Masalah Arsitektur AI dalam Layanan Pelanggan

Klarna baru-baru ini memotong 700 pekerjaan layanan pelanggan, dengan bertaruh bahwa AI dapat menyerap perbedaan. Dalam waktu satu tahun, kepuasan pelanggan telah menurun dan perusahaan tersebut mulai merekrut kembali. Gartner memprediksi bahwa pada tahun 2027, setengah dari organisasi yang merencanakan pengurangan serupa dalam jumlah pekerja layanan pelanggan akan meninggalkan rencana tersebut juga.

Ini bukanlah masalah kemampuan AI. 100% dari agen pusat kontak berinteraksi dengan AI setiap hari untuk menangani berbagai situasi kompleks.

Namun, nol persen dari agen menganggap AI sebagai hal yang kritis untuk pekerjaan mereka. Celah tersebut tidak mengejutkan. AI terus dilapiskan pada sistem yang sama yang gagal sebelumnya, sehingga agen masih melakukan pekerjaan manual, seperti beralih antara tab, menyalin dan menempel, dan rekonsiliasi manual yang menghubungkan satu sistem dengan sistem lain.

AI dibangun untuk menggantikan pekerjaan tersebut. Namun, AI malah mempersulitnya. Sampai seseorang memperbaiki koneksi antara sistem, agen akan terus melakukan pekerjaan AI secara manual dan kehilangan kepercayaan pada alat yang paling penting bagi mereka.

Celah Kepercayaan yang Tidak Diperbaiki

Delapan puluh delapan persen dari agen mengatakan bahwa alat AI tidak memiliki perubahan yang signifikan dalam cara mereka bekerja. Sembilan puluh tiga persen memverifikasi output AI sebelum mengambil tindakan. Agen melihat cukup banyak respons yang tidak lengkap atau tidak akurat sehingga verifikasi menjadi default. Mereka tidak menolak teknologi. Teknologi tersebut belum mendapatkan kepercayaan mereka.

Konsekuensi tersebut menjadi terlihat di tengah-tengah percakapan pelanggan. Seorang pelanggan menelepon tentang sengketa tagihan, dan ringkasan akun yang dihasilkan AI sudah ketinggalan tiga bulan. Mereka menghabiskan sepuluh menit berikutnya untuk memverifikasi informasi di seluruh sistem yang berbeda, sementara pelanggan menunggu di telepon.

Kebanyakan organisasi membaca pengalaman negatif tersebut sebagai masalah orang. Agen takut bahwa pekerjaan mereka berisiko karena AI mengambil alih tugas yang lebih kompleks, sehingga mereka bekerja di sekitar AI.

Namun, ini sebenarnya adalah masalah kepemimpinan. Gartner menemukan bahwa 91% pemimpin layanan pelanggan berada di bawah tekanan eksekutif untuk menerapkan AI.

Di bawah tekanan seperti itu, mudah untuk menafsirkan penolakan sebagai masalah adopsi daripada sinyal bahwa AI tidak dirancang dengan benar. Sebagai hasilnya, fokus tetap pada percepatan penerapan di area yang salah, dan pengurangan jumlah pekerja tanpa memperbaiki masalah yang mendasarinya.

Apa yang Dihasilkan oleh Penerapan yang Terfragmentasi

Agen bertindak sebagai lapisan integrasi manual antara percakapan pelanggan yang sedang berlangsung dan 4 hingga 10 alat perusahaan yang terputus. Mereka “berputar-putar” antara platform tagihan, sistem ERP, dan alat tiket sementara pelanggan menunggu di telepon. Ini karena kebanyakan perusahaan memasang AI pada arsitektur yang sama yang sudah memperlambat agen sebelumnya.

