Decagon lancerer Missions til langvarige AI-arbejdsgange inden for kundeservice

Decagon introducerede Missions den 12. november 2026, et produkt, der er udviklet til at lade AI-agenter håndtere kundeønsker, som strækker sig over flere samtaler, systemer og deltagere. Agenterne kan arbejde hen imod et defineret mål i dage, uger eller måneder i stedet for at afslutte arbejdet efter en enkelt interaktion.

Decagon nævner forhåndsgodkendelse af en MR-scanning, godkendelse af et mindre lån og kvalificering af kundeemner som eksempler på forløb med flere trin, der kan skabe betydelige indtægter. For teams inden for kundeoplevelser er målet at erstatte manuel statussporing og koordinering af overdragelser med løbende forbedring af forløbet.

Orkestrering på tværs af samtaler og administrative systemer

Et team starter en Mission ved at formulere målet i et klart og enkelt sprog, angive, hvilke personaer agenten skal engagere, og tilføje vejledning. Agenten vælger derefter sine næste handlinger med udgangspunkt i målet. Den kan forbinde tråde, der involverer forskellige personer, kontakte hver deltager via en passende kanal og vente, hvis en tredjepart skal gennemføre et trin, før processen kan fortsætte.

Produktet rækker også ud over samtaler. Med Browser Actions kan en agent påtage sig administrative opgaver som at udfylde formularer. Decagons eksempel på fornyelse af en recept begynder med en besked til patienten, fortsætter med kontakt til behandleren, hvis der kræves godkendelse, og omfatter, at kravene køres igennem igen på en forsikringsportal. Processen afsluttes, når agenten bekræfter afhentningsoplysningerne med patienten.

Eksemplet illustrerer produktets bredere rolle i virksomheder: Ét serviceforløb kan kræve kommunikation med kunden, koordinering med behandleren og aktivitet i forsikringssystemet. Missions samler disse aktiviteter i én målrettet arbejdsgang i stedet for at behandle hver interaktion som en separat opgave.

Sager og Memory former de næste handlinger

Hver Mission-sag fører en oversigt over forløbet, herunder gennemførte trin og nye oplysninger, der kan ændre planen. Agenten bruger sagen til at vælge sin næste handling, planlægge proaktiv kontakt og bevare konteksten til senere arbejde. Før den handler, gennemgår den igen både sagen og kundens Memory for at afgøre, om den eksisterende plan stadig passer.

Memory indeholder præferencer og relevant kontekst fra andre samtaler. Decagons eksempler omfatter at respektere en kundes ønske om ikke at blive ringet op efter kl. 15 og at tage højde for en sideløbende interaktion, hvor samme kunde er ved at tage et nyt produkt i brug, samtidig med at vedkommende får hjælp til at løse et uvedkommende problem.

Den samme kontrol foretages igen, når en kunde ændrer den forventede rækkefølge. Hvis en agent har kvalificeret et kundeemne og aftalt en opfølgning, men kunden selv aftaler opfølgningen via e-mail, tilpasser agenten sin plan. Designet adskiller dermed to former for kontekst: Mission-sagen holder styr på fremskridtene mod forretningsmålet, mens Memory gør individuelle præferencer og samtidige interaktioner synlige.

Optimering håndterer udfordringer med årsagssporing i lange arbejdsgange

Decagon peger på årsagssporing som en central udfordring, når automatiseret arbejde strækker sig over mange interaktioner. Hvis en receptfornyelse bliver forsinket, kan teams være nødt til at finde ud af, om problemet opstod ved den første henvendelse, overdragelsen til behandleren eller forsikringsverifikationen. Det gør det vanskeligt at isolere den interaktion eller overdragelse, der skal ændres.

Hver Mission er opbygget som en Agent Operating Procedure (AOP). Teams kan skrive, redigere og videreudvikle denne logik, gennemgå agentens beslutninger og teste enkelte dele af konfigurationen for at finde ud af, hvad der skal forbedres. Duet og Duet Autopilot kommer med anbefalinger, der sigter mod hele kunderejsen, og udvider dermed optimeringen til mere end isolerede interaktioner.

Lanceringen forbinder således udførelse og analyse i én produktmodel: Agenter følger et mål på tværs af deltagere og systemer, mens sager, Memory og AOP-baseret test giver teams værktøjer til at gennemgå og revidere den valgte fremgangsmåde. For virksomheder, der overvejer automatisering over længere tid, er det åbne spørgsmål, om disse kontroller pålideligt kan afdække svage overdragelser og forbedre resultaterne, efterhånden som antallet af interaktioner vokser.