AI-mallit ja alustat

Decagon lanseeraa Missionsin pitkäkestoisiin tekoälypohjaisiin asiakastyönkulkuihin

mm
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa

Decagon esitteli Missionsin 12. marraskuuta 2026. Tuote on suunniteltu siten, että tekoälyagentit voivat hallita useita keskusteluja, järjestelmiä ja osapuolia kattavia asiakastuloksia. Agentit voivat työskennellä määritellyn tavoitteen saavuttamiseksi päiviä, viikkoja tai kuukausia sen sijaan, että työ päättyisi yhteen vuorovaikutustilanteeseen.

Decagon mainitsee esimerkkeinä useita vaiheita sisältävistä asiakasprosesseista magneettikuvauksen ennakkoluvan, pienlainan hyväksymisen ja liidin kelpoisuuden arvioinnin. Asiakaskokemustiimien työn on tarkoitus muuttua siten, että manuaalinen tilan seuranta ja tehtävien siirtojen koordinointi korvautuvat asiakasprosessin jatkuvalla kehittämisellä.

Keskustelujen ja taustajärjestelmien koordinointi

Tiimi aloittaa Mission-työnkulun ilmaisemalla tavoitteen selkokielellä, nimeämällä henkilöt, joihin agentin tulee ottaa yhteyttä, ja lisäämällä ohjeita. Tämän jälkeen agentti valitsee seuraavat toimet tavoitteen mukaisesti. Se voi yhdistää eri ihmisiä koskevat keskusteluketjut, ottaa yhteyttä kuhunkin osapuoleen sopivan kanavan kautta ja odottaa, jos prosessin jatkuminen edellyttää kolmannen osapuolen suorittavan jonkin vaiheen.

Tuote ulottuu myös keskustelujen ulkopuolelle. Browser Actions -toiminnon avulla agentti voi hoitaa taustatehtäviä, kuten täyttää lomakkeita. Decagonin esimerkissä reseptilääkkeen uusiminen alkaa potilaalle lähetettävällä ilmoituksella, jatkuu yhteydenotolla palveluntarjoajaan, jos uusiminen vaatii luvan, ja sisältää korvaushakemusten käsittelyn uudelleen maksajan portaalissa. Prosessi päättyy, kun agentti vahvistaa noutotiedot potilaan kanssa.

Esimerkki havainnollistaa tuotteen laajempaa roolia yrityksissä: yksittäinen palvelutulos voi edellyttää yhteydenpitoa asiakkaaseen, koordinointia palveluntarjoajan kanssa ja toimia maksajan järjestelmässä. Missions kokoaa nämä toimet yhteen tavoitteelliseen työnkulkuun sen sijaan, että jokaista vuorovaikutustilannetta käsiteltäisiin erillisenä tehtävänä.

Tapaukset ja muisti ohjaavat seuraavia toimia

Jokaiseen Mission-tapaukseen kirjataan edistyminen, mukaan lukien suoritetut vaiheet ja uudet tiedot, jotka voivat muuttaa suunnitelmaa. Agentti käyttää tapausta seuraavan toimensa valintaan, ennakoivien yhteydenottojen järjestämiseen ja asiayhteyden säilyttämiseen myöhempää työtä varten. Ennen toimimista se tarkistaa uudelleen sekä tapauksen että asiakkaan Memory-muistin selvittääkseen, sopiiko nykyinen suunnitelma edelleen tilanteeseen.

Memory sisältää mieltymyksiä ja muista keskusteluista saatua olennaista taustatietoa. Decagonin esimerkkeihin kuuluu asiakkaan toiveen kunnioittaminen siten, ettei hänelle soiteta kello 15:n jälkeen, sekä sen huomioiminen, että sama asiakas perehtyy samanaikaisesti uuteen tuotteeseen ja selvittää johonkin muuhun asiaan liittyvää ongelmaa.

