Mike Clifton, Co-CEO di Alorica – Seri Wawancara

Mike Clifton adalah Co-CEO dari Alorica, pemimpin global dalam pengalaman pelanggan yang didukung digital (CX). Dalam peran ini, Mike mengawasi strategi transformasi digital perusahaan – termasuk produk AI yang memenangkan penghargaan – untuk menghadirkan CX yang optimal di seluruh saluran (suara, obrolan, web, dll.) dan industri atas nama merek FORTUNE 500. Dengan keahlian dan pengalaman yang kuat dalam inovasi digital, AI, dan teknologi perusahaan, Mike memiliki catatan yang terbukti dalam menghasilkan pertumbuhan yang menguntungkan dengan mengintegrasikan solusi teknologi yang dapat diskalakan untuk memenuhi permintaan pasar yang terus berkembang.

Alorica adalah pemimpin global dalam pengalaman pelanggan dan outsourcing proses bisnis, menyediakan solusi yang didukung teknologi, berorientasi manusia untuk industri seperti perbankan, perawatan kesehatan, ritel, dan telekomunikasi. Dengan lebih dari 100.000 karyawan di lebih dari 17 negara, perusahaan ini mengelola miliaran interaksi setiap tahunnya dalam lebih dari 75 bahasa, menyediakan layanan seperti pusat kontak, analitik, solusi AI, moderasi konten, dan operasi back-office – semuanya berfokus pada menghasilkan hasil yang terukur untuk klien.

Industri sedang bergerak menuju augmentasi daripada otomatisasi – bagaimana strategi Alorica mencerminkan model hibrida ini?

Strategi Alorica mencerminkan model hibrida augmentasi daripada otomatisasi dengan fokus pada meningkatkan kinerja agen manusia dengan alat AI, bukan menggantinya. Pendekatan ini memastikan bahwa manusia tetap di inti interaksi pelanggan, didukung oleh teknologi canggih untuk meningkatkan efisiensi dan efektivitas.

Misalnya, Alorica telah meluncurkan beberapa solusi canggih seperti evoAI, Knowledge IQ, Digital Trust & Safety Model, dan CX2GO®. Alat-alat ini dirancang untuk memperkuat kinerja agen manusia dengan menyediakan interaksi yang sadar konteks dan waktu nyata yang meningkatkan pengelolaan pengetahuan dan memastikan kepercayaan digital dan keselamatan.

Dengan mengintegrasikan alat AI yang menawarkan interaksi yang cerdas secara emosional dan sadar konteks dalam beberapa bahasa dengan waktu respons di bawah satu detik, Alorica memungkinkan agen untuk menyediakan dukungan yang dipersonalisasi dan efisien untuk pelanggan. Responsifitas waktu nyata ini diterjemahkan menjadi hasil pelanggan yang ditingkatkan.

Secara keseluruhan, strategi Alorica menekankan pentingnya agen manusia sambil menggunakan AI untuk meningkatkan kemampuan mereka, mencerminkan pergeseran industri menuju augmentasi daripada otomatisasi.

Apakah Anda bisa berbagi contoh spesifik di mana AI telah memperkuat kinerja agen manusia daripada menggantinya?

Terdapat banyak contoh penguatan yang telah kami manfaatkan dalam menghadirkan layanan kami. Salah satunya adalah kemampuan agen untuk berinteraksi dengan mesin pengetahuan yang mendengarkan ucapan waktu nyata dan menerjemahkannya menjadi mesin respons otomatis yang meminta bantuan; ini adalah alat yang kuat dan preventif yang telah kami gunakan dalam beberapa solusi. Contoh lainnya adalah penggunaan mesin AI konversasional untuk meningkatkan kemampuan kami dalam melatih agen pada skenario klien yang paling sulit. Dengan menjalankan simulasi interaksi waktu nyata yang didorong AI, kami mengurangi stres, dan model-model tersebut terus belajar – memperbarui agen tentang sentimen dan empati saat mereka mendapatkan lebih banyak pengalaman.

