Mike Clifton, Współdyrektor Generalny w Alorica – Seria Wywiadów

Mike Clifton jest Współdyrektorem Generalnym Alorica, globalnym liderem w dziedzinie cyfrowo wspomaganych doświadczeń klienta (CX). W tej roli Mike nadzoruje strategię transformacji cyfrowej firmy, w tym nagradzane produkty AI, aby dostarczyć optymalne CX we wszystkich kanałach (głos, czat, sieć itp.) i branżach na rzecz marek z listy FORTUNE 500. Z silnym doświadczeniem i ekspertyzą w dziedzinie innowacji cyfrowych, AI i technologii przedsiębiorstw, Mike ma udokumentowany rekord w napędzaniu zyskownego wzrostu poprzez integrowanie skalowalnych rozwiązań technologicznych w celu spełnienia ewoluujących potrzeb rynku.

Alorica jest globalnym liderem w dziedzinie doświadczeń klienta i outsourcingu procesów biznesowych, dostarczając rozwiązania technologiczne, oparte na ludziach, dla branż takich jak bankowość, opieka zdrowotna, handel detaliczny i telekomunikacja. Z ponad 100 000 pracowników w 17+ krajach, firma zarządza miliardami interakcji rocznie w ponad 75 językach, świadcząc usługi takie jak centra kontaktowe, analiza, rozwiązania AI, moderacja treści i operacje back-office – wszystko to w celu osiągnięcia mierzalnych wyników dla klientów.

Branża idzie w kierunku augmentacji zamiast automatyki – jak strategia Alorica odzwierciedla ten hybrydowy model?

Strategia Alorica odzwierciedla hybrydowy model augmentacji zamiast automatyki, koncentrując się na poprawie wydajności agentów ludzkich za pomocą narzędzi AI, zamiast ich zastępowania. Ten podejście zapewnia, że ludzie pozostają w centrum interakcji z klientami, wspierani przez zaawansowane technologie w celu poprawy wydajności i skuteczności.

Na przykład Alorica wprowadziła kilka zaawansowanych rozwiązań, takich jak evoAI, Knowledge IQ, Digital Trust & Safety Model i CX2GO®. Te narzędzia są zaprojektowane w celu zwiększenia wydajności agentów ludzkich, zapewniając interakcje w czasie rzeczywistym, uwzględniające kontekst, które poprawiają zarządzanie wiedzą i zapewniają cyfrowe zaufanie i bezpieczeństwo.

Poprzez integrowanie narzędzi AI, które oferują emocjonalnie inteligentne i kontekstowo świadome interakcje w wielu językach, z odpowiedziami w czasie rzeczywistym, Alorica umożliwia agentom dostarczanie klientom personalizowanego i wydajnego wsparcia. Ta odpowiedź w czasie rzeczywistym przekłada się na poprawione wyniki klientów.

W ogóle, strategia Alorica podkreśla wagę agentów ludzkich, jednocześnie wykorzystując AI do zwiększenia ich możliwości, odzwierciedlając przesunięcie branży w kierunku augmentacji zamiast automatyki.

Czy mógłbyś podzielić się konkretnymi przykładami, w których AI zwiększyła wydajność agentów ludzkich, zamiast ich zastąpić?

Istnieje wiele przykładów zwiększenia wydajności, które wykorzystaliśmy w dostarczaniu naszych usług. Jednym z nich jest możliwość interakcji agentów z silnikiem wiedzy, który nasłuchuje mowy w czasie rzeczywistym i tłumaczy ją na auto-odpowiedź, która prosi o pomoc; jest to potężne i prewencyjne narzędzie, które wykorzystaliśmy w wielu rozwiązaniach. Innym przykładem jest użycie silników AI do zwiększenia naszej zdolności do szkolenia agentów w najtrudniejszych scenariuszach klientów. Poprzez prowadzenie symulacji interakcji w czasie rzeczywistym, redukujemy stres, a modele ciągle uczą się – aktualizując agentów o sentyment i empatię, gdy zyskują więcej doświadczenia.

