Lenovo AI Upsell · Lexiang · AI After-Sales: 견적 추천, 전 채널 에이전트, 다국어 A/S를 AI로 바꾼 세 사례

Lenovo는 판매 순간(견적), 판매 전후의 모든 접점(Lexiang), 판매 뒤(A/S) 세 곳에 AI를 넣었습니다. 세 사례 모두 사람이 손으로 고치던 규칙표와 시스템마다 흩어진 지식을, 모델이 읽는 하나의 맥락으로 바꿨습니다. 한국 제조사가 옮기려면 견적 이력·서비스 지식·티켓 데이터를 한곳에 모으고 AI가 끝낼 일과 사람에게 넘길 일을 가르는 기준부터 정해야 합니다.

요약

Lenovo (Beijing) Co., Ltd.는 2026 Gartner Eye on Innovation Awards 첨단 제조(Advanced Manufacturing) 부문에 세 사례를 제출했고 세 건 모두 Greater China 사례집에 소개됐습니다. 첫째는 영업 구성 플랫폼(sales configuration platform, 영업 담당이 제품 사양을 조합해 견적을 만드는 도구)에 넣은 추가 서비스 추천 엔진입니다. LLM이 하드웨어 사양과 고객 맥락을 실시간으로 해석하고 ML 모델이 추천을 골라 주며 3개국 파일럿을 거쳐 EMEA와 글로벌로 넓혔습니다. 둘째는 Lexiang(联想乐享)입니다. 고객·파트너·미디어·투자자를 한 플랫폼에서 응대하는 옴니채널 엔터프라이즈 에이전트로, MCP(Model Context Protocol, 모델이 외부 도구를 부르는 표준) 도구 체계로 사내 AI 역량 LeAI와 이어지고 A2A(Agent-to-Agent, 에이전트끼리 일을 주고받는 방식) 협업을 지원합니다. 셋째는 100개 이상 국가, 20개 이상 언어를 다루는 A/S 시스템입니다. LLM, SLM(small language model, 작은 언어 모델), 추론 모델, 통합 RAG(retrieval-augmented generation, 검색한 문서를 근거로 답하게 하는 방식)로 지식 문서 6만 건 이상을 묶었고 채팅·음성·이메일 에이전트와 eTicket(전자 서비스 티켓) 자동 배정, 상담원 실시간 번역을 붙였습니다.

성과는 사례마다 다른 잣대로 보고됐습니다. 견적 추천은 추천이 붙는 견적의 비율(coverage)이 60%에서 99%로, 서비스 수락률이 35%에서 50%로 올랐고 규칙 유지관리 작업은 약 95% 줄었습니다. 수락률의 시작값은 사례집 원문 안에서 서로 다릅니다. 문제 설명에는 30%, 성과 항목에는 35%로 적혀 있어, 이 노트는 성과 항목의 35%→50%를 쓰고 30%도 함께 밝힙니다. Lexiang은 수억 달러 매출, 주간 활성 사용자 186만 명, 매장 트래픽 전월 대비 109% 증가, 전환율 30~50% 개선을 보고했습니다. A/S 시스템은 주간 상호작용 16만 건 이상과 AI 해결률 95%, 평균 처리시간 효율 40.9% 개선을 실적으로 냈고 470만 달러 투자로 3년간 1,500만 달러를 아낀다는 것은 전망으로 적었습니다. 세 사례가 드는 이유는 같습니다. 규칙표와 흩어진 지식으로는 범위를 넓힐 수 없었고 모델이 맥락을 읽게 하자 범위가 넓어졌습니다. 아래에서 세 사례의 구현 메커니즘을 개념 단위로 풀고 한국 제조 대기업 AX 조직이 이를 자기 과제로 옮기는 방법을 붙입니다.

핵심 메커니즘

Context-aware Recommendation: 사양과 고객 맥락을 읽고 붙일 서비스를 고르는 추천

견적에 하드웨어를 담는 순간, 그 구성과 고객 정보를 보고 함께 제안할 서비스를 추천하는 엔진입니다. 예전 방식은 규칙표였습니다. ‘이 제품군이면 이 서비스’처럼 짝을 미리 적어 두는 방식이라, 적어 두지 않은 조합에는 아무 추천도 뜨지 않았습니다. 사례집에 따르면 규칙표가 덮은 견적은 60%였고 고잠재 추가 서비스는 거의 제안되지 않았습니다.

