Γιατί οι πελάτες εγκαταλείπουν τα chatbot εξυπηρέτησης πελατών σας

Εδώ και χρόνια, οι ομάδες εξυπηρέτησης πελατών αντιμετωπίζουν το άμεσο αίτημα για ανθρώπινο εκπρόσωπο ως πρόβλημα σχεδιασμού. Όταν οι καλούντες απορρίπτουν μια αυτοματοποιημένη εμπειρία προτού καν αρχίσει ουσιαστικά, η φυσική αντίδραση είναι να προσπαθήσουμε να κάνουμε το σύστημα να ακούγεται πιο ζεστό ή πιο ανθρώπινο. Να ξαναγράψουμε τον χαιρετισμό. Να αναγνωρίσουμε την απογοήτευση. Να πούμε στους καλούντες ότι μπορούν να μιλήσουν φυσικά. Η υπόθεση είναι ότι, αν η εμπειρία μοιάζει λιγότερο ρομποτική, οι άνθρωποι θα είναι πιο πρόθυμοι να αλληλεπιδράσουν με το σύστημα.

Πρόσφατα είδαμε ενδείξεις ότι κάτι άλλο έχει πολύ μεγαλύτερη σημασία.

Σε μια μεγάλη ασφαλιστική εταιρεία που χρησιμοποιεί τεχνητή νοημοσύνη για να απαντά σε ερωτήσεις σχετικά με τις καλύψεις ενοικίασης αυτοκινήτου, ένας φωνητικός βοηθός αρχικά χαιρετούσε τους καλούντες λέγοντάς τους ότι μπορούσαν να «μου μιλούν σαν να είμαι αληθινός άνθρωπος». Περισσότεροι από τέσσερις στους δέκα καλούντες εξακολουθούσαν να ζητούν να μιλήσουν με άνθρωπο προτού έχουν ουσιαστική αλληλεπίδραση με το σύστημα. Αλλάξαμε τον χαιρετισμό, κάνοντάς τον πιο απλό και άμεσο, όμως το αποτέλεσμα ουσιαστικά δεν άλλαξε. Το 44% των καλούντων εξακολουθούσε να ζητά αμέσως εκπρόσωπο.

Αυτό που τελικά άλλαξε τη συμπεριφορά των καλούντων είχε ελάχιστη σχέση με το πώς ακουγόταν η τεχνητή νοημοσύνη. Αλλάξαμε όσα μπορούσε να αποδείξει ότι γνώριζε. Αντί να ξεκινά με έναν γενικό χαιρετισμό, η τεχνητή νοημοσύνη θα έκανε μια εύλογη εκτίμηση για τον λόγο της κλήσης του πελάτη και θα έδινε πληροφορίες που θα αντιμετώπιζαν προληπτικά το ζήτημα — για παράδειγμα, θα περιέγραφε το όχημα που συνδεόταν με την ασφαλιστική απαίτηση του καλούντος, θα έδινε την κατάσταση της απαίτησης και θα έλεγχε αν ο πελάτης χρειαζόταν ενοικιαζόμενο αυτοκίνητο.

Τα αιτήματα για ανθρώπινο εκπρόσωπο μειώθηκαν κατά 23%. Η ουσιαστική αλληλεπίδραση με την τεχνητή νοημοσύνη αυξήθηκε από 54% σε 66%.

Εδώ υπάρχει ένα δίδαγμα που ξεπερνά κατά πολύ τα όρια των κέντρων επικοινωνίας. Καθώς οι εταιρείες σπεύδουν να κάνουν την τεχνητή νοημοσύνη πιο συνομιλιακή, προσιτή και διαισθητική, ενδέχεται να μην επενδύουν αρκετά σε κάτι πιο θεμελιώδες: να της δώσουν αρκετό πλαίσιο, ώστε να αποδεικνύει ότι κατανοεί την κατάσταση που έχει μπροστά της.

Η τεχνητή νοημοσύνη κληρονομεί ένα έλλειμμα εμπιστοσύνης

Οι άνθρωποι δεν προσεγγίζουν ένα νέο σύστημα τεχνητής νοημοσύνης χωρίς προηγούμενες εμπειρίες. Κουβαλούν χρόνια εμπειρίας με τηλεφωνικά μενού που δεν καταλάβαιναν απλά αιτήματα, chatbot που έδιναν άσχετες απαντήσεις και αυτοματοποιημένα συστήματα που τους έκαναν να επαναλαμβάνουν πληροφορίες τις οποίες είχαν ήδη δώσει. Με τον καιρό, οι χρήστες έχουν μάθει ότι το να ζητήσουν να μιλήσουν με άνθρωπο μπορεί να είναι ο ταχύτερος τρόπος για να διεκπεραιώσουν κάτι.