Jak śledzisz wpływ tych narzędzi AI na wyniki – na przykład w First Contact Resolution, czasie obsługi lub wydajności agenta?

Śledzenie narzędzi AI w użyciu augmentowanym spada na metryki przypisane do agenta, jakby nie istniały żadne narzędzia. Różnica polega na możliwości obsłużenia większej liczby połączeń przy wyższej satysfakcji i pewności, aby przewidzieć lepsze strategie siły roboczej, gdy masz solidne dane z modeli.

Wprowadziłeś kilka zaawansowanych rozwiązań w tym roku – evoAI, Knowledge IQ, Digital Trust & Safety Model i CX2GO®. Które z nich uważasz za mające największy “super efekt” dla agentów i dlaczego?

Nasze wewnętrzne użycie evoAI daje agentom możliwość wykorzystania symulowanych połączeń do szkolenia z wyższym poziomem świadomości sytuacyjnej, dostarczając największy wpływ. To jest następnie Knowledge IQ, które zwiększa możliwości agenta w znalezieniu odpowiedniej odpowiedzi. Te dwa były przełomowe dla naszych pracowników, całkowicie zmieniając, jak szybko i dokładnie nasi agenci mogą zaspokoić potrzeby klientów.

Z punktu widzenia uczenia maszynowego, jak Twoje modele są szkolone, aby utrzymać dokładność i adaptacyjność, gdy potrzeby klientów, język i warunki rynkowe ewoluują?

Aby utrzymać dokładność i adaptacyjność w obliczu ewoluujących potrzeb klientów, języka i warunków rynkowych, nasze modele uczenia maszynowego przechodzą ciągłe szkolenie i ulepszanie.

Oto kilka kluczowych strategii, które zastosowaliśmy:

• Ciągłe uczenie: Nasze modele są zaprojektowane, aby uczyć się z nowych danych w sposób ciągły. Obejmuje to regularne aktualizowanie zbiorów danych szkoleniowych o najnowsze interakcje, opinie i trendy rynkowe. Poprzez włączanie najnowszych informacji, nasze modele mogą dostosować się do zmieniających się preferencji klientów i pojawiających się warunków rynkowych.
• Różnorodne źródła danych: Używamy szerokiego zakresu źródeł danych, aby szkolić nasze modele, w tym interakcje klientów, media społecznościowe, raporty rynkowe i wiele innych. Ta różnorodność zapewnia, że nasze modele są narażone na różne scenariusze i niuanse językowe, zwiększając ich zdolność do zrozumienia i odpowiedzi.
• Pętle sprzężenia zwrotnego: Wdrażamy solidne pętle sprzężenia zwrotnego, w których interakcje klientów i dane wejściowe agentów są wykorzystywane do dostrojenia modeli. To sprzężenie zwrotne w czasie rzeczywistym pomaga identyfikować i korygować nieścisłości, tak aby modele pozostały istotne i skuteczne.
• Wielojęzyczność: Nasze modele są szkolone na danych wielojęzycznych, aby obsłużyć interakcje w wielu językach. Jest to kluczowe dla dostarczania dokładnych, zlokalizowanych i kontekstowo świadomych odpowiedzi globalnej bazie klientów.
• Regularne audyty i oceny: Przeprowadzamy regularne audyty i oceny naszych modeli, aby ocenić ich wydajność. Obejmuje to testowanie modeli wobec zestawów danych referencyjnych i scenariuszy świata rzeczywistego, aby upewnić się, że spełniają one standardy dokładności i adaptacyjności.
• Człowiek w pętli: Utrzymujemy podejście “człowiek w pętli”, w którym agenci ludzcy współpracują z AI, aby zarządzać złożonymi zapytaniami. Ten hybrydowy model zapewnia, że technologia uczy się z ekspertyzy ludzkiej i poprawia swoją wydajność w czasie.
• Wykorzystanie mniejszych modeli językowych: Szkolenie pionowo zorientowanych mniejszych modeli (za pomocą hybrydowego lub ensemble podejścia) obok dostępnych komercyjnie LLM, pozwala na efektywność w obliczeniach, wyszukiwaniu i czasie odpowiedzi, skracając cykle testowania biasu i sprawiedliwości.