새 엔진은 두 단계로 일합니다. 입력은 견적의 하드웨어 구성과 고객 맥락입니다. LLM의 의미 분석(semantic analysis)이 사양 문구와 맥락을 해석해 비교할 수 있는 특징으로 바꾸고 ML 모델이 후보 서비스마다 고객이 받아들일 가능성을 매깁니다. 출력은 영업 담당이 보는 견적 화면 안의 추천 목록입니다. 규칙에 없던 조합도 비슷한 구성의 과거 견적을 근거로 점수를 받으므로, 추천이 붙는 범위가 99%까지 넓어졌습니다. 조합 수가 많아 사람이 규칙으로 다 적을 수 없고 견적과 수락·거절 결과가 쌓여 있는 곳에 맞습니다. 계약이나 규제상 반드시 붙여야 하는 서비스는 모델 점수에 맡기지 않고 규칙으로 남겨 두는 편이 안전합니다.

가상 예시로, 공작기계 업체의 영업 담당이 해외 공장에 장비 12대 견적을 만든다고 해 봅시다. 규칙표에는 이 기종 조합이 없어 추천이 비어 있었습니다. 추천 엔진은 비슷한 구성의 과거 견적에서 3년 예방정비 계약과 원격 모니터링을 많이 받아들였다는 점을 보고 두 서비스를 위에 올립니다.

Self-updating Model: 규칙표 유지관리를 학습 주기로 바꾸기

규칙표는 제품이 나오고 단종될 때마다 사람이 고쳐야 합니다. 사례집은 이 유지 부담과 낮은 수락률이 매출 기회를 잃게 했다고 적었습니다. Lenovo는 규칙표를 스스로 배우고 갱신하는 모델로 바꿨고 사례집 표현으로는 ‘self-learning, self-updating’ 모델입니다. 작동은 이렇습니다. 영업 담당이 추천을 받아들였는지 거절했는지가 다시 학습 데이터가 되고 모델이 주기적으로 다시 학습해 새 제품과 새 고객군에 맞춰 점수를 고칩니다. 사람은 규칙을 한 줄씩 적는 대신 모델의 성과와 예외를 봅니다. 그 결과 사례집이 보고한 수동 유지관리 노력은 약 95% 줄었습니다.

이 방식은 결과 라벨(수락·거절)이 빨리, 많이 쌓이는 업무에 맞습니다. 한 해에 몇 건 없는 대형 프로젝트 견적처럼 라벨이 적은 곳에서는 모델이 배울 재료가 부족하므로 사람의 판단과 규칙을 섞어 씁니다.

Intent-driven Orchestration: 의도를 읽고 MCP 도구와 다른 에이전트에 일을 나눠 주는 구조

Lexiang의 중심 구조입니다. 사용자가 무엇을 원하는지(intent, 의도)를 먼저 파악하고 그 의도를 처리할 서비스와 도구를 골라 순서대로 부릅니다. 사례집이 든 구성 요소는 다섯 가지입니다. 의도 기반 상호작용, 서비스 오케스트레이션(여러 서비스를 순서대로 엮어 부르는 일), MCP 도구 체계, A2A 협업, 그리고 데이터 보안과 환각(hallucination, 사실이 아닌 답을 그럴듯하게 만드는 현상) 방지 통제입니다. 여기에 통합 hybrid memory(대화 기록, 사용자 정보, 지식을 함께 쓰는 기억 체계)가 붙어 사용자마다 다른 응답을 만듭니다.

입력은 고객·파트너·미디어·투자자 같은 서로 다른 이해관계자의 질문입니다. 처리 단계에서는 의도를 분류하고 MCP로 연결한 도구(예: 상품·주문·서비스 시스템)를 부르거나 다른 에이전트에게 일을 넘깁니다. 출력은 답변이나 실행된 작업입니다. 회사 발표(2026년 6월 30일 4.0 출시 기사)에 따르면 Lexiang 4.0의 Skill 체계는 예전의 ‘지식 베이스’를 상품·주문·서비스 시스템을 조작하는 ‘행동 라이브러리’로 바꿨다고 합니다. 답하는 데서 일을 끝내는 쪽으로 범위를 넓혔습니다.

