🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Klarna는 LangGraph와 LangSmith 기반 AI Assistant로 결제·환불·에스컬레이션 업무를 대규모로 처리하며 고객지원 속도와 자동화 수준을 크게 높였다.

📌 핵심 요약

• Klarna는 8,500만 명 이상의 활성 사용자와 하루 250만 건의 거래를 처리하는 핀테크 기업으로, 쇼핑과 결제 경험을 더 유연하고 소비자 중심적으로 만들고 있다.
• Klarna의 AI Assistant는 결제, 환불, 기타 결제 관련 에스컬레이션을 처리하며, 현재까지 250만 건의 대화를 수행한 고객지원 에이전트로 소개된다.
• Klarna는 여러 부서에 걸친 에스컬레이션 증가와 글로벌 시장 확장 속에서 속도, 정확성, 접근성을 함께 충족하는 지원 체계가 필요했다.
• LangGraph는 요청 라우팅과 과업 처리를 위한 제어 가능한 에이전트 구조를 제공했고, LangSmith는 단계별 동작 관찰, 테스트, LLM 평가, 프롬프트 반복 개선에 활용됐다.
• 지난 9개월 동안 Klarna는 평균 고객 문의 해결 시간을 80% 줄이고, 반복 지원 업무의 약 70%를 자동화했으며, 거절 원인 식별을 개선해 고객 에스컬레이션을 줄였다.

🧩 주요 포인트

1. Klarna는 8,500만 명 이상의 활성 사용자와 하루 250만 건의 거래를 처리하는 핀테크 기업으로, 쇼핑과 결제 경험을 더 유연하고 소비자 중심적으로 만들고 있다.
2. Klarna의 AI Assistant는 결제, 환불, 기타 결제 관련 에스컬레이션을 처리하며, 현재까지 250만 건의 대화를 수행한 고객지원 에이전트로 소개된다.
3. Klarna는 여러 부서에 걸친 에스컬레이션 증가와 글로벌 시장 확장 속에서 속도, 정확성, 접근성을 함께 충족하는 지원 체계가 필요했다.
4. LangGraph는 요청 라우팅과 과업 처리를 위한 제어 가능한 에이전트 구조를 제공했고, LangSmith는 단계별 동작 관찰, 테스트, LLM 평가, 프롬프트 반복 개선에 활용됐다.
5. 지난 9개월 동안 Klarna는 평균 고객 문의 해결 시간을 80% 줄이고, 반복 지원 업무의 약 70%를 자동화했으며, 거절 원인 식별을 개선해 고객 에스컬레이션을 줄였다.

🧠 상세 정리

1. 대규모 핀테크 서비스가 직면한 고객지원 과제

Klarna는 8,500만 명 이상의 활성 사용자와 하루 250만 건의 거래를 처리하는 대규모 핀테크 플랫폼이다. 이 규모에서는 결제와 쇼핑 경험을 단순화하는 것뿐 아니라, 문제가 발생했을 때 빠르고 정확하게 대응하는 지원 역량도 중요해진다. 원문은 Klarna가 소비자 중심의 AI 기반 결제·쇼핑 솔루션으로 글로벌 커머스를 재편해 왔다고 설명한다. 동시에 여러 부서가 얽힌 에스컬레이션을 관리해야 하는 부담이 커졌고, 글로벌 시장 전반에서 속도, 정확성, 접근성을 모두 갖춘 해결책이 필요했다고 제시한다.

2. AI Assistant의 업무 범위와 의미

Klarna의 대표 AI Assistant는 쇼핑과 결제 경험을 바꾸는 핵심 기능으로 소개된다. 이 assistant는 LangGraph 위에 구축되고 LangSmith로 구동되며, 고객 결제, 환불, 기타 결제 관련 에스컬레이션까지 다양한 업무를 처리한다. 원문은 이 시스템이 지금까지 250만 건의 대화를 수행했다고 밝힌다. 또한 단순 챗봇이 아니라 700명의 정규직 직원에 해당하는 업무를 수행하는 변혁적 에이전트로 설명하며, 빠른 결과 제공과 회사 효율성 개선을 강조한다.

