Er AI-agenter ved at omskrive kontaktcenter-håndbogen?

Der var en tid, hvor callcenter blev bygget primært til at håndtere store mængder kunde forespørgsler via telefon. I dag har kontaktcenter til en stor del 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 forblevet stort set den samme.

Simple kunde forespørgsler bevæger sig stadig gennem en fragmenteret stak: interaktivt lydsvær (IVR) til verificering, kunde relation management (CRM) platforme til konto detaljer, ticketing værktøjer 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 forbliver langt fra sammentænket, og afhænger af multiple skridt, overdragelser og manuel koordination.

I årevis har denne model holdt. Så kom AI på billedet.

Da AI-agenter har fået momentum, er startups og etablerede virksomheder på tværs af brættet begyndt 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.

Fragmenterede systemer bliver en relique

Med AI-agenter på plads, opererer kontaktcenter 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, igangsætte bestridelsen og bekræfte resultatet – 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 ved at ændre rollen af software selv. 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 arbejdsgange, træffes beslutninger i realtid baseret på kontekst.

Det er tid til at omstrukturere din teknologi-stak

Kontaktcenterledere står i dag over for en stor spørgsmål: Hvis software ikke længere er den primære lagring af værdi, hvor skal teknologiinvesteringerne gå?

heldigvis behøver du ikke at erstatte dine eksisterende systemer med det samme. De skal omstrukturere, hvordan disse systemer interagerer.

I denne opdyrkende 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 adgang til og fortolker 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 fejlbarlige. En række faktorer kan resultere i, 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 at godkende refunderinger, opdatere konti og eskalere problemer. Og da disse værktøjer opererer meget hurtigere end noget menneske kan, kan enhver fejl blive gentaget på tværs af hundredvis eller endda tusindvis af instanser på få timer.

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

At bygge sådanne sikkerhedsforanstaltninger omkring enhver AI-udrulning vil resultere i en mere fleksibel og responsiv arkitektur, der er i stand til at håndtere kompleksitet på måder, som traditionelle arbejdsgange ikke kunne. Det er værd at bemærke, at denne arkitektur også er mere uforudsigelig og vil kræve nye tilgange til overvågning og styring.

Forsoningerne

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

Strukturerede arbejdsgange har længe været grundlaget for kontaktcenteroperationer. Hver skridt er defineret på forhånd, hver beslutning følger en godkendt sti, og hver interaktion kan auditeres mod etablerede regler. Denne struktur hjælper med at sikre, at kundeinteraktioner forbliver konsistente, regulatoriske krav opfyldes, og politikker anvendes ensartet på tværs af hver sag.

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 den introducerer også variation. To lignende kunde forespørgsler kan blive behandlet 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 de har endda vist en høj potentiale for bias. En AI-agent kan løse et problem med en faktura korrekt, men fortolke en lignende sag forskelligt.

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

Disse spørgsmål betyder endnu mere i kontaktcenter, fordi de ligger ved skæringen af effektivitet og oplevelse. En forsinket respons, en forkert løsning eller en uforklarlig beslutning kan efterlade kunder frustrerede og usikre på virksomhedens pålidelighed. De vil tvivle på dig som løsning og måske endda skifte til en anden leverandør.

Derudover er der udfordringen med overvågning. 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 dette niveau af synlighed bliver det svært at sikre, at systemer fungerer, som de skal, eller forstå, når de ikke gør det.

Vejen frem

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

Denne tilgang vil give kontaktcenter 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, efter alt, at bevare kvaliteten, og AI-agenter er bare et værktøj, uanset hvor dygtige de er. Et kontaktcenter, der adopterer denne teknologi med den rette balance af forsigtighed og optimisme, vil en dag gøre os se kontaktcenter og callcenter i samme lys: som noget af fortiden.