Bagaimana Anda melacak dampak kinerja dari alat AI ini – misalnya, dalam Penyelesaian Kontak Pertama, waktu penanganan, atau efisiensi agen?

Pelacakan alat AI dalam penggunaan yang ditingkatkan jatuh tepat pada metrik yang ditugaskan kepada agen seolah-olah tidak ada alat yang ada. Perbedaannya adalah dalam kemampuan untuk mengambil lebih banyak panggilan dengan hasil kepuasan yang lebih tinggi dan kepercayaan untuk memprediksi strategi tenaga kerja yang lebih baik ketika Anda memiliki data yang solid dari model-model tersebut.

Anda telah meluncurkan beberapa solusi canggih ini tahun ini – evoAI, Knowledge IQ, Digital Trust & Safety Model, dan CX2GO®. Mana yang Anda lihat memiliki dampak “superpower” yang paling langsung untuk agen, dan mengapa?

Penggunaan evoAI di dalam perusahaan memberikan agen kemampuan untuk menggunakan panggilan simulasi untuk melatih dengan tingkat kesadaran situasional yang lebih tinggi, menghadirkan dampak terbesar. Ini diikuti oleh Knowledge IQ, yang memperkuat kemampuan agen untuk menemukan jawaban yang tepat. Kedua alat ini telah menjadi perubahan permainan untuk karyawan kami, sepenuhnya mengubah seberapa cepat dan akurat agen kami dapat menangani kebutuhan pelanggan.

Dari perspektif pembelajaran mesin, bagaimana model Anda dilatih untuk mempertahankan akurasi dan adaptabilitas saat kebutuhan pelanggan, bahasa, dan kondisi pasar berkembang?

Untuk mempertahankan akurasi dan adaptabilitas dalam menghadapi kebutuhan pelanggan, bahasa, dan kondisi pasar yang terus berkembang, model pembelajaran mesin kami menjalani pelatihan dan penyempurnaan yang berkelanjutan.

Berikut adalah beberapa strategi kunci yang kami terapkan:

• Pembelajaran Berkelanjutan: Model kami dirancang untuk terus belajar dari data baru. Ini melibatkan pembaruan rutin dataset pelatihan dengan interaksi terbaru, umpan balik, dan tren pasar. Dengan mengincorporasi informasi terbaru, model kami dapat beradaptasi dengan preferensi pelanggan dan kondisi pasar yang muncul.
• Sumber Data yang Beragam: Kami menggunakan berbagai sumber data untuk melatih model kami, termasuk interaksi pelanggan, media sosial, laporan pasar, dan lain-lain. Keanekaragaman ini memastikan bahwa model kami terpapar pada berbagai skenario dan nuansa linguistik, meningkatkan kemampuan mereka untuk memahami dan merespons dengan akurat.
• Lingkaran Umpan Balik: Kami mengimplementasikan lingkaran umpan balik yang kuat di mana interaksi pelanggan dan input agen digunakan untuk menyempurnakan model. Umpan balik waktu nyata ini membantu mengidentifikasi dan mengoreksi ketidakakuratan sehingga model tetap relevan dan efektif.
• Kemampuan Multibahasa: Model kami dilatih pada dataset multibahasa untuk menangani interaksi dalam beberapa bahasa. Ini sangat penting untuk menyediakan respons yang akurat, lokal, dan sadar konteks untuk basis pelanggan global.
• Pemeriksaan dan Evaluasi Rutin: Kami melakukan pemeriksaan dan evaluasi rutin model kami untuk menilai kinerja mereka. Ini termasuk pengujian model terhadap dataset benchmark dan skenario dunia nyata untuk memastikan mereka memenuhi standar akurasi dan adaptabilitas.
• Manusia dalam Lingkaran: Kami mempertahankan pendekatan manusia dalam lingkaran di mana agen manusia bekerja sama dengan AI untuk mengelola kueri yang kompleks. Model hibrida ini memastikan bahwa teknologi belajar dari keahlian manusia dan meningkatkan kinerjanya seiring waktu.
• Menggunakan Model Bahasa yang Lebih Kecil: Pelatihan model yang lebih kecil secara vertikal (melalui pendekatan hibrida atau ensemble) bersama dengan LLM yang tersedia secara komersial memungkinkan efisiensi dalam komputasi, pencarian, dan waktu respons sambil mempersingkat siklus pengujian bias dan kesetaraan.

