Proactive Call Prevention: T-Mobile이 AI로 고객센터 전화 75% 감축을 노리는 방식

T-Mobile은 3년 전 고객센터로 걸려 오는 전화를 75% 줄이겠다고 했고, CEO는 3분기 콜에서 그 목표를 향해 순항 중이라고 밝혔습니다. AI 음성 비서는 걸려 온 전화를 다른 채널로 돌리던 단계를 지나, 고객이 문제를 겪기 전에 먼저 푸는 쪽으로 옮겨 가고 있습니다. 따라 하려면 전화가 왜 오는지 사유별로 세고, 그 사유보다 먼저 나타나는 신호를 찾아 두어야 합니다.

요약

T-Mobile은 2026년 10월 28일 3분기 실적 콜을 열었습니다. Srinivasan Gopalan CEO는 3년 전 고객센터로 들어오는 전화를 75% 줄이겠다고 과감하게 선언했고 지금 그 목표를 향해 잘 가고 있다고 말했습니다. 수단은 AI 음성 비서입니다. Gopalan은 이 음성 비서가 call deflection(걸려 온 전화를 앱이나 자동 응답으로 돌려 상담원 연결을 줄이는 방식)을 넘어 proactive call prevention(고객이 전화할 일을 미리 없애는 방식)으로 가고 있다고 했고, 목표를 “solving the problem before the customer has it”라고 표현했습니다. 음성 비서가 어떤 신호를 보고 무엇을 먼저 고치는지는 콜에서 밝히지 않았습니다. Gopalan은 이 일이 비용 문제가 아니라 고객 경험을 좋게 만드는 일이라고 강조했습니다.

전화가 줄어든 자리는 앱이 받습니다. 3분기 기기 업그레이드의 80% 이상, 휴대폰 회선 개통의 절반이 디지털로 처리됐습니다. 고객이 앱에서 혼자 한 건과 직원이 앱으로 안내한 건을 함께 센 숫자입니다. T-Life의 월간 활성 사용자는 3,200만 명으로, 6월의 3,000만 명 남짓에서 늘었습니다. 골드만삭스 애널리스트가 비용과 디지털 전환을 묻자 Gopalan은 네트워크 투자(CapEx) 전부를 customer-driven coverage라는 AI 도구가 정한다고 답했습니다. John Saw 기술 부문 사장은 무선 자원 계획을 AI에 맡겼더니 뉴욕 실환경에서 주파수 효율이 기대보다 더 올랐다고 했습니다. AI로 바꾼 IT 스택은 처리량이 크게 늘고 토큰 비용을 포함한 보유 비용이 크게 줄었으며, 이 스택 위에서 요금제 혜택을 고객이 골라 바꾸는 T-Mix를 내놓았습니다. 절감액과 인력 변화는 공개하지 않았습니다. 아래에서는 세 가지 AI 적용의 작동 방식을 풀고, 같은 방식을 국내 고객센터에 옮길 때 필요한 데이터, 지표, 일정을 덧붙였습니다.

핵심 메커니즘

Proactive Call Prevention: 고객이 전화하기 전에 문제를 먼저 푸는 AI

proactive call prevention은 고객이 문제를 알아채고 전화하기 전에 회사가 먼저 원인을 찾아 해결하는 방식입니다. call deflection은 이미 걸려 온 전화를 받아 앱이나 자동 응답으로 넘깁니다. 고객은 문제를 겪었고 전화를 걸었으니 불편은 이미 생긴 뒤입니다. prevention은 순서를 앞당깁니다. 전화로 이어질 만한 상황을 먼저 잡아 고치거나 알려 주면 고객은 전화할 이유가 없어집니다. Gopalan은 T-Mobile의 AI 음성 비서가 deflection을 넘어 이 단계로 가고 있다고 설명했지만, 어떤 상황을 잡는지는 말하지 않았습니다. 이 방식은 같은 원인으로 같은 전화가 반복해서 오는 업무에 맞습니다. 사유가 매번 다른 복잡한 민원은 사람이 받는 편이 낫습니다. 가상 예시로, 해외 로밍 요금이 평소의 몇 배로 쌓이는 고객에게 청구서가 나가기 전에 앱으로 알리고 요금제 변경을 제안하면 청구 뒤에 올 항의 전화가 생기지 않습니다.