3. LangGraph와 LangSmith를 통한 확장형 구조

Klarna는 AI Assistant를 신뢰 가능하고 확장 가능한 다중 에이전트 시스템으로 발전시키기 위해 LangGraph와 LangSmith를 도입했다. LangGraph는 요청을 라우팅하고 서로 다른 작업을 처리하는 제어 가능한 에이전트 아키텍처에 활용됐다. 이를 통해 지연 시간을 줄이고, 신뢰성을 높이며, 운영 비용을 낮추는 효과가 있었다고 원문은 설명한다. 또한 상황별로 프롬프트를 동적으로 조정하는 방식으로 관련성 높은 응답을 제공하고, 토큰 비용과 지연 시간도 줄이려 했다.

4. 테스트, 관찰, 프롬프트 개선 과정

LangSmith는 Klarna가 AI Assistant의 동작을 단계별로 확인하고 문제가 발생한 지점을 찾아내는 데 쓰였다. Klarna는 중요한 사용 사례를 엄격하게 테스트한 뒤, LLM 평가와 프롬프트 반복 개선을 통해 에이전트 성능을 검증하고 다듬었다. 원문은 이 과정이 테스트 주도 개발의 성격을 가진다고 설명한다. 또한 Klarna의 경험은 LangSmith의 프롬프트 엔지니어링 기능 개선에도 영향을 주었으며, 특히 사용자가 프롬프트 개선안을 제안하고 최적화된 프롬프트가 응답 품질에 어떤 영향을 주는지 확인하는 메타 프롬프팅 기능 설계에 영감을 주었다.

5. 9개월 동안 확인된 운영 성과

LangGraph로 구축되고 LangSmith로 개선된 Klarna의 AI Assistant는 고객 에스컬레이션을 더 효과적으로 처리하도록 팀을 지원했다. 원문은 지난 9개월 동안 평균 고객 문의 해결 시간이 80% 감소해 사용자 문의에 더 빠르게 응답할 수 있었고, 분석가와 엔지니어의 조사 시간도 주당 여러 시간 절약됐다고 밝힌다. 반복적인 지원 업무의 약 70%가 자동화되면서 고객서비스 담당자는 더 복잡하고 가치가 높은 상호작용에 집중할 수 있게 됐다. 또한 거절 원인 식별이 개선되어 고객 에스컬레이션 감소로 이어졌다고 설명한다.

🧾 핵심 주장 / 시사점

• 이 사례에서 AI Assistant의 핵심 가치는 단순 응답 생성이 아니라 결제, 환불, 에스컬레이션처럼 실제 운영 업무를 처리하는 데 있다.
• 대규모 고객지원 자동화에서는 요청 라우팅, 상황별 프롬프트 조정, 단계별 디버깅, LLM 평가가 함께 결합되어야 신뢰성과 효율성을 높일 수 있다.
• Klarna의 성과는 반복 업무 자동화가 고객서비스 인력을 대체하는 관점만이 아니라, 복잡하고 고가치인 고객 상호작용에 인력을 재배치하는 방식으로도 나타날 수 있음을 보여준다.

✅ 액션 아이템

• 8,500만 명 이상 사용자와 일 250만 거래 환경을 전제해 LangGraph 기반 요청 라우팅 구조의 적용 범위를 정의한다.
• 250만 건의 대화 수행 실적을 기준으로 반복 지원 자동화를 70%까지 끌어올리고, 평균 응답시간 80% 단축을 목표치로 성능 검증한다.
• LangSmith로 단계별 동작 관찰·테스트·LLM 평가를 설정해 결제·환불·에스컬레이션 처리의 정확도와 거절 원인 식별 품질을 점검한다.

❓ 열린 질문

• 복잡한 결제·환불·에스컬레이션 요청이 동시에 발생할 때 LangGraph 라우팅 우선순위는 어떤 규칙이 가장 적합한가?
• 반복 문의 자동화율이 70% 목표에 미달할 경우 어떤 업무군을 먼저 추가 자동화 대상으로 확장할 것인가?
• 거절 원인 식별 개선이 고객 에스컬레이션 감소로 이어지는지 어떤 판별 지표를 통해 판단할 것인가?