AI-arkitekturproblemet i kundeservice

Klarna har nylig kuttet 700 kundeservicejobber, og satset på at AI kunne absorbere forskjellen. Innen ett år hadde kundetilfredsheten sunket, og selskapet ansatte igjen. Gartner forutsier at halvparten av organisasjonene som planlegger lignende arbeidsstyrke-reduksjoner, vil gi opp disse planene også.

Dette er ikke et problem med AI-evnen. 100% av kundeserviceagenter samarbeider med AI daglig for å håndtere en rekke komplekse situasjoner.

Likevel regner ingen av agentene AI som kritisk for deres arbeid. Denne gapet er ikke overraskende. AI blir lagt til på samme fragmenterte systemer som allerede sviktet agenter før avanserte AI-verktøy dukket opp. I dag må mennesker fortsatt gjøre det sammenkoblede arbeidet, skifte mellom systemer, kopiere og lime, og manuell avstemming som binder ett system til et annet.

AI ble bygget for å erstatte denne arbeidskraften. I stedet kompliserte det den. Før noen fikser forbindelsene mellom systemene, vil agenter fortsette å gjøre AI-arbeid for hånd, og miste tillit til det viktigste verktøyet på deres disposisjon.

Tillitsgapet som ingen fikser

78% av agenter sier at AI-verktøyene ikke har forandret måten de arbeider på. 93% verifiserer AI-utdata før de handler på dem. Agenter ser nok ufullstendige eller uriktige svar til at dobbelttjekking blir standarden. De motsetter seg ikke teknologien. Den har bare ikke tjent deres tillit enda.

Konsekvensene blir synlige midt i en kundekonversasjon. En kunde ringer om en fakturafeide, og AI-generert kontooppsummering er tre måneder gammel. De tilbringer de neste ti minuttene med å verifisere over flere systemer hva AI skulle ha presentert umiddelbart, mens kunden sitter på hold.

De fleste organisasjoner leser denne negative erfaringen som et menneskeproblem. Agenter er redd for at jobben deres er i fare på grunn av AI som tar på seg mer komplekse oppgaver, så de arbeider rundt det.

Det er faktisk et ledelsesproblem. Gartner fant ut at 91% av kundeserviceledere er under press fra ledelsen for å implementere AI.

Under dette presset er det lett å tolke motstand som et adopsjonsproblem i stedet for et signal om at AI ikke er arkitekturert riktig. Som følge av dette forblir fokuset på å akselerere utrulling i feil områder, og øke reduksjonen av arbeidsstyrken uten å fikse det underliggende problemet.

Hva fragmentert utrulling faktisk produserer

Agenter fungerer som den manuelle integreringslaget mellom en live kundekonversasjon og 4 til 10 separate bedriftsverktøy. De “svivler” mellom fakturingsplattformer, ERP-systemer og billettsystemer mens en kunde venter på hold. Dette skyldes at de fleste bedriftene har festet AI til samme fragmenterte arkitektur som allerede svekket agenter.

For eksempel kan chatboter håndtere frontenden av en interaksjon, men svikter når agenter må få tilgang til det legacy back-office-systemet hvor den faktiske transaksjonen finner sted, og tvinger agenter til å fullføre oppgaven manuelt likevel. Eller, AI-sammendragsverktøy kan generere post-kalle-merknader, men skriver til et separat system i stedet for CRM-en av rekord. AI arvet fragmenteringen i stedet for å fikse den.

AI er bare like sammenkoblet som systemene under. Når systemer ikke deler kontekst, kan AI heller ikke. Den henter fra historiske CRM-oppføringer, men kan ikke forstå hva som skjer i en live kundekonversasjon. Når den presenterer en anbefaling, kan den underliggende data ha endret seg.

Ufullstendig kontekst, stale data og separate systemer er ikke separate problemer. De er symptomer på en AI-arkitekturfeil.

Bygging av AI-arkitektur som fungerer med menneskelige agenter

Bygging av AI som agenter faktisk stoler på, og som forbedrer kundeservice-resultater, kommer ned til fire infrastrukturkrav:

1. Gi AI-verktøyene sanntidsdatatilgang. De fleste AI-utplasseringer i CX henter fra hva som helst av kundedata som er tilgjengelig. Det er ofte utdatert. AI må være arkitekturert for å gi sanntids tilgang til kundedata i øyeblikket en forespørsel gjøres, ikke et fragmentert snapshot satt sammen fra systemer som holder forskjellige versjoner av samme kunde.
2. Gi AI varig kontekst. Når AI festes til eksisterende infrastruktur i stedet for å bygges inn i den, reiser konteksten ikke med. Den droppes ved hver overlevering. Varig AI bør være lagt over hele interaksjonen, kontinuerlig bærende kundehensikt og konversasjonskontekst mens arbeidet flytter mellom systemer, kanaler og menneskelige agenter. Når en menneskelig agent trår inn, bør de ikke starte fra scratch.
3. Implementer agens AI for autonom utführing, ikke bare anbefalinger. Det neste betydningsfulle skrittet er AI som kan utføre arbeidet agenter krever autonomt mens menneskelige agenter holder øye på og kontrollerer. I stedet for å si til agenter hva de skal gjøre neste, orkestrerer agens AI arbeidsflyter over bedriftssystemer, behandling av krav, prosessering av refusjoner, oppdatering av poster og fullføring av oppgaver, selv over legacy-applikasjoner uten API-er. AI håndterer utføring mens menneskelige agenter fokuserer på dømmekraft, empati og bygging av sterkere kundeforhold.
4. Velg AI-systemer som forbedrer seg fra resultater, ikke bare inndata. De fleste bedrifts-AI er statisk etter utplassering. Den mer betydningsfulle arkitekturen er en som kontinuerlig lærer fra interaksjonsresultater, optimaliserer arbeidsflyter basert på hva som faktisk løste problemet, ikke bare hva treningsdataene forutså ville. AI som lukker tilbakekoblingsfeltet mellom resultater og fremtidig ytelse er fundamentalt forskjellig fra AI som utplasseres og holder.

Tillitsgapet agenter har med AI er ikke et treningsproblem eller et adopsjonsproblem. Det er et arkitekturproblem.

Den sanne avkastningen av AI ligger ikke i å redusere arbeidsstyrken, men i verdien som skapes når agenter endelig kan fokusere på kunder i stedet for systemer. Dette skjer bare når AI er bygget inn i utføringslaget, ikke droppet på toppen av det.

Organisasjonene som fortsatt sliter med adopsjon er ikke etter på AI. De er etter på infrastruktur. Fiks arkitekturen, og adopsjonsproblemet løser seg selv.