Er AI-agenter i ferd med å omskrive spilleregler for kontaktsentere?

Det var en tid da callsentre ble bygget primært for å håndtere store volumer av kunde forespørsler via telefon. I dag har kontaktsentere for størstedelen erstattet dem – de operative hubene hvor bedrifter håndterer kundeinteraksjoner på tvers av flere kanaler: telefon, e-post, sosiale medier og meldingsapper.

Men til tross for denne skiftet i kanaler, har den underliggende modellen forblett stort sett den samme.

Enkle kunde forespørsler flyter fortsatt gjennom en fragmentert stakk: interaktiv stemme respons (IVR) for verifisering, kunde-relasjons-styring (CRM) plattformer for konto detaljer, billett-verktøy for sporings og separate bakendesystemer for å fullføre oppgaven. Sky-baserte plattformer som Contact-Center-as-a-Service (CCaaS) har brakt disse verktøyene nærmere hverandre, og muliggjort mer fleksible operasjoner, men opplevelsen er fortsatt langt ifra sammenhengende, og avhenger av flere trinn, overføringer og manuell koordinering.

I årevis har denne modellen holdt. Så kom AI inn i bildet.

Da AI-agenter har fått mer momentum, har startup-bedrifter og etablerte selskaper over hele linjen begynt å bygge og distribuere verktøy som lover en ny fase muliggjort av AI sin evne til å låse opp intelligens på tvers av systemer og gjøre bruk av tidligere isolerte data.

Ulike systemer blir en relikt

Med AI-agenter på plass, opererer kontaktsentere ikke lenger i siloer. Agenter kan hente informasjon, utløse handlinger og fullføre oppgaver på tvers av plattformer. Hvis en kunde ønsker å bestride en avgift, kan en AI-agent verifisere deres identitet, hente deres transaksjons-historikk fra CRM, sjekke relevante politikker, initiere bestridelsen og bekrefte utfallet – alt innen én sammenhengende interaksjon. Ingen overføringer eller manuell koordinering er nødvendig.

Oppgaver som tidligere krevde at mennesker skiftet mellom flere verktøy, skjer nå i bakgrunnen. Mye av kompleksiteten kan abstraheres bort, og kunden, eller selv den menneskelige agenten, behøver ikke å se hvordan prosessen fungerer bak kulissene.

Dette skiftet endrer også rollen til programvaren selv. Programvaren ligner nå på en samling byggeklosser, mens AI-agenter fungerer som laget som kobler og koordinerer systemer. Faste arbeidsflyter gir plass til mer fleksible interaksjoner som formas av situasjonen, snarere enn forhåndsdefinerte stier: I stedet for å følge strenge meny-valg eller skriptede flyter, tas beslutninger i sanntid basert på kontekst.

Det er på tide å omvurdere din teknologi-stakk

Kontaktsenter-ledere i dag står overfor en stor spørsmål: Hvis programvaren ikke lenger er den primære verdi-lagringen, hvor bør teknologi-investeringer gå?

Fortunatvis trenger du ikke å erstatte eksisterende systemer med én gang. De må omvurdere hvordan disse systemene interagerer.

I denne nye modellen, tar AI-agenter over orkestreringen, og koordinerer handlinger på tvers av systemer, snarere enn å stole på forhåndsdefinerte arbeidsflyter. Programmerings-grensesnitt (API-er) og modell-kontekst-protokollen (MCP) blir den primære måten systemer kommuniserer på, og lar agenter få tilgang til og tolke data, systemer og kontekst for å bruke verktøy på riktig måte på tvers av stakken.

Men omkonfigurasjon alene er ikke nok. For all deres nytte, er AI-verktøyene fortsatt feilbare. En rekke faktorer kan føre til at et AI-verktøy hallucinerer, drifter vekk fra sin tilpasning, eller avviker fra politikker og retningslinjer. Ettersom dette skiftet skjer, vil det være en økende behov for overvåkning, måling og ansvar.

AI-agenter gjør ikke bare oppgaven; de tar beslutninger som å godkjenne refusjoner, oppdatere kontoer og eskalere problemer. Og siden disse verktøyene opererer mye raskere enn noen menneske kan, kan enhver feil bli gjentatt over hundrevis eller til og med tusenvis av instanser på bare noen timer.

