Når ‘Chatbot’ Er Et Skitord: 3 Misforståelser Forretningsledere Har Om Konversasjons-AI

Spredningen av LLM’er som OpenAI’s ChatGPT, Meta’s Llama og Anthropic’s Claude har ført til en chatbot for enhver anledning. Det finnes chatboter for karriereveiledning, chatboter som lar deg snakke med din fremtidige selv, og sogar en kylling-chatbot som gir matlagningsråd. 

Men disse er ikke chatbotene fra for ti år siden – da var de begrenset til smalt forhåndsdefinerte, stive “samlinger”, ofte basert på et stort flytskjema med multiple-choice eller ekvivalente svar. I virkeligheten var de bare litt mer avanserte enn pre-internett IVR-telefonmenyer.

I dagens “chatboter” henviser vi oftere til konversasjons-AI, et verktøy med mye bredere muligheter og bruksområder. Og fordi vi nå befinner oss midt i generativ AI-hype-syklusen, brukes alle disse tre uttrykkene om hverandre. Dessverre, som en konsekvens, finnes det mange misforståelser rundt risiko, bruksområder og avkastning på å investere i konversasjons-AI blant forretningsledere, spesielt i høyt regulerte industrier som finansielle tjenester. 

Så jeg vil rette opp noen vanlige misforståelser om “chatboter”, når det i virkeligheten handler om konversasjons-AI. 

Myte 1: Kunder Hater Chatboter

Forbrukerne har blitt spurt i det siste tiåret om de foretrekker menneskelige agenter eller chatboter – som å spørre om de ville ha en profesjonell massasje eller sitte i en handlecenters massasjestol. 

Men debuteringen av ChatGPT i 2022 (sammen med alle verktøyene som spunnet fra det) snudde vår oppfatning av en chatbots muligheter helt på hodet. Som nevnt ovenfor, opererte eldre chatboter på skript, slik at avvik fra deres forhåndsdefinerte baner ofte ledet til forvirring og ineffektive svar. Udyktige til å forstå kontekst og brukerens intensjoner, var svarene ofte generiske og nytteløse, og de hadde begrenset evne til å samle inn, lagre og levere informasjon.

I motsetning til det, engasjerer konversasjons-AI mennesker i naturlige samtaler som speiler menneskelig tale, og lar for en mer flytende, intuitiv utveksling. Det viser bemerkelsesverdig fleksibilitet og tilpasningsevne til uventede resultater. Det er i stand til å forstå konteksten rundt brukerens intensjoner, oppdage emosjoner og reagere empatisk.

Dette dypere nivået av forståelse gjør at dagens AI kan effektivt navigere brukerne ned logiske baner mot deres mål. Det inkluderer å håndtere kunder raskt over til menneskelige assistenter når det er nødvendig. I tillegg bruker konversasjons-AI avanserte informasjonsfilter, gjenvinningmekanismer og evnen til å beholde relevant data, noe som vesentlig forbedrer deres problemløsningsevne, og det gir en bedre brukeropplevelse.

Så, det er ikke at kunder blindt hater chatboter, det de hater er dårlig service, som tidligere versjoner av chatboter definitivt var skyldig i å levere. Dagens konversasjonsagenter er så mye mer avanserte at over en fjerdedel av forbrukerne ikke føler seg trygge i deres evne til å skille mellom menneskelige og AI-agenter, og noen oppfatter AI-chatboter som bedre på utvalgte oppgaver enn deres menneskelige motparter. 

I testpiloter har vårt selskap sett at AI-agenter kan trippe ledelsesomvandlingsrater, noe som er et ganske kraftig tegn på at det ikke handler om om det er en bot eller ikke – det handler om kvaliteten på jobben.

Myte 2: Chatboter Er For Risikable

I diskusjoner med forretningsledere om AI, oppstår ofte bekymringer rundt hallusinasjoner, dataproteksjon og bias som potensielt kan føre til regulative overtredelser. Selv om det er legitime risikoer, kan de alle minskes gjennom noen forskjellige tilnærminger: finjustering, Retrieval-Augmented Generation (RAG) og promptingeniørkunst. 

Selv om det ikke er tilgjengelig på alle LLM’er, kan finjustering spesialisere en forhåndsdefinert modell for en bestemt oppgave eller domene, noe som resulterer i AI som er bedre egnet for bestemte behov. For eksempel kunne et helseforetak finjustere en modell for å bedre forstå og svare på medisinske spørsmål. 