Digital-first Service: 업그레이드와 개통을 앱으로 옮기는 셀프서비스

전화를 줄이려면 고객이 전화 대신 갈 곳이 있어야 합니다. T-Mobile에서 그 자리는 앱입니다. 3분기 기기 업그레이드의 80% 이상과 회선 개통의 절반이 디지털로 처리됐습니다. 경로는 둘입니다. 고객이 앱에서 혼자 처리하거나, 직원이 앱으로 안내하며 처리합니다. 디지털 지표로 함께 든 T-Life의 월간 활성 사용자는 6월 3,000만 명 남짓에서 3,200만 명으로 늘었습니다. 이 방식은 절차가 정해진 거래(업그레이드, 개통, 요금제 변경)에 먼저 씁니다. 본인 확인이 까다롭거나 분쟁이 걸린 건은 사람 상담이 남습니다. 가상 예시로, 국내 통신사가 매장 직원이 쓰는 화면을 고객 앱과 같은 흐름으로 맞추면 직원이 도운 개통도 디지털 처리 실적으로 잡힙니다. 같은 고객이 다음에 앱에서 혼자 처리할 때 어느 단계에서 막히는지도 비교할 수 있습니다.

Customer-driven Coverage: AI가 네트워크 투자 배분을 정하는 도구

customer-driven coverage는 T-Mobile이 네트워크 투자(CapEx) 전부의 배분을 맡긴 AI 도구의 이름입니다. Gopalan은 이 도구가 아주 좋은 성과를 내고 있다고 했고, 네트워크가 스스로 설정을 고치는 self-optimizing network도 함께 들었습니다. 도구가 어떻게 작동하는지, 어떤 데이터를 쓰는지는 콜에서 밝히지 않았습니다. 같은 콜에서 John Saw는 무선 자원 계획(radio resource planning)을 AI에 맡긴 뉴욕 시험 결과를 소개했습니다. 실험실이 아니라 실제 시장에 내놓고 잰 주파수 효율 개선이 예상보다 컸다는 내용입니다. Ericsson과 Nokia는 AI-RAN이 발전하면 주파수 효율이 20%에서 최대 100%까지 오른다고 보고, T-Mobile은 그 개선을 이미 계획에 넣어 두었습니다. 같은 콜에서 AI는 고객센터 밖의 투자 결정과 망 운영에도 들어가 있었습니다. 가상 예시로, 전화 사유 분류에서 “특정 지역 통화 품질” 사유가 늘어나면 그 지역을 투자 후보 목록에 올리는 식으로 고객센터 데이터와 투자 판단을 이을 수 있습니다.

통념과 다른 주장

콜에서 나온 사례

사례	상황	한 일	결과	연결
고객센터 전화 감축	고객센터로 전화가 많이 들어옴	3년 전 75% 감축 목표 선언, AI 음성 비서 도입	목표를 향해 순항 중(감축 실적 수치 미공개). 다음 단계는 문제 예방	Proactive Call Prevention
디지털 처리	업그레이드·개통 처리 경로	앱 셀프서비스, 직원이 앱으로 안내	3분기 업그레이드 80% 이상, 회선 개통 절반 디지털. 월간 활성 사용자 3,200만 명	Digital-first Service
네트워크 투자	투자 배분 결정	customer-driven coverage가 CapEx 전부를 지휘	성과가 매우 좋다고 언급(수치 미공개)	Customer-driven Coverage
무선 자원 계획	주파수 효율 개선	무선 자원 계획을 AI에 맡겨 뉴욕 실환경 시험	주파수 효율 개선이 기대 이상(수치 미공개)	Customer-driven Coverage
IT 스택	새 요금제 상품 출시	AI 기반으로 IT 스택 재구성	처리량 증가, 토큰 포함 보유 비용 감소, T-Mix 출시	요약
AI 쇼핑 에이전트	고객 대신 통신 상품을 고르는 AI 에이전트	소비자 부문이 관찰 중	아직 의미 있는 신호 없음	요약

기술 디테일: proactive call prevention을 직접 만든다면

아래 데이터, 모델, 필드, 설정값은 실제로 돌릴 때 필요한 것을 정리한 실행 제안이며 T-Mobile이 밝힌 구현이 아닙니다.