Te strategie umożliwiają naszym modelom uczenia maszynowego pozostanie dokładnymi, adaptacyjnymi i zdolnymi do dostarczania wysokiej jakości doświadczeń klienta w dynamicznych środowiskach.

evoAI oferuje emocjonalnie inteligentne, kontekstowo świadome interakcje w ponad 120 językach z odpowiedziami w czasie rzeczywistym. Jak ta odpowiedź w czasie rzeczywistym przekłada się na wsparcie agentów i wyniki klientów?

evoAI zapewnia lepsze wsparcie agentów i poprawione wyniki klientów w kilku sposób:

• Wydajność: interakcje uwzględniające kontekst pomagają znaleźć i uporządkować ogromne ilości informacji szybko dla zapytań agentów.
• Personalizacja: oferuje wielojęzyczność, dając swobodę wyboru języka wejścia i wyjścia w czasie rzeczywistym dla każdego promtu. Na przykład klient pytający po angielsku o odpowiedź po francusku, aby starszy rodzic słuchający mógł zrozumieć.
• Wyższa efektywność: redukuje czas odpowiedzi i często eliminuje potrzebę odpowiedzi człowieka.
• Inteligencja emocjonalna: umożliwia agentom dostosowanie opcji dla osób dzwoniących na podstawie świadomości sytuacyjnej (tonu, nastroju i wyboru słów), pozwalając na szybsze deeskalsowanie.

Z agentic AI zyskując na popularności, jak zarządzasz ryzykiem, takim jak halucynacje, bias lub utrata kontroli, jednocześnie zapewniając, że agenci pozostają decydentami?

W Alorica wierzymy, że odpowiednia architektura za technologią robi ogromną różnicę. Dlatego zarządzanie ryzykiem agentic AI wymaga wielowarstwowej ramy zarządzania, którą zbudowaliśmy na każdym poziomie naszych operacji AI.

Oto, jak rozwiązujemy każde krytyczne ryzyko:

• Minimalizacja halucynacji: Zastosowaliśmy trójwarstwową weryfikację, aby zminimalizować halucynacje. Po pierwsze, nasze modele wykorzystują generację wspomaganą przez odzyskiwanie (RAG), która opiera swoje odpowiedzi na zweryfikowanych bazach wiedzy i źródłach danych w czasie rzeczywistym, zmniejszając prawdopodobieństwo sfabrykowanych informacji o 85%. Po drugie, wdrożyliśmy ocenę ufności dla wszystkich sugestii AI, gdzie odpowiedzi poniżej progu 80% ufności wyzwalały automatyczną kontrolę ludzką. Po trzecie, nasze modele są ograniczone do pracy w określonych przestrzeniach parametrów specyficznych dla reguł biznesowych i domen faktualnych każdego klienta – AI nie może generować informacji o produktach, politykach lub procedurach, które nie są wyraźnie udokumentowane w danych szkoleniowych.
• Wykrywanie i prewencja biasu: Nasza strategia zarządzania biasem działa na całym cyklu życia AI. Podczas szkolenia modeli wykorzystujemy techniki debiasowania przeciwnego i algorytmy uczenia świadome sprawiedliwości, które aktywnie przeciwdziałają historycznemu biasowi w danych szkoleniowych. Utrzymujemy metryki równości demograficznej w chronionych kategoriach i prowadzimy comiesięczne audyty przy użyciu narzędzi takich jak wskaźniki sprawiedliwości i oceny wpływu. Nasze modele przechodzą testy z danymi syntetycznymi zaprojektowanymi do ujawnienia biasów w różnych grupach demograficznych, językach i kontekstach kulturowych. Gdy wykryty zostanie bias, stosujemy ukierunkowane przeszkolenie na zbalansowanych zbiorach danych i dostosowujemy wagę modeli, aby zapewnić równościowe wyniki. Co ważne, utrzymujemy raporty transparentności, które śledzą metryki biasu w czasie, pozwalając klientom zobaczyć, jak nasze modele radzą sobie w różnych populacjach.
• Utrzymanie kontroli ludzkiej: Agenci ludzcy pozostają ostatecznymi decydentami dzięki naszej architekturze “AI jako doradca”. System AI zapewnia rekomendacje z funkcjami wyjaśniającymi – agenci mogą zobaczyć, dlaczego AI sugerował określone działanie, jakie czynniki brał pod uwagę i jakie alternatywy istnieją. Wdrożyliśmy twardą blokadę, gdzie AI nie może samodzielnie wykonywać pewnych działań: transakcje finansowe, modyfikacje umów, zobowiązania prawne lub porady zdrowotne zawsze wymagają autoryzacji ludzkiej. Nasze protokoły eskalacji automatycznie kierują złożone lub wysokie ryzyko scenariuszy do starszych agentów lub nadzorców, gdy AI wykryje sytuacje poza swoimi granicami kompetencji.
• Ciągłe monitorowanie i wyłączniki awaryjne: Każda interakcja AI jest rejestrowana i monitorowana za pomocą Naszego Obserwatorium Wydajności Modelu, które śledzi odchylenia od oczekiwanych zachowań w czasie rzeczywistym. Utrzymujemy możliwości natychmiastowego wycofania i “wyłączniki awaryjne” na wielu poziomach – poszczególne składniki modelu, całe modele lub funkcje AI systemu mogą być wyłączone w ciągu sekund, jeśli zostanie wykryte nieprawidłowe zachowanie. Nasze algorytmy wykrywania dryfu ciągle porównują dane wyjściowe modelu z decyzjami ekspertów ludzkich, flagując rozbieżności do natychmiastowej recenzji.
• Walidacja z udziałem człowieka: Zaprojektowaliśmy pętle sprzężenia zwrotnego, w których agenci oceniają sugestie AI po każdej interakcji, tworząc system ciągłego uczenia, który adaptuje się do ekspertyzy ludzkiej. Nasi najlepsi agenci uczestniczą w cotygodniowych sesjach kalibracji, w których recenzują przypadki graniczne i pomagają udoskonalić granice decyzyjne AI. To tworzy model inteligencji współpracującej, w którym osąd ludzki ciągle kształtuje i ogranicza zachowanie AI.
• Odpowiedzialność i ślady audytowe: Każda decyzja AI utrwala pełny ślad audytowy, pokazując rekomendację AI, poziom ufności, źródła danych użyte i ostateczną decyzję agenta ludzkiego. To zapewnia odpowiedzialność i pozwala nam nieustannie ulepszać nasze modele na podstawie wyników. Regularne audyty stron trzecich walidują nasze praktyki zarządzania ryzykiem zgodnie z normami branżowymi i wymogami regulacyjnymi.

Wdrożenie tych kompleksowych zabezpieczeń zapewnia, że nasze systemy AI agentic wspierają zdolności ludzkie, utrzymując jednocześnie standardy etyczne, agencję i kontrolę operacyjną.

Jak podejmujesz retrenowanie modeli i ciągłe uczenie, aby zapewnić, że Twoje systemy AI pozostają zgodne z wymogami zgodności i nuansami sentymentu klienta?

Podejście Alorica do retrenowania modeli i ciągłego uczenia w Alorica IQ opiera się na solidnej ramie MLOps, która balansuje wymagania regulacyjne z optymalizacją doświadczenia klienta.

Wdrożyliśmy wielowarstwową architekturę retrenowania, która działa na różnych częstotliwościach. Nasze modele krytyczne dla zgodności przechodzą codziennie wykrywanie dryfu i tygodniowe audyty wydajności, z automatycznymi wyzwalaczami do natychmiastowego retrenowania, gdy występują zmiany regulacyjne. Dla modeli sentymentu klienta wykorzystujemy pętle sprzężenia zwrotnego w czasie rzeczywistym, które przechwytują poprawki agentów i oceny satysfakcji klienta, wpompowując je do naszego potoku szkoleniowego co 72 godziny.

