Er AI-agenter ved at omskrive kontaktpunktets playbook?

Der var engang, hvor callcenter blev bygget primært til at håndtere store mængder af kundeforespørgsler via telefon. I dag er kontaktpunkter næsten fuldstændigt erstattet dem – de operationelle centre, hvor virksomheder håndterer kundeinteraktioner på tværs af multiple kanaler: telefon, e-mail, sociale medier og meddelelsesapps.

Men på trods af denne skift i kanaler, er den underliggende model næsten uændret.

Simple kundeanmodninger bevæger sig stadig gennem en fragmenteret stak: interaktiv stemmeresponse (IVR) til verificering, kunde-relations-styring (CRM) platforme til kontooplysninger, ticketværktøjer til sporing og separate backend-systemer til at fuldføre opgaven. Cloud-baserede platforme som Contact-Center-as-a-Service (CCaaS) har bragt disse værktøjer tættere på hinanden, og muliggjort mere fleksible operationer, men oplevelsen er langt fra uhindret, og afhænger af multiple trin, overdragelser og manuel koordination.

I årevis har denne model holdt. Så kom AI ind i billedet.

Da AI-agenter fik momentum, begyndte startups og etablerede virksomheder på tværs af brættet at bygge og udrulle værktøjer, der lover en ny fase, der er muliggjort af AI’s evne til at låse intelligens på tværs af systemer og udnytte tidligere isolerede data.

Forskellige systemer bliver til en relikt

Med AI-agenter på plads, opererer kontaktpunkter ikke længere i siloer. Agenter kan trække information, udløse handlinger og fuldføre opgaver på tværs af platforme. Hvis en kunde ønsker at bestride en gebyr, kan en AI-agent verificere deres identitet, hente deres transaktionshistorik fra CRM, tjekke de relevante politikker, initiere bestridelsen og bekræfte udfaldet – alt inden for én sammenhængende interaktion. Ingen overdragelser eller manuel koordination er nødvendig.

Opgaver, der tidligere krævede, at mennesker skiftede mellem multiple værktøjer, sker nu i baggrunden. Meget af kompleksiteten kan abstraheres væk, og kunden eller endda den menneskelige agent behøver ikke at se, hvordan processen fungerer bag scenen.

Denne skift er også med til at ændre softwarens rolle. Software ligner nu en samling byggeklodser, mens AI-agenter fungerer som laget, der forbinder og koordinerer systemer. Faste arbejdsgange giver plads til mere fleksible interaktioner, der er formet af situationen snarere end foruddefinerede stier: I stedet for at følge stive menuoptioner eller skriptede flader, træffes beslutninger i realtid baseret på kontekst.

Det er tid til at omstrukturere din teknologi-stak

Kontaktpunktsledere står i dag over for en stor spørgsmål: Hvis software ikke længere er den primære værdilagring, hvor skal teknologi-investeringerne gå?

Heldigvis behøver du ikke at erstatte dine eksisterende systemer fuldstændigt. De skal omstruktureres, så de interagerer på en anden måde.

I denne opdykkende model overtager AI-agenter orkestreringen, koordinerer handlinger på tværs af systemer i stedet for at afhænge af foruddefinerede arbejdsgange. Applikationsprogrammeringsgrænseflader (API’er) og modelkontekstprotokollen (MCP) bliver den primære måde, systemer kommunikerer på, og giver agenterne mulighed for at få adgang til og fortolke data, systemer og kontekst for at bruge værktøjerne på tværs af stakken.

Men omstrukturering alene er ikke nok. For alle deres nyttighed er AI-værktøjer stadig fejlbehæftede. En række faktorer kan føre til, at et AI-værktøj hallucinerer, glider væk fra sin alignment eller afviger fra politikker og retningslinjer. Da denne skift finder sted, vil der være en voksende behov for overvågning, måling og ansvarlighed.

AI-agenter udfører ikke bare opgaven; de træffer beslutninger som godkendelse af refunderinger, opdatering af konti og eskalering af problemer. Og da disse værktøjer opererer meget hurtigere end noget menneske kan, kan enhver fejl gentages på tværs af hundredvis eller endda tusindvis af instanser på få timer.