Strategi-strategi ini memungkinkan model pembelajaran mesin kami untuk tetap akurat, adaptif, dan mampu menghadirkan pengalaman pelanggan yang berkualitas tinggi dalam lingkungan yang dinamis.

evoAI menawarkan interaksi yang cerdas secara emosional dan sadar konteks di lebih dari 120 bahasa dengan waktu respons di bawah satu detik. Bagaimana responsifitas waktu nyata ini diterjemahkan menjadi dukungan agen dan hasil pelanggan?

evoAI menyediakan dukungan agen yang lebih baik dan hasil pelanggan yang ditingkatkan dengan beberapa cara:

• Kinerja: interaksi yang sadar konteks membantu menemukan dan mengatur informasi yang luas dengan cepat untuk kueri agen.
• Personalisasi: menawarkan adaptabilitas multibahasa, memberikan kebebasan untuk memilih bahasa input dan output dalam waktu nyata untuk setiap prompt. Misalnya, pelanggan yang bertanya dalam bahasa Inggris untuk respons dalam bahasa Prancis sehingga orang tua yang mendengarkan dapat memahami.
• Efisiensi: mengurangi waktu respons dan sering menghilangkan kebutuhan untuk respons manusia.
• Inteligensi Emosional: memungkinkan agen untuk menyesuaikan opsi untuk panggilan berdasarkan kesadaran situasional ( nada, mood, dan pilihan kata), memungkinkan eskalasi lebih cepat.

Dengan AI agenik yang mendapatkan traksi, bagaimana Anda mengelola risiko seperti halusinasi, bias, atau kehilangan kontrol sambil memastikan agen tetap menjadi pengambil keputusan?

Di Alorica, kami percaya bahwa arsitektur yang tepat di balik teknologi membuat semua perbedaan. Itulah mengapa mengelola risiko AI agenik memerlukan kerangka kerja tata kelola multilapis yang kami bangun ke dalam setiap tingkat operasi AI kami.

Berikut adalah cara kami mengatasi setiap risiko kritis:

