이게 왜 문제였냐면

저희 팀은 하루에 50건 이상의 해외환자 문의를 받고 있거든요. 카카오톡, LINE으로 일본어, 태국어, 영어, 중국어가 섞여서 들어오는데, 처음엔 사람이 하나하나 읽고 분류했어요. 당연히 느릴 수밖에 없었죠.

평균 4시간이나 걸렸는데, 더 큰 문제는 긴급한 문의들이 묻히는 거였어요. 수술 일정이나 비자 서류 같은 건들 말이에요. 환자 입장에서는 답답했을 거예요.

하루 50건씩 쌓이는 다국어 문의를 수동으로 분류하다 보니, 정작 급한 건들이 늦어지고 있었어요.

이렇게 풀어봤어요

카카오톡과 LINE에서 메시지가 들어오면 Webhook으로 n8n을 트리거하도록 설정했어요. 사람이 일일이 확인할 필요 없이 시스템이 바로 받아서 처리하게 만든 거죠.

Claude API에게 세 가지를 동시에 판단하게 했어요. 진료과목(성형/피부/치과/건강검진), 긴급도(상/중/하), 그리고 언어(일본어/태국어/영어/중국어)까지요. 처음엔 그냥 기본 프롬프트로 시작했는데, 정확도가 78%밖에 안 나오더라고요.

그래서 실제 상담 예시 5개를 few-shot으로 넣어봤어요. "이런 문의는 이렇게 분류해"라고 구체적인 예시를 보여준 거죠. 이게 효과가 있었어요.

분류가 끝나면 결과에 따라 Slack 채널별로 자동 전달되게 했어요. 그리고 긴급건은 담당자한테 DM까지 보내도록 설정했죠. 이제 급한 건들이 묻힐 일은 없어요.

500건을 수동으로 검증해봤는데, 생각보다 정확하게 분류하더라고요. 특히 Claude의 멀티링구얼 능력 덕분에 별도 번역 단계 없이도 일본어, 태국어 문의를 정확히 이해했어요.

92% — 분류 정확도 (500건 수동 검증 기준)

35분 — 평균 응답 시간 (기존 4시간에서 단축)

14%p 향상 — few-shot 예시 추가 후 정확도 개선 (78% → 92%)

그냥 "분류해줘"라고 하는 것보다, 실제 예시 5개만 보여줘도 정확도가 78%에서 92%로 확 올라가더라고요. AI한테도 구체적인 가이드라인이 필요한 거 같아요.

Claude가 일본어, 태국어까지 알아서 이해해서 분류해주니까, 번역 API 따로 붙일 필요가 없었어요. 아키텍처가 훨씬 심플해졌죠.

100% 완벽하지 않아도 되더라고요. 8%는 사람이 다시 확인하면 되고, 대신 응답 속도가 확 빨라진 게 더 큰 가치였어요.