Ashish Nagar, CEO und Gründer von Level AI – Interview-Serie

Ashish Nagar ist der CEO und Gründer von Level AI, der seine Erfahrung bei Amazon (AMZN ) im Alexa-Team nutzt, um künstliche Intelligenz zur Transformation von Kontaktcenter-Operationen einzusetzen. Mit einer starken Ausbildung in Technologie und Unternehmertum hat Ashish eine wichtige Rolle bei der Umsetzung der Unternehmensmission gespielt, die Effizienz und Effektivität von Kundeninteraktionen durch fortschrittliche KI-Lösungen zu verbessern. Unter seiner Führung ist Level AI zu einem wichtigen Spieler im Bereich der KI-getriebenen Kontaktcenter geworden, bekannt für seine innovativen Produkte und die überlegene Implementierung von künstlicher Intelligenz.

Was hat Sie dazu inspiriert, Amazon zu verlassen und Level AI zu gründen? Können Sie die spezifischen Schmerzpunkte im Kundenservice erläutern, die Sie mit Ihrer Technologie angehen wollten?

Mein Hintergrund ist die Entwicklung von Produkten an der Schnittstelle zwischen Technologie und Geschäft. Obwohl ich einen Bachelor-Abschluss in Angewandter Physik habe, hat meine Arbeit sich immer auf Produktrollen und die Einrichtung, den Start und die Entwicklung neuer Unternehmen konzentriert. Meine Leidenschaft für Technologie und Geschäft hat mich zur KI geführt.

Ich begann 2014 mit der Arbeit an KI, als wir ein next-generation-Mobil-Suchunternehmen namens Rel C aufbauten, das ähnlich war wie das heutige Perplexity AI. Diese Erfahrung hat meine Reise in die KI-Software ausgelöst, und schließlich wurde dieses Unternehmen von Amazon übernommen. Bei Amazon war ich ein Produktleiter im Alexa-Team und suchte ständig nach Möglichkeiten, komplexere KI-Probleme anzugehen.

In meinem letzten Jahr bei Amazon, 2018, arbeitete ich an einem Projekt, das wir als “Star-Trek-Computer” bezeichneten, inspiriert von der berühmten Science-Fiction-Serie. Das Ziel war es, einen Computer zu entwickeln, der jede Frage verstehen und beantworten kann, die man ihm stellt. Dieses Projekt wurde als Alexa-Preis bekannt, mit dem Ziel, es jedem zu ermöglichen, 20 Minuten lang über jedes soziale Thema mit Alexa zu sprechen. Ich leitete ein Team von etwa 10 Wissenschaftlern und wir starteten dies als weltweite KI-Herausforderung. Ich arbeitete eng mit führenden Köpfen von Institutionen wie MIT, CMU, Stanford und Oxford zusammen. Eine Sache wurde klar: zu diesem Zeitpunkt konnte niemand das Problem vollständig lösen.

Even dann konnte ich eine Welle der Innovation spüren, die es möglich machen würde. Vorwärts zu 2024 und Technologien wie ChatGPT sind jetzt viel von dem, was wir uns vorgestellt haben. Es gab schnelle Fortschritte in der natürlichen Sprachverarbeitung mit Unternehmen wie Amazon, Google (GOOGL ), OpenAI und Microsoft (MSFT ), die große Modelle und die zugrunde liegende Infrastruktur aufbauten. Aber sie beschäftigten sich nicht unbedingt mit End-to-End-Workflows. Wir erkannten diese Lücke und wollten sie angehen.

Unser erstes Produkt war keine Kunden-Service-Lösung; es war ein Sprachassistent für Frontline-Mitarbeiter, wie Techniker und Einzelhandelsangestellte. Wir sammelten 2 Millionen Dollar an Seed-Finanzierung und zeigten das Produkt potenziellen Kunden. Sie baten uns überwältigend, die Technologie für Kontaktcenter anzupassen, wo sie bereits Sprach- und Datenströme hatten, aber die moderne generative KI-Architektur fehlte. Dies führte uns zu der Erkenntnis, dass bestehende Unternehmen in diesem Bereich in der Vergangenheit steckten und mit dem klassischen Innovator-Dilemma kämpften, ob sie ihre Legacy-Systeme überholen oder etwas Neues aufbauen sollten. Wir starteten von einem blanken Blatt und bauten die erste native große Sprachmodell-(LLM)-Kunden-Erfahrung-Intelligenz- und Service-Automatisierungsplattform.