전화를 미리 막으려면 먼저 왜 오는지 셉니다. Proactive Call Prevention의 출발점은 전화 사유 분류입니다. 최근 3개월 통화 녹취를 음성 인식으로 텍스트로 바꾸고(국내라면 상담 녹취 100건으로 오인식률부터 잽니다), LLM에 사유 코드 목록을 주어 통화마다 주 사유 하나와 보조 사유 하나를 고르게 합니다. 사유 코드는 처음부터 많이 만들지 않고 20~40개로 시작합니다. 출력은 아래처럼 정해진 필드의 JSON으로 받고, temperature 0으로 같은 통화를 두 번 분류해 결과가 다르면 사람 검수로 보냅니다. 주마다 무작위 300건을 상담 품질 담당이 직접 분류해 LLM 결과와 맞춰 보고, 일치율이 85% 아래인 사유 코드는 정의를 다시 씁니다.

{
  "call_id": "C-20261103-004812",
  "channel": "voice",
  "primary_reason": "roaming_bill_shock",
  "secondary_reason": "plan_change_request",
  "resolved_on_call": true,
  "preventable": "likely",
  "leading_signal_hint": "roaming_usage_spike",
  "classifier_model": "reason-clf-v1",
  "run_agreement": true,
  "reviewer_label": null
}

사유마다 앞서 나타나는 신호를 이으려면 전화가 많은 사유 상위 10개부터 봅니다. 사유마다 전화 직전 7일 동안 그 고객 계정에 어떤 이벤트가 있었는지 뽑습니다(청구 금액 급증, 개통 단계 실패, 기기 결제 지연, 지역 망 장애 같은 것). 전화한 고객과 하지 않은 고객을 비교해 이벤트별로 전화로 이어질 확률을 구합니다. 확률이 높고 이벤트를 미리 잡을 수 있는 사유만 선제 조치 대상으로 남깁니다. 이 판단은 LLM이 아니라 이벤트 로그 위의 규칙이나 분류 모델(로지스틱 회귀, 그래디언트 부스팅)이 맡습니다. LLM은 고객에게 보낼 안내문과 음성 비서 대본을 쓰는 데만 씁니다.

{
  "trigger_id": "TRG-ROAM-01",
  "account_id": "A-88231907",
  "event": "roaming_usage_spike",
  "event_time": "2026-11-03T21:40",
  "call_probability_7d": 0.34,
  "action": "in_app_notice_with_plan_offer",
  "fallback_action": "outbound_voice_assistant",
  "holdout_group": false,
  "sent_at": null,
  "called_within_7d": null
}

선제 조치가 실제로 전화를 막았는지 재려면 대상 고객의 5~10%를 무작위로 대조군(holdout)으로 빼서 조치를 보내지 않습니다. 7일 뒤 두 집단의 전화율 차이가 막은 전화입니다. 대조군 없이 전체 전화량만 보면 계절, 신상품 출시, 망 장애 같은 요인과 섞여 AI 효과를 말할 수 없습니다. 같이 볼 지표는 계정 1,000개당 고객센터 전화 수, 7일 안 재문의율, 알림을 받은 고객의 앱 처리 완료율입니다.

