Το Πρόβλημα Αρχιτεκτονικής του AI στην Εξυπηρέτηση Πελατών

Η Klarna πρόσφατα έκοψε 700 θέσεις εργασίας εξυπηρέτησης πελατών,พนτεύοντας ότι το AI θα μπορούσε να απορροφήσει τη διαφορά. Μέσα σε ένα χρόνο, η ικανοποίηση των πελατών είχε μειωθεί και η εταιρεία είχε ξαναρχίσει τις προσλήψεις. Η Gartner προβλέπει ότι μέχρι το 2027, το μισό των οργανισμών που σχεδιάζουν παρόμοιες περικοπές στη δύναμη εργασίας θα εγκαταλείψουν αυτούς τους σχεδιασμούς επίσης.

Αυτό δεν είναι πρόβλημα ικανοτήτων του AI. 100% των υπαλλήλων εξυπηρέτησης πελατών αλληλεπιδρούν με το AI καθημερινά για να χειριστούν eine ποικιλία σύνθετων καταστάσεων.

Ωστόσο, κανένας υπαλλήλος δεν θεωρεί το AI κρίσιμο για τη δουλειά του. Αυτό το χάσμα δεν είναι απρόσμενο. Το AI συνεχίζει να προστίθεται στα ίδια θραυσματικά συστήματα που απέτυχαν στους υπαλλήλους πριν από την εμφάνιση των προηγμένων εργαλείων AI. Σήμερα, οι άνθρωποι vẫn κάνουν το συνδετικό έργο, το tab-switching, το copy-pasting, τη χειροκίνητη συμφιλίωση που συνδέει ένα σύστημα με ένα άλλο.

Το AI κατασκευάστηκε για να αντικαταστήσει αυτή τη δουλειά. Αντίθετα, την έκανε πιο σύνθετη. Μέχρι να επιλυθεί το πρόβλημα των συνδέσεων μεταξύ των συστημάτων, οι υπαλλήλους θα συνεχίσουν να κάνουν τη δουλειά του AI με το χέρι και θα χάσουν την εμπιστοσύνη στο πιο σημαντικό εργαλείο στη διάθεσή τους.

Το Χάσμα Εμπιστοσύνης που Κανείς Δεν Επιλύει

Εβδομήντα οκτώ τοις εκατό των υπαλλήλων λένε ότι τα εργαλεία AI δεν έχουν αλλάξει σημαντικά τον τρόπο που εργάζονται. Ενενήντα τρία τοις εκατό επικυρώνουν τις εξόδους του AI πριν να ενεργήσουν σύμφωνα με αυτές. Οι υπαλλήλους βλέπουν αρκετές απλήρωτες ή ανακριβείς απαντήσεις, ώστε η διπλή επαλήθευση να είναι η προεπιλογή. Δεν αντιστέκονται στην τεχνολογία. Δεν έχει κερδίσει ακόμη την εμπιστοσύνη τους.

Οι συνέπειες γίνονται ορατές στη μέση μιας συνομιλίας πελάτη. Ένας πελάτης καλεί για μια διαμάχη χρέωσης και η περίληψη λογαριασμού που παράγεται από το AI είναι τρεις μήνες παλιά. Ξοδεύουν τα επόμενα δέκα λεπτά για να επιβεβαιώσουν σε πολλά συστήματα αυτό που το AI θα έπρεπε να επιφέρει αμέσως, ενώ ο πελάτης περιμένει σε αναμονή.

Οι περισσότερες οργανώσεις διαβάζουν αυτή την αρνητική εμπειρία ως πρόβλημα ανθρώπων. Οι υπαλλήλους φοβούνται ότι η δουλειά τους κινδυνεύει λόγω του AI που αναλαμβάνει πιο σύνθετες εργασίες, οπότε δουλεύουν γύρω από αυτό.

Είναι στην πραγματικότητα ένα πρόβλημα ηγεσίας. Η Gartner βρήκε ότι το 91% των ηγετών εξυπηρέτησης πελατών βρίσκεται υπό πίεση από την ηγεσία να εφαρμόσει το AI.

Υπό αυτή τη πίεση, είναι εύκολο να ερμηνευτεί η αντίσταση ως πρόβλημα υιοθέτησης αντί για ένα σήμα ότι το AI δεν είναι αρχιτεκτονημένο σωστά. Ως αποτέλεσμα, η εστίαση παραμένει στην επιτάχυνση της ανάπτυξης στις λάθος περιοχές και την αύξηση των περικοπών προσωπικού χωρίς να επιλύει το υποκείμενο πρόβλημα.

Τι Παραγωγή Κάνει η Θραυσματική Ανάπτυξη

Οι υπαλλήλους εξυπηρέτησης πελατών fung ως το χειροκίνητο επίπεδο ενοποίησης μεταξύ μιας ζωντανούς συνομιλίας πελάτη και 4 έως 10 αποσυνδεδεμένα επιχειρηματικά εργαλεία. Κάνουν “swivel-chair” μεταξύ πλατφόρμων χρέωσης, συστημάτων ERP και εργαλείων ticketing ενώ ένας πελάτης περιμένει σε αναμονή. Αυτό συμβαίνει γιατί οι περισσότερες επιχειρήσεις προσάρμοσαν το AI στο ίδιο θραυσματικό αρχιτεκτονικό σχέδιο που ήδη επιβράδυνε τους υπαλλήλους.