이해관계자와 채널이 여럿이고 각자 다른 시스템을 봐야 할 때 이 구조가 필요합니다. 채널이 하나이고 질문이 정해진 FAQ 수준이라면 오케스트레이션 층 없이 검색형 챗봇으로 충분합니다.

Unified RAG와 모델 계층: 6만 건 지식을 한 검색 서비스로 묶고 일의 크기에 맞는 모델을 쓰기

A/S 사례의 기반입니다. 100개 이상 국가에서 지식이 여러 시스템에 흩어져 있었고 지역마다 규정이 다르며 관리 방식도 제각각이었습니다. Lenovo는 지식 문서 6만 건 이상을 하나의 RAG 서비스로 모았습니다. 질문이 들어오면 이 서비스가 관련 문서를 찾아 모델에게 근거로 건네고 모델은 그 근거 안에서 답합니다. 모델은 한 종류가 아닙니다. 사례집은 LLM, SLM, 추론 모델을 함께 쓴다고 적었습니다. 흔히 SLM은 의도 분류나 짧은 답처럼 빠르고 싼 일에, LLM은 긴 답변 작성에, 추론 모델은 여러 단계를 따져야 하는 진단에 씁니다. 이 배분은 실제로 돌릴 때의 일반적인 설계입니다. 사례집은 모델별 역할을 밝히지 않았습니다.

언어가 많고 문서가 국가·제품·버전별로 갈라져 있을 때 효과가 큽니다. 문서가 수백 건 수준이고 한 언어만 쓴다면, 통합 RAG보다 문서를 먼저 정리하는 쪽이 비용 대비 낫습니다.

Agent-to-Field Handoff: AI가 끝내지 못한 일을 상담원과 현장으로 넘기는 경로

A/S 시스템은 자율 채팅·음성·이메일 에이전트로 예전의 고정된 챗봇을 대체했습니다. 다만 모든 일을 AI가 끝내지는 않습니다. 현장 출동이 필요한 건은 eTicket이 현장 작업 주문(field order)으로 자동 배정되고 사람이 응대할 때는 상담원 화면에 실시간 번역이 붙습니다. 사례집은 이메일의 50%에 상담원 손이 필요했다고 적었습니다. 이 값과 전체 AI 해결률 95%는 모집단이 다를 수 있으나 기준이 명시되지 않았습니다. Lenovo 경영진은 사람의 감독과 추적 가능성(traceability)을 유지하면서 반복 업무를 자동화했다고 설명했습니다.

입력은 고객 문의, 처리는 ‘AI가 끝낼 수 있나’의 판정과 넘김, 출력은 해결된 문의 또는 사람·현장에 배정된 작업입니다. 넘길 때 앞의 대화와 진단 내용이 함께 가야 고객이 같은 말을 되풀이하지 않습니다. 사례집이 문제로 든 반복 연락과 비싼 재연락을 줄이는 지점이 여기입니다.

통념과 다른 주장

사례 재구성

견적 안 추가 서비스 추천 (AI for Tailored Upsell Opportunities)

구분	내용
상황	수동 규칙표가 견적의 60%만 덮었고 고잠재 추가 서비스는 거의 제안되지 않음. 유지 부담이 크고 수락률이 낮아 매출 성장과 수익성을 제약
한 일	영업 구성 플랫폼에 LLM 의미 분석과 ML 기반 서비스 추천 엔진을 내장. 규칙표를 스스로 학습·갱신하는 모델로 교체. 3개국 파일럿 뒤 EMEA와 글로벌로 확대
결과	추천 범위 60%→99%(+39%p), 수락률 35%→50%(+15%p, 문제 설명의 기존값은 30%로 원문 내부 불일치), 수동 유지관리 약 95% 감소. EMEA 파일럿 3개월간 구성 2만5,000건 이상 지원, 추가 서비스 계약 매출 ‘수백만 달러’
연결	Context-aware Recommendation, Self-updating Model

공개 자료: 이 사례를 따로 다룬 회사 보도자료나 언론 보도는 찾지 못했습니다. 사례집 내용만으로 정리했습니다.

