जेनरेटिव एआई बिना शासन के उद्यम समर्थन में विफल क्यों होगा

उद्यम समर्थन टीमें जेनरेटिव एआई में भारी निवेश कर रही हैं, इस उम्मीद के साथ कि यह टिकटों को कम करेगा, हैंडल समय को छोटा करेगा और प्रति केस लागत को कम करेगा। फिर भी कई संगठनों में, एआई सिस्टम के साथ जुड़ाव बढ़ रहा है, जबकि एस्केलेशन दरें, दोहराए गए संपर्क और समग्र केस वॉल्यूम अपरिवर्तित बने हुए हैं।

उद्यम समर्थन में जेनरेटिव एआई इसलिए विफल नहीं होगा क्योंकि मॉडल कमजोर हैं। यह इसलिए विफल होगा क्योंकि अधिकांश तैनातियों को सफल होने के लिए आवश्यक मजबूत डेटा सामग्री और रणनीतिक दिशानिर्देश नहीं दिए जाते हैं। सिस्टम और कार्यान्वयन प्रक्रियाओं में उचित शासन, दृश्यता और जवाबदेही बनाए बिना, एआई जल्दी ही परिचालन जोखिम की एक अनियंत्रित परत बन जाता है जो असंगत इंटरैक्शन को बढ़ावा देता है, त्रुटियों को बढ़ाता है और अंततः ग्राहकों के लिए बदतर परिणाम देता है। एक ऐसा उपकरण जिसका उद्देश्य ग्राहक इंटरैक्शन परत और उद्यम टीम के कार्यभार में सुधार करना था, वह एक बाधा बन जाता है।

जैसे ही उद्यम समर्थन टीमें जेनरेटिव एआई को अपनाने की होड़ में हैं, अधिकांश कार्यान्वयन चैटबॉट, स्वचालित उत्तर और एजेंट सहायता क्षमताओं पर केंद्रित हैं। तैनाती की तात्कालिकता ने अक्सर अलग-थलग सिस्टम बना दिए हैं जो सतह पर नवीन दिखते हैं लेकिन सुसंगत ग्राहक परिणाम, उद्यम प्रदर्शन मेट्रिक्स और मुख्य लाभ देने में संघर्ष करते हैं।
इस त्वरित प्रक्रिया में, वास्तविक प्रश्न अक्सर अनपूछा रह जाता है: हम कैसे मापें कि जेनरेटिव एआई मापने योग्य प्रभाव देता है, या सिर्फ बड़े पैमाने पर अधिक सामग्री?

समर्थन वातावरण में कई उद्यम खोज और जीपीटी तैनातियाँ तीन मुख्य कारणों से कम पड़ जाती हैं। उत्पन्न उत्तर स्पष्ट आत्मविश्वास संकेत या स्थिरता नियंत्रण के बिना सामने आते हैं। एआई इंटरैक्शन शायद ही कभी मापने योग्य परिणामों जैसे केस डिफ्लेक्शन, रिज़ॉल्यूशन समय, या ग्राहक संतुष्टि से जुड़े होते हैं। संगठनों में यह दृश्यता भी नहीं होती कि टीम के सदस्य वास्तव में सिस्टम पर भरोसा करते हैं या अपनी दैनिक वर्कफ़्लो में इसका उपयोग करते हैं। परिणाम एक ऐसा एआई होता है जो डेमो में आकर्षक लगता है लेकिन वास्तविक परिचालन दबाव में टूट जाता है।

समर्थन नेताओं को अधिक उत्पन्न सामग्री की आवश्यकता नहीं है। उन्हें मापने योग्य सुधारों की आवश्यकता है जिनकी वे भविष्यवाणी कर सकें और बचाव कर सकें, जैसे कि केस वॉल्यूम में लगातार कमी, तेज औसत रिज़ॉल्यूशन समय, उच्च प्रथम-संपर्क रिज़ॉल्यूशन, बेहतर सीएसएटी, प्रति टिकट कम लागत और बढ़ी हुई एजेंट उत्पादकता। अनुमानित व्यावसायिक प्रभाव का मतलब है यह जानना कि जब एआई तैनात किया जाता है, तो यह विश्वसनीय रूप से एक निश्चित प्रतिशत तक एस्केलेशन को कम करेगा, टिकटों के एक मापने योग्य हिस्से को कम करेगा, या एक निश्चित सीमा के भीतर हैंडल समय को छोटा करेगा, न कि सिर्फ अधिक उत्तर उत्पन्न करेगा।

