Mengapa Pelanggan Berpaling dari Bot CX Anda

Selama bertahun-tahun, tim layanan pelanggan menganggap permintaan langsung untuk berbicara dengan agen manusia sebagai masalah desain. Ketika penelepon menolak pengalaman otomatis sebelum benar-benar dimulai, naluri yang wajar adalah membuat sistem terdengar lebih hangat atau lebih manusiawi. Ubah sapaan pembukanya. Akui rasa frustrasi penelepon. Beri tahu mereka bahwa mereka bisa berbicara secara alami. Anggapannya, jika pengalaman itu terasa tidak terlalu robotik, orang akan lebih bersedia berinteraksi dengannya.

Baru-baru ini, kami melihat bukti bahwa ada hal lain yang jauh lebih penting.

Di sebuah perusahaan asuransi besar yang menggunakan AI untuk menangani pertanyaan tentang manfaat sewa mobil, awalnya agen suara menyapa penelepon dengan mengatakan bahwa mereka bisa “berbicara kepada saya seperti kepada orang sungguhan”. Lebih dari empat dari sepuluh penelepon tetap meminta berbicara dengan manusia sebelum berinteraksi secara substansial dengan sistem. Kami mengubah sapaan itu menjadi lebih sederhana dan langsung, tetapi hasilnya pada dasarnya tidak berubah. Empat puluh empat persen penelepon tetap langsung meminta berbicara dengan agen.

Perubahan perilaku penelepon pada akhirnya hanya sedikit berkaitan dengan cara AI itu terdengar. Yang kami ubah adalah hal-hal yang dapat ditunjukkannya sebagai bukti pengetahuannya. Alih-alih memulai dengan sapaan umum, AI akan memperkirakan secara masuk akal alasan pelanggan menelepon, lalu memberikan informasi yang secara proaktif menangani masalah tersebut—misalnya, menjelaskan kendaraan yang terkait dengan klaim penelepon, menyampaikan status klaim, dan memeriksa apakah pelanggan membutuhkan kendaraan sewaan.

Permintaan untuk berbicara dengan agen manusia turun 23%. Interaksi substansial dengan AI meningkat dari 54% menjadi 66%.

Ada pelajaran di sini yang jauh melampaui pusat kontak. Saat perusahaan berlomba-lomba membuat AI lebih komunikatif, ramah, dan intuitif, mereka mungkin kurang berinvestasi pada hal yang lebih mendasar: memberi AI konteks yang cukup untuk membuktikan bahwa AI memahami situasi yang sedang dihadapinya.

AI Mewarisi Defisit Kepercayaan

Orang tidak menghadapi sistem AI baru tanpa prasangka atau pengalaman sebelumnya. Mereka membawa pengalaman bertahun-tahun menghadapi sistem menu telepon yang salah memahami permintaan sederhana, chatbot yang memberikan jawaban tidak relevan, serta sistem otomatis yang membuat mereka mengulangi informasi yang sudah pernah diberikan. Seiring waktu, pengguna belajar bahwa meminta berbicara dengan seseorang bisa menjadi cara tercepat untuk menyelesaikan sesuatu.

Perilaku itu bisa tampak seperti penolakan terhadap AI, tetapi ada cara yang lebih bermanfaat untuk memahaminya. Sebelum memercayakan suatu tugas kepada sistem otomatis, orang ingin mendapatkan bukti bahwa sistem tersebut cukup memahami situasi khusus mereka sehingga bisa membantu. Para peneliti menyebut salah satu unsur penolakan ini sebagai “pengabaian keunikan”, yaitu anggapan bahwa sistem otomatis tidak dapat mempertimbangkan keadaan masing-masing individu secara memadai.

Hal ini menjadi semakin penting ketika AI mulai digunakan di bidang-bidang kehidupan dan pekerjaan yang konsekuensinya lebih besar. Pelanggan yang menelepon setelah mengalami kecelakaan mobil tidak menganggap masalahnya sekadar pertanyaan umum tentang asuransi. Karyawan yang menggunakan asisten perusahaan berharap asisten itu memahami peran, hak akses, dan pekerjaan mereka saat ini. Pengembang yang menggunakan alat pemrograman AI membutuhkan jawaban yang mempertimbangkan arsitektur di sekitar kode tersebut.

Dalam setiap kasus, sistem AI harus menunjukkan bahwa ia memahami keadaan yang melatarbelakangi permintaan sebelum pengguna memiliki cukup alasan untuk memercayai jawabannya.

