Å lage teknologiens ryggrad for generative AI-kundesaksbehandling

Medieoppmerksomheten rundt ChatGPT har hovedsakelig fokusert på den transformative potensial denne teknologien har til å endre arbeidets natur.  Men den større historien handler om hvordan generativ AI vil endre kundens erfaring. En McKinsey-studie finner at 80 prosent av kundens oppgaver kan automatiseres over kanaler, med en besparelse på 20 prosent for kostnader til å betjene.

ChatGPT og lignende verktøy kan utnyttes til å støtte mange bruksscenarier, over forretningsfunksjoner som markedsføring og salg, leverandørkjede, kundeservice, produktutvikling og mer. Ved å øke ansattes produktivitet, muliggjøre proaktiv kontakt og problemløsing, og håndtere vanlige friksjonspunkter, kan generative AI-løsninger hjelpe team til å raskt utvikle kundeorienterte evner. For å oppnå denne visjonen, må imidlertid bedriftsteamene overvinne fem forskjellige hindringer og deployere to forskjellige arkitekturer: en for menneskeforbedret interaksjon og en for fullstendig automatisert interaksjon.

5 Utfordringer å løse for å få ChatGPT klar for primetime

Hva er noen av hindringene eller risikoene ved å implementere generativ AI – og hvordan kan de mildnes?

1. ChatGPT personliggjør ikke meldinger: Gjeldende generative AI-verktøy kan ikke personliggjøre meldinger, men personliggjøring er nøkkel til å drive produkt- og tjenestesalg, øke kjøp per kjøp, øke gjentakende salg og forbedre kundeloyalitet. Markedsførerne trenger bedriftsklasse generative AI-teknologi for å kunne personliggjøre navn, bilder, tilbud, produktranbefalinger basert på nylige kjøp og handleforlatt meldinger.
2. ChatGPT hallucinerer innhold: Generative AI-løsninger bruker promter og utnytter tidligere læring til å skape innhold. Dette betyr at de fyller hullene med innhold lært fra statistiske mønster, ofte “hallusinerer” informasjon som ikke er sann. For å utnytte generativ AI og skalerer det over kundesegmenter og bruksscenarier, må bedriftene kunne identifisere og fjerne dette feilaktige innholdet før det når brukere og godkjenner eller distribueres til kunder.

3. Generativ AI kan ikke anvende forretningsregler: Forretningsregler strømlinjeformer kundeinteraksjoner. Smal AI-chatboter har utmerket seg ved å oppdage disse likhetene og servere godkjente svar. Generativ AI kan ikke oppdage disse fellesskapene og vil skape originale svar på hver spørsmål, og skape kundeforvirring og innføre feil i interaksjoner. En bedriftsklasse teknologiarkitektur som kombinerer et generativt AI-verktøy med selskapets forhåndsdefinerte forretningspolitikk, ville hjelpe til å standardisere disse svarene, og gi konsistente svar over kunder.
4. Generativ AI kan ikke sikre overholdelse: Kundevendt innhold går vanligvis gjennom juridiske gjennomganger for å sikre at bilder, tekst, tilbud og løfter overholder selskapets juridiske, regulative og kundepolitikk. Denne prosessen beskytter selskaper mot kundemisbruk, regulatorisk irettesettelse og bøter, og andre typer forretningsSkader. Generativ AI kan ikke skape overholdelsesinnhold, da den ikke forstår disse nyansene. Som følge må teknologi som utnytter generativ AI innbygge juridiske retningslinjer for å identifisere og fjerne ikke-overholdelsesinnhold før det distribueres eller brukes offentlig.
5. Ustyrte bruk av ChatGPT skaper sikkerhetsrisiko: ChatGPT-bruk er en fascinerende casestudie i hva som skjer når enkeltpersoner ikke kontrolleres av sikkerhetspolitikk. Mediehistorier omhandler ansatte som setter inn følsomme data i denne offentlig tilgjengelige chatboten, og risikerer dataeksponering og tap av immaterielle rettigheter. Bedriftens data- og IT-team kan mildne disse problemene ved å segmentere informasjon: sende følsom innhold til domenechatboter, som er beskyttet av sikkerhetskontroller og systemer, og sende generelle spørsmål til ChatGPT.

Evaluering av nye arkitekturer for generativ AI

For å aktivere menneskeforbedret B2C- og B2B-operasjoner og fullstendig automatisert B2C-operasjoner, må bedriftene ha to forskjellige arkitekturer.

Begge arkitekturer utnytter åpne kildekode-generative AI-verktøy som ChatGPT og andre løsninger som guider prosesser fra promptinndata; til datasyntese; til innholdsskapelse, rensning og personliggjøring; og styring.

Bruke ChatGPT til å strømlinjeforme menneskeforbedret B2C/B2B-interaksjoner

La oss vurdere en vanlig scenario. En markedsføringsprofesjonell setter inn en prompt i et bedriftsgrensesnitt, ved hjelp av en forhåndsdesignet spørsmålsskjema for å guide innholdutvikling, som for en e-postkampanje.

Ansatte setter inn nøkkelinformasjon, inkludert e-postinstruksjoner, ønsket målgruppe, produkt navn, markedsføringspåstander og produktkarakteristika, og eventuelle bruksinstruksjoner.

Arkitekturen utnytter deretter kundepersonligheter for å berike instruksjoner med informasjon som vil appellere til denne segmentet, hvis disse datamodellene er tilgjengelige. Den forbedrede spørsmålet sendes deretter via en ekstern API til ChatGPT eller lignende generative AI-verktøy.

Deretter anvender en kurator forretningsregler og juridiske retningslinjer for å sikre at innholdet vil møte bedriftens og regulatoriske standarder. Markedsføringsprofesjonellen ville deretter se over og godkjenne det resulterende e-posten før den sendes til kundebasen.

Bruke ChatGPT til å automatisere B2C-interaksjoner

Hva med interaksjoner som kan fullstendig automatiseres?

Når en bruker setter inn et spørsmål, berikes det med kundepersonlighetsdata, som før. Men den oppdaterte spørsmålet sendes deretter en av to måter: til en domenechatbot som kan personliggjøre svar for bedriftsspesifikt innhold eller via en ekstern API til ChatGPT for rutinemessige spørsmål. Domenechatboten personliggjør innhold, mens ChatGPT ikke gjør det.

Det resulterende innholdet renses deretter for feil og sammenlignes mot forretningsregler og retningslinjer før det automatisk distribueres til kunder.

Oppnå nye forretningsverdier fra ChatGPT ved å deployere nye teknologiarkitekturer

Kappløpet er i gang for å drive ROI fra generativ AI. Bedriftsledere analyserer forretningsprosesser for kostnader og sløseri, snakker med leverandører for å forstå deres tilnærming og løsninger, og utvikler bevis for konsepter. De søker etter innsikt og løsninger som de kan utnytte for å oppnå hastighet til verdi og hastighet til skala.

Mens de gjør dette viktige arbeidet, kan disse lederne vurdere alle leverandører etter deres evne til å løse disse fem vanlige generative AI-utfordringene og aktivere både menneskeforbedret og fullstendig automatisert interaksjon.

Ved å bruke disse to forskjellige grunnleggende arkitekturer, vil bedriftene kunne oppnå mange forretningsgevinster. De vil kunne øke teamproduktivitet, forbedre kundens erfaring, redusere servicinteraksjonskostnader og drive nye produktsalg.