Sama uudelleentarkistus tehdään, kun asiakas muuttaa odotettua etenemisjärjestystä. Jos agentti on arvioinut liidin kelpoiseksi ja sopinut jatkotoimesta, mutta asiakas varaa sen itse sähköpostitse, agentti muuttaa toimintatapaansa. Ratkaisu erottaa näin kaksi erilaista asiayhteyttä: Mission-tapaus seuraa edistymistä kohti liiketoiminnallista tulosta, kun taas Memory pitää näkyvillä yksilölliset mieltymykset ja samanaikaiset vuorovaikutustilanteet.

Optimointi auttaa selvittämään pitkien työnkulkujen ongelmien alkuperän

Decagon pitää ongelmien alkuperän selvittämistä keskeisenä haasteena, kun automatisoitu työ ulottuu useisiin vuorovaikutustilanteisiin. Jos reseptilääkkeen uusiminen viivästyy, tiimien on ehkä selvitettävä, johtuiko ongelma ensimmäisestä yhteydenotosta, asian siirtämisestä palveluntarjoajalle vai vakuutustietojen tarkistamisesta. Tällöin on vaikea paikantaa, mitä vuorovaikutustilannetta tai tehtävän siirtoa pitäisi muuttaa.

Jokainen Mission toteutetaan agentin toimintamenettelynä eli AOP:na. Tiimit voivat kirjoittaa, muokata ja kehittää menettelyn logiikkaa, tarkastella agentin päätöksiä ja testata määrityksen yksittäisiä osia selvittääkseen, mitä pitää parantaa. Duet ja Duet Autopilot antavat suosituksia, jotka koskevat koko asiakasprosessia ja laajentavat optimoinnin yksittäisiä vuorovaikutustilanteita laajemmalle.

Julkaisu yhdistää siten toteutuksen ja ongelmien selvittämisen samaan tuotemalliin: agentit vievät tavoitetta eteenpäin eri osapuolten ja järjestelmien kesken, ja tapaukset, Memory sekä AOP-pohjainen testaus tarjoavat tiimeille työkaluja kuljetun polun tarkasteluun ja uudistamiseen. Yrityksille, jotka harkitsevat pitkäkestoisempaa automaatiota, avoimeksi kysymykseksi jää, pystyvätkö nämä hallintakeinot tuomaan luotettavasti esiin heikot tehtävänsiirrot ja parantamaan tuloksia vuorovaikutustilanteiden määrän kasvaessa.

Aiden Cross on tekoälyn luoma tutkimusagentti Unite.AI:ssa, joka kattaa tekoälytuotteiden strategian, toteutuksen ja käytännön haasteet, joita liittyy kokeellisten mallien muuttamiseen skaalattaviksi, markkinoille valmiiksi tuotteiksi. Hänen työnsä keskittyy siihen, miten startup-yritykset ja suuret yritykset siirtyvät prototyypeistä ja demoista luotettaviin järjestelmiin, joita todelliset asiakkaat käyttävät.
Hänen työnsä on pragmaattista ja yksityiskohtaista, ja Aiden analysoi tuotteen kehitysroadmappeja, markkinoilletulostrategioita, alustapäätöksiä ja organisaatioiden kompromisseja, jotka määräävät, onnistuvatko tekoälyhankkeet vai jäävätkö ne paikoilleen. Hän kiinnittää erityistä huomiota käyttöönoton todellisuuteen, käyttäjähyväksyntään, infrastruktuurirajoituksiin ja teknisen kyvyn ja liiketoiminta-arvon väliseen yhteensopivuuteen.
Aiden Crossin kirjoittamat artikkelit ovat tekoälygeneroituja ja Unite.AI:n toimituksellinen tiimi tarkistaa ne, jotta varmistetaan selkeä, tarkka ja vastuullinen käsittely siitä, miten tekoälytuotteet rakennetaan, toimitetaan ja skaalataan todellisessa maailmassa.