LG CNS · LG 그룹 · B2B 파트너용 AI 챗봇 SaaS

LG CNS Singlex 챗봇 플랫폼

흩어진 챗봇 운영을 엔터프라이즈 SaaS 빌더로

구축, 테스트, 권한, 학습, 이관을 하나로 묶었다. 꼭 필요한 Dialogflow 호환성은 그대로 남겼다.

챗봇을 도입하려는 시장 수요와, AI 서비스를 그룹 사업 전반에 통합하려는 목표가 맞물렸다. LG 그룹 클라우드 SaaS 플랫폼 Singlex 안에 들어갈 AI 챗봇 빌더의 UX 프로젝트를 맡아 이끌었다.

팀 · 기간: LG CNS XFN SaaS 팀 · 6개월
회사: LG CNS

범위 · 배경상세 보기

회사LG CNS ↗

역할 / 역량Lead Product DesignerBot Migration Project Manager

산출물서비스 전략SaaS 플랫폼 UX 디자인서비스 아키텍처AI 챗봇 서비스 이관

기간2020.08 - 2021.01 · 6개월

배경

배경 · 맥락

챗봇 플랫폼 5개가 부른 AI 역량 분산과 운영비 증가

LG 내부 조직과 B2B 파트너는 따로 노는 챗봇 시스템에 계속 돈과 인력을 쓰고 있었다. 정작 필요한 것은 클라우드 기반 플랫폼 하나였다.

분산된 AI 역량

공급사 다섯 곳이 핵심 챗봇 기능을 서로 호환되지 않는 플랫폼에 나눠 갖고 있었다.

중복 투자

챗봇마다 따로 운영하다 보니 제품·연동·유지보수 작업이 계속 반복됐다.

인프라 비용

공용 클라우드 환경이 없으니 운영비도 확장 비용도 늘었다.

역할 · 결정

오너십

제품 방향을 만든 결정

미션: 엔터프라이즈 챗봇 빌더 하나로 이관하는 과정을 조율하면서 제품 경험을 이끌었다.
내 결정: 구축, 테스트, 권한, 학습, 이관을 하나로 묶었다. 꼭 필요한 Dialogflow 호환성은 그대로 남겼다.
트레이드오프: Dialogflow에 기대던 핵심 업무 흐름을 깨지 않으면서 주요 운영을 표준화했다.
주도한 일: Lead Product Designer · Bot Migration Project Manager. 서비스 전략, SaaS 플랫폼 UX 디자인, 서비스 아키텍처, AI 챗봇 서비스 이관.

가설 · HMW 접근

“각 계열사와 B2B 파트너의 기존 챗봇 시스템과 요구사항을 통합하면서, 클라우드에서 챗봇을 더 매끄럽게 구축하고 관리하게 하려면 어떻게 해야 할까?”

각 계열사와 KB국민은행, GS홈쇼핑 등 B2B 파트너의 챗봇 운영자를 인터뷰했다. 이어 Google Dialogflow, Kakao i Connect, Naver Clova를 벤치마킹했다.

일부 계열사는 Dialogflow의 핵심 기능에 기대고 있었다. 그래서 Google과 함께 플랫폼 안에 Dialogflow 모드를 넣었다.

리서치 · 전략

성과

Singlex AI 챗봇 빌더

팀이 별도 개발 없이 챗봇을 만들 수 있는 로우코드 빌더.

제품 근거

통합 서비스 포털

Singlex AI 솔루션 전체가 같은 포털을 쓴다. 필요한 서비스로 바로 넘어갈 수 있다.

챗봇 생성·관리 권한 제어

권한을 나눠 두면 팀과 조직이 서로 간섭 없이 운영할 수 있다. 빌더는 회사, 조직, 팀 단위로 만들고 관리한다.

간편한 구축·테스트·관리

기존 빌더는 응답 조건을 코드로 짜야 했고, 운영자가 고를 수 있는 선택지도 적었다. Singlex는 조건과 API, UI 컴포넌트를 GUI에서 다루고 곧바로 테스트할 수 있다. 개발자와 이야기하기 쉬워지는 디버그 모드도 넣었다.

로우코드 모델 학습·서비스 연결

운영자는 개발자가 정해 둔 API 규칙으로 서비스와 추가 데이터를 붙인다. 인터랙션을 실시간으로 지켜보다 이상한 응답이 보이면 곧바로 고치고 다시 학습시킨다.

사용자 피드백·이력 검색

부정 피드백은 앞뒤 맥락이 함께 보일 때 쓸모가 있다. 이력 페이지에는 사용자의 입력과 응답, 이탈이나 피드백 직전에 누른 액션과 버튼이 함께 나온다.

임팩트

플랫폼 통합으로 비용 절감·B2B SaaS 매출 기여

통합한 플랫폼은 LX Pantos 같은 B2B 고객에게 공급하는 데도 쓰였다.

챗봇 시스템 통합

LG Innotek과 LX Pantos를 비롯한 LG 그룹 챗봇 시스템이 Singlex로 옮겨 왔다.

15%

응답 정확도 개선

대량 테스트에서 Google BERT NLP와 인텐트·엔티티 분류가 기존 Dap Talk 빌더보다 나은 결과를 냈다.

30%

운영 효율화

예전에는 새로 구축하려면 전문 인력이 최소 여섯 명 있어야 했다. 새 시스템에서는 세 명으로 줄었다.