De Slechtste Eerste Baan Die Je Een Agent Kunt Geven Is De Zichtbare Een

Bedrijven kiezen meestal hun eerste agentbaan op dezelfde manier. Iemand vraagt wat AI voor ons kan doen, en de ruimte convergeert naar het werk dat iedereen kan voorstellen: onze blogposts schrijven, onze klanten beantwoorden, onze inbox afhandelen. Het is het meest zichtbare werk in het gebouw, dus het is het werk dat het eerst in gedachten komt.

Zes maanden later wordt de proef stilzwijgend geparkeerd en de conclusie is dat de technologie niet klaar was. De technologie was in orde. De baanselectie was het probleem, en zichtbaarheid is wat het een slechte keuze maakte.

Drie dingen die een baan moeilijk maken, en de zichtbare hebben alle drie

Een baan is gemakkelijk voor een agent wanneer er een controleerbaar goed antwoord is, wanneer een slecht resultaat goedkoop is, en wanneer iemand in het gebouw de baan al doet en goed van slecht kan onderscheiden.

Klantgerichte schrijfwerk faalt de eerste test.

Er is geen goed antwoord op “is deze blogpost goed”, alleen een voorkeur die door een persoon wordt gehouden die de verkeerde versie meteen herkent en moeite heeft om de juiste versie van tevoren te specificeren. Die kloof is waar de meeste kwaliteitsklachten eigenlijk wonen.

Klantgerichte alles faalt de tweede test.

Een slechte interne samenvatting kost iemand vier minuten. Een slecht antwoord aan een klant kost een relatie, en soms een conformiteitsgesprek. De kosten van een falen bepalen hoeveel toezicht de baan nodig heeft, en toezicht is het dure deel van het runnen van agenten.

En de zichtbare banen falen meestal de derde test op een manier die niemand opmerkt totdat het te laat is.

De persoon die de output zou beoordelen is een senior persoon wiens aandacht het schaarsste ding in het bedrijf is. Hem een reviewqueue geven betekent werk op uw duurste kalender zetten.

Hoe de succesvolle eerste banen eruitzien

Ze zijn saai. Dat is het patroon, en het is consistent genoeg om erop te plannen.

Toen NTT DATA Group zijn agenttooling uitbreidde naar de hele organisatie, was een van de vroege overwinningen die de interne mening veranderde een interne ingenieursbaan, niet een klantbeleving. OpenAI’s verslag van de implementatie beschrijft de automatisering van een complexe incidentanalyse voor een kritisch systeem – werk dat eerder vijf ervaren ingenieurs en drie dagen nodig had, voltooid in 30 minuten. Dat resultaat, zegt het verslag, “verdiende snel de aandacht van senior leiders en werd een vroeg bewijspunt”.

Kijk naar de vorm van die baan in plaats van het kopnummer. Incidentanalyse heeft een goed antwoord, en het is een antwoord dat de organisatie kan controleren, omdat het werk al bestond en de mensen die het vroeger deden er nog steeds zijn.

Het herhaalt zich. Het zit binnen het bedrijfseigen systeem in plaats van voor een klant. En de standaard voor “klaar” is of de analyse standhoudt tegen de bewijzen, wat een vraag met een verdedigbaar antwoord is, niet een kwestie van smaak.

Vergelijk dat met de baan die de meeste bedrijven als eerste kiezen. Een blogpost heeft geen goed antwoord, geen in-huis rechter wiens tijd goedkoop is, en een publiek.

De volgorde is net zo belangrijk als de keuze. NTT DATA rolde ChatGPT Enterprise uit over het hele bedrijf en in een interne enquête zei meer dan 96% van de respondenten dat ze tevreden waren en meer dan 95% meldden productiviteitswinst.

Door dat dagelijkse gebruik, zegt het verslag, “bouwden medewerkers ervaring op met AI voor onderzoek, schrijven en inhoudscreatie” – en die gewoonten “bereidden de organisatie voor op de volgende stap: duidelijk gedefinieerde taken delegeren”.

De leiderschapslessen die bij de casestudy werden gepubliceerd, beginnen met precies dat: maak AI onderdeel van het dagelijkse werk, help mensen de gewoonten opbouwen om ermee samen te werken. Het bedrijf bouwde een brede basis van vertrouwdheid met AI-uitvoer op voordat het incident-analysewerk landde.

Die gewoontevormingsfase doet meer werk dan het lijkt. Wanneer algemene AI-hulpmiddelen gewoon worden, mensen beginnen het ver buiten de grenzen van hun functietitel toe te passen, en mijn lezing is dat dit de plek is waar de goede kandidaatbanen naar boven komen – van de mensen die het werk doen, niet van een planningsvergadering. Het is ook waar scepsis wordt uitgewerkt, en hoe frontline-staf zich echt voelt over de tools is niet iets dat een enkel hoogwaardig project oplost.