Konteks Menjadi Bagian dari Antarmuka AI

Secara tradisional, personalisasi berarti mengetahui nama seseorang, mengingat preferensinya, atau merekomendasikan sesuatu berdasarkan perilakunya sebelumnya. AI memberi kita peluang untuk membuat personalisasi jauh lebih sesuai dengan situasi. Sistem yang berguna seharusnya memahami apa yang ingin dicapai seseorang, apa yang telah terjadi, informasi apa yang relevan saat itu, dan tindakan apa yang benar-benar tersedia.

Perbedaan itu membantu menjelaskan mengapa uji coba asuransi tersebut berhasil. AI tidak sekadar menyapa penelepon dengan lebih ramah. AI mengurangi pekerjaan yang harus dilakukan dalam interaksi itu. Orang yang menelepon untuk memeriksa apakah manfaat sewa mobil tersedia tak lagi perlu menjelaskan klaimnya, mengidentifikasi kendaraannya, lalu menunggu sistem mengambil informasi yang relevan. Dengan langsung menyajikan konteks tersebut, sistem menunjukkan kompetensinya sebelum meminta penelepon memercayainya untuk hal lain.

Prinsip ini berlaku di seluruh penggunaan AI di perusahaan. Setiap kali pengguna harus mengulangi informasi yang seharusnya sudah diketahui sistem, mengoreksi asumsi yang seharusnya tidak pernah dibuat sistem, atau menyusun kembali konteks yang sudah tersedia di bagian lain organisasi, keyakinan mereka terkikis. Bagi perusahaan, ini berarti konteks harus diperlakukan sebagai bagian dari pengalaman pengguna, bukan sekadar persoalan teknis di balik layar.

AI Mungkin Mengubah Cara Kita Mengukur Keberhasilan

Uji coba kami mengungkap perilaku lain yang mudah terlewatkan. Setelah sapaan kontekstual diperkenalkan, beberapa penelepon mendengarkan pesan pembuka lalu langsung menutup telepon.

Metrik pusat kontak tradisional dapat menggolongkan panggilan-panggilan tersebut sebagai panggilan yang ditinggalkan. Namun, beberapa pelanggan itu baru saja menerima tepat apa yang tampaknya mereka butuhkan. Jika seseorang menelepon untuk mencari tahu apakah klaimnya telah disetujui, lalu AI langsung memberi tahu bahwa klaimnya disahkan dan manfaat sewa mobilnya siap digunakan, mungkin tidak ada lagi yang perlu dibicarakan.

Sekitar 3% panggilan yang menggunakan sapaan dinamis tampaknya mengikuti pola ini: penelepon memutuskan sambungan setelah menerima informasi dan tidak menelepon kembali dalam dua jam. Persentasenya kecil, tetapi hal ini memunculkan pertanyaan yang lebih besar: Apa yang terjadi ketika metrik yang selama ini kita gunakan untuk mengukur keterlibatan tak lagi mengukur nilai secara akurat?

Seiring AI semakin mumpuni, kita mungkin akan melihat lebih banyak situasi ketika interaksi yang lebih singkat justru lebih baik. Jika sebuah sistem dapat mengantisipasi kebutuhan dan menyajikan informasi yang tepat secara proaktif, durasi percakapan, jumlah langkah yang diselesaikan, bahkan tingkat pengabaian tradisional mungkin tidak lagi menjadi ukuran keberhasilan yang bermakna.

Setiap Interaksi dengan AI Adalah Ajang Pembuktian

Seiring AI tertanam dalam semakin banyak alur kerja, pengguna akan semakin piawai menentukan sistem mana yang layak mendapatkan waktu mereka. Momen-momen awal interaksi sangat menentukan karena orang dengan cepat menilai apakah sistem memahami situasi mereka, apakah informasinya tampak tepercaya, dan apakah melanjutkan interaksi sepadan dengan upaya yang diperlukan.

Pengalaman AI terbaik adalah yang mampu menunjukkan pemahaman konteks yang berguna sejak awal dan secara akurat. Dalam layanan pelanggan, ini bisa berarti memahami status klaim sebelum penelepon menjelaskannya. Pada asisten perusahaan, ini bisa berarti memahami peran, hak akses, dan pekerjaan karyawan saat ini. Dalam pengembangan perangkat lunak, ini bisa berarti menalar arsitektur di sekitar suatu bagian kode.

Perusahaan patut berupaya membuat sistem AI lebih alami untuk digunakan saat berinvestasi pada generasi berikutnya dari pengalaman AI. Namun, percakapan yang alami hanya dapat membawa kita sejauh itu. Orang akan memberi AI kesempatan jika AI memberi mereka alasan untuk percaya bahwa AI dapat membantu, dan semakin lama, alasan itu adalah pemahaman konteks.