Mein tiefes Interesse an den Komplexitäten der menschlichen Sprache und wie herausfordernd es ist, diese Probleme aus einer computertechnischen Perspektive zu lösen, spielte eine wichtige Rolle bei unserem Ansatz. Die Fähigkeit von KI, menschliche Sprache zu verstehen, ist entscheidend, insbesondere für die Kontaktcenter-Branche. Zum Beispiel zeigt die Verwendung von Siri oft, wie schwierig es für KI ist, Absicht und Kontext in der menschlichen Sprache zu verstehen. Selbst einfache Anfragen können KI durcheinanderbringen, die Schwierigkeiten hat, zu verstehen, was Sie fragen.

KI kämpft mit dem Verständnis von Absicht, dem Beibehalten von Kontext über lange Gespräche hinweg und dem Besitz von relevantem Wissen über die Welt. Selbst ChatGPT hat Einschränkungen in diesen Bereichen. Zum Beispiel kennt es möglicherweise nicht die neuesten Nachrichten oder versteht es nicht, wie Themen innerhalb eines Gesprächs wechseln. Diese Herausforderungen sind direkt relevant für den Kundenservice, wo Gespräche oft mehrere Themen umfassen und erfordern, dass KI spezifisches, branchenspezifisches Wissen versteht. Wir gehen auf diese Herausforderungen in unserer Plattform ein, die darauf ausgelegt ist, die Komplexitäten der menschlichen Sprache in einer Kundenservice-Umgebung zu bewältigen.

Level AI’s NLU-Technologie geht über die grundlegende Schlüsselwort-Abgleichung hinaus. Können Sie erklären, wie Ihre KI ein tieferes Kunden-Intentions-Verständnis erreicht und welche Vorteile dies für den Kundenservice bringt? Wie stellt Level AI die Genauigkeit und Zuverlässigkeit seiner KI-Systeme sicher, insbesondere bei der Verständigung von nuancierten Kunden-Interaktionen?

Wir haben sechs oder sieben verschiedene KI-Pipelines, die für spezifische Aufgaben ausgelegt sind, je nachdem, was die Aufgabe ist. Zum Beispiel könnte ein Workflow die Identifizierung von Anruf-Treibern und das Verständnis der Probleme umfassen, die Kunden mit einem Produkt oder einer Dienstleistung haben, was wir als “Stimme des Kunden” bezeichnen. Ein anderer könnte die automatisierte Bewertung von Qualitäts-Scorecards zur Bewertung der Leistung von Agenten umfassen. Jeder Workflow oder Dienst hat seine eigene KI-Pipeline, aber die zugrunde liegende Technologie bleibt dieselbe.

Um eine Analogie zu ziehen, basiert die Technologie, die wir verwenden, auf LLMs ähnlich der Technologie hinter ChatGPT und anderen generativen KI-Tools. Wir verwenden jedoch kundenservice-spezifische LLMs, die wir in-house für diese speziellen Workflows trainiert haben. Dies ermöglicht es uns, innerhalb von nur wenigen Tagen nach der Onboarding neuer Kunden eine Genauigkeit von über 85% zu erreichen, was zu einem schnelleren Zeitraum bis zum Wert, minimalen professionellen Dienstleistungen und unübertroffener Genauigkeit, Sicherheit und Vertrauen führt.

Unsere Modelle haben tiefes, spezifisches Fachwissen im Kundenservice. Das alte Paradigma umfasste die Analyse von Gesprächen durch das Aufgreifen von Schlüsselwörtern oder Phrasen wie “Konto kündigen” oder “Ich bin nicht zufrieden”. Aber unsere Lösung verlässt sich nicht darauf, alle möglichen Variationen von Phrasen aufzufangen. Stattdessen wendet sie KI an, um die Absicht hinter der Frage zu verstehen, was es viel schneller und effizienter macht.