Nasza warstwa inteligencji zgodności działa jako system zabezpieczający, automatycznie walidując dane wyjściowe modelu wobec ram regulacyjnych specyficznych dla każdej geografii – od GDPR w Europie do CCPA w Kalifornii. Ta warstwa jest ciągle aktualizowana za pomocą naszego partnerstwa z dostawcami technologii prawnej i kanałami regulacyjnymi, zapewniając, że nasze systemy AI pozostają zgodne bez interwencji ręcznej.

Dla nuansów sentymentu rozwinęliśmy tzw. “wstawki kontekstu kulturowego” w ramach Alorica IQ, naszego inkubatora innowacji. Są to modele regionalne, które rozumieją nie tylko język, ale także wzorce komunikacji kulturowej. Na przykład nasze modele rozpoznają, że poziomy bezpośredniości znacznie różnią się między interakcjami klientów niemieckich i japońskich, dostosowując odpowiednio ocenę sentymentu.

Utrzymujemy rejestry modeli wersjonowanych z pełnymi możliwościami wycofania, pozwalając nam natychmiast wrócić do poprzednich wersji, jeśli nowe szkolenie wprowadza nieoczekiwane zachowania. Nasza ramka testów A/B działa nieprzerwanie, porównując nowe wersje modeli z liniami bazowymi w produkcji w tysiącach interakcji przed pełnym wdrożeniem.

Najważniejsze, ustanowiliśmy Protokół Integracji Sprzężenia Zwrotnego Ludzkiego, w którym nasi najlepsi agenci regularnie recenzują przypadki graniczne i dostarczają poprawki, tworząc cykl dobrobytu, w którym ekspertyza ludzka nieustannie poprawia nasze możliwości AI. To podejście zmniejszyło naruszenia zgodności o 94%, jednocześnie poprawiając dokładność wykrywania sentymentu do 92% we wszystkich obsługiwanych językach.

Z szybkim rozszerzaniem się na rynki międzynarodowe, szczególnie w krajach takich jak Indie, Egipt i EMEA, jak dostosowujesz swój podejście AI-ludzkie do różnorodnych potrzeb językowych i kulturowych?

Wierzymy, że lokalizacja to nie tylko mówienie językiem – to odzwierciedlanie kultury.

Nasze platformy AI, takie jak evoAI i ReVoLT, są dostosowane do pojmowania tonu, nuansów i kontekstu w setkach języków i dialektów, tak aby interakcje wydawały się znajome i autentyczne. Ale nie zatrzymujemy się na technologiach. Zatrudniamy talent z każdego regionu, szkolimy zespoły wokół oczekiwań kulturowych i dostosowujemy nasz design usług, aby odzwierciedlać normy lokalne. To hybrydowe podejście zapewnia, że każda interakcja wydaje się zbudowana dla tego rynku.

W Indiach, gdzie obsługujemy 75 oficjalnych języków oraz liczne dialekty, wdrożyliśmy naszą Architekturę Siatkową Językową, która nie tylko tłumaczy, ale utrzymuje kontekst w scenariuszach code-switching, gdzie klienci naturalnie łączą hindi, angielski i języki regionalne w tej samej rozmowie. Nasze modele są szkolone na rzeczywistych wzorcach rozmów z miast drugiego i trzeciego szczebla, a nie tylko obszarów metropolitalnych, zapewniając, że przechwytujemy pełny spektrum stylów komunikacji.

Dla naszych operacji w Egipcie, obsługujących szerszy region MENA, rozwinęliśmy modele dialektu arabskiego, które rozróżniają egipski arabski, arabski z Zatoki i arabski Lewantyński, z specjalnymi obsługami dla rejestrów formalnych (Fusha) i potocznego (Ammiya) języka. Nasze AI rozumie, kiedy klient przełącza się z arabskiego formalnego na potoczne jako wskazanie emocjonalne, wyzwalając w czasie rzeczywistym odpowiednie coachowanie agentów zgodnie z preferencjami rozwiązywania konfliktów w danej kulturze.

