האם סוכנים מלאכותיים מחברים מחדש את ספר ההדרכה של מרכז הקשר?

היה זמן שבו מרכזי שיחות נבנו בעיקר כדי לטפל בנפח גדול של שאילות לקוחות בטלפון. היום, מרכזי קשר החליפו אותם ברובם – הובים המבצעיים שבהם עסקים מנהלים אינטראקציות לקוחות במספר ערוצים: טלפון, דוא”ל, מדיה חברתית ואפליקציות הודעות.

אבל בעלות המעבר בערוצים, המודל התת-מובני נותר ברובו ללא שינוי.

בקשות לקוחות פשוטות עדיין עוברות דרך סטק מקוטע: תגובה אינטראקטיבית לקול (IVR) לאימות, פלטפורמות ניהול יחסי לקוחות (CRM) לפרטי חשבון, כלים לעקיבה ומערכות בקרה אחוריות נפרדות להשלמת המשימה. פלטפורמות מבוססות ענן כגון Contact-Center-as-a-Service (CCaaS) הביאו את הכלים האלה לקרבה רבה יותר, מאפשרים פעולות גמישות יותר, אבל החוויה עדיין רחוקה מלהיות חסרת רווח, תלויה בצעדים רבים, העברות ותיאום ידני.

במשך שנים, המודל הזה החזיק. אז AI נכנס לתמונה.

ככל שסוכנים מלאכותיים זכו לתאוצה, חברות הזנק וחברות ותיקות ברחבי הלוח החלו לבנות ולפרוס כלים שמבטיחים פאזה חדשה המאפשרת על ידי יכולת ה-AI לנעול מודיעין ברחבי מערכות ולנצל נתונים מבודדים בעבר.

מערכות שונות הופכות לשריד

עם סוכנים מלאכותיים במקום, מרכזי קשר אינם פועלים עוד בתיבות. סוכנים יכולים למשוך מידע, להפעיל פעולות ולהשלים משימות ברחבי פלטפורמות. אם לקוח רוצה לערער על חיוב, סוכן מלאכותי יכול לאמת את זהותו, לשלוף את היסטוריית העסקאות שלו מ- CRM, לבדוק את המדיניות הרלוונטית, להתחיל את הערעור ולאשר את התוצאה – הכל בתוך אינטראקציה רציפה. ללא העברות או תיאום ידני.

משימות שדרשו בעבר אנשים לעבור בין כלים רבים כעת קורות ברקע. חלק גדול מהמורכבות יכול להיות מופשט הרחק, והלקוח, או אפילו הסוכן האנושי, אינו צריך לראות איך התהליך עובד מאחורי הקלעים.

המעבר הזה גם משנה את תפקיד התוכנה עצמה. תוכנה כעת דומה לסט גושים, בעוד סוכנים מלאכותיים פועלים כשכבה המחברת ומתאמת מערכות. זרימות עבודה קבועות נוטות לפנות מקום לאינטראקציות גמישות יותר, המעוצבות על ידי המצב ולא על ידי נתיבים מוגדרים מראש: במקום לעקוב אחר אפשרויות תפריט קשיחות או זרימות מתוסרטות, החלטות מתקבלות בזמן אמת על בסיס ההקשר.

הגיע הזמן לחשוב מחדש על ערימת הטכנולוגיה שלך

מנהיגי מרכזי קשר היום עומדים בפני שאילתה גדולה: אם תוכנה אינה עוד האוצר הראשי, היכן צריך להיות ההשקעה הטכנולוגית?

בנסיבות אלו, אין צורך להחליף את המערכות הקיימות שלך. הם צריכים לחשוב מחדש כיצד אותן מערכות מתקשרות.

במודל המתעצב, סוכנים מלאכותיים לוקחים על עצמם את התזמור, תיאום פעולות ברחבי מערכות במקום לסמוך על זרימות עבודה מוגדרות מראש. ממשקי תכנות יישומים (APIs) ו- מודל ההקשר (MCP) הופכים לדרך הראשית שבה מערכות מתקשרות, מאפשרים לסוכנים לגשת ולפרש נתונים, מערכות והקשר כדי להשתמש בכלים ברחבי הערימה.

אבל שינוי הצורה לבדו אינו מספיק. לכל היעילות שלהם, כלים מלאכותיים עדיין רגישים. כל מספר גורמים עלולים לגרום לכלי מלאכותי להזיות, להיסחף מההתאמה שלו, או לחרוג ממדיניות וקווים מנחים. ככל שהמעבר הזה מתרחש, תהיה צורך גובר בניתוח, מדידה ואחריות.