음성 비서가 해결까지 하게 하려면 조회와 변경을 나눕니다. 요금 조회, 사용량 확인은 음성 비서가 바로 처리합니다. 요금제 변경, 환불처럼 계정을 바꾸는 일은 고객에게 한 번 더 확인을 받고, 금액 한도(가상 예시: 3만 원)를 넘으면 상담원에게 넘깁니다. 넘길 때는 그때까지의 대화 요약과 분류된 사유 코드를 함께 보내 고객이 같은 설명을 반복하지 않게 합니다.

AI 투자 배분 도구를 붙이려면 (Customer-driven Coverage 연결) 고객센터 사유 분류 결과를 지역 단위로 묶어 통화 품질·커버리지 관련 사유가 늘어난 지역을 망 계획 팀에 주 1회 넘깁니다. 이 목록은 투자 판단의 입력 하나일 뿐이고, 최종 배분은 망 계획 팀이 승인 기록을 남기며 정합니다.

막히는 경우	증상	대응
사유 코드가 너무 많음	분류가 흔들리고 집계가 의미 없음	20~40개로 시작, 월 1회 합치거나 나누기
녹취 품질이 낮음	사유 분류 일치율이 낮음	상담원이 남긴 처리 메모를 함께 넣어 분류
알림 과다	고객이 알림을 끄거나 무시	고객당 주 1회 상한, 확률 기준 이상만 발송
효과 측정 불가	전화량 변화를 AI 효과로 주장할 근거 없음	대조군 5~10% 유지, 사유별로 따로 집계
음성 비서가 변경 업무에서 실수	잘못된 요금제 변경	변경은 고객 재확인, 금액 한도 초과는 상담원 이관

현업 실행 디테일: 누가, 언제, 무엇을

역할	맡는 일
고객 경험 총괄 임원	감축 목표와 지표 승인, 확대 판정
고객센터 운영 팀장	사유 코드 정의, 상담원 처리 메모 기준, 이관 규칙
상담 품질 담당	주간 300건 직접 분류, 일치율 점검
디지털 채널(앱) 담당	앱 알림과 셀프서비스 화면, 처리 완료율 집계
데이터 엔지니어·분석가	녹취·이벤트 로그 연결, 신호 모델, 대조군 운영
개인정보·법무 담당	녹취 분석과 선제 연락의 동의 범위 확인

준비물. 최근 3개월 통화 녹취와 상담원 처리 메모, 계정 이벤트 로그(청구, 개통, 결제, 망 장애), 앱 알림 발송 이력, 현재 쓰는 상담 분류 코드, 고객 연락 동의 현황이 필요합니다. 기준선은 시작 전 4주 동안 사유별 전화 수로 잡습니다.

현업에 물을 것.

1. 지난 3개월 전화가 가장 많은 사유 다섯 개는 무엇이고, 그 집계는 누가 어떻게 하나요?
2. 그 사유 가운데 고객이 전화하기 전에 회사가 먼저 알 수 있었던 것은 무엇인가요?
3. 고객에게 먼저 연락할 수 있는 채널과 동의 범위는 어디까지인가요?
4. 앱에서 처리하다 막혀서 전화로 넘어오는 단계는 어디인가요?
5. 전화 감축을 보고할 때 지금은 비용으로 적나요, 고객 지표로 적나요?

진행 판정 기준(예시). 선제 조치 시범 4주 동안 대상 사유의 대조군 대비 전화율이 20% 이상 낮고, 7일 안 재문의율이 기준선보다 늘지 않고, 알림 수신 거부율이 2%를 넘지 않으면 다음 사유 3개로 넓힙니다. 하나라도 못 채우면 신호 정의나 안내 문구를 고쳐 4주를 더 봅니다.

AX 적용 제언. 국내 통신사, 카드사, 보험사처럼 같은 사유의 전화가 대량으로 반복되는 회사라면 음성 비서부터 사기보다 전화 사유 분류를 먼저 하는 편이 낫습니다. 사유별 건수와 앞선 신호가 보여야 무엇을 막을지 고를 수 있습니다. 시범은 사유 3개로 좁히고 대조군을 처음부터 둡니다. T-Mobile처럼 고객이 갈 디지털 경로(앱 셀프서비스)를 함께 넓혀야 전화가 다른 창구로 옮겨 가기만 하는 일을 막습니다. 경영 보고에서는 T-Mobile CEO처럼 목표를 고객이 전화할 일을 줄이는 쪽으로 잡고, 비용 절감은 결과로 따로 적습니다. 그래야 현업이 전화를 돌리는 데 그치지 않고 원인을 고치는 쪽으로 움직입니다.