Lexiang 옴니채널 에이전트 (AI Omnichannel Growth Engine)

구분	내용
상황	고객·파트너·미디어·투자자의 경험이 갈라져 있고, 온라인과 오프라인을 잇는 과정이 비효율적이며 업무 역량이 서로 연결되지 않음
한 일	Lexiang을 이해관계자 전체의 서비스를 묶는 엔터프라이즈 에이전트 플랫폼으로 개발. 의도 기반 상호작용, 서비스 오케스트레이션, MCP 도구 체계로 LeAI 역량과 연결. A2A 협업, 통합 hybrid memory, 보안·환각 방지 통제 적용
결과	수억 달러 매출, 주간 활성 사용자 186만 명, 매장 트래픽 전월 대비 109% 증가, 전환율 30~50% 개선, 특허 23건, CCF 디지털 전환 우수 사례 선정
연결	Intent-driven Orchestration

공개 자료: 중국일보 사이트에 실린 두 기사(둘 다 ‘推广信息’(홍보 정보)로 표시됐고 수치는 Lenovo 제공)가 있습니다. 2026년 1월 26일 기사는 Lexiang이 2025년 5월 출시됐고 매장 휴머노이드 로봇 乐享壹号(Lexiang No.1)의 뒤에서 돌아가는 시스템이라고 소개합니다. 로봇이 2025년 6월부터 약 100개 매장을 돌았고 매장 유입 고객이 전월 대비 109% 늘었다는 수치는 사례집과 같습니다. 같은 기사는 누적 매출 20억 위안 이상, 주문 전환율 23% 상승을 적었습니다. 2026년 6월 30일 4.0 출시 기사는 월간 활성 사용자 700만 명, 하루 상호작용 요청 100만 건 이상, 누적 매출 50억 위안 이상을 적었습니다. 사례집은 주간 활성 사용자와 달러 매출을, 기사는 월간 활성 사용자와 위안 누적 매출을 써서 지표와 시점이 다르므로 서로 맞추지 않았습니다. 사례집이 핵심 기술에 Robotics와 Computer Vision을 넣은 것은 이 매장 로봇 활동과 맞닿아 있습니다.

글로벌 AI A/S 서비스 (AI-Based Omnichannel Service System)

구분	내용
상황	100개 이상 국가, 20개 이상 언어에서 지식이 여러 시스템에 흩어지고 지역별 규정과 관리 방식이 제각각. 티켓 해결 지연, 반복 연락, 비싼 재연락
한 일	LLM·SLM·추론 모델과 통합 RAG로 관리되는 다국어 AI 서비스 시스템 구축. 지식 문서 6만 건 이상 통합, 고정형 챗봇을 자율 채팅·음성·이메일 에이전트로 교체, eTicket의 현장 주문 자동 배정, 상담원 실시간 번역
결과	실적: 주간 상호작용 16만 건 이상, AI 해결률 95%, 평균 처리시간 효율 40.9% 개선, 이메일의 50%는 상담원 개입 필요, 중복 입력 제거. 전망: 470만 달러 투자로 3년간 서비스 비용 1,500만 달러 절감
연결	Unified RAG와 모델 계층, Agent-to-Field Handoff

공개 자료: Lenovo가 2026년에 낸 AI 고객 지원 에이전트 사례 글은 연간 지원 티켓 5억 건 이상, 사람이 처리할 때 건당 30~50달러, 75개 이상 컨택센터와 기술자 2만3,000명 규모를 배경으로 듭니다. 이 글의 Smart Repair Agent는 자연어 요청을 받아 티켓과 수리 작업 주문을 만들고 현장 서비스 팀에 배정합니다. 음성 에이전트는 상담 맥락을 붙여 전문 상담원에게 넘깁니다. 사례집의 eTicket 자동 배정과 같은 흐름입니다. 다만 이 글의 성과 수치(예: 사람 지원 물량 75% 감소)는 범위와 기간이 사례집과 같은지 확인되지 않아 사례집 수치와 섞지 않았습니다. 그보다 앞선 2024년 7월 회사 발표는 GPT-4 기반 Lenovo Forum 도우미가 9개 언어 번역과 답변 초안을 만들고 상담원이 검토해 올렸다고 소개했습니다.