סוכנים מלאכותיים אינם רק עושים את המשימה; הם עושים החלטות כגון אישור החזרים, עדכון חשבונות והעלאת בעיות. וכיוון שכלים אלו פועלים הרבה יותר מהר מאשר אדם, כל טעות יכולה להישנות במאות או אפילו אלפי מקרים בתוך מספר שעות.

זה בדיוק הסיבה שארגונים צריכים לאפיין את הניתוח, כדי לדעת מה ה- AI שלהם מחליט; כלים לבדיקה כדי לתפוס טעויות בזמן; ותשתית רישום כדי לחקור שגיאות בזמן.

בניית מעקי בטיחות כאלו סביב כל הטמעת AI תניב ארכיטקטורה גמישה ורגישה יותר, המסוגלת להתמודד עם מורכבות בדרכים שזרימות עבודה מסורתיות לא יכלו. שווה לציין כי הארכיטקטורה הזו גם בעלת אופי פחות צפוי, ותדרוש גישות חדשות ל- פיקוח וממשל.

הוויתורים

אף על פי ש- AI פותחת עולם של אפשרויות, המעבר לעצמאות מציג סיכונים חדשים עבור מרכזי קשר, עסק שבו עקביות ואמון הם קריטיים.

זרימות עבודה מובנות היו מאז ומתמיד בסיס מרכזי קשר. כל צעד מוגדר מראש, כל החלטה עוקבת אחר נתיב מאושר, וכל אינטראקציה יכולה להיבדק נגד כללים מוסדרים. המבנה הזה עוזר לוודא שאינטראקציות לקוחות נותרות עקביות, דרישות רגולטוריות מתקיימות, ומדיניות יושמות באופן אחיד בכל מקרה.

סוכנים מלאכותיים אוטונומיים פועלים אחרת באופן תקני. לא כמו תוכנה מסורתית העוקבת אחר אלגוריתמים צפויים, סוכנים מלאכותיים עושים החלטות על בסיס המודל התת-מובני, נתוני האימון וההקשר, בזמן אמת. הגמישות הזו מאפשרת להם להסתגל לכל מצב, אבל היא גם מציגה משתניות. שתי בקשות לקוחות דומות עלולות להיות מטופלות בדרכים שונות, בהתאם לאיך הסוכן מפרש את הקלט, מה נתונים זמינים, או כיצד המודל התת-מובני שוקל אותות שונים.

אדם העוקב אחר זרימת עבודה קשיחה נוטה לייצר תוצאות צפויות, אבל סוכנים מלאכותיים יכולים לייצר תוצאות בלתי צפויות או לא עקביות, והם הוכיחו פוטנציאל גבוה להטיה. סוכן מלאכותי עלול לפתור בעיה אחת של חיוב בצורה נכונה אבל לפרש מקרה דומה באופן שונה.

זה מעלה שאילות מבצעיות חשובות עבור ארגונים: כיצד אתה מתחזק אחריות כאשר החלטות מתקבלות על ידי מערכת מבוססת AI ולא מישהו העוקב אחר תסריט? כיצד אתה מבטיח שקיפות באותן החלטות, במיוחד כאשר המודלים מורכבים ולא תמיד קלים לפרש? וכיצד אתה שומר על ציות בסביבות שבהן פעולות מיוצרות דינאמית?

שאילות אלו חשובות עוד יותר במרכזי קשר, ששוכנים בצומת של יעילות וחוויה. תגובה מעוכבת, פתרון לא נכון, או החלטה בלתי מוסברת, יכולה להשאיר לקוחות מתוסכלים ולא בטוחים לגבי האמינות של כל העסק. הם יערערו עליך כפתרון, ואולי אפילו יעברו לספק אחר.

ובנוסף, יש אתגר הפיקוח. ככל שסוכנים מלאכותיים לוקחים על עצמם יותר אחריות, ארגונים זקוקים לדרכים לפקח ולבדוק את התנהגותם בזמן אמת, לגלות אנומליות, ולהתערב כאשר נדרש. בלי רמת ניתוח זו, הופכת לקשה להבטיח שמערכות פועלות כפי שנועדו, או להבין מתי הן לא.

הנתיב קדימה

ארגונים צריכים לגשת לאמצעי אימוץ סוכנים מלאכותיים. במקום להחליף זרימות עבודה קיימות במלואן, ארגונים צריכים להתחיל בחיזוקן, הכנסת AI בסיטואציות מבוקרות שבהן הסיכונים נמוכים והיתרונות מיידיים.

גישה זו תאפשר למרכזי קשר לנ