De uitzondering bewijst de regel, als je het hele geval leest

Het voor de hand liggende bezwaar is dat klantgerichte agenten aantoonbaar werken. Ze doen. Het is de moeite waard om er een van dichtbij te lezen.

De winkelagent avatarin gebouwd met Yamada Holdings is zo zichtbaar als een agentbaan krijgt – 24/7 meertalige ondersteuning per spraak en tekst, winkelbezoekers van productontdekking naar aankoopbeslissingen leidend. In een twee weken durende openbare campagne op Yamada Denki’s online winkel, gebruikten ongeveer 30.000 mensen het en waren 92% van de enquêteresponsen positief. Echt resultaat, echte klanten, voor de deur.

Laat duidelijk zijn over één ding: OpenAI’s verslag noemt dit “zijn eerste grote kans om die lessen rechtstreeks aan klanten te brengen”. Dus dit was avatarin’s eerste klantgerichte agent, wat lijkt op een argument tegen alles hierboven.

Kijk naar wat “die lessen” verwijst naar. avatarin is een AI-klantenservicebedrijf dat is afgesplitst van ANA Holdings, en het verslag vermeldt dat het al met OpenAI had gewerkt “lang voordat het Yamada Denki-project begon, met het OpenAI-API voor spraakherkenning, vraaganalyse en medewerkersopleiding”.

De antwoorden van de agent zijn gebaseerd op een retrieval-augmenteerd generatiesysteem, wat betekent dat antwoorden zijn verankerd in echte productinformatie in plaats van het geheugen van het model. De klantenservicekennis van de retailer werd bewust ingecodeerd in conversatieflows en prompting. Beveiligingsmaatregelen helpen de conversatie op de winkelervaring te houden. En OpenAI werkte rechtstreeks met het team samen om de prompts te structureren en de kosten van het runnen van een altijd-aan spraakdienst te verlagen.

Dus het was een eerste klantgerichte baan voor een bedrijf dat zich volledig richt op AI-klantenservice, aankomend na eerdere werk met dezelfde leveranciershulpmiddelen, met een grondlaag, ingecodeerde domeinexpertise, beveiligingsmaatregelen en de leveranciers eigen mensen die helpen. Dat is de echte prijs van de zichtbare baan, en bijna niets ervan is zichtbaar in het resultaat.

Lees de twee verslagen samen en ze zijn een volgordesles in plaats van twee succesverhalen. Één organisatie verdiende het recht om duidelijk gedefinieerde taken te delegeren door AI eerst gewoon te maken. De andere bereikte de klantgerichte baan als specialist, op de rug van componentwerk dat het al had gedaan. Geen van beiden begon waar de planningsvergadering wil beginnen.

De selectieregel

Beoordeel elke kandidaatbaan op vier vragen voordat je kiest.

1. Is er een controleerbaar goed antwoord?

Niet een goed antwoord, een controleerbaar antwoord. Reconciliatie, classificatie, extractie en analyse-met-een-conclusie kwalificeren allemaal. Alles wat op smaak wordt beoordeeld, niet, tenminste niet eerst.

2. Wat kost één slecht resultaat?

Als het eerlijke antwoord een klant, een regulator of een nummer in een aangifte betreft, heeft de baan het soort architectuur en reviewrails nodig dat u waarschijnlijk nog niet heeft gebouwd.

3. Rechtvaardigt het volume de instelling?

Een baan die tweemaal per maand wordt gedaan, zal de weken van iteratie nooit terugbetalen. De economie komt van herhaling, en herhaling is ook wat u leert waar het ding faalt.

4. Wie doet dit al en kan een slecht resultaat meteen herkennen?

Die persoon is uw reviewer, en hij moet tijd hebben. Als de enige gekwalificeerde rechter de oprichter is, kies dan een andere baan.

Het werk dat goed scoort op alle vier is bijna nooit het werk dat in de vergadering naar voren kwam. Het is meestal iets dat een team al twee jaar handmatig doet en waar ze niet meer over klagen, omdat ze het niet meer als werk zien.

Waar dit je laat

Neem de lijst met banen die je overweegt en beoordeel ze eerlijk deze week. De kandidaat die wint, zal als een teleurstelling voelen. Automatiseer het toch.

Het punt van een eerste agentbaan is niet de waarde die het teruggeeft. Het is dat uw organisatie leert wat deze systemen goed doen, waar ze falen en wat het toezicht ervan eigenlijk kost, op werk waarbij het verkeerd gaan overleefbaar is. Die kennis is wat de tweede baan een echte beslissing maakt in plaats van een gok, en de derde is meestal waar het geld is.

Kies de saaie baan. Verdien de zichtbare.