Decagon spouští Missions pro dlouhodobé zákaznické procesy řízené AI

Decagon představil Missions 12. listopadu 2026. Jde o produkt, který má agentům AI umožnit řídit zákaznické výsledky napříč více konverzacemi, systémy i účastníky. Agenti mohou sledovat stanovený cíl po několik dní, týdnů či měsíců, místo aby svou práci ukončili po jediné interakci.

Decagon uvádí jako příklady vícestupňových procesů, které mohou přinést významné příjmy, předchozí schválení magnetické rezonance, schválení malého úvěru a kvalifikaci potenciálních zákazníků. Zamýšlenou změnou pro týmy zákaznické zkušenosti je nahradit ruční sledování stavu a koordinaci předávání průběžným zdokonalováním procesu.

Orchestrace napříč konverzacemi a systémy v zázemí

Tým zahájí Mission tím, že běžným jazykem popíše cíl, určí role, se kterými má agent komunikovat, a přidá pokyny. Agent pak volí další kroky podle tohoto cíle. Dokáže propojit konverzace s různými lidmi, kontaktovat každého účastníka vhodným kanálem a počkat, pokud musí třetí strana dokončit určitý krok, než může proces pokračovat.

Produkt přesahuje i oblast konverzací. Pomocí Browser Actions může agent převzít úkoly v zázemí, například vyplňování formulářů. Příklad doplnění receptu od Decagonu začíná upozorněním pacienta, pokračuje kontaktováním poskytovatele péče, je-li potřeba schválení, a zahrnuje také opětovné zpracování pojistných nároků na portálu plátce. Proces končí tím, že agent pacientovi potvrdí podrobnosti vyzvednutí.

Tento příklad ukazuje širší roli produktu v podnicích: dosažení jediného servisního výsledku může vyžadovat komunikaci se zákazníkem, koordinaci s poskytovatelem péče i činnost v systému plátce. Missions přiřazuje tyto činnosti do jednoho pracovního postupu zaměřeného na konkrétní cíl, místo aby každou interakci považoval za samostatný úkol.

Případy a Memory ovlivňují další kroky

Každý případ Mission zaznamenává průběh, včetně dokončených kroků a nových informací, které by mohly změnit plán. Agent případ využívá k výběru dalšího kroku, naplánování proaktivního kontaktu a uchování kontextu pro pozdější práci. Než začne jednat, znovu zkontroluje případ i zákaznickou Memory, aby zjistil, zda stávající plán stále odpovídá situaci.

Memory poskytuje preference a relevantní kontext z jiných konverzací. Mezi příklady od Decagonu patří respektování zákazníkova přání, aby mu nikdo nevolal po 15. hodině, a zohlednění souběžné interakce, při níž tentýž zákazník začíná používat nový produkt a zároveň řeší nesouvisející problém.

Stejná opětovná kontrola se uplatní, i když zákazník změní očekávané pořadí kroků. Pokud agent kvalifikoval potenciálního zákazníka a domluvil následný kontakt, ale zákazník si jej samostatně naplánuje e-mailem, agent svůj postup upraví. Návrh tedy odděluje dva druhy kontextu: případ Mission sleduje postup k obchodnímu výsledku, zatímco Memory uchovává přehled o individuálních preferencích a souběžných interakcích.

Optimalizace řeší přiřazování příčin u dlouhých pracovních postupů

Decagon označuje přiřazování příčin za zásadní problém, když automatizovaná práce zahrnuje mnoho interakcí. Pokud se doplnění receptu opozdí, týmy možná budou muset zjistit, zda problém vznikl při prvním kontaktování, při předání poskytovateli péče, nebo při ověřování pojištění. Kvůli tomu je obtížné určit konkrétní interakci či předání, které je třeba změnit.

Každá Mission je vytvořena jako provozní postup agenta (Agent Operating Procedure, AOP). Týmy mohou tuto logiku sepsat, upravovat a zdokonalovat, kontrolovat rozhodnutí agenta a testovat jednotlivé části nastavení, aby zjistily, co je třeba zlepšit. Duet a Duet Autopilot poskytují doporučení zaměřená na celou zákaznickou cestu, takže optimalizace přesahuje rámec jednotlivých interakcí.

Uvedení produktu tak propojuje realizaci a diagnostiku v jediném produktovém modelu: agenti sledují cíl napříč účastníky a systémy, zatímco případy, Memory a testování založené na AOP poskytují týmům nástroje k posouzení a úpravě zvolené cesty. Podniky zvažující dlouhodobější automatizaci si kladou otázku, zda tyto mechanismy dokážou spolehlivě odhalit slabá místa při předávání a zlepšit výsledky s rostoucím počtem interakcí.