Dette er nettopp hvorfor organisasjoner må bygge inn overvåkning for å vite hva deres AI bestemmer; testing-verktøy for å fange feil i tide; og logging-infrastruktur for å undersøke feil raskt.

Riktig bygging av slike retningslinjer rundt enhver AI-utplassering vil føre til en mer fleksibel og responsiv arkitektur som er i stand til å håndtere kompleksitet på måter tradisjonelle arbeidsflyter ikke kunne.

De nødvendige kompromissene

Selv om AI åpner opp en verden av muligheter, introduserer skiftet mot autonomi nye risikoer for kontaktsentere, en forretning hvor konsistens og tillit er kritisk.

Strukturerte arbeidsflyter har lenge vært grunnlaget for kontaktsenter-operasjoner. Hver steg er definert på forhånd, hver beslutning følger en godkjent sti, og hver interaksjon kan auditeres mot etablerte regler. Denne strukturen hjelper med å sikre at kunde-interaksjoner forblir konsistente, regulatoriske krav blir møtt, og politikker blir brukt jevnt over hver enkelt sak.

Autonome AI-agenter opererer annerledes som standard. I motsetning til tradisjonell programvare som følger forutsigbare algoritmer, tar AI-agenter beslutninger basert på deres underliggende modell, trening-data og kontekst, i sanntid. Denne fleksibiliteten lar dem tilpasse seg hver situasjon, men den introduserer også variasjon. To lignende kunde forespørsler kan bli håndtert på litt forskjellige måter avhengig av hvordan agenten tolker input, hva data som er tilgjengelig, eller hvordan den underliggende modellen vekter forskjellige signaler.

En person som følger en rigid arbeidsflyt, vil tende til å produsere forholdsvis forutsigbare resultater, men AI-agenter kan produsere uventede eller inkonsistente resultater, og de har også vist en høy potensial for bias. En AI-agent kan løse ett fakturaproblem riktig, men tolke et lignende tilfelle annerledes.

Dette reiser viktige operative spørsmål for organisasjoner: Hvordan opprettholder du ansvar når beslutninger tas av et AI-basert system og ikke noen som følger et skript? Hvordan sikrer du transparens i disse beslutningene, spesielt når modellene er komplekse og ikke alltid lette å tolke? Og hvordan opprettholder du overholdelse i miljøer hvor handlinger er dynamisk generert?

Disse spørsmålene betyr enda mer i kontaktsentere fordi de ligger i skjæringspunktet mellom effisiens og opplevelse. En forsinket respons, en feilaktig løsning eller en uforklarlig beslutning kan føre til at kunder blir frustrerte og usikre på tilliten til hele din forretning. De vil tvile på deg som en løsning, og kanskje sogar bytte til en annen leverandør.

I tillegg er det utfordringen med overvåkning. Ettersom AI-agenter tar på seg mer ansvar, trenger organisasjoner måter å overvåke og teste deres atferd i sanntid, oppdage avvik og gripe inn når det er nødvendig. Uten dette nivået av synlighet, blir det vanskelig å sikre at systemene opererer som tiltenkt, eller å forstå når de ikke gjør det.

Vei fremover

Organisasjoner bør ta en gradvis tilnærming til AI-agent-adoptsjon. I stedet for å erstatte eksisterende arbeidsflyter helt, bør organisasjoner begynne med å supplere dem, og introdusere AI i kontrollerte scenarioer hvor risikoen er lavere og fordelen umiddelbar.

Dette tilnærmingen vil tillate kontaktsentere å eksperimentere og tilpasse seg uten å ofre pålitelighet. De kan deployere AI-agenter i lav-risiko-situasjoner for å identifisere bias, detektere routing-drift og håndtere andre problemer som oppstår.

Målet, etter all, er å bevare kvalitet, og AI-agenter er bare et verktøy, uansett hvor dyktige de er. Et kontaktsenter som adopterer denne teknologien med riktig balanse mellom forsiktighet og optimisme, vil en dag få oss til å se på kontaktsentere og call-sentere på samme måte: som en ting fra fortiden.