• Mitigasi Halusinasi:Kami menggunakan sistem verifikasi tiga tingkat untuk meminimalkan halusinasi. Pertama, model kami menggunakan generasi yang ditingkatkan dengan retrieval (RAG) yang membumikan respons dalam basis pengetahuan yang diverifikasi dan sumber data waktu nyata, mengurangi kemungkinan informasi yang dibuat-buat sebesar 85%. Kedua, kami mengimplementasikan skor kepercayaan pada semua saran yang dihasilkan AI, di mana respons di bawah ambang batas kepercayaan 80% memicu tinjauan manusia secara otomatis. Ketiga, model kami dibatasi untuk beroperasi dalam ruang parameter yang ditentukan untuk setiap aturan bisnis klien dan domain fakta – AI tidak dapat menghasilkan informasi tentang produk, kebijakan, atau prosedur yang tidak secara eksplisit didokumentasikan dalam data pelatihan.
• Deteksi dan Pencegahan Bias:Strategi manajemen bias kami beroperasi di seluruh siklus hidup AI. Selama pelatihan model, kami menggunakan teknik debiasing adversarial dan algoritma pembelajaran yang sadar akan keadilan yang secara aktif melawan bias sejarah dalam data pelatihan. Kami mempertahankan metrik paritas demografis di seluruh kategori yang dilindungi dan melakukan audit bulanan menggunakan alat seperti indikator keadilan dan asesmen dampak yang tidak proporsional. Model kami menjalani pengujian dengan data sintetis yang dirancang untuk mengungkapkan bias di seluruh kelompok demografis, bahasa, dan konteks budaya. Ketika bias terdeteksi, kami menggunakan pelatihan ulang yang ditargetkan pada dataset yang seimbang dan menyesuaikan bobot model untuk memastikan hasil yang adil. Yang penting, kami mempertahankan laporan transparansi yang melacak metrik bias dari waktu ke waktu, memungkinkan klien untuk melihat secara tepat bagaimana model kami berkinerja di seluruh populasi yang berbeda.
• Mempertahankan Kontrol Manusia:Agen manusia tetap menjadi pengambil keputusan utama melalui arsitektur “AI sebagai Penasihat” kami. Sistem AI menyediakan rekomendasi dengan fitur keterjelasan – agen dapat melihat mengapa AI menyarankan tindakan tertentu, apa faktor yang dipertimbangkan, dan apa alternatif yang ada. Kami telah mengimplementasikan henti keras di mana AI tidak dapat menjalankan tindakan tertentu secara otonom: transaksi keuangan, modifikasi kontrak, komitmen hukum, atau saran kesehatan selalu memerlukan otorisasi manusia. Protokol eskalasi kami secara otomatis mengalihkan skenario yang kompleks atau berisiko tinggi ke agen senior atau pengawas ketika AI mendeteksi situasi di luar batas kemampuan mereka.
• Pemantauan Berkelanjutan dan Tombol Mati:Setiap interaksi AI dicatat dan dipantau melalui Observatorium Kinerja Model kami, yang melacak deviasi dari perilaku yang diharapkan dalam waktu nyata. Kami mempertahankan kemampuan rollback instan dan “tombol mati” pada beberapa tingkat – komponen model individual, model lengkap, atau fitur AI sistem dapat dinonaktifkan dalam hitungan detik jika perilaku anomali terdeteksi. Algoritma deteksi drift kami terus membandingkan output model dengan keputusan ahli manusia, mengibaskan divergensi untuk tinjauan segera.
• Validasi Lingkaran Manusia:Kami merancang lingkaran umpan balik di mana agen menilai saran AI setelah setiap interaksi, menciptakan sistem pembelajaran berkelanjutan yang beradaptasi dengan keahlian manusia. Agen kami yang berkinerja tinggi berpartisipasi dalam sesi kalibrasi mingguan di mana mereka meninjau kasus tepi dan membantu menyempurnakan batas keputusan AI. Ini menciptakan model kecerdasan kolaboratif di mana penilaian manusia terus membentuk dan membatasi perilaku AI.
• Akuntabilitas dan Jejak Audit:Setiap keputusan yang dipengaruhi AI mempertahankan jejak audit lengkap yang menampilkan rekomendasi AI, tingkat kepercayaan, sumber data yang digunakan, dan keputusan akhir agen. Ini memastikan akuntabilitas dan memungkinkan kami untuk terus memperbaiki model kami berdasarkan hasil. Audit pihak ketiga secara teratur memvalidasi praktik manajemen risiko kami terhadap standar industri dan persyaratan regulasi.

Dengan mengimplementasikan pengaman komprehensif ini, kami memastikan bahwa sistem AI agenik kami memperkuat kemampuan manusia sambil mempertahankan agensi manusia, standar etika, dan kontrol operasional.

Bagaimana Anda mendekati pelatihan ulang model dan pembelajaran berkelanjutan untuk memastikan sistem AI Anda tetap sejalan dengan persyaratan kepatuhan dan nuansa sentimen pelanggan?

Pendekatan Alorica terhadap pelatihan ulang model dan pembelajaran berkelanjutan di Alorica IQ dibangun di atas kerangka kerja MLOps yang kuat yang menyeimbangkan kepatuhan regulasi dengan optimasi pengalaman pelanggan.

Kami telah mengimplementasikan arsitektur pelatihan ulang multilapis yang beroperasi pada kadensi yang berbeda. Model kami yang kritis kepatuhan menjalani deteksi drift harian dan audit kinerja mingguan, dengan pemicu otomatis untuk pelatihan ulang segera ketika perubahan regulasi terjadi. Untuk model sentimen pelanggan, kami menggunakan loop umpan balik waktu nyata yang menangkap koreksi agen dan skor kepuasan pelanggan, mengumpankan ini ke pipeline pelatihan kami setiap 72 jam.

Lapisan Kecerdasan Kepatuhan kami bertindak sebagai sistem pengaman, secara otomatis memvalidasi output model terhadap kerangka regulasi spesifik untuk setiap geografi – dari GDPR di Eropa hingga CCPA di California. Lapisan ini terus diperbarui melalui kemitraan kami dengan penyedia teknologi hukum dan umpan regulasi, memastikan sistem AI kami tetap patuh tanpa intervensi manual.

Untuk nuansa sentimen, kami telah mengembangkan apa yang kami sebut “cultural context embeddings” dalam Alorica IQ, inkubator inovasi perusahaan. Ini adalah model regional yang disesuaikan yang memahami tidak hanya bahasa tetapi juga pola komunikasi budaya. Misalnya, model kami mengenali bahwa tingkat kelangsungan berbeda secara signifikan antara interaksi pelanggan Jerman dan Jepang, dan menyesuaikan skor sentimen mereka sesuai.

Kami mempertahankan registri model versi dengan kemampuan rollback penuh, memungkinkan kami untuk segera mengembalikan ke versi sebelumnya jika pelatihan baru memperkenalkan perilaku yang tidak terduga. Kerangka uji A/B kami berjalan terus, membandingkan versi model baru dengan baseline produksi di seluruh ribuan interaksi sebelum penerapan penuh.

Yang paling penting, kami telah membangun Protokol Integrasi Umpan Balik Manusia di mana agen kami yang berkinerja tinggi secara teratur meninjau kasus tepi dan memberikan umpan balik korektif, menciptakan siklus virtuos di mana keahlian manusia terus meningkatkan kemampuan AI kami. Pendekatan ini telah mengurangi pelanggaran kepatuhan sebesar 94% sambil meningkatkan akurasi deteksi sentimen hingga 92% di semua bahasa yang didukung.

Dengan ekspansi internasional yang cepat – terutama di pasar seperti India, Mesir, dan EMEA – bagaimana Anda menyesuaikan pendekatan AI-manusia Anda dengan kebutuhan linguistik dan budaya yang beragam?

Kami percaya bahwa lokalisisasi tidak hanya tentang berbicara bahasa – itu tentang mencerminkan budaya.

Platform AI kami seperti evoAI dan ReVoLT disesuaikan untuk menangkap nada, nuansa, dan konteks di seluruh ratusan bahasa dan dialek, sehingga interaksi terasa familiar dan autentik. Tapi kami tidak berhenti pada teknologi. Kami merekrut bakat dari dalam setiap wilayah, melatih tim di sekitar harapan budaya, dan menyesuaikan desain layanan kami untuk mencerminkan norma-norma lokal. Model hibrida ini memastikan setiap interaksi terasa seperti dibangun untuk pasar tersebut.

Di India, di mana kami mendukung 75 bahasa resmi plus banyak dialek, kami telah menerapkan Arsitektur Jaringan Linguistik yang tidak hanya menerjemahkan tetapi mempertahankan konteks di seluruh skenario code-switching – di mana pelanggan secara alami mencampur bahasa Hindi, Inggris, dan bahasa regional dalam percakapan yang sama. Model kami dilatih pada pola percakapan aktual dari kota-kota tingkat dua dan tiga, bukan hanya daerah metropolitan, memastikan kami menangkap spektrum penuh gaya komunikasi.

Untuk operasi kami di Mesir yang melayani wilayah MENA yang lebih luas, kami telah mengembangkan model khusus dialek Arab yang membedakan antara bahasa Arab Mesir, bahasa Arab Teluk, dan bahasa Arab Levant, dengan penanganan khusus untuk register formal (Fusha) versus kolokial (Ammiya). Model AI kami memahami ketika pelanggan beralih dari bahasa Arab formal ke informal sebagai isyarat emosional, memicu pelatihan agen dengan teknik de-escalasi yang sesuai dengan preferensi resolusi konflik budaya.

Di pasar EMEA, kami telah mengimplementasikan apa yang kami sebut “Desain AI Pertama Regulasi”. Setiap penerapan negara termasuk modul kepatuhan yang telah dikonfigurasi sebelumnya – dari persyaratan lokalasi data Jerman yang ketat hingga hukum perlindungan bahasa Prancis yang mengharuskan antarmuka Prancis pertama. Model kami dilatih tidak hanya pada bahasa tetapi pada etika bisnis lokal; misalnya, penerapan kami di Jerman menekankan presisi dan dokumentasi terperinci, sementara model kami di Italia memungkinkan fleksibilitas percakapan yang lebih besar.

Kerangka teknis adalah Kerangka Pembelajaran Federasi kami dalam Alorica IQ, di mana model lokal belajar dari data regional tanpa meninggalkan negara, memastikan kedaulatan data sambil masih memanfaatkan perbaikan model global. Kami mempertahankan cluster GPU regional untuk memastikan latensi di bawah 100ms untuk asisten agen waktu nyata.

Tim Kecerdasan Budaya kami, yang terdiri dari ahli linguistik dan ilmuwan perilaku dari setiap wilayah, terus memvalidasi output AI kami. Mereka telah membantu kami mengidentifikasi lebih dari 3.000 skenario khusus budaya yang memerlukan penanganan khusus – dari pengamatan keagamaan yang mempengaruhi ketersediaan layanan hingga preferensi pembayaran lokal yang mempengaruhi alur percakapan.

Pendekatan ini telah menghasilkan hasil yang mengesankan: operasi kami di India menunjukkan skor kepuasan pelanggan 40% lebih tinggi ketika menggunakan AI yang disesuaikan dengan budaya dibandingkan dengan model generik, dan penerapan kami di EMEA telah mencapai tingkat resolusi kontak pertama 98% untuk kueri berbasis bahasa.

Bagaimana kemampuan evoAI untuk mengenali dan beradaptasi dengan dialek regional dan isyarat emosional membantu mengarahkan adopsi di pasar baru?

Adopsi dipercepat ketika orang merasa teknologi “memahami” mereka. evoAI melangkah lebih jauh dari terjemahan kata per kata dengan memahami slang, aksen, dan bahkan nada emosional dalam waktu nyata.

Kemampuan evoAI yang canggih dalam pengenalan dialek dan emosi telah menjadi pembeda utama kami dalam penetrasi pasar baru, langsung menangani kesenjangan kepercayaan yang sering menghambat adopsi AI di pasar yang muncul.

Dari sudut teknis, evoAI menggunakan Model Fusi Akustik-Linguistik kami, yang secara bersamaan memproses pola fonetik, fitur prosodik, dan konten semantik. Pendekatan tri-modal ini memungkinkan kami untuk mendeteksi keadaan emosional halus yang diekspresikan secara berbeda di seluruh budaya. Misalnya, di pasar Jepang, kami dapat mendeteksi “honne” versus “tatemae” (perasaan sebenarnya versus fasad publik) melalui variasi mikro dalam nada dan kecepatan berbicara, sementara di pasar Timur Tengah, kami mengenali dinamika kehormatan dan malu melalui pola konstruksi kalimat dan pola penekanan.

Pengenalan dialek kami melangkah lebih jauh dari deteksi aksen sederhana. evoAI mempertahankan peta dialek dinamis yang memahami indikator sosioekonomi yang tertanam dalam pola bicara. Di India, misalnya, sistem ini mengenali tidak hanya apakah seseorang berbicara Tamil atau Telugu, tetapi juga dapat mengidentifikasi latar belakang pendidikan dan asal kota versus pedesaan, memungkinkan agen untuk menyesuaikan gaya komunikasi mereka sesuai.

Lapisan kecerdasan emosional menggunakan Teknologi Grafik Emosi Kontekstual kami, yang memetakan trajektori emosional sepanjang percakapan daripada hanya sentimen titik-waktu. Ini memungkinkan evoAI untuk memprediksi eskalasi emosional 30 detik sebelum terjadi dengan akurasi 89%, memberikan agen waktu kritis untuk intervensi dengan teknik de-escalasi yang sesuai dengan preferensi resolusi konflik budaya.

Untuk adopsi pasar baru, laboratorium aksi kami memiliki strategi “Lokalisasi Progresif” melalui Alorica IQ. Kami memulai dengan model dasar yang dilatih pada konten media, media sosial, dan wacana publik target pasar. Dalam 30 hari pertama penerapan, evoAI akan beradaptasi dengan pola pelanggan lokal melalui Pipa Pembelajaran Aktif kami, yang akan memprioritaskan pembelajaran dari percakapan dengan varians emosional tertinggi. Dalam 90 hari, model kami harus mencapai akurasi 95% dalam pengenalan dialek dan 88% dalam deteksi keadaan emosional.

Dampak bisnisnya substantial. Studi kami menunjukkan bahwa penerapan di Mesir, dengan kemampuan evoAI untuk mengenali dan merespons dialek Kairo versus Aleksandria, dikombinasikan dengan pola kesopanan budaya yang sesuai, akan mengurangi waktu penetrasi pasar tipikal 6 bulan menjadi hanya 8 minggu. Biaya akuisisi pelanggan dapat turun sebesar 45% karena rekomendasi dari mulut ke mulut meningkat karena interaksi yang alami dan sadar budaya.

Kemampuan adaptasi emosional evoAI akan membuka kategori layanan baru. Misalnya, kami telah menghipotesiskan bahwa layanan dukungan kesehatan mental yang didukung oleh evoAI dapat membantu mengenali penanda awal depresi dan kecemasan berdasarkan pola ekspresi alami, memungkinkan intervensi dan eskalasi yang tepat waktu ke tim kesehatan dan kesejahteraan kami – memastikan kesejahteraan agen selalu menjadi prioritas.

Keunggulan teknologi ini diterjemahkan langsung ke adopsi pasar: wilayah yang menggunakan kemampuan dialek dan emosi evoAI menunjukkan tingkat adopsi 3,2 kali lebih cepat dibandingkan dengan penerapan AI standar, dengan skor kepuasan agen meningkat 78% karena mereka merasa lebih percaya diri dalam menangani interaksi yang kompleks secara budaya.

Melihat ke masa depan setelah 2025, apa yang Anda bayangkan sebagai frontier berikutnya untuk AI yang berorientasi manusia dalam CX?

Frontier berikutnya adalah konvergensi AI konversasional, AI agenik, dan jaringan saraf untuk mengatur tingkat hasil yang lebih tinggi yang belum pernah dipertimbangkan sebelumnya. Ini akan merancang ulang cara kami melakukan bisnis. Orkestrasi tidak lagi manusia-ke-mesin; itu mesin-ke-mesin atau mesin-ke-ribuan mesin secara bersamaan.

Bayangkan Anda merencanakan perjalanan bisnis: mengunjungi situs web untuk memilih maskapai, kemudian memesan hotel, mengatur transportasi, menjadwalkan makan malam, dan merencanakan kembali. Ini adalah contoh sederhana dari memicu sekali dan membiarkan bot yang terintegrasi – didukung oleh jaringan saraf – memproses semua opsi yang tersedia dan membangun respons multi-pilihan untuk Anda pilih. Dalam model ini, orkestrasi adalah neural, AI agenik memungkinkan bot, dan percakapan adalah respons.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi Alorica.