RAG forbedrer chatbot-nøyaktigheten ved å dynamisk integrere eksterne kunnskaper. Dette lar chatboten hente oppdatert informasjon fra eksterne databaser. For eksempel kunne en finansiell tjenestechatbot bruke RAG til å gi sanntids-svar om aksjepriser. 

Til slutt, optimaliserer promptingeniørkunst LLM’er ved å lage prompter som guider chatboten til å produsere mer nøyaktige eller kontekst-bevisste svar. For eksempel kunne en e-handelsplattform bruke tilpassede prompter til å hjelpe chatboten med å gi personlige produktanbefalinger basert på kundens preferanser og søkehistorikk.

I tillegg til å bruke en eller flere av disse tilnærminger, kan du også kontrollere en konversasjons-AI’s kreativitets-“temperatur” for å hjelpe med å forebygge hallusinasjoner. Å sette en lavere temperatur i API-oppkallene begrenser AI til å gi mer deterministiske og konsistente svar, spesielt når det kombineres med en kunnskapsbase som sikrer at AI trekker fra angitte, pålitelige datasamlinger. For å ytterligere minimere risiko, unngå å deployere AI i beslutningstakende roller hvor bias eller feilinformasjon kunne føre til juridiske problemer. 

Vedrørende dataproteksjon, sikre at eksterne AI-leverandører overholder reguleringer, eller deployere åpne modeller på egen infrastruktur for å beholde full kontroll over dine data, noe som er essensielt for GDPR-overholdelse. 

Til slutt er det alltid klokt å investere i profesjonell ansvarsforsikring som kan tilby ytterligere beskyttelse, og dekke bedrifter i usannsynlige scenarioer som forsøk på rettssaker. Gjennom disse tiltakene kan bedrifter trygt utnytte AI samtidig som de beholder merkevare- og kundesikkerhet.

Myte 3: Chatboter Er Ikke Klare For Komplekse Oppgaver 

Etter å ha sett problemene store teknologiselskaper har med å deployere AI-verktøy, kan det føles naivt å tro at et SME ville ha det lettere. Men AI er nå på et stadium hvor uttrykket “jack of all trades and master of none” ikke er særlig urimelig. Dette skyldes i stor grad at disse verktøyene blir bedt om å utføre for mange forskjellige oppgaver over miljøer som ikke er designet for effektiv AI-deployering. Med andre ord, det er ikke at de ikke er i stand til det, men at de blir bedt om å finne skøyter på en isbane full av tynn, sprukket is. 

For eksempel vil organisasjoner med siloede og/eller uorganiserte data være mer utsatt for at AI kommer med utdatert, nøyaktig eller motstridende informasjon. Ironisk nok er dette en konsekvens av deres kompleksitet! Mens eldre chatboter bare gjentok grunnleggende informasjon på en lineær måte, kan konversasjons-AI analysere robuste datasamlinger, og vurdere flere påvirkende faktorer på en gang for å kartlegge den mest passende vei fremover. 

Derfor er suksess med konversasjons-AI avhengig av strenge parametre og ekstremt klare grenser når det gjelder datasamlinger og oppgaver. Med riktig opplæringsdata og ekspertutformet prompter, kan funksjonaliteten til konversasjons-AI utvides langt utenfor omfanget av en enkel chatbot. For eksempel kan det samle inn og filtrere data fra kundesamtaler og bruke det til å automatisk oppdatere en CRM. Dette strømlinjeformer ikke bare administrative oppgaver, men sikrer også at kundeinformasjonen alltid er nøyaktig og oppdatert. Ved å automatisere slike oppgaver, kan bedrifter fokusere mer på strategiske aktiviteter enn administrative byrder.

Hvis vi skal fortsette å bruke uttrykket “chatbot”, er det avgjørende at vi skiller mellom plattformer som inkorporerer avansert konversasjons-AI, og de som fortsatt tilbyr de begrensede verktøyene fra i går. På samme måte som at ordet “telefon” i dag oftere fremkaller bildet av en berøringsskjerm-smarttelefon enn en spiral-kabel-landlinje, tror jeg vi ikke er langt ifra at “chatbot” blir erstattet av ideen om avanserte AI-agenter snarere enn klønete multiple-vals-avatarter.