Conversation Flow Control: 사용자가 스크립트를 따르지 않을 때

발행: 2일 전 (2026년 1월 18일 오후 02:37 GMT+9)

9 min read

Source: Dev.to

전통적인 흐름 설계가 실패하는 이유

대부분의 봇은 전화 메뉴처럼 구축됩니다:

Question → Answer → Next question → Next answer …

이는 사용자가 순종적인 로봇처럼 행동할 때만 작동합니다. 실제 인간은:

앞쪽으로 건너뛰어 바로 가격을 묻습니다.
뒤로 돌아가 다시 어떤 코스가 있는지 묻습니다.
옆으로 이동해 결정을 내리기 전에 환불 정책을 묻습니다.
하나의 메시지에 여러 의도, 선호도, 질문을 과부하 시킵니다.

사용자가 인간처럼 행동하는 순간, 경직된 흐름은 무너집니다.

Linear Bot을 무너뜨리는 다섯 가지 행동

Information dumping – 사용자가 한 메시지에 코스 관심사, 경험 수준, 일정 선호도, 예산, 시작 시점을 모두 제공합니다.
Linear bot은 대부분을 무시하고 다음 스크립트 질문을 하여 사용자가 무시당했다고 느낍니다.
Topic jumping – Bot이 경험 수준을 물어볼 때, 사용자가 취업 지원에 대해 묻습니다.
엄격한 bot은 사용자를 차단하고 원래 답변을 요구합니다 → 이탈.
Pre‑emptive questions – 사용자가 가격을 묻는 동안 bot은 아직 배경 정보를 수집하고 있습니다.
bot이 흐름을 따르지 않으면 답변을 거부하면, 사용자는 bot이 쓸모없다고 판단합니다.
Vague input – 사용자가 “컴퓨터와 관련된 것” 혹은 “모든 옵션을 보여줘”라고 말합니다.
bot이 좁은 선택을 강요하지 않고 안내하지 못하면 대화가 정체됩니다.
Multi‑intent messages – 등록 의사, 가격, 일정, 환불, 배송 방식이 한 줄에 모두 포함됩니다.
한 부분만 답변하면 사용자는 무시당했다고 느끼고, 이런 상황이 반복되면 예측 가능한 이탈이 발생합니다.

Result: 88 %의 대화가 세 번째 메시지 내에 탈선합니다.

작동하지 않은 부분

시도	설명	결과
엄격한 스크립트 적용	봇이 사용자가 순서대로 질문에 답하도록 강제했습니다.	완성도가 약간 증가했지만, 사용자는 통제당하고 버림받는 느낌을 받았습니다.
자유 형식 대화	봇이 언제든지 모든 것을 처리하려고 시도했습니다.	길을 잃고, 관련 없는 답변을 제공했으며, 제어 메커니즘이 부족했습니다.
맥락 없는 의도 감지	메시지당 의도만 감지했습니다.	이전 맥락을 기억하지 못해 사용자 의도를 오해했습니다.

획기적인 접근: 적응형 흐름 관리

우리는 사용자가 적응하는 가이드를 필요로 한다는 것을 깨달았습니다, 경직된 스크립트가 아니라.

3단계 흐름 제어 시스템

정보 추출
- 사용자가 제공하는 정보를 순서와 관계없이 모두 추출합니다.
- 감지된 모든 엔터티(코스, 일정, 예산 등)를 저장하고, 누락된 부분만 질문합니다.
동적 우선순위 라우팅
- 사용자가 직접적인 질문(가격, 환불, 할부 등)을 하면, 순서와 관계없이 즉시 답변합니다.
- 답변 후에는 부드럽게 등록 흐름으로 돌아갑니다.
맥락 인식 응답
- 사용자가 이전에 말한 내용과 이미 답변된 내용을 기억합니다.
- 질문을 반복하지 않으며, 봇이 무의미하게 행동하지 않고 “듣고” 있습니다.

적응형 흐름의 실제 예시

User: “데이터 사이언스나 머신러닝을 생각하고 있는데, 주말 배치가 필요하고 가격대는 어떻게 되나요?”
Bot: 세 가지 질문 모두에 답하고, 사용자의 배경에 대한 관련 후속 질문을 합니다.
User: “환불 정책이 어떻게 되나요?”
Bot: 즉시 답변하고, 다시 코스 적합성 질문으로 돌아갑니다(다시 시작하지 않음).
User: “파이썬을 조금 알고 있어요.”
Bot: 해당 맥락을 활용해 가장 적합한 시작 경로를 추천하고 커리큘럼 세부 정보를 제공합니다.
User: “할부 옵션이 있나요?”
Bot: 인라인으로 할부 상세 정보를 제공하고 바로 등록 단계로 이동합니다.

Result: 마찰 없음, 강제 순서 없음, 반복 없음.

중요한 엣지 케이스

상황	원하는 봇 동작
다른 표현의 반복 질문	답변을 인정하고 이전 답변을 확인한 뒤, 해당 문제가 여전히 방해 요소인지 물어봅니다.
주제와 벗어난 탈선	정중히 인정한 뒤, 부드럽게 등록 흐름으로 다시 안내합니다.
불완전한 답변 (“별로”)	가정하지 말고 친절하게 명확히 합니다.
옵션 선택에 막힘	올바른 경로를 드러내는 단순한 선호 질문 하나를 합니다.
연속적인 빠른 질문	하나씩 골라 답하기보다 한 메시지에 간결히 여러 답변을 제공합니다.

결과

Metric	Before Adaptive Flow	After Adaptive Flow
Conversation completion rate	12 %	78 %
Average messages before abandonment	~4	>10
User sentiment	“봇은 듣지 않는다.”	Positive – “봇이 도움이 된다.”

Adaptive Flow는 실패하던 챗봇을 고성능 등록 어시스턴트로 전환시켜, 봇과 인간 전환율 간의 격차를 크게 줄였습니다.

Recent Success

Enrollment conversion reached 71 %.
Complaints dropped sharply.
Feedback shifted from frustration to surprise that the bot “actually understood everything.”

핵심 교훈

인간은 선형적으로 의사소통하지 않습니다. 인간은 급증, 여담, 방해, 그리고 다중 의도 메시지로 의사소통합니다.

봇이 인간을 스크립트에 억지로 맞추면 전환율이 낮게 유지됩니다.
봇이 인간 행동에 맞춰 적응하면 전환율이 상승합니다.

우리는 더 나은 스크립트를 작성해서 결과를 개선한 것이 아니라, 스크립트를 버리고 사용자가 있는 곳에서 만나는 적응형 시스템을 구축함으로써 결과를 개선했습니다.

당신의 차례

챗봇의 의도된 흐름을 따르지 않는 사용자를 어떻게 처리합니까?
흐름 관리에서 가장 큰 도전 과제는 무엇입니까?
다중 의도 메시지로 인해 봇이 중단된 경험이 있습니까?

Written by Farhan Habib Faraz

PowerInAI의 시니어 프롬프트 엔지니어 및 팀 리드
인간에 적응하는 AI 자동화 구축

🌐 www.powerinai.com

Tags: conversationalai, flowcontrol, chatbot, ux, nlp, promptengineering