ग्राहक घर्षण से परिचालन परिणामों तक

जब शासन अनुपस्थित होता है, तो प्रभाव मेट्रिक्स में जल्दी दिखाई देता है। एक चैटबॉट बड़े पैमाने पर उत्तर उत्पन्न कर सकता है, लेकिन अगर वे प्रतिक्रियाएं केवल आंशिक रूप से सही हैं, तो ग्राहक टिकट फिर से खोलते हैं या एस्केलेट करते हैं। पुनः खुले मामलों में पांच से दस प्रतिशत की वृद्धि अनुमानित दक्षता लाभ को मिटा सकती है और सीएसएटी में मापने योग्य गिरावट ला सकती है। कागज पर जो स्वचालन दिखता है, व्यवहार में वह पुनः कार्य बन जाता है।

कठिनाई यह है कि कई संगठन परिणामों के बजाय गतिविधि को मापते हैं। वे रिपोर्ट कर सकते हैं कि कितने चैटबॉट सत्र हुए या एजेंटों ने एआई-सहायता प्रारूपण का कितनी बार उपयोग किया। जिस बात की वे अक्सर आत्मविश्वास से रिपोर्ट नहीं कर सकते, वह यह है कि क्या उन इंटरैक्शनों ने मानव टीमों पर मांग को कम किया। वार्तालाप डेटा को केस निर्माण डेटा से सीधे जोड़े बिना, नेता यह निर्धारित नहीं कर सकते कि जेनरेटिव एआई काम को खत्म कर रहा है या बस ग्राहक यात्रा में एक और टचपॉइंट जोड़ रहा है।

जब वह मामला मानव टीम के सदस्य तक पहुंचता है, तो ग्राहक अक्सर वही जानकारी दोहराता है जो उसने पहले ही चैट इंटरफ़ेस में दर्ज की थी। जिसका उद्देश्य रिज़ॉल्यूशन को सुव्यवस्थित करना था, वह बजाय दोहराव पैदा कर देता है। समय के साथ, अपूर्ण रिज़ॉल्यूशन के दोहराए गए उदाहरण विश्वास को कम करते हैं। ग्राहक एआई इंटरैक्शन को समाधान के बजाय एक प्रारंभिक कदम के रूप में मानने लगते हैं।

महत्वपूर्ण चीजों को मापना

उद्यम समर्थन में, सार्थक प्रभाव तब दिखाई देता है जब सिस्टम के साथ इंटरैक्ट करने के बाद कम ग्राहकों को केस बनाने की आवश्यकता होती है। यदि एआई एजेंटों के साथ इंटरैक्शन के बाद भी एस्केलेशन होता है, तो वह परिणाम उन जगहों को प्रकट करता है जहां डेटा ज्ञान अंतराल या प्रतिक्रिया सीमाएं मौजूद हैं। इन पैटर्नों को समझने के लिए एआई गार्डरेल को डाउनस्ट्रीम समर्थन मेट्रिक्स से जोड़ने और प्रत्येक इंटरैक्शन के बाद क्या होता है, इसकी जांच करने की आवश्यकता होती है।

यह दृश्यता बदल देती है कि जेनरेटिव सिस्टम का मूल्यांकन कैसे किया जाता है। जब वार्तालाप डेटा और टिकट डेटा का एक साथ विश्लेषण किया जाता है, तो संगठन पहचान सकते हैं कि कौन से प्रवाह काम कर रहे हैं और किन्हें परिष्करण की आवश्यकता है। सफलता के माप के रूप में केवल जुड़ाव ही अपर्याप्त हो जाता है; केवल प्रदर्शित कार्यभार में कमी ही वास्तविक प्रगति का संकेत देती है।