기술 디테일: 세 사례를 우리 시스템에 옮기려면

견적 추천 엔진을 돌리려면 (Context-aware Recommendation과 연결) 견적 라인 단위 데이터가 먼저 있어야 합니다. 견적 번호, 하드웨어 품목과 수량, 고객 업종·지역·규모, 함께 제안된 서비스, 그 서비스의 수락 여부와 날짜가 한 줄에 모여야 합니다. LLM은 자유 문구로 된 사양(예: ‘방진 등급 높은 모델, 24시간 가동’)을 정해진 속성으로 바꾸는 데만 씁니다. temperature 0, 구조화 출력(JSON 스키마)으로 고정하고 같은 문구를 3회 돌려 값이 바뀌면 그 문구는 사람 검토로 보냅니다. 순위는 수락 라벨로 학습한 ML 모델(예: gradient boosting)이 매깁니다. 추천 결과는 아래처럼 근거와 함께 돌려줘야 영업 담당이 받아들일지 판단할 수 있습니다(필드 이름은 가상 예시).

{
  "quote_id": "Q-2026-10-0412",
  "eligible": true,
  "candidates": [
    {"service_sku": "PM-3Y", "score": 0.71, "reason": "유사 구성 견적 412건 중 수락 다수", "source": "model"},
    {"service_sku": "REMOTE-MON", "score": 0.58, "reason": "24시간 가동 사양", "source": "model"},
    {"service_sku": "SAFETY-INSP", "score": null, "reason": "수출국 규정상 필수", "source": "rule"}
  ]
}

source가 rule인 항목은 계약·규제상 필수라서 모델 점수와 상관없이 붙습니다. 신제품처럼 과거 견적이 없는 경우(cold start)에는 사양 속성이 가까운 기존 제품의 수락 이력을 빌려 쓰고 첫 4주는 점수 옆에 ‘참고’ 표시를 답니다.

coverage와 수락률을 재려면 (Self-updating Model과 연결) 분모를 먼저 못 박아야 합니다. Lenovo 사례집의 coverage 분모는 ‘대상 견적(eligible quotes)‘입니다. 우리 지표도 ‘추천 대상이 되는 견적’의 정의(예: 하드웨어 금액 1,000만 원 이상, 서비스 판매 가능 국가)를 문서로 정해 두고 수락률은 ‘추천이 노출된 견적 가운데 서비스가 하나 이상 계약에 들어간 비율’처럼 한 문장으로 적습니다. Lenovo 사례집도 수락률 시작값이 문제 설명과 성과 항목에서 30%와 35%로 달랐습니다. 기준선을 파일럿 시작 전에 한 번 측정해 고정하고 이후 보고는 그 값에서 출발해야 같은 혼선을 피합니다. 재학습은 월 1회로 시작하고 새 모델은 직전 3개월 견적으로 오프라인 검증(상위 3개 추천 안에 실제 수락 서비스가 있었는지)을 통과한 뒤에만 바꿉니다.

옴니채널 에이전트를 돌리려면 (Intent-driven Orchestration과 연결) 맨 앞에 의도 분류기를 두고 이해관계자 유형(고객·대리점·언론·투자자)과 의도(상품 문의·주문 조회·A/S·공시 문의)를 함께 뽑게 합니다. 시스템마다 MCP 서버를 하나씩 세우고(상품 정보, 주문, 재고 서비스 이력), 조회 도구와 쓰기 도구를 나눠 쓰기 도구는 로그인한 사용자 권한으로만 부르게 합니다. hybrid memory는 실제로는 세 층으로 나눠 구현하는 경우가 많습니다. 대화 세션 기억, 사용자 프로필처럼 구조화된 장기 기억, 문서 검색용 벡터 지식입니다. 이 구성은 실제로 돌릴 때의 설계 예이며 Lenovo의 구현 방식은 아닙니다. 환각 방지 규칙은 간단하게 시작합니다. 가격·재고·납기·공시 수치는 도구가 돌려준 값만 말하고 도구 결과가 없으면 ‘확인 후 안내’로 답하며 사람에게 넘깁니다. 분류기 출력은 stakeholder, intent, confidence, needs_human 네 필드로 고정하고 confidence가 0.7 미만이면 되묻기 질문 하나를 먼저 합니다. 투자자 문의처럼 공시 규정이 걸린 의도는 처음부터 사람 승인 경로로 고정합니다.

