Det Arkitektoniske AI-Problem i Kundeservice

Klarna har nylig reduceret 700 kundeservicejob, idet de satser på, at AI kan absorbere forskellen. Inden for et år var kundetilfredsheden faldet, og virksomheden var ved at hyre igen. Gartner forudser, at halvdelen af de organisationer, der planlægger lignende reduktioner af arbejdsstyrken, vil opgive disse planer inden 2027.

Dette er ikke et problem med AI-kapacitet. 100% af kundeserviceagenter interagerer med AI dagligt for at håndtere en bred vifte af komplekse situationer.

Alligevel betragter ingen agenter AI som kritisk for deres arbejde. Denne forskel er ikke overraskende. AI bliver ved med at blive lagt på samme fragmenterede systemer, der allerede svigtede agenterne, før avancerede AI-værktøjer dukkede op. I dag udfører mennesker stadig det forbinderende arbejde, tab-switching, kopiering og manuel afstemning, der forbinder ét system til et andet.

AI blev bygget til at erstatte dette arbejde. I stedet kompliserede det det. Indtil nogen løser forbindelserne mellem systemer, vil agenter fortsætte med at udføre AI’s arbejde manuelt og miste tillid til det vigtigste værktøj til deres rådighed.

Tillidskløften, som Ingen Løser

Ottendeogfirs procent af agenterne siger, at AI-værktøjerne ikke har ændret, hvordan de arbejder. Nioghalvfems procent verificerer AI-udgangspunkter, før de handler på dem. Agenter ser nok ufuldstændige eller ukorrekte svar til, at dobbelttjek er standarden. De modsætter sig ikke teknologien. Den har ikke fortjent deres tillid endnu.

Konsekvenserne bliver synlige midt i en kundekonversation. En kunde ringer om en faktureringskontrovers, og den AI-genererede kontoopsummering er tre måneder forældet. De bruger de næste ti minutter på at verificere på tværs af flere systemer, hvad AI skulle have fremhævet øjeblikkeligt, mens kunden sidder på hold.

De fleste organisationer læser denne negative oplevelse som et personaleproblem. Agenterne er bange for, at deres job er i fare på grund af AI, der tager på sig mere komplekse opgaver, så de arbejder rundt om det.

Det er i virkeligheden et ledelsesproblem. Gartner fandt, at 91% af kundeserviceledere er under pres fra ledelsen for at implementere AI.

Under sådant pres er det let at fortolke modstand som et adoptionsproblem snarere end et signal om, at AI ikke er arkitektonisk korrekt. Som følge heraf forbliver fokus på at accelerere udrulning i de forkerte områder og øge reduktionen af antallet af ansatte uden at løse det underliggende problem.

Hvad Fragmenteret Udrulning Faktisk Producerer

Agenter fungerer som det manuelle integrationslag mellem en live kundekonversation og 4 til 10 frakoplinger af virksomhedsværktøjer. De “svivler” mellem faktureringsplatforme, ERP-systemer og billetværktøjer, mens en kunde venter på hold. Dette skyldes, at de fleste virksomheder har boltet AI på samme fragmenterede arkitektur, der allerede havde langsommelige agenter.

For eksempel kan chatbots håndtere front-end af en interaktion, men fejle, når agenterne skal få adgang til det legacy back-office-system, hvor den faktiske transaktion lever, og tvinger agenterne til at fuldføre opgaven manuelt alligevel. Eller kan AI-sammenfattningsværktøjer generere post-opkaldsnoter, men skriver til et separat system i stedet for CRM’en. AI arvede fragmenteringen i stedet for at løse den.

AI er kun så forbundet som systemerne under det. Når systemer ikke deler kontekst, kan AI heller ikke. Det trækker fra historiske CRM-optegnelser, men kan ikke forstå, hvad der sker i en live kundekonversation. Inden det kommer med en anbefaling, kan den underliggende data være ændret.

Ufuldstændig kontekst, stagneret data og frakoplinger af systemer er ikke separate problemer. De er symptomer på et AI-arkitekturfejl.

Opbygning af AI-Arkitektur, der Fungerer med Menneskelige Agenter

Opbygning af AI, som agenter faktisk stoler på, og som forbedrer kundeservice-resultater, kommer til at afhænge af fire infrastrukturrekrutter:

1. Give AI-værktøjer adgang til realtidsdata. De fleste AI-udrulninger i CX trækker fra den tilgængelige kundedata. Det er ofte forældet. AI skal være arkitektonisk designet til at give realtidsadgang til kundedata på det tidspunkt, en anmodning foretages, og ikke et fragmenteret snapshot sammensat fra systemer, der holder forskellige versioner af samme kunde.
2. Give AI varig kontekst. Når AI er boltet på eksisterende infrastruktur i stedet for at blive bygget ind i den, rejser konteksten ikke. Den bliver droppet ved hver overdragelse. Varig AI skal være lagt over hele interaktionen, kontinuerligt bærende kundehensigt og konversationskontekst, mens arbejdet flytter mellem systemer, kanaler og menneskelige agenter. Når en menneskelig agent træder ind, skal de ikke starte fra scratch.
3. Implementer agentisk AI til autonom udførelse, ikke kun anbefalinger. Det næste betydningsfulde skridt er AI, der kan udføre arbejdet, agenterne kræver, autonomt, mens menneskelige agenter holder øje med og kontrollerer. I stedet for at fortælle agenterne, hvad de skal gøre herefter, orkestrerer agentisk AI arbejdsprocesser på tværs af virksomhedssystemer, behandling af krav, bearbejdning af refunderinger, opdatering af optegnelser og fuldførelse af opgaver, selv på legacy-applikationer uden API’er. AI håndterer udførelsen, mens menneskelige agenter fokuserer på dømmekraft, empati og opbygning af stærkere kundeforhold.
4. Vælg AI-systemer, der forbedrer sig fra resultater, ikke kun input. De fleste virksomheds-AI’er er statiske efter udrulning. Den mere betydningsfulde arkitektur er en, der kontinuerligt lærer af interaktionsresultater, optimerer arbejdsprocesser baseret på, hvad der faktisk løste problemet, og ikke kun, hvad træningsdataen forudsagde ville. AI, der lukker feedback-løkken mellem resultater og fremtidig præstation, er fundamentalt forskellig fra AI, der udrulles og holder.

Tillidskløften, som agenterne har med AI, er ikke et træningsproblem eller et adoptionsproblem. Det er et arkitekturproblem.

Den sande ROI på AI ligger ikke i reduktion af antallet af ansatte, men i den værdi, der skabes, når agenterne endelig kan fokusere på kunder i stedet for systemer. Det sker kun, når AI er bygget ind i udførelseslaget, ikke lagt oven på det.

De organisationer, der stadig kæmper med adoption, er ikke tilbage med AI. De er tilbage med infrastruktur. Løs arkitekturen, og adoptionsproblemet løser sig selv.