एक परिचालन आवश्यकता के रूप में शासन

शासन एक दस्तावेज नहीं है। यह जानबूझकर लिए गए परिचालन निर्णयों का एक समूह है। समर्थन नेताओं को यह आवश्यक करना चाहिए कि प्रत्येक एआई प्रतिक्रिया स्वीकृत ज्ञान स्रोतों पर आधारित हो और एक मापने योग्य आत्मविश्वास सीमा के साथ हो। उन्हें स्पष्ट नियम परिभाषित करने चाहिए कि एआई कब स्वायत्त रूप से किसी समस्या को हल कर सकता है और कब उसे मानव एजेंट को एस्केलेट करना चाहिए। उन्हें प्रत्येक तैनाती को विशिष्ट लक्ष्यों से जोड़ना चाहिए जैसे कि केस वॉल्यूम में निश्चित कमी, बेहतर प्रथम-संपर्क रिज़ॉल्यूशन, या कम औसत हैंडल समय, और उन मेट्रिक्स की लगातार समीक्षा करनी चाहिए। यदि एआई को परिचालन परिणामों के विरुद्ध मापा नहीं जा सकता है, तो इसे दैनिक वर्कफ़्लो में वास्तविक ग्राहकों के साथ उपयोग के लिए तैयार नहीं माना जाना चाहिए।

एक सामान्य तैनाती परिदृश्य पर विचार करें। एक जेनरेटिव चैटबॉट को ग्राहक पोर्टल पर रोल आउट किया जाता है और उपयोगकर्ताओं द्वारा रूटीन प्रश्नों के लिए एआई की ओर रुख बढ़ने के साथ ही अपनाना तेजी से बढ़ता है। सतह पर, प्रारंभिक प्रतिक्रिया सकारात्मक लगती है: ग्राहक बॉट के साथ जुड़ते हैं और एजेंट रिपोर्ट करते हैं कि जवाब ड्राफ्ट करना अधिक कुशल लगता है।

फिर भी जब नेता प्रदर्शन डेटा में गहराई से जाते हैं तो उन्हें व्यापक उद्योग अनुभव से कुछ परिचित मिलता है। मैककिंसे का हालिया एआई शोध दर्शाता है कि जबकि कई संगठन एआई को व्यापक रूप से तैनात कर रहे हैं, केवल एक अल्पसंख्यक ने इसे वर्कफ़्लो में इतनी गहराई से एम्बेड किया है कि मापने योग्य व्यावसायिक परिणाम जैसे कि कम केस वॉल्यूम या बेहतर ग्राहक मेट्रिक्स हासिल कर सकें, जबकि अधिकांश अभी भी पायलट या प्रारंभिक स्केलिंग चरणों में फंसे हुए हैं।

व्यवहार में, यह अक्सर चैटबॉट के साथ उच्च जुड़ाव लेकिन लगातार एस्केलेशन पैटर्न, केवल सरल प्रश्नों पर सीमांत सुधार, और वार्तालापों और कार्यभार में कमी के बीच कोई स्पष्ट संबंध न होने जैसा दिखता है। संगठन इंटरैक्शन परत को आधुनिक बनाते हैं, फिर भी मौलिक समर्थन गतिशीलता और परिचालन लागत अपरिवर्तित रहती है।

इसके विपरीत, एक शासित दृष्टिकोण वार्तालाप गतिविधि को सीधे परिचालन रिपोर्टिंग में एकीकृत करता है। प्रत्येक एआई सत्र बाद के केस व्यवहार से जुड़ा होता है, जिससे नेता यह देख सकते हैं कि कौन से इंटरैक्शन एस्केलेशन के बिना रिज़ॉल्यूशन में परिणत हुए और कौन से नहीं। लगातार फॉलो-अप केस की ओर ले जाने वाले पैटर्नों की जांच की जाती है और उन्हें परिष्कृत किया जाता है। एजेंट-स्तरीय उपयोग का विश्लेषण यह निर्धारित करने के लिए किया जाता है कि एआई सह