Αυτή η συμπεριφορά μπορεί να εκληφθεί ως αντίσταση στην τεχνητή νοημοσύνη, υπάρχει όμως ένας πιο χρήσιμος τρόπος να την κατανοήσουμε. Προτού εμπιστευτούν σε ένα αυτοματοποιημένο σύστημα μια εργασία, οι άνθρωποι θέλουν να διαπιστώσουν ότι το σύστημα κατανοεί αρκετά καλά τη δική τους συγκεκριμένη κατάσταση, ώστε να φανεί χρήσιμο. Οι ερευνητές έχουν περιγράψει μία από τις πτυχές αυτής της αντίστασης ως «παραγνώριση της μοναδικότητας»: την αντίληψη ότι ένα αυτοματοποιημένο σύστημα δεν μπορεί να λάβει επαρκώς υπόψη τις περιστάσεις ενός ατόμου.

Αυτό γίνεται ολοένα σημαντικότερο καθώς η τεχνητή νοημοσύνη επεκτείνεται σε τομείς της ζωής και της εργασίας μας με πιο σοβαρές συνέπειες. Ένας πελάτης που τηλεφωνεί μετά από τροχαίο ατύχημα δεν θεωρεί το πρόβλημά του μια γενική ερώτηση για την ασφάλιση. Ένας εργαζόμενος που χρησιμοποιεί έναν εταιρικό ψηφιακό βοηθό περιμένει να κατανοεί τον ρόλο του, τα δικαιώματα πρόσβασης που διαθέτει και τις τρέχουσες εργασίες του. Ένας προγραμματιστής που χρησιμοποιεί ένα εργαλείο τεχνητής νοημοσύνης για συγγραφή κώδικα χρειάζεται απαντήσεις που λαμβάνουν υπόψη την αρχιτεκτονική γύρω από τον κώδικα.

Σε κάθε περίπτωση, ένα σύστημα τεχνητής νοημοσύνης πρέπει να αποδείξει ότι κατανοεί τις περιστάσεις που περιβάλλουν το αίτημα, προτού ο χρήστης έχει σοβαρό λόγο να εμπιστευτεί την απάντησή του.

Το πλαίσιο γίνεται μέρος της διεπαφής της τεχνητής νοημοσύνης

Παραδοσιακά, εξατομίκευση σήμαινε να γνωρίζεις το όνομα κάποιου, να θυμάσαι μια προτίμησή του ή να του προτείνεις κάτι με βάση την προηγούμενη συμπεριφορά του. Η τεχνητή νοημοσύνη μάς δίνει την ευκαιρία να προσαρμόζουμε την εμπειρία πολύ περισσότερο στις εκάστοτε περιστάσεις. Ένα χρήσιμο σύστημα θα πρέπει να κατανοεί τι προσπαθεί να πετύχει κάποιος, τι έχει ήδη συμβεί, ποιες πληροφορίες είναι σχετικές εκείνη τη στιγμή και ποιες ενέργειες είναι πράγματι διαθέσιμες.

Αυτή η διάκριση βοηθά να εξηγήσουμε γιατί πέτυχε το πείραμα στον ασφαλιστικό κλάδο. Η τεχνητή νοημοσύνη δεν χαιρετούσε απλώς τους καλούντες με πιο ευχάριστο τρόπο. Τους γλίτωνε από επιπλέον δουλειά κατά την αλληλεπίδραση. Όποιος τηλεφωνούσε για να ελέγξει αν δικαιούνταν κάλυψη ενοικίασης αυτοκινήτου δεν χρειαζόταν πλέον να εξηγήσει την ασφαλιστική του απαίτηση, να προσδιορίσει το όχημά του και να περιμένει ώσπου το σύστημα να ανακτήσει τις σχετικές πληροφορίες. Παρουσιάζοντας αμέσως αυτό το πλαίσιο, το σύστημα αποδείκνυε την ικανότητά του προτού ζητήσει από τον καλούντα να το εμπιστευτεί σε οτιδήποτε άλλο.

Η αρχή αυτή ισχύει για κάθε εφαρμογή τεχνητής νοημοσύνης σε επιχειρήσεις. Κάθε φορά που ένας χρήστης πρέπει να επαναλάβει πληροφορίες που το σύστημα θα έπρεπε ήδη να γνωρίζει, να διορθώσει μια υπόθεση που δεν θα έπρεπε ποτέ να έχει κάνει ή να ανασυνθέσει ένα πλαίσιο που υπάρχει ήδη κάπου αλλού στον οργανισμό, η εμπιστοσύνη του διαβρώνεται. Για τις επιχειρήσεις, αυτό σημαίνει ότι το πλαίσιο θα πρέπει να αντιμετωπίζεται ως μέρος της εμπειρίας χρήστη και όχι απλώς ως τεχνικό ζήτημα που αφορά το παρασκήνιο.