다국어 A/S RAG를 돌리려면 (Unified RAG와 모델 계층, Agent-to-Field Handoff와 연결) 지식 문서마다 국가, 언어, 제품군, 펌웨어·버전, 유효 기간, 담당 부서를 메타데이터로 붙입니다. 같은 내용의 중복 문서는 최신본 하나만 검색되게 하고 국가별 규정 문서는 그 국가 질문에서만 검색되게 필터를 겁니다. 다국어 임베딩 모델을 쓰되, 답변에는 반드시 근거 문서 ID와 확인 날짜를 남겨야 추적할 수 있습니다. 모델 배분은 SLM이 의도와 긴급도를 분류하고 LLM이 답을 쓰고 추론 모델은 증상 여러 개를 따져 부품을 좁히는 진단에만 씁니다. AI가 끝낼지 넘길지는 세 조건으로 가릅니다. 검색 근거가 2건 미만이거나 고객이 같은 문의로 7일 안에 다시 연락했거나 현장 방문이 필요한 증상이면 넘깁니다. 넘길 때 eTicket에 대화 요약, 시도한 조치, 추정 부품을 채워 현장 주문으로 보냅니다.

성과를 재려면 (Agent-to-Field Handoff와 연결) ‘AI 해결’의 정의를 채널별로 따로 둡니다. 예를 들어 채팅은 ‘상담원 연결 없이 종료되고 7일 안에 같은 문의가 없음’, 이메일은 ‘상담원이 수정 없이 보낸 AI 초안’처럼 정합니다. Lenovo 사례집에서도 전체 AI 해결률 95%와 이메일의 50% 상담원 개입은 모집단이 달라 보이지만 기준이 적혀 있지 않았습니다. 우리 보고서에는 채널별 분모와 해결 정의를 표 머리에 함께 싣습니다. 투자 대비 절감은 실적과 전망을 칸을 나눠 적습니다.

현업 실행 디테일: 누가, 언제, 무엇을

한국 제조 대기업이 Lenovo의 세 사례를 옮길 때는 한 번에 셋을 다 하지 않습니다. 매출과 바로 이어지고 데이터가 이미 견적 시스템에 있는 B2B 견적 서비스 추천부터 8주 파일럿으로 시작하는 계획을 예로 듭니다(가상 예시).

역할	담당	8주 동안 하는 일
스폰서	서비스 사업부장 또는 B2B 영업 총괄	대상 제품군·국가 승인, 판정 회의 주재
업무 담당	해외 영업 기획 1명, 서비스 상품 기획 1명	대상 견적 정의, 서비스 SKU 목록, 필수 서비스 규칙 정리
데이터	CRM·CPQ 데이터 담당 1명	최근 24개월 견적 라인과 수락 라벨 추출, 기준선 측정
엔지니어	ML 엔지니어 1명, 백엔드 1명	사양 속성 추출, 추천 모델, 견적 화면 연동
현장	파일럿 국가 영업 담당 5~10명	추천 사용, 거절 사유 기록, 주간 피드백
재무	재무 담당 1명	추가 서비스 매출 집계 기준 확정

시작 전 준비물은 네 가지입니다. 최근 24개월 견적 라인 데이터, 서비스 SKU와 가격표, 계약·규제상 필수 서비스 목록, 현재 규칙표(있다면)입니다.