Για παράδειγμα, τα chatbots μπορούν να χειριστούν το front-end μιας αλληλεπίδρασης αλλά να αποτύχουν όταν οι υπαλλήλους χρειάζονται να έχουν πρόσβαση στο legacy back-office σύστημα όπου ζει η πραγματική συναλλαγή, αναγκάζοντας τους υπαλλήλους να ολοκληρώσουν την εργασία με το χέρι. Ή, τα εργαλεία περίληψης AI μπορούν να παράγουν σημειώσεις μετά από μια κλήση αλλά να γράφουν σε ένα ξεχωριστό σύστημα αντί για το CRM του ρεκόρ. Το AI κληρονόμησε τη θραυσματικότητα αντί να την επιλύσει.

Το AI είναι μόνο τόσο συνδεμένο όσο τα συστήματα κάτω από αυτό. Όταν τα συστήματα δεν μοιράζονται το контέκστ, το AI δεν μπορεί. Τραβούν από ιστορικά αρχεία CRM, αλλά δεν μπορούν να κατανοήσουν τι συμβαίνει σε μια ζωντανή συνομιλία πελάτη. Μέχρι να επιφέρουν μια σύσταση, τα υποκείμενα δεδομένα μπορεί να έχουν αλλάξει.

Η ατελής контέκστ, τα παλιά δεδομένα και τα αποσυνδεδεμένα συστήματα δεν είναι ξεχωριστά προβλήματα. Είναι συμπτώματα μιας αποτυχίας αρχιτεκτονικής AI.

Κατασκευή Αρχιτεκτονικής AI που Λειτουργεί με Ανθρώπινους Υπαλλήλους

Η κατασκευή AI που οι υπαλλήλους εμπιστεύονται πραγματικά και που βελτιώνει τα αποτελέσματα εξυπηρέτησης πελατών, έρχεται xuống σε τέσσερις απαιτήσεις υποδομής:

1. Παρέχετε εργαλεία AI με πρόσβαση σε πραγματικό χρόνο δεδομένων. Οι περισσότερες αναπτύξεις AI στο CX τραβούν από τα διαθέσιμα δεδομένα πελάτη. Συχνά είναι παλιά. Το AI πρέπει να αρχιτεκτονηθεί για να παρέχει πρόσβαση σε πραγματικό χρόνο σε δεδομένα πελάτη τη στιγμή που γίνεται μια αίτηση, όχι ένα θραυσματικό σναπσότ που συναρμολογείται από συστήματα που κρατούν διαφορετικές εκδόσεις του ίδιου πελάτη.
2. Δώστε στο AI μόνιμο контέκστ. Όταν το AI προσαρτάται σε υφιστάμενη υποδομή αντί να χτιστεί μέσα σε αυτή, το контέκστ δεν μεταφέρεται. Ρίχνεται σε κάθε handoff. Το μόνιμο AI πρέπει να στρώσει σε όλη την αλληλεπίδραση, μεταφέροντας συνεχώς την πρόθεση πελάτη και το контέκστ συνομιλίας καθώς η δουλειά μεταφέρεται μεταξύ συστημάτων, καναλιών και ανθρώπινων υπαλλήλων. Όταν ένας ανθρώπινος υπαλλήλος μπαίνει, δεν πρέπει να αρχίζει από το μηδέν.
3. Εφαρμόστε AI για αυτόνομη εκτέλεση, όχι μόνο συστάσεις. Ο επόμενος σημαντικός βήμα είναι το AI που μπορεί να εκτελέσει τη δουλειά που απαιτούν οι υπαλλήλους αυτόνομα ενώ κρατά τον άνθρωπο στη βρόχη για παρατηρησιμότητα και έλεγχο. Αντί να λέει στους υπαλλήλους τι να κάνουν επόμενο, το AI ορχηστρώνει ροές εργασίας σε επιχειρηματικά συστήματα, υποβάλλει αιτήσεις, επεξεργάζεται επιστροφές, ενημερώνει αρχεία και ολοκληρώνει εργασίες ακόμη και σε legacy εφαρμογές χωρίς APIs. Το AI χειρίζεται την εκτέλεση ενώ οι ανθρώπινοι υπαλλήλους εστιάζουν στην κρίση, την ευσπλαχνία και την οικοδόμηση ισχυρότερων σχέσεων πελάτη.
4. Επιλέξτε συστήματα AI που βελτιώνονται από αποτελέσματα, όχι μόνο εισόδους. Τα περισσότερα επιχειρηματικά AI είναι στατικά μετά την ανάπτυξη. Η πιο σημαντική αρχιτεκτονική είναι αυτή που συνεχίζει να μαθαίνει από τις αλληλεπιδράσεις, βελτιώνοντας τις ροές εργασίας με βάση αυτό που πραγματικά έλυσε το πρόβλημα, όχι μόνο αυτό που προέβλεψε η εκπαίδευση. Το AI που κλείνει το βρόχο ανατροφοδότησης μεταξύ αποτελεσμάτων και μελλοντικής απόδοσης είναι θεμελιωδώς διαφορετικό από το AI που αναπτύσσεται και κρατά.

Το χάσμα εμπιστοσύνης που έχουν οι υπαλλήλους με το AI δεν είναι πρόβλημα εκπαίδευσης ή υιοθέτησης. Είναι πρόβλημα αρχιτεκτονικής.

Ο πραγματικός ROI του AI δεν είναι η μείωση του προσωπικού, αλλά η αξία που δημιουργείται όταν οι υπαλλήλους μπορούν τελικά να εστιάσουν στους πελάτες αντί για τα συστήματα. Αυτό συμβαίνει μόνο όταν το AI είναι χτιστό στην επίπεδο εκτέλεσης, όχι όταν ρίχνεται πάνω σε αυτό.

Οι οργανώσεις που ακόμη πηγαίνουν με δυσκολία στην υιοθέτηση δεν είναι πίσω στο AI. Είναι πίσω στην υποδομή. Επιλύστε την αρχιτεκτονική και το πρόβλημα υιοθέτησης λύνεται μόνο του.