Zum Beispiel, wenn jemand sagt, “Ich möchte mein Konto kündigen”, gibt es unzählige Wege, wie er dies ausdrücken könnte, wie “Ich bin fertig mit euch” oder “Ich gehe zu jemand anderem”. Unsere KI versteht die Absicht hinter der Frage und bindet sie an den Kontext, was der Grund ist, warum unsere Software schneller und genauer ist.

Eine hilfreiche Analogie ist, dass alte KI wie ein Regelbuch war – Sie bauten diese starren Regelbücher mit if-then-else-Anweisungen, die unflexibel waren und ständig Wartung benötigten. Die neue KI hingegen ist wie ein dynamisches Gehirn oder ein Lernsystem. Mit nur wenigen Hinweisen lernt es dynamisch Kontext und Absicht, verbessert sich ständig und hat einen viel breiteren Einfluss. Ein Regelbuch hat einen begrenzten Umfang und bricht leicht, wenn etwas nicht in die vordefinierten Regeln passt, während ein dynamisches Lernsystem weiter wächst, sich entwickelt und einen viel größeren Einfluss hat.

Ein gutes Beispiel aus der Sicht eines Kunden ist ein großes E-Commerce-Unternehmen. Sie haben Tausende von Produkten und es ist unmöglich, mit ständigen Updates Schritt zu halten. Unsere KI kann jedoch den Kontext verstehen, wie zum Beispiel, ob Sie über ein bestimmtes Sofa sprechen, ohne dass wir ständig eine Scorecard oder ein Rubrik mit jedem neuen Produkt aktualisieren müssen.

Was sind die wichtigsten Herausforderungen bei der Integration von Level AI’s Technologie mit bestehenden Kundenservice-Systemen, und wie gehen Sie diese an?

Level AI ist eine Kunden-Erfahrung-Intelligenz- und Service-Automatisierungsplattform. Als solche integrieren wir mit den meisten CX-Software-Anbietern in der Branche, sei es ein CRM, CCaaS, Umfrage oder Tooling-Lösung. Dies macht uns zum zentralen Hub, der Daten aus all diesen Quellen sammelt und als Intelligenzschicht auf diesen aufsetzt.

Die Herausforderung besteht jedoch darin, dass einige dieser Systeme auf nicht-cloud-basierten, on-premise-Technologien oder sogar cloud-basierten Technologien basieren, die APIs oder saubere Daten-Integrationen fehlen. Wir arbeiten eng mit unseren Kunden zusammen, um dies anzugehen, obwohl 80% unserer Integrationen jetzt cloud-basiert oder API-nativ sind und es uns ermöglichen, schnell zu integrieren.

Wie bietet Level AI Echtzeit-Intelligenz und handhabbare Erkenntnisse für Kunden-Service-Agenten? Können Sie einige Beispiele dafür nennen, wie dies Kunden-Interaktionen verbessert hat?

Es gibt drei Arten von Echtzeit-Intelligenz und handhabbaren Erkenntnissen, die wir unseren Kunden bieten:

