Når ‘Chatbot’ Er Et Beskidt Ord: 3 Misforståelser, som Erhvervsledere Har Om Konversations-AI

Udbredelsen af LLM’er som OpenAI’s ChatGPT, Meta’s Llama og Anthropic’s Claude har ført til en chatbot til enhver lejlighed. Der er chatbots til karrierevejledning, chatbots, der giver dig mulighed for at tale med din fremtidige selv, og endda en kylling-chatbot, der giver madlavningstip.

Men disse er ikke chatbots fra for ti år siden – dengang var de begrænsede til snævert forudbestemte, stive “samtal”, ofte baseret på et stort flowchart med multiple-choice eller tilsvarende svar. I virkeligheden var de kun lidt mere avancerede end før-internet-IVR-telefonmenuer.

I dag er “chatbots” oftere en reference til konversations-AI, et værktøj med langt bredere muligheder og anvendelsesområder. Og fordi vi nu befinder os midt i den generative AI-hype, bliver alle disse termer brugt om hverandre. Desværre fører dette til mange misforståelser omkring risici, anvendelsesområder og ROI ved at investere i konversations-AI blandt erhvervsledere, især i højregulerede brancher som finansielle tjenester.

Så jeg vil gerne rette op på nogle almindelige misforståelser omkring “chatbots”, når vi i virkeligheden diskuterer konversations-AI.

Myte 1: Kunder Hadder Chatbots

Forbrugere er blevet spurgt i det bedste del af det sidste årti, om de foretrer menneskelige agenter eller chatbots – hvilket er som at spørge, om de ville foretrække en professionel massage eller en shoppingcenter-massagestol.

Men debuten af ChatGPT i 2022 (sammen med alle de værktøjer, der spun fra det) vendte vores opfattelse af en chatbots muligheder helt på hovedet. Som nævnt ovenfor, fungerede ældre chatbots på manuskripter, sådan at enhver afvigelse fra deres forudbestemte baner ofte førte til forvirring og ineffektive svar. Ude af stand til at forstå kontekst og brugerens hensigt, var svarene ofte generiske og ikke hjælpsomme, og de havde begrænsede muligheder for at indsamle, gemme og levere information.

Til gengæld engagerer konversations-AI mennesker i naturlige samtaler, der spejler menneskeligt sprog, og giver mulighed for en mere flydende og intuitiv udveksling. Det demonstrerer en bemærkelsesværdig fleksibilitet og tilpasningsevne over for uventede resultater. Det kan forstå konteksten omkring brugerens hensigt, opdage følelser og reagere medfølende.

Denne dybere forståelse giver i dag mulighed for, at AI kan effektivt navigere brugere ned ad logiske baner mod deres mål. Det inkluderer en hurtig overføring af kunder til menneskelige assistenter, når det er nødvendigt. Desuden bruger konversations-AI avancerede informationsfiltre, indhentningsmekanismer og evnen til at fastholde relevant data, hvilket betydeligt forbedrer deres problemløsningsfærdigheder, og giver en bedre brugeroplevelse.

Så det er ikke, at kunder blindt hadder chatbots, hvad de hadder er dårlig service, som tidligere versioner af chatbots definitivt var skyld i at levere. I dag er konversationsagenter så meget mere avancerede, at over en fjerdedel af forbrugerne ikke er sikre på deres evne til at skelne mellem menneskelige og AI-agenter, og nogle opfatter AI-chatbots som bedre til udvalgte opgaver end deres menneskelige modparter.

I testpiloter har mit selskab set AI-agenter tredoble lead-omdannelsesrater, hvilket er et ret stærkt tegn på, at det ikke handler om, om det er en bot eller ej – det handler om kvaliteten af arbejdet.

Myte 2: Chatbots Er For Risikable

I diskussioner med erhvervsledere om AI, opstår ofte bekymringer om hallucinationer, dataprofiler og bias, der potentielt kan føre til lovbrydelser. Selvom disse risici er legitime, kan de alle let afhjælpes gennem forskellige tilgange: finjustering, Retrieval-Augmented Generation (RAG) og prompt-teknik.

Selvom det ikke er tilgængeligt på alle LLM’er, kan finjustering specialisere en forudtrænet model til en bestemt opgave eller domæne, hvilket resulterer i en AI, der er bedre egnet til bestemte behov. For eksempel kunne et sundhedsfirma finjustere en model til bedre at forstå og besvare medicinske spørgsmål.

