Decagon Meluncurkan Missions untuk Alur Kerja Pelanggan Berbasis AI yang Berlangsung Lama

Decagon memperkenalkan Missions pada 12 November 2026, sebuah produk yang dirancang agar agen AI dapat mengelola hasil bagi pelanggan yang melibatkan banyak percakapan, sistem, dan pihak. Agen dapat mengupayakan tujuan yang telah ditetapkan selama berhari-hari, berminggu-minggu, atau berbulan-bulan, alih-alih mengakhiri pekerjaannya setelah satu interaksi.

Decagon menyebut persetujuan awal untuk MRI, persetujuan pinjaman kecil, dan kualifikasi calon pelanggan sebagai contoh rangkaian proses multi-tahap yang dapat menghasilkan pendapatan signifikan. Bagi tim pengalaman pelanggan, perubahan yang diharapkan adalah mengganti pelacakan status secara manual dan koordinasi serah terima dengan penyempurnaan rangkaian proses secara berkelanjutan.

Orkestrasi di Berbagai Percakapan dan Sistem Back Office

Tim memulai sebuah Mission dengan menyatakan tujuan menggunakan bahasa sehari-hari, menyebutkan persona yang perlu dihubungi agen, dan menambahkan panduan. Agen kemudian menentukan tindakan selanjutnya berdasarkan tujuan tersebut. Agen dapat menghubungkan rangkaian percakapan yang melibatkan orang-orang berbeda, menghubungi setiap pihak melalui saluran yang sesuai, dan menunggu jika pihak ketiga harus menyelesaikan suatu langkah sebelum proses dapat dilanjutkan.

Produk ini juga mencakup pekerjaan di luar percakapan. Melalui Browser Actions, agen dapat menangani pekerjaan back office, seperti mengisi formulir. Contoh pengisian ulang resep dari Decagon dimulai dengan pemberitahuan kepada pasien, dilanjutkan dengan menghubungi penyedia layanan jika diperlukan otorisasi, dan mencakup pengajuan ulang klaim melalui portal pihak pembayar. Proses berakhir ketika agen mengonfirmasi detail pengambilan obat kepada pasien.

Contoh tersebut menggambarkan peran produk yang lebih luas di perusahaan: satu hasil layanan dapat memerlukan komunikasi dengan pelanggan, koordinasi dengan penyedia layanan, dan aktivitas di sistem pihak pembayar. Missions menempatkan aktivitas-aktivitas tersebut dalam satu alur kerja yang berorientasi pada tujuan, alih-alih memperlakukan setiap interaksi sebagai pekerjaan terpisah.

Kasus dan Memory Membentuk Tindakan Selanjutnya

Setiap kasus Mission menyimpan catatan kemajuan, termasuk langkah-langkah yang telah diselesaikan dan informasi baru yang dapat mengubah rencana. Agen menggunakan catatan kasus untuk memilih tindakan selanjutnya, mengatur komunikasi proaktif, dan mempertahankan konteks untuk pekerjaan berikutnya. Sebelum bertindak, agen kembali memeriksa kasus dan Memory pelanggan untuk menentukan apakah rencana yang ada masih sesuai.

Memory menyediakan preferensi dan konteks relevan dari percakapan lain. Contoh dari Decagon mencakup menghormati permintaan pelanggan agar tidak ditelepon setelah pukul 15.00 serta mempertimbangkan interaksi paralel ketika pelanggan yang sama sedang memulai penggunaan produk baru sambil memecahkan masalah lain yang tidak berkaitan.

Pemeriksaan ulang yang sama juga dilakukan ketika pelanggan mengubah urutan yang diharapkan. Jika agen telah mengualifikasi calon pelanggan dan mengatur tindak lanjut, tetapi pelanggan secara mandiri menjadwalkan tindak lanjut itu melalui email, agen menyesuaikan langkahnya. Dengan demikian, rancangan ini memisahkan dua jenis konteks: kasus Mission melacak kemajuan menuju hasil bisnis, sedangkan Memory menyimpan preferensi individu dan menampilkan interaksi yang berlangsung bersamaan.

Pengoptimalan Mengatasi Masalah Atribusi dalam Alur Kerja Jangka Panjang

Decagon mengidentifikasi atribusi sebagai tantangan utama ketika pekerjaan otomatis berlangsung selama banyak interaksi. Jika pengisian ulang resep tertunda, tim mungkin perlu menentukan apakah masalahnya bermula dari komunikasi awal, serah terima kepada penyedia layanan, atau verifikasi asuransi. Akibatnya, sulit menentukan interaksi atau serah terima mana yang perlu diubah.

Setiap Mission dibuat sebagai Prosedur Operasi Agen (AOP). Tim dapat menulis, menyunting, dan menyempurnakan logika tersebut, memeriksa keputusan agen, serta menguji bagian-bagian konfigurasi satu per satu untuk mengetahui apa yang perlu ditingkatkan. Duet dan Duet Autopilot memberikan rekomendasi yang ditujukan untuk keseluruhan perjalanan pelanggan, sehingga pengoptimalan tidak terbatas pada interaksi yang berdiri sendiri.

Dengan demikian, peluncuran ini menghubungkan pelaksanaan dan diagnosis dalam satu model produk: agen membawa tujuan melintasi berbagai pihak dan sistem, sementara kasus, Memory, dan pengujian berbasis AOP memberi tim sarana untuk meninjau dan memperbaiki proses yang ditempuh. Bagi perusahaan yang mempertimbangkan otomatisasi jangka panjang, pertanyaan yang masih terbuka adalah apakah kontrol tersebut dapat secara andal mengungkap titik lemah dalam serah terima dan meningkatkan hasil seiring bertambahnya jumlah interaksi.