1. Automatisierung von manuellen Workflows: Service-Reps haben oft begrenzte Zeit (6 bis 9 Minuten) und mehrere manuelle Aufgaben. Level AI automatisiert langweilige Aufgaben wie Notizen während und nach Gesprächen, generiert benutzerdefinierte Zusammenfassungen für jeden Kunden. Dies hat unseren Kunden 10 bis 25% in Call-Handling-Zeit gespart, was zu mehr Effizienz führt.
2. CX-Copilot für Service-Reps: Service-Reps stehen vor hohen Fluktuations- und Onboarding-Herausforderungen. Stellen Sie sich vor, in ein Kontaktcenter ohne Kenntnis der Unternehmensrichtlinien eingeführt zu werden. Level AI agiert als Experte-KI, die neben dem Rep sitzt, Gespräche hört und Echtzeit-Anleitung bietet. Dies umfasst die Bewältigung von Einwänden, das Bereitstellen von Wissen und das Anbieten von intelligenten Transkriptionen. Diese Fähigkeit hat unseren Kunden geholfen, Service-Reps 30 bis 50% schneller einzubinden und zu trainieren.
3. Manager-Copilot: Diese einzigartige Funktion bietet Managern Echtzeit-Einblicke in die Leistung ihres Teams. Level AI bietet sekundengenaue Einblicke in Gespräche, ermöglicht es Managern, einzugreifen, Sentiment und Absicht zu erkennen und Reps in Echtzeit zu unterstützen. Dies hat die Produktivität der Agenten um 10 bis 15% verbessert und die Zufriedenheit der Agenten gesteigert, was entscheidend für die Reduzierung von Kosten ist. Zum Beispiel, wenn ein Kunde beginnt, einen Rep zu beschimpfen, flaggt das System dies, und der Manager kann den Anruf übernehmen oder dem Rep Echtzeit-Anleitung geben. Eine solche Echtzeit-Intervention wäre ohne diese Technologie unmöglich.

Können Sie genauer erklären, wie Level AI’s Sentiment-Analyse funktioniert und wie sie Agenten hilft, effektiver auf Kunden zu reagieren?

Unsere Sentiment-Analyse erkennt sieben verschiedene Emotionen, von extremer Frustration bis Ekstase, und ermöglicht es uns, unterschiedliche Emotionen zu messen, die zu unserem Gesamtsentiment-Score beitragen. Diese Analyse berücksichtigt sowohl die gesprochenen Wörter als auch die Tonlage des Gesprächs. Wir haben jedoch durch unsere Experimente festgestellt, dass das gesprochene Wort eine viel größere Rolle spielt als die Tonlage. Man kann die gemeinste Sache in einer flachen Tonlage oder sehr nette Dinge in einer seltsamen Tonlage sagen.

Wir bieten einen Sentiment-Score auf einer Skala von 1 bis 10, wobei 1 einen sehr negativen Sentiment und 10 einen sehr positiven Sentiment anzeigt. Wir analysieren 100% der Gespräche unserer Kunden und bieten tiefere Einblicke in Kunden-Interaktionen.

Kontextuelles Verständnis ist auch entscheidend. Zum Beispiel, wenn ein Anruf mit sehr negativem Sentiment beginnt, aber positiv endet, auch wenn 80% des Anrufs negativ waren, wird die gesamte Interaktion als positiv betrachtet. Dies liegt daran, dass der Kunde zunächst unzufrieden war, der Agent das Problem gelöst hat und der Kunde zufrieden blieb. Andererseits, wenn der Anruf positiv beginnt, aber negativ endet, ist dies eine andere Geschichte, obwohl 80% des Anrufs möglicherweise positiv waren.

Diese Analyse hilft sowohl dem Rep als auch dem Manager, Bereiche für Schulungen zu identifizieren, indem sie sich auf Aktionen konzentrieren, die mit positivem Sentiment korrelieren, wie das Begrüßen des Kunden, das Anerkennen seiner Bedenken und das Zeigen von Empathie – Elemente, die für erfolgreiche Interaktionen entscheidend sind.

Wie geht Level AI datenschutz- und sicherheitsbedingte Bedenken an, insbesondere angesichts der sensiblen Natur von Kunden-Interaktionen?

Von Anfang an haben wir Sicherheit und Datenschutz priorisiert. Wir haben unser System mit unternehmensweiter Sicherheit und Datenschutz als Kernprinzipien aufgebaut. Wir outsourcen keine unserer generativen KI-Fähigkeiten an externe Anbieter. Alles wird in-house entwickelt, was es uns ermöglicht, kundenspezifische KI-Modelle ohne Datenfreigabe außerhalb unserer Umgebung zu trainieren. Wir bieten auch umfangreiche Anpassungsmöglichkeiten, die es Kunden ermöglichen, ihre eigenen KI-Modelle ohne Datenfreigabe zwischen verschiedenen Teilen unserer Daten-Pipeline zu haben.