RAG forbedrer chatbot-præcisionen ved dynamisk at integrere eksterne kundskaber. Dette giver chatbot mulighed for at hente opdateret information fra eksterne databaser. For eksempel kunne en finansiel chatbot bruge RAG til at give realtids-svar om aktiepriser.

Til sidst kan prompt-teknik optimere LLM’er ved at udforme prompts, der guider chatbot til at producere mere præcise eller kontekst-bevidste svar. For eksempel kunne en e-commerce-platform bruge tilpassede prompts til at hjælpe chatbot med at give personlige produktanbefalinger baseret på kundens præferencer og søgehistorik.

Ud over at bruge en eller flere af disse tilgange kan man også kontrollere en konversations-AI’s kreativitet “temperatur” for at hjælpe med at forhindre hallucinationer. Ved at sætte en lavere temperatur i API-opkaldene begrænser AI’en til at give mere deterministiske og konsistente svar, især når det kombineres med en videnbas, der sikrer, at AI’en trækker fra specificerede, pålidelige datasæt. For yderligere at mindske risici bør man undgå at anvende AI i beslutningstagende roller, hvor bias eller misinformations kan føre til juridiske problemer.

Med hensyn til dataprofiler skal man sikre, at eksterne AI-udbydere overholder reglerne, eller anvende åbne modeller på egen infrastruktur for at fastholde fuld kontrol over data, hvilket er essentiel for GDPR-overholdelse.

Til sidst er det altid klogt at investere i professionel ansvarsforsikring, der kan tilbyde yderligere beskyttelse, der dækker virksomheder i usandsynlige scenarier, såsom forsøg på retsforfølgning. Gennem disse foranstaltninger kan virksomheder med sikkerhed anvende AI, samtidig med at de fastholder virksomhedens og kundernes sikkerhed.

Myte 3: Chatbots Er Ikke Klar Til Komplekse Opgaver

Efter at have set de problemer, store teknologivirksomheder har med at implementere AI-værktøjer, kan det synes naivt at tro, at en SME ville have det lettere. Men AI er nu på et stadie, hvor udtrykket “jack of all trades and master of none” ikke er særlig urimeligt. Dette skyldes primært, at disse værktøjer bedes om at udføre for mange forskellige opgaver på tværs af miljøer, der endnu ikke er designet til effektiv AI-udvikling. Med andre ord, det er ikke, fordi de ikke er i stand til det, men fordi de bedes om at figur-skøjte på en sø, der er fuld af tynd, knust is.

For eksempel vil organisationer, der er fulde af siloede og/eller uorganiserede data, være mere tilbøjelige til, at AI fremhæver forældede, uaktuelle eller modstridende informationer. Ironisk nok er dette en konsekvens af deres kompleksitet! Mens ældre chatbots blot gentog grundlæggende informationer på en lineær måde, kan konversations-AI analysere robuste datasæt, hvor flere påvirkende faktorer på én gang kan føre til den mest passende vej fremad.

Konsekvensen er, at succes med konversations-AI afhænger af strenge parametre og ekstremt klare grænser for datakilder og opgaver. Med den rette træningsdata og ekspertudformede prompts kan konversations-AI’s funktionalitet udvides langt ud over området for en simpel chatbot. For eksempel kan det indsamle og filtrere data fra kundesamtaler og bruge det til automatisk at opdatere en CRM. Dette ikke kun strømliner administrative opgaver, men sikrer også, at kundeinformationen er konsekvent nøjagtig og opdateret. Ved at automatisere disse opgaver kan virksomheder fokusere mere på strategiske aktiviteter end administrative byrder.

Hvis vi skal fortsætte med at bruge begrebet “chatbot”, er det afgørende, at vi skelner mellem platforme, der inkorporerer avanceret konversations-AI, og dem, der stadig tilbyder de begrænsede værktøjer fra i går. På samme måde som ordet “telefon” i dag oftere fremkalder billedet af en touchscreen-smartphone end en spiral-kablet fastnettelefon, tror jeg, at vi ikke er langt fra, at “chatbot” bliver erstattet af idéen om avancerede AI-agenter snarere end klodsede multiple-choice-avatare.