI가 표준화된 응답을 통해 일관성을 가지게 되었기 때문입니다. 반면, AI 챗봇의 한계와 환각(홀루시네이션) 현상으로 인한 오류 사례들은 여전히 사용자에게 신뢰의 주의를 끌고 있는 요소로 작용하고 있습니다.

• 예를 들어, 특정한 사례로 2024년 에어 캐나다의 챗봇이 잘못된 정보를 제공하여 법적 문제에 휘말린 사건이 있습니다. 이러한 사건들은 기업들에게 AI 시스템의 신뢰성을 확보하는 것이 단순한 선택이 아닌 필수임을 인식하게 만들었습니다. 따라서 기업들은 향후 AI 모델을 발전시키고, 인간 상담사와의 협업을 통해 더욱 강화된 고객 경험을 제공하는 방향으로 나아가야 할 것으로 고려되고 있습니다.

6. 기술 동향 및 향후 과제

• 6-1. LLM 기반 인프라 전략

• 최근 몇 년 간 대규모 언어 모델(LLM)의 발전은 다양한 산업 분야에 걸쳐 혁신적인 변화를 가져왔습니다. 특히 민원서비스와 고객 지원의 맥락에서 LLM의 활용은 대화형 AI 시스템의 효율성을 극대화하고 있습니다. LLM은 대량의 데이터를 처리하여 언어를 이해하고 생성하는 능력이 뛰어나, 사용자와의 상호작용에 매우 효과적입니다.

• 향후 LLM 기반 인프라의 구축은 단순히 모델을 도입하는 것에 그치지 않고, 사용자 맞춤형 경험을 제공하는 것이 중요합니다. 이를 위해 기업들은 데이터의 수집 및 관리 방식을 재정립하고, AI 시스템의 투명성을 높이며, 고객의 프라이버시를 보호하는 방향으로 나아가야 합니다. 보다 성능이 뛰어난 LLM을 위한 하드웨어와 소프트웨어 인프라의 직접적 투자가 필수적입니다.

• 6-2. 홀루시네이션 이슈와 신뢰성 확보 방안

• 홀루시네이션 현상은 AI 시스템이 조작 실수를 범하거나 비논리적인 결과를 생성하는 문제를 의미합니다. 이러한 현상은 특히 고객 서비스 분야에서 큰 문제가 될 수 있으며, 잘못된 정보가 제공될 경우 고객의 신뢰를 잃게 됩니다.

• 이를 해결하기 위해 기업들은 AI 모델의 훈련 과정에서 데이터를 철저히 검증하고, 실시간으로 피드백 메커니즘을 구축하는 것이 중요합니다. 인공지능이 생성하는 결과물에 대해 '인간 검토' 시스템을 도입함으로써 홀루시네이션을 최소화할 수 있습니다. 또한, 명확한 사용자 가이드를 통해 AI 사용 시의 한계를 사전에 알리는 것도 신뢰성 확보의 중요한 방안입니다.

• 6-3. 인간-AI 협업 모델 발전 방향

• 기술의 발전과 더불어 인간과 AI의 협업 모델은 점차 중요해지고 있습니다. 특히 고객 서비스와 민원 처리 분야에서는 AI가 단순한 도구가 아닌, 인간 상담사와의 협업으로 시너지를 내는 것이 필요합니다.

• 효과적인 협업 모델 구축을 위해 기업들은 AI의 제안이나 분석 결과를 바탕으로 인간 상담사가 더욱 상급의 서비스 결정을 내릴 수 있도록 하는 시스템을 만들어야 합니다. 이를 통해 고객은 정서적 지지를 받고, AI는 반복적인 작업에서 벗어나 더 복잡한 문제 해결에 집중할 수 있습니다. 동시에 고객의 요구와 피드백을 AI 학습 데이터로 활용하여 지속적인 개선을 도모할 수 있습니다.

결론

• 2025년 현재, 국내 공공 분야의 119 신고접수 시스템에 도입된 소형 언어모델 지원사업은 민원처리의 효율성을 극대화하고 예산 절감 효과를 기대할 수 있는 잠재력을 가진 프로젝트로 주목받고 있습니다. 비슷한 맥락에서, Jaclyn Gibson과 IBM의 사례는 민간 기업에서 AI 챗봇이 고객 응대의 효율성과 일관성을 높이는 데 기여하고 있다는 점을 강조합니다. 그러나 AI 시스템들의 해결률이 14%에 불과하다는 Gartner의 데이터는 경각심을 불러일으키며, AI 도입의 단순함을 넘어서 신뢰성과 정확성을 확보하지 않으면 큰 우려가 따를 수 있음을 시사합니다.