Misalnya, chatbot dapat menangani bagian depan interaksi tetapi gagal ketika agen perlu mengakses sistem back-office yang sebenarnya, sehingga agen harus menyelesaikan tugas secara manual. Atau, alat ringkasan AI dapat menghasilkan catatan pasca-panggilan tetapi menulis ke sistem yang terpisah daripada CRM yang sebenarnya. AI mewarisi fragmentasi tersebut daripada memperbaikinya.

AI hanya sebaik koneksi sistem di bawahnya. Ketika sistem tidak berbagi konteks, AI tidak bisa. AI mengambil dari catatan CRM sejarah, tetapi tidak bisa memahami apa yang terjadi dalam percakapan pelanggan yang sedang berlangsung. Pada saat AI menyajikan rekomendasi, data yang mendasarinya mungkin sudah berubah.

Konteks yang tidak lengkap, data yang ketinggalan, dan sistem yang terputus tidaklah masalah yang terpisah. Mereka adalah gejala kegagalan arsitektur AI.

Membangun Arsitektur AI yang Bekerja dengan Agen Manusia

Membangun AI yang agen percayai dan yang meningkatkan hasil layanan pelanggan, bergantung pada empat persyaratan infrastruktur:

1. Berikan AI akses data waktu nyata. Kebanyakan penerapan AI di CX mengambil dari data pelanggan yang tersedia. Ini sering ketinggalan. AI harus dirancang untuk memberikan akses waktu nyata ke data pelanggan pada saat permintaan dibuat, bukan snapshot yang terfragmentasi yang disusun dari sistem yang memegang versi yang berbeda dari pelanggan yang sama.
2. Berikan AI konteks yang konsisten. Ketika AI dipasang pada infrastruktur yang ada daripada dibangun ke dalamnya, konteks tidak berpindah. Konteks tersebut hilang pada setiap penyerahan. AI yang konsisten harus dilapiskan di seluruh interaksi, terus membawa niat pelanggan dan konteks percakapan ketika pekerjaan berpindah antara sistem, saluran, dan agen manusia. Ketika agen manusia masuk, mereka tidak boleh memulai dari awal.
3. Terapkan AI agenik untuk eksekusi otonom, bukan hanya rekomendasi. Lompatan berarti berikutnya adalah AI yang dapat mengeksekusi pekerjaan yang agen butuhkan secara otonom sambil menjaga manusia dalam loop untuk pengamatan dan kontrol. AI agenik tidak hanya mengatakan apa yang harus dilakukan agen selanjutnya, tetapi mengatur alur kerja di seluruh sistem perusahaan, mengajukan klaim, memproses pengembalian, memperbarui catatan, dan menyelesaikan tugas bahkan di aplikasi warisan tanpa API. AI menangani eksekusi sementara agen manusia fokus pada penilaian, empati, dan membangun hubungan pelanggan yang lebih kuat.
4. Pilih sistem AI yang meningkatkan dari hasil, bukan hanya input. Kebanyakan AI perusahaan adalah statis setelah penerapan. Arsitektur yang lebih berdampak adalah yang terus belajar dari hasil interaksi, mengoptimalkan alur kerja berdasarkan apa yang sebenarnya menyelesaikan masalah, bukan hanya apa yang diprediksi oleh data pelatihan. AI yang menutup loop umpan balik antara hasil dan kinerja masa depan secara fundamental berbeda dari AI yang diterapkan dan dipertahankan.

Celах kepercayaan yang agen miliki dengan AI bukanlah masalah pelatihan atau adopsi. Ini adalah masalah arsitektur.

ROI sebenarnya dari AI tidak terletak pada pengurangan jumlah pekerja, tetapi pada nilai yang diciptakan ketika agen dapat fokus pada pelanggan daripada sistem. Ini hanya terjadi ketika AI dibangun ke dalam lapisan eksekusi, bukan hanya diletakkan di atasnya.

Organisasi yang masih berjuang dengan adopsi tidak ketinggalan dalam AI. Mereka ketinggalan dalam infrastruktur. Perbaiki arsitektur, dan masalah adopsi akan selesai dengan sendirinya.