주차	할 일	산출물
1~2주	대상 견적·수락률·coverage 정의 확정, 기준선 측정	지표 정의서, 기준선 값
3~4주	사양 속성 추출, 추천 모델 학습, 오프라인 검증	상위 3개 적중률 표
5~6주	파일럿 1개국 견적 화면 연동, 영업 담당 사용 시작	주간 사용·수락 보고
7주	거절 사유 분석, 필수 규칙 보완, 재학습 1회	개선 내역
8주	판정 회의, 확대 국가와 다음 과제 결정	판정 보고서

현업 인터뷰에서는 이렇게 묻습니다. 영업 담당에게는 “추천이 떴는데 안 붙인 이유가 무엇인가”, “고객이 먼저 물어보는 서비스는 무엇인가”, “견적 화면에서 추천을 볼 시간이 몇 초나 되는가”를 묻습니다. 서비스 기획에게는 “반드시 붙여야 하는 서비스와 붙이면 안 되는 조합은 무엇인가”를 확인합니다. 진행 판정 기준은 예를 들어 이렇게 둡니다. coverage가 기준선보다 20%p 이상 오르고 수락률이 기준선보다 5%p 이상 오르며 영업 담당 절반 이상이 주 1회 이상 추천을 쓰면 확대합니다. 셋 가운데 일부만 맞으면 4주 연장하고 하나도 못 맞추면 데이터 정의부터 다시 봅니다.

A/S 쪽은 순서가 다릅니다. 서비스 품질팀이 1~2주에 지식 문서 목록과 중복을 세고 3~4주에 한 제품군·두 언어로 RAG 답변 정확도를 상담원 3명이 200건 표본으로 채점합니다. 채점은 근거와 맞고 빠진 내용이 없으면 2점, 일부 빠지면 1점, 틀리면 0점으로 하고 평균 1.6점 이상이면 다음 단계로 갑니다. 5~8주에 채팅 한 채널만 열어 AI 해결률과 재연락률을 기준선과 비교합니다. Lexiang 같은 전 채널 에이전트는 견적 추천과 A/S가 각각 돌고 난 뒤, 두 시스템을 MCP 도구로 묶는 오케스트레이션 층으로 얹는 편이 안전합니다.

적용 제언입니다. 한국 제조 대기업에서 이 세 사례가 바로 쓰이는 곳은 B2B 장비·부품 사업의 서비스 매출입니다. 하드웨어 마진이 줄수록 유지보수·연장 보증·원격 모니터링 같은 서비스 부착이 수익을 좌우하는데 그 결정이 영업 담당의 기억과 오래된 규칙표에 묶여 있는 경우가 많습니다. 첫 과제는 서비스 사업부를 스폰서로 세운 견적 추천 8주 파일럿으로 잡고 그 사이 품질·CS 조직은 A/S 지식 문서를 메타데이터와 함께 정리합니다. 두 과제가 지표를 내면, 대리점·고객·투자자 응대를 묶는 전 채널 에이전트를 세 번째로 검토합니다. 처음부터 지표 정의와 기준선을 문서로 고정해 두면, Lenovo 사례집의 수락률처럼 숫자의 출발점이 흔들리는 일을 막을 수 있습니다.

