배달과 이동 / 차량 호출
Lyft: 승객과 운전자 고객지원 AI 에이전트를 현업 담당자가 직접 만드는 플랫폼 운영
- 기업
- Lyft
- 국가
- 미국
- 도입 상태
- 운영
- 자료 공개
- 날짜 기준
- 자료 발표 시점. 도입 시작일과 다를 수 있음
- 근거 확인 방법
- 원문 본문 열람
업무 문제
Lyft 기술팀이 2026년 5월 27일 LangChain 블로그에 쓴 글에 따르면 Lyft의 AI Assist는 계정 접근, 차량 파손 보상, 요금 확인, 수입 이의 같은 승객과 운전자의 지원 문의를 처리한다. 2023년 시작 뒤 에이전트 하나를 만들 때마다 머신러닝 엔지니어가 몇 달씩 매달려야 했고, 2026년 들어 새 이용자층, 새 문의 유형, 자율주행차 지원으로 수요가 늘면서, 고객 문제를 가장 잘 아는 현업 담당자가 엔지니어를 거쳐야만 에이전트를 고칠 수 있는 방식이 병목이 됐다.
적용한 기술과 데이터
Lyft는 LangGraph로 라우터형 멀티 에이전트 구조를 만들었다. 상위 에이전트가 들어온 요청을 분류해 승객용, 운전자용, 파손 보상 같은 전문 하위 에이전트로 넘기고, 매 대화 차례마다 악의적 의도와 안전 문제 감지를 LLM 추론보다 먼저 병렬로 실행한다. 운영팀, 고객 의견 담당자, 제품 관리자는 정해진 틀의 프롬프트와 JSON 설정만으로 새 에이전트를 정의하고, 이미지 처리와 사기 탐지가 필요한 파손 보상 같은 고위험 업무는 엔지니어가 직접 만든다. 새 에이전트는 실제 문의의 5%에서 10%에만 먼저 내보내고, LangSmith로 모든 실행을 추적하며 실제 대화 표본을 LLM 평가기로 자동 채점한 뒤 전체로 넓힌다.
성과
Lyft 팀에 따르면 첫 운전자용 에이전트에 약 6개월 걸리던 개발이 설정형 새 에이전트는 약 2주로 줄었고, 운영 중인 에이전트 100%에 실제 대화를 채점하는 자동 평가가 붙었다. 평가 지표를 바탕으로 둔 안전장치로 환각과 모순 답변 비율은 20% 줄었고, 셀프서비스 플랫폼으로 에이전트 몇 개를 낸 뒤 AI 해결률은 16% 올랐다. 엔지니어가 아닌 팀원 여럿이 직접 에이전트를 만들고 고치고 있다.
한계와 남은 과제
AI 해결률의 기준값, 처리한 문의 건수, 비용 변화는 원문에 없다.
출처
공개된 자료를 정리한 사례입니다. ATF Works 도입 고객의 결과가 아닙니다.