Η τεχνητή νοημοσύνη μπορεί να αλλάξει τον τρόπο με τον οποίο μετράμε την επιτυχία

Το πείραμά μας ανέδειξε και μια ακόμη συμπεριφορά που ήταν εύκολο να παραβλέψουμε. Μετά την εισαγωγή του χαιρετισμού που βασιζόταν στο πλαίσιο, ορισμένοι καλούντες άκουγαν το αρχικό μήνυμα και απλώς έκλειναν το τηλέφωνο.

Οι παραδοσιακοί δείκτες απόδοσης των κέντρων επικοινωνίας θα μπορούσαν να κατατάξουν αυτές τις κλήσεις ως εγκαταλειμμένες. Ωστόσο, ορισμένοι από αυτούς τους πελάτες είχαν μόλις λάβει ακριβώς αυτό που φαίνεται πως χρειάζονταν. Αν κάποιος τηλεφωνήσει για να μάθει αν εγκρίθηκε μια ασφαλιστική απαίτηση και η τεχνητή νοημοσύνη τού πει αμέσως ότι η απαίτησή του έχει εγκριθεί και ότι η κάλυψη ενοικίασης αυτοκινήτου είναι έτοιμη, ίσως να μην υπάρχει τίποτα άλλο προς συζήτηση.

Περίπου το 3% των κλήσεων στις οποίες χρησιμοποιήθηκε ο δυναμικός χαιρετισμός φαίνεται να ακολουθούσε αυτό το μοτίβο: οι καλούντες τερμάτιζαν την κλήση αφού λάμβαναν τις πληροφορίες και δεν τηλεφωνούσαν ξανά μέσα στις επόμενες δύο ώρες. Το ποσοστό είναι μικρό, αλλά θέτει ένα ευρύτερο ερώτημα: Τι συμβαίνει όταν οι δείκτες που χρησιμοποιούσαμε ιστορικά για να μετράμε την αλληλεπίδραση παύουν να αποτυπώνουν με ακρίβεια την αξία;

Καθώς η ΤΝ γίνεται πιο ικανή, ενδέχεται να βλέπουμε όλο και περισσότερες περιπτώσεις στις οποίες οι συντομότερες αλληλεπιδράσεις είναι και οι καλύτερες. Αν ένα σύστημα μπορεί να προβλέψει μια ανάγκη και να παρουσιάσει προληπτικά τις κατάλληλες πληροφορίες, η διάρκεια της συνομιλίας, ο αριθμός των βημάτων που ολοκληρώθηκαν, ακόμη και τα παραδοσιακά ποσοστά εγκατάλειψης ενδέχεται να αποτελούν λιγότερο ουσιαστικούς δείκτες επιτυχίας.

Κάθε αλληλεπίδραση με την ΤΝ είναι μια δοκιμασία

Καθώς η ΤΝ ενσωματώνεται σε όλο και περισσότερες ροές εργασίας, οι χρήστες θα γίνονται καλύτεροι στο να κρίνουν ποια συστήματα αξίζουν τον χρόνο τους. Οι πρώτες στιγμές μιας αλληλεπίδρασης έχουν μεγάλη βαρύτητα, καθώς οι άνθρωποι αξιολογούν γρήγορα αν το σύστημα κατανοεί την κατάστασή τους, αν οι πληροφορίες του φαίνονται αξιόπιστες και αν αξίζει τον κόπο να συνεχίσουν.

Οι καλύτερες εμπειρίες με την ΤΝ θα είναι εκείνες που μπορούν να καταδείξουν από νωρίς και με ακρίβεια ότι διαθέτουν χρήσιμο πλαίσιο. Στην εξυπηρέτηση πελατών, αυτό μπορεί να σημαίνει ότι το σύστημα γνωρίζει την κατάσταση μιας απαίτησης πριν την εξηγήσει ο καλών. Σε έναν εταιρικό βοηθό, μπορεί να σημαίνει ότι κατανοεί τον ρόλο και τα δικαιώματα πρόσβασης ενός εργαζομένου, καθώς και την τρέχουσα εργασία του. Στην ανάπτυξη λογισμικού, μπορεί να σημαίνει ότι είναι σε θέση να συλλογιστεί σχετικά με την αρχιτεκτονική που περιβάλλει ένα τμήμα κώδικα.

Καθώς οι εταιρείες επενδύουν στην επόμενη γενιά εμπειριών ΤΝ, αξίζει να κάνουν τα συστήματα αυτά πιο φυσικά στην αλληλεπίδραση. Ωστόσο, η φυσική συνομιλία μπορεί να μας πάει μόνο μέχρι ενός σημείου. Οι άνθρωποι θα δώσουν μια ευκαιρία στην ΤΝ όταν τους δίνει λόγο να πιστέψουν ότι μπορεί να τους βοηθήσει· και, όλο και περισσότερο, αυτός ο λόγος είναι το πλαίσιο.