W rynkach EMEA wdrożyliśmy tzw. “Pierwszeństwo Regulacyjne w Projekcie AI”. Każde wdrożenie kraju zawiera prekonfigurowane moduły zgodności – od surowych wymogów lokalizacji danych w Niemczech po prawa ochrony języka we Francji, wymagające interfejsów francuskojęzycznych. Nasze modele są szkolone nie tylko na języku, ale także na etykiecie biznesowej lokalnej; na przykład nasze wdrożenie niemieckie podkreśla precyzję i szczegółową dokumentację, podczas gdy nasz model włoski pozwala na większą elastyczność w rozmowach.

Techniczna baza to nasza Ramka Uczenia Federacyjnego w ramach Alorica IQ, gdzie lokalne modele uczą się z danych regionalnych bez opuszczania kraju, zapewniając suwerenność danych, jednocześnie korzystając z globalnych ulepszeń modeli. Utrzymujemy klastry GPU regionalne, aby zapewnić opóźnienia poniżej 100 ms dla pomocy agentom w czasie rzeczywistym.

Nasz Zespół Inteligencji Kulturowej, składający się z ekspertów językowych i naukowców behawioralnych z każdego regionu, ciągle waliduje dane wyjściowe naszego AI. Pomogli nam zidentyfikować ponad 3000 scenariuszy specyficznych dla kultury, które wymagają specjalnego obsłużenia – od obserwacji religijnych wpływających na dostępność usług po lokalne preferencje płatnicze, które wpływają na przepływ rozmowy.

To podejście przyniosło imponujące rezultaty: nasze operacje w Indiach pokazują o 40% wyższe wskaźniki satysfakcji klienta przy użyciu AI dostosowanego do kultury w porównaniu z modelami ogólnymi, a nasze wdrożenia w EMEA osiągnęły wskaźnik pierwszego kontaktu rozwiązania na poziomie 98% dla zapytań językowych.

Jak zdolność evoAI do rozpoznawania i adaptacji do dialektów regionalnych i wskazań emocjonalnych pomaga napędzać adopcję na nowych rynkach?

Adopcja przyspiesza, gdy ludzie czują, że technologia “rozumie” ich. evoAI idzie dalej niż tłumaczenie słowo po słowie, rozumiejąc slang, akcent i nawet ton emocjonalny w czasie rzeczywistym.

Zdolność evoAI do rozpoznawania dialektów i emocji stała się naszym głównym differentiatorem w penetracji nowych rynków, bezpośrednio adresując lukę zaufania, która często hamuje adopcję AI na rynkach wschodzących.

Pod względem technicznym evoAI wykorzystuje nasz własny Model Fuzji Akustyczno-Językowej, który jednocześnie przetwarza wzorce fonetyczne, cechy prozodyczne i treść semantyczną. To podejście tri-modalne pozwala nam wykryć subtelne stany emocjonalne wyrażane różnie w różnych kulturach. Na przykład w rynkach japońskich moglibyśmy wykryć “honne” versus “tatemae” (prawdziwe uczucia versus fasada publiczna) poprzez mikro-wariacje w tonie i tempie mówienia, podczas gdy w rynkach Bliskiego Wschodu rozpoznalibyśmy dynamikę honoru i wstydu poprzez konstrukcje fraz i akcenty.

Nasze rozpoznanie dialektu idzie dalej niż prosta detekcja akcentu. evoAI utrzymuje dynamiczne mapy dialektów, które rozumieją wskaźniki socjoekonomiczne zakodowane w wzorcach mowy. W Indiach, na przykład, system rozpoznaje nie tylko, czy ktoś mówi po tamilsku czy telugu, ale także może zidentyfikować poziom wykształcenia i pochodzenie miejskie versus wiejskie, pozwalając agentom dostosować swój styl komunikacji odpowiednio. To głębokie zrozumienie pokazało wzrost wskaźników zaufania klienta o 67% w programach pilotażowych.