Um ein aktuelles Branchen-Anliegen anzusprechen, werden unsere Daten nicht von externen Modellen für die Schulung verwendet. Wir lassen nicht zu, dass unsere Modelle von KI-generierten Daten aus anderen Quellen beeinflusst werden. Dieser Ansatz verhindert die Probleme, mit denen einige KI-Modelle konfrontiert sind, wenn sie mit KI-generierten Daten trainiert werden und dadurch an Genauigkeit verlieren. Bei Level AI ist alles First-Party, und wir teilen oder ziehen keine Daten extern.

Mit der jüngsten Finanzierungsrunde von 39,4 Millionen Dollar in der Serie C, welche Pläne haben Sie, um Level AI’s Plattform zu erweitern und neue Kunden-Segmente zu erreichen?

Die Serie-C-Investition wird unser strategisches Wachstum und Innovationsinitiativen in kritischen Bereichen wie der Produktentwicklung, der technischen Verbesserung und der strengen Forschung und Entwicklung vorantreiben. Wir zielen darauf ab, Spitzenkräfte auf allen Ebenen des Unternehmens zu rekrutieren, um weiterhin branchenführende Technologien zu entwickeln, die die Erwartungen der Kunden übertreffen und die dynamischen Marktnachfragen erfüllen.

Wie sehen Sie die Rolle von KI bei der Transformation des Kundenservice in den nächsten zehn Jahren?

Während der allgemeine Fokus oft auf dem Automatisierungsaspekt liegt – die Vorhersage einer Zukunft, in der Bots den gesamten Kundenservice übernehmen -, ist unsere Sichtweise nuancierter. Der Umfang der Automatisierung variiert je nach Branche. Zum Beispiel könnte die Automatisierung in der Banken- oder Finanzbranche geringer sein, während sie in anderen Sektoren höher sein könnte. Im Durchschnitt glauben wir, dass die Erreichung von mehr als 40% Automatisierung in allen Branchen herausfordernd ist. Dies liegt daran, dass Service-Reps mehr tun als nur Fragen beantworten – sie agieren als Troubleshooter, Verkaufsberater und mehr, Rollen, die nicht vollständig durch KI repliziert werden können.

Es gibt auch ein großes Potenzial in der Automatisierung von Workflows, auf die sich Level AI konzentriert. Dies umfasst Back-Office-Aufgaben wie Qualitätskontrolle, Ticket-Triage und Bildschirm-Überwachung. Hier kann die Automatisierung mit generativer KI über 80% erreichen. Intelligenz und Daten-Einblicke sind entscheidend. Wir sind einzigartig in der Verwendung von generativer KI, um Einblicke aus unstrukturierten Daten zu gewinnen. Dieser Ansatz kann die Qualität der Einblicke enorm verbessern, den Bedarf an professionellen Dienstleistungen um 90% reduzieren und die Zeit bis zum Wert um 90% beschleunigen.

Ein weiterer wichtiger Aspekt ist, ob das Gesicht Ihres Unternehmens ein Bot oder eine Person sein sollte. Jenseits der grundlegenden Funktionen, die sie ausführen, ist eine menschliche Verbindung mit Ihren Kunden entscheidend. Unser Ansatz besteht darin, die überflüssigen Aufgaben aus der Arbeitslast einer Person zu entfernen, sodass sie sich auf sinnvolle Interaktionen konzentrieren kann.

Wir glauben, dass Menschen am besten für direkte Kommunikation geeignet sind und weiterhin in dieser Rolle sein sollten. Sie sind jedoch nicht ideal für Aufgaben wie Notizen, Transkriptionen von Interaktionen oder Bildschirmaufnahmen. Indem wir diese Aufgaben für sie übernehmen, ermöglichen wir es ihnen, ihre Zeit effektiver mit Kunden zu verbringen.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Level AI besuchen.