원문 사례

항목	내용
발표	T-Mobile 2026년 3분기 실적 발표 콜, 2026.10.28 (The Motley Fool 녹취 2026.10.29 게재)
발언자	Srinivasan Gopalan(CEO), John Saw(기술 부문 사장), Jon Freier(소비자 부문 사장), Peter Osvaldik(CFO) 등
고객센터	3년 전 고객센터 유입 전화 75% 감축 목표 발표, 순항 중. AI 음성 비서가 deflection에서 prevention으로
디지털	3분기 업그레이드 80% 이상, 휴대폰 회선 개통 절반이 디지털. T-Life 월간 활성 사용자 3,200만 명(6월 3,000만 명 이상)
네트워크 투자	CapEx 전부를 AI 도구 customer-driven coverage가 지휘, self-optimizing network 언급
무선 자원	AI에 맡긴 radio resource planning, 뉴욕 실환경에서 주파수 효율 개선이 기대 이상. Ericsson·Nokia는 AI-RAN으로 20~100% 개선 전망
IT 스택	AI 기반 스택으로 처리량 증가, 토큰 포함 보유 비용 감소. 요금제 혜택을 골라 바꾸는 T-Mix 출시(설문 고객 84%가 요금제 구성 통제권을 원함)
AI-RAN·엣지	벨뷰에서 실망 AI-RAN 통화 세계 첫 성공. AWS와 physical AI용 Kinetic Edge, 아직 초기
AI 쇼핑 에이전트	소비자 부문은 아직 의미 있는 움직임을 보지 못했고 관찰 중
미공개	전화 감축 실적 수치, 절감액, 인력 변화

핵심 개념

T-Life

월간 활성 사용자 3,200만 명인 T-Mobile의 디지털 서비스. 콜에서 디지털 전환 지표로 함께 언급됐습니다.

CapEx

설비 투자. T-Mobile은 이 배분을 AI 도구에 맡겼습니다.

self-optimizing network

네트워크가 트래픽과 상태를 보고 설정을 스스로 고치는 운영 방식입니다.

AI-RAN

무선 접속망(RAN)의 신호 처리와 자원 배분에 AI를 넣는 기술. T-Mobile은 벨뷰 실망에서 첫 통화를 했다고 밝혔습니다.

spectral efficiency

같은 주파수 폭으로 실어 나르는 데이터 양. 높을수록 같은 주파수로 더 많은 고객을 받습니다.

T-Mix

고객이 요금제에 들어갈 혜택을 직접 골라 바꾸는 상품. AI 기반 IT 스택 위에서 만들었습니다.

Kinetic Edge

T-Mobile이 AWS와 함께 내놓은 physical AI용 분산 인프라. 5G Advanced 망과 엣지, AWS 클라우드를 묶습니다.

내 메모

TODO: 내 생각 추가

원문은 The Motley Fool에 실린 「T-Mobile (TMUS) Q3 2026 Earnings Call Transcript」(2026.10.29 게재, 콜은 10.28)입니다. 요약, 핵심 메커니즘의 콜 내용, 통념과 다른 주장, 사례, 원문 사례 표는 T-Mobile 경영진의 발언을 AX Review가 다시 정리했으며 효과와 수치는 회사 측 설명입니다. 핵심 메커니즘의 가상 예시, 기술·현업 실행 디테일, JSON 예시, 일정과 판정 기준, 인포그래픽은 원문에 없는 내용으로 새로 작성했고 그 안의 필드명과 숫자는 가상 예시입니다. 콜 전문은 원문 페이지에서 볼 수 있습니다.