Warstwa inteligencji emocjonalnej wykorzystuje naszą technologię Grafu Emocjonalnego Kontekstowego, która mapuje trajektorie emocjonalne w całej rozmowie, a nie tylko sentyment w punkcie czasu. To pozwala evoAI przewidywać eskalację emocjonalną 30 sekund przed jej wystąpieniem z dokładnością 89%, dając agentom czas na interwencję z technikami deeskalsacji specyficznymi dla preferencji rozwiązywania konfliktów w danej kulturze.

Dla adopcji na nowych rynkach nasz info lab ma strategię “Postępowej Lokalizacji” za pośrednictwem Alorica IQ. Zaczynamy od modelu bazowego szkolonego na treściach medialnych, mediach społecznościowych i publicznej debacie docelowych rynków. W ciągu pierwszych 30 dni wdrożenia evoAI dostosowuje się do wzorców klientów za pomocą naszego Potoku Uczącego Aktywnego, który priorytetowo uczy się z rozmów o największej zmienności emocjonalnej. Do dnia 90. nasze modele powinny osiągnąć 95% dokładności w rozpoznawaniu dialektów i 88% w wykrywaniu stanu emocjonalnego.

Wpływ biznesowy byłby znaczący. Nasze badania pokazują, że wdrożenie w Egipcie, z możliwością evoAI do rozpoznawania i reagowania na dialekty kairskie i aleksandryjskie, w połączeniu z odpowiednimi wzorcami grzeczności kulturowej, mogłoby skrócić typowy 6-miesięczny okres penetracji rynku do zaledwie 8 tygodni. Koszty zdobycia klienta mogłyby spaść nawet o 45%, gdy zalecenia ustne rosły dzięki naturalnym, świadomym kulturowo interakcjom.

Zdolność evoAI do adaptacji emocjonalnej mogłaby otworzyć całkowicie nowe kategorie usług. Na przykład, hipotetycznie usługa wsparcia zdrowia psychicznego napędzana przez evoAI mogłaby pomóc w rozpoznawaniu wczesnych markerów depresji i lęku na podstawie naturalnych wzorców ekspresji, umożliwiając terminowe interwencje i eskalację do naszego zespołu zdrowia i dobrego samopoczucia – zapewniając, że dobrostan agenta jest zawsze priorytetem.

Przewaga technologiczna przekłada się bezpośrednio na adopcję rynkową: regiony wykorzystujące pełne możliwości dialektowe i emocjonalne evoAI pokazują 3,2-krotnie szybsze tempo adopcji w porównaniu z wdrożeniami AI standardowych, przy jednoczesnym poprawieniu satysfakcji agentów o 78%, gdy czują się bardziej pewnie obsługując interakcje złożone kulturowo.

Patrząc poza 2025 rok, co widzisz jako następny kierunek rozwoju AI ukierunkowanej na człowieka w CX?

Następny kierunek to zbieżność AI konwersacyjnej, AI agentic i sieci neuronowych w celu zorganizowania wyższego poziomu wyników, których wcześniej nie rozważano. To przeprojektuje, jak prowadzimy biznes. Orkiestracja nie jest już ludzka-maszyna, ale maszyna-maszyna lub maszyna-tysiące maszyn jednocześnie.

Wyobraź sobie planowanie podróży służbowej: odwiedzanie strony internetowej, aby wybrać linię lotniczą, następnie rezerwacja hotelu, organizacja transportu, planowanie kolacji i planowanie powrotu. To jest prosty przykład podania jednej prośby i pozwolenia zintegrowanym botom – napędzanym przez sieć neuronową – na przetworzenie wszystkich dostępnych opcji i zbudowanie wielokrotnego wyboru odpowiedzi do wyboru. W tym modelu orkiestracja jest neuronowa, AI agentic napędza boty, a rozmowa jest odpowiedzią.

Dziękujemy za wspaniały wywiad. Czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Alorica.