Det er præcis derfor, at organisationer behøver at indbygge overvågning for at vide, hvad deres AI beslutter; testværktøjer til at fange fejl i tide; og logningsinfrastruktur til at undersøge fejl hurtigt.

Rigtig bygning af sådanne sikkerhedsforanstaltninger omkring enhver AI-udrulning vil resultere i en mere fleksibel og responsiv arkitektur, der kan håndtere kompleksitet på måder, som traditionelle arbejdsgange ikke kan. Det er værd at bemærke, at denne arkitektur også er inherent mindre forudsigelig og vil kræve nye tilgange til oversigt og styring.

Forbudene

Selvom AI åbner op for en verden af muligheder, introducerer skiftet mod autonomi nye risici for kontaktpunkter, en forretning, hvor konsekvens og tillid er kritiske.

Strukturerede arbejdsgange har længe været grundlaget for kontaktpunktsoperationer. Hvert trin er defineret i forvejen, hver beslutning følger en godkendt sti, og hver interaktion kan auditeres mod etablerede regler. Denne struktur hjælper med at sikre, at kundeinteraktioner forbliver konsekvente, regulatoriske krav mødes, og politikker anvendes ensartet på tværs af alle sager.

Autonome AI-agenter opererer anderledes som standard. I modsætning til traditionel software, der følger forudsigelige algoritmer, træffer AI-agenter beslutninger baseret på deres underliggende model, træningsdata og kontekst i realtid. Denne fleksibilitet giver dem mulighed for at tilpasse sig hver situation, men introducerer også variation. To lignende kunde forespørgsler kan håndteres på lidt forskellige måder afhængigt af, hvordan agenten fortolker input, hvilke data der er tilgængelige, eller hvordan den underliggende model vægter forskellige signaler.

En person, der følger en stiv arbejdsgang, vil tende til at producere lidt forudsigelige resultater, men AI-agenter kan producere uventede eller inkonsistente resultater og har endda vist en høj potentiale for bias. En AI-agent kan løse et problem med en faktura korrekt, men fortolke en lignende sag anderledes.

Dette rejser vigtige operationelle spørgsmål for organisationer: Hvordan opretholder du ansvarlighed, når beslutninger træffes af et AI-baseret system og ikke af nogen, der følger et manuskript? Hvordan sikrer du gennemsigtighed i disse beslutninger, især når modeller er komplekse og ikke altid lette at fortolke? Og hvordan opretholder du overholdelse i miljøer, hvor handlinger er dynamisk genereret?

Disse spørgsmål er endnu vigtigere i kontaktpunkter, fordi de ligger i skæringspunktet mellem effektivitet og oplevelse. En forsinket respons, en forkert løsning eller en uforklarlig beslutning kan efterlade kunder frustrerede og usikre på din virksomheds pålidelighed. De vil tvivle på dig som løsning og måske endda skifte til en anden leverandør.

Derudover er der udfordringen med oversigt. Da AI-agenter overtager mere ansvar, har organisationer brug for måder at overvåge og teste deres adfærd i realtid, opdage afvigelser og gribe ind, når det er nødvendigt. Uden denne niveau af synlighed bliver det svært at sikre, at systemerne fungerer, som de skal, eller forstå, når de ikke gør.

Vejen frem

Organisationer bør tage en gradvis tilgang til AI-agent-adopteringsprocessen. I stedet for at erstatte eksisterende arbejdsgange fuldstændigt bør organisationer begynde med at supplere dem, introducere AI i kontrollerede scenarier, hvor risikoen er lavere og fordelene er umiddelbare.

Denne tilgang vil give kontaktpunkter mulighed for at eksperimentere og tilpasse sig uden at ofre pålidelighed. De kan udrulle AI-agenter i lav-risiko-situationer for at identificere bias, opdage routing-drift og løse andre problemer, mens de opstår.

Målet er at bevare kvaliteten, og AI-agenter er kun et værktøj, uanset hvor dygtige de er. Et kontaktpunkt, der adopterer denne teknologi med den rette balance mellem forsigtighed og optimisme, vil en dag få os til at se kontaktpunkter og callcenter i samme lys: som noget af fortiden.