Det Arkitekturproblem Med AI I Kundtjänst

Klarna nyligen skar 700 kundtjänstjobb, och satsade på att AI kunde absorbera skillnaden. Inom ett år hade kundnöjdheten sjunkit och företaget anställde igen. Gartner förutspår att hälften av organisationerna som planerar liknande personalnedskärningar kommer att överge dessa planer också.

Detta är inte ett problem med AI-förmåga. 100% av kundtjänstagenterna interagerar med AI dagligen för att hantera en mängd olika komplexa situationer.

Ändå anser ingen av agenterna att AI är avgörande för deras arbete. Det är inte förvånande. AI läggs fortfarande till samma fragmenterade system som redan misslyckades med att stödja agenterna innan de avancerade AI-verktygen introducerades. Idag måste fortfarande människor utföra det manuella arbetet, växla mellan flikar, kopiera och klistra in, och manuellt samordna data mellan system.

AI utvecklades för att ersätta det arbetet. Istället komplicerade det det. Tills någon åtgärdar problemet med anslutningarna mellan systemen kommer agenterna att fortsätta att utföra AI:s arbete manuellt och förlora förtroendet för det viktigaste verktyget de har tillgång till.

Förtroendegapet Som Ingen Åtgärdar

78% av agenterna säger att AI-verktygen inte har förändrat deras arbete på något meningsfullt sätt. