Waarom klanten afhaken bij uw CX-bots

Klantenserviceteams beschouwen het onmiddellijke verzoek om een menselijke medewerker al jaren als een ontwerpprobleem. Wanneer bellers een geautomatiseerde ervaring afwijzen voordat die goed en wel is begonnen, is de natuurlijke reflex om het systeem warmer of menselijker te laten klinken. Pas de begroeting aan. Erken de frustratie. Vertel bellers dat ze op een natuurlijke manier kunnen praten. De aanname is dat mensen eerder bereid zijn om met het systeem in gesprek te gaan als de ervaring minder robotachtig aanvoelt.

Onlangs zagen we bewijs dat iets anders veel belangrijker is.

Bij een grote verzekeraar die AI inzet om vragen over autohuurvergoedingen te beantwoorden, begroette een spraakagent bellers aanvankelijk met de mededeling dat ze ‘tegen me konden praten alsof ik een echt persoon was’. Toch vroegen meer dan vier op de tien bellers om een menselijke medewerker voordat ze inhoudelijk met het systeem in gesprek waren gegaan. We maakten de begroeting eenvoudiger en directer, maar het resultaat bleef vrijwel hetzelfde. Nog steeds vroeg 44 procent van de bellers meteen om een medewerker.

Wat het gedrag van bellers uiteindelijk veranderde, had weinig te maken met hoe de AI klonk. We veranderden wat de AI kon laten zien van wat ze wist. In plaats van te beginnen met een algemene begroeting, zou de AI een aannemelijke inschatting maken van de reden van het telefoontje en informatie geven om proactief op het probleem in te spelen. Zo beschreef de AI bijvoorbeeld het voertuig dat bij de claim van de beller hoorde, gaf ze de status van de claim en controleerde ze of de klant een huurauto nodig had.

Het aantal verzoeken om een menselijke medewerker daalde met 23 procent. De inhoudelijke interactie met de AI nam toe van 54 naar 66 procent.

Dit levert een les op die veel verder reikt dan het contactcenter. Terwijl bedrijven zich haasten om AI gesprekvaardiger, persoonlijker en intuïtiever te maken, investeren ze mogelijk te weinig in iets fundamentelers: AI voldoende context geven om te laten zien dat ze de situatie begrijpt.

AI erft een vertrouwensachterstand

Mensen beginnen niet met een schone lei wanneer ze met een nieuw AI-systeem te maken krijgen. Ze brengen jarenlange ervaring mee met telefoonmenu’s die eenvoudige verzoeken verkeerd begrepen, chatbots die irrelevante antwoorden gaven en geautomatiseerde systemen waardoor ze informatie moesten herhalen die ze al hadden verstrekt. In de loop der tijd hebben gebruikers geleerd dat om een medewerker vragen de snelste manier kan zijn om iets gedaan te krijgen.

Dat gedrag kan op weerstand tegen AI lijken, maar er is een nuttiger manier om het te begrijpen. Voordat mensen een geautomatiseerd systeem een taak toevertrouwen, willen ze bewijs dat het genoeg begrijpt van hun specifieke situatie om nuttig te kunnen zijn. Onderzoekers beschrijven een aspect van deze weerstand als ‘het negeren van individuele eigenheid’: de perceptie dat een geautomatiseerd systeem onvoldoende rekening kan houden met iemands persoonlijke omstandigheden.

Dit wordt steeds belangrijker naarmate AI een grotere rol speelt in ingrijpender aspecten van ons leven en werk. Een klant die na een auto-ongeluk belt, ziet zijn probleem niet als een algemene vraag over verzekeringen. Een medewerker die een bedrijfsassistent gebruikt, verwacht dat die zijn functie, bevoegdheden en huidige werkzaamheden begrijpt. Een ontwikkelaar die een AI-programmeertool gebruikt, heeft antwoorden nodig die rekening houden met de architectuur rond de code.

In elk van deze gevallen moet een AI-systeem laten zien dat het de omstandigheden rond het verzoek begrijpt, voordat de gebruiker veel reden heeft om het antwoord te vertrouwen.

Context wordt onderdeel van de AI-interface

Personalisatie betekende traditioneel dat je iemands naam kent, een voorkeur onthoudt of op basis van eerder gedrag iets aanbeveelt. AI biedt ons de mogelijkheid om personalisatie veel sterker af te stemmen op de situatie. Een nuttig systeem moet begrijpen wat iemand probeert te bereiken, wat er al is gebeurd, welke informatie op dat moment relevant is en welke acties daadwerkelijk mogelijk zijn.

Dat verschil helpt verklaren waarom het experiment bij de verzekeraar werkte. De AI begroette bellers niet alleen op een vriendelijkere manier, maar nam hun werk uit handen. Wie belde om te controleren of er recht was op een vergoeding voor een huurauto, hoefde niet langer de claim uit te leggen, het voertuig te identificeren en te wachten tot het systeem de relevante informatie had opgezocht. Door die context meteen te geven, liet het systeem zien dat het competent was, nog voordat het de beller vroeg het met iets anders te vertrouwen.

Dit principe geldt voor alle bedrijfs-AI. Elke keer dat een gebruiker informatie moet herhalen die een systeem al zou moeten weten, een aanname moet corrigeren die het nooit had mogen doen of context moet reconstrueren die elders in de organisatie al beschikbaar is, neemt het vertrouwen af. Voor bedrijven betekent dit dat context moet worden beschouwd als onderdeel van de gebruikerservaring, en niet slechts als een technische kwestie achter de schermen.

AI kan veranderen hoe we succes meten

Ons experiment bracht nog een gedragspatroon aan het licht dat gemakkelijk over het hoofd te zien was. Nadat de contextuele begroeting was ingevoerd, luisterden sommige bellers naar de openingsboodschap en hingen ze gewoon op.

Volgens traditionele maatstaven van contactcenters zouden die gesprekken als afgebroken kunnen worden aangemerkt. Maar sommige van die klanten hadden net precies gekregen wat ze nodig leken te hebben. Als iemand belt om te vragen of een claim is goedgekeurd en de AI meteen vertelt dat de claim is goedgekeurd en de huurautovergoeding klaarstaat, valt er misschien niets meer te bespreken.

Ongeveer 3% van de gesprekken met de dynamische begroeting leek dit patroon te volgen: bellers verbraken de verbinding nadat ze de informatie hadden gekregen en belden niet binnen twee uur terug. Dat is een klein percentage, maar het roept een grotere vraag op: wat gebeurt er wanneer de meetgegevens die we van oudsher gebruiken om betrokkenheid te meten, niet langer nauwkeurig de waarde weergeven?

Naarmate AI capabeler wordt, zullen we wellicht vaker zien dat kortere interacties betere interacties zijn. Als een systeem een behoefte kan voorzien en proactief de juiste informatie kan aanbieden, worden de gespreksduur, het aantal voltooide stappen en zelfs traditionele uitvalpercentages mogelijk minder betekenisvolle succesmaatstaven.

Elke interactie met AI is een auditie

Naarmate AI in meer workflows wordt geïntegreerd, zullen gebruikers steeds beter kunnen beoordelen welke systemen hun tijd waard zijn. De eerste momenten van een interactie wegen zwaar, omdat mensen snel beoordelen of het systeem hun situatie begrijpt, of de informatie betrouwbaar lijkt en of het de moeite waard is om verder te gaan.

De beste AI-ervaringen zijn die waarbij al vroeg en nauwkeurig blijkt dat het systeem de relevante context begrijpt. Bij klantenservice kan dat betekenen dat het de status van een claim begrijpt voordat de beller die toelicht. Bij een bedrijfsassistent kan het betekenen dat die de functie en bevoegdheden van een medewerker en diens huidige werkzaamheden begrijpt. Bij softwareontwikkeling kan het betekenen dat die redeneert over de architectuur rond een stuk code.

Nu bedrijven investeren in de volgende generatie AI-ervaringen, is het de moeite waard om die systemen natuurlijker in het gebruik te maken. Maar natuurlijke gesprekken brengen ons maar tot op zekere hoogte. Mensen zullen AI een kans geven als AI hun reden geeft om te geloven dat het kan helpen; steeds vaker is die reden de context.