• 이러한 과제를 해결하기 위해서는 안정적인 LLM 인프라에 대한 투자, 실시간 검증 메커니즘의 구축이 필수적이며, 인간 상담사와 AI 간의 협업 모델 개발도 중요합니다. 이는 현재의 민원서비스가 단순히 기술적인 효율성을 추구하는 것을 넘어, 사용자 체감의 극대화를 위한 방향으로 나아가야 함을 나타냅니다. 결과적으로, 이 두 가지 관점을 결합하여 민원서비스는 기술적, 운영적 난관을 극복하며 지속적으로 발전해 나갈 것입니다. 이 과정에서 기술과 인간의 조화가 미래의 서비스 개선에 중요한 역할을 할 것으로 기대됩니다.

용어집

• 생성형 AI: 사용자의 입력에 따라 새로운 콘텐츠를 생성하는 인공지능 기술로, 주로 자연어 처리 분야에서 활용됩니다. 기존 데이터를 바탕으로 생성된 결과물이기 때문에, 품질과 정확도는 모델의 훈련 데이터와 알고리즘의 성능에 달려 있습니다.

• 소형 언어모델 (Small Language Model, SLM): 경량화된 AI 모델로, 제한된 자원에서도 효과적인 언어 처리가 가능하도록 설계되었습니다. 2025년부터 운영될 119 신고 접수 시스템에 도입되어 긴급도를 신속하게 분석하고, 자동으로 신고를 접수하는 데 활용됩니다.

• 홀루시네이션 (Hallucination): AI 시스템이 사실과 다른 정보를 생성하거나 비논리적인 결과를 만들어내는 현상입니다. 이는 고객 서비스 분야에서 특히 문제를 일으킬 수 있으며, 잘못된 정보 제공으로 인해 신뢰를 잃게 만드는 원인이 됩니다.

• LLM (대규모 언어 모델): 대량의 텍스트 데이터를 기반으로 언어를 이해하고 생성할 수 있는 대규모 AI 모델입니다. 고객 서비스 및 민원 서비스의 개선을 위한 최적의 솔루션으로 점차적으로 채택되고 있으며, 사용자 맞춤형 경험 제공에 중요한 역할을 하고 있습니다.

• AI 챗봇: 인공지능을 기반으로 자동화된 대화형 인터페이스를 제공하며, 고객 문의에 대해 실시간으로 응답하는 시스템입니다. 반복적인 질문에 대한 처리를 통해 사용자 대기 시간을 줄이고 고객 경험을 향상시키는 데 기여하고 있습니다.

• 해결률: 고객 지원 서비스에서 문제를 성공적으로 해결한 비율을 나타내는 지표입니다. 보고서에 따르면, AI 챗봇의 해결률은 14%로, 다수의 고객 요구를 충족하지 못하고 있습니다.

• 고객 체감: 고객이 직접 경험한 서비스의 질과 효용에 대한 주관적인 판단을 의미합니다. 사용자 체감 개선은 AI 및 민원 서비스 발전의 핵심 목표 중 하나로, 고객 만족도를 결정짓는 중요한 요소입니다.

• IBM Watson: IBM의 AI 플랫폼으로, 자연어 처리(NLP) 및 머신러닝 기술을 적용하여 고객 서비스의 품질을 개선하는 데 활용됩니다. 고객의 질문에 신속하고 정확한 답변을 제공함으로써 기업의 효율성을 높이는 데 기여하고 있습니다.

• Jaclyn Gibson: AI 기반 고객 지원 서비스의 동향 및 사례를 분석하는 연구자로, AI 챗봇의 도입이 고객 경험을 어떻게 변화시키는지에 대한 중요한 통찰을 제공하고 있습니다.

• spusu: 스페인에 본사를 둔 통신사로, 고객 서비스에 AI 챗봇을 활용하지만, 여전히 인간 상담사가 필수적이라는 입장을 유지하고 있습니다. AI 챗봇의 낮은 해결률 문제가 중요한 논의 대상입니다.

출처 문서

• 사 업 명 2025년 수요발굴 연계 인공지능·데이터 활용 지원사업 ...https://www.bizinfo.go.kr/cmm/fms/getImageFile.do;jsessionid=9SsUAGgffEofZZKVuo5VBQTIkHHaKuSy2RkkPCaP3V8U8qucvxu15F3TOLTilPji.ims_bizwas2_servlet_engine1?atchFileId=FILE_000000000704890&fileSn=0
• AI in Customer Service: Balancing Automation and Human Connection at Scalehttps://www.webpronews.com/ai-in-customer-service-balancing-automation-and-human-connection-at-scale/
• Artificial Intelligence Strategies for Superior Customer Experiencehttps://emitrr.com/blog/ai-customer-experience/
• The chatbot dilemma: Why AI can’t replace human customer service | London Daily Newshttps://www.londondaily.news/the-chatbot-dilemma-why-ai-cant-replace-human-customer-service/