원문 사례

항목	견적 추가 서비스 추천	Lexiang 옴니채널 에이전트	글로벌 AI A/S 서비스
영문 사례명	AI for Tailored Upsell Opportunities	AI Omnichannel Growth Engine	AI-Based Omnichannel Service System
사례집 위치	슬라이드 13	슬라이드 14	슬라이드 15
핵심 기술(사례집)	AI, Decision Intelligence Platforms, LLMs, Data & Analytics, Domain-Specific Language Models	AI Agents, GenAI, Robotics, Computer Vision, Payment Processing	AI Agents, Data & Analytics, Domain-Specific Language Models, Decision Intelligence Platforms, LLMs
구현	영업 구성 플랫폼에 LLM 의미 분석 + ML 추천 엔진, 자가 학습 모델, 3개국 파일럿 → EMEA·글로벌	의도 기반 상호작용, 서비스 오케스트레이션, MCP 도구 체계, A2A, hybrid memory, 보안·환각 방지	LLM·SLM·추론 모델, 통합 RAG, 지식 문서 6만 건 이상, 채팅·음성·이메일 에이전트, eTicket 자동 배정, 실시간 번역
보고 수치 구분	기업 보고 실적	기업 보고 실적	실적과 절감 전망
수치	추천 범위 60%→99%, 수락률 35%→50%(문제 설명은 기존 30%, 원문 내부 불일치), 유지관리 약 95% 감소, EMEA 3개월 구성 2만5,000건 이상, 수백만 달러 추가 서비스 계약 매출	수억 달러 매출, 주간 활성 사용자 186만 명, 매장 트래픽 전월 대비 109% 증가, 전환율 30~50% 개선, 특허 23건, CCF 디지털 전환 우수 사례	주간 상호작용 16만 건 이상, AI 해결률 95%, 평균 처리시간 효율 40.9% 개선, 이메일 50% 상담원 개입, 중복 입력 제거, 470만 달러 투자로 3년간 1,500만 달러 절감 전망
공개 자료	확인하지 못함	중국일보 사이트 홍보 기사 2건(2026.01.26, 2026.06.30), Lenovo 제공 수치	Lenovo AI 고객 지원 에이전트 사례(2026), Lenovo 뉴스룸(2024.07.16)

핵심 개념

sales configuration platform

영업 담당이 제품 사양과 옵션을 조합해 견적을 만드는 시스템. CPQ(Configure, Price, Quote)라고도 부른다.

eligible quote

추천 대상이 되는 견적. coverage 비율의 분모가 된다.

service acceptance rate

제안한 서비스를 고객이 받아들인 비율. 분모 정의를 함께 적어야 비교할 수 있다.

Decision Intelligence Platform

데이터와 모델로 업무 결정을 추천·자동화하는 플랫폼을 가리키는 Gartner의 분류.

LeAI

사례집에서 Lexiang이 연결하는 Lenovo의 AI 역량과 그 FY26 전략을 부르는 이름.

WAU

weekly active users. 한 주에 한 번 이상 쓴 사용자 수. 월간 활성 사용자(MAU)와 섞어 비교하지 않는다.

AHT

average handle time. 상담 한 건을 처리하는 데 드는 평균 시간.

eTicket

고객 문의를 전자 기록으로 만든 서비스 티켓. 여기서는 현장 작업 주문으로 자동 배정된다.

CCF

China Computer Federation(중국컴퓨터학회). Lexiang을 디지털 전환 우수 사례로 선정했다.

내 메모

TODO: 내 생각 추가

근거: 사용자가 제공한 Gartner 2026 Eye on Innovation Awards Greater China 사례 자료(Lenovo (Beijing) Co., Ltd., 첨단 제조, 슬라이드 13~15). 세 건은 2026 Gartner Eye on Innovation Awards에 제출·소개된 사례입니다. 수상 여부는 공개 자료로 확인하지 못했습니다. 수락률 시작값은 사례집 원문 안에서 30%와 35%로 달라 두 값을 함께 밝혔습니다. 확인한 공개 자료: 중국일보 사이트 Lexiang 4.0 기사(2026.06.30, 홍보 기사) https://cn.chinadaily.com.cn/a/202606/30/WS6a4384e1a310d709c2fbb1dc.html , 乐享壹号 百店行 기사(2026.01.26, 홍보 기사) https://cn.chinadaily.com.cn/a/202601/26/WS6976e150a310942cc499cc1a.html , Lenovo AI 고객 지원 에이전트 사례(2026) https://media.lenovonews.fiestic.com/2026/08/AI-Customer-Support-Agents_lpl-story_long-format_ww_en.pdf , Lenovo 뉴스룸 GenAI 고객 서비스 발표(2024.07.16) https://news.lenovo.com/customer-satisfaction-e-services-generative-ai/ . 견적 추천 사례는 추가 공개 자료를 확인하지 못했습니다. 요약·메커니즘·사례 재구성·원문 사례 표는 이 자료를 AX Review가 다시 정리했고 기술·현업 디테일, JSON 예시, 일정·판정 기준, 인포그래픽과 표는 새로 작성했으며 디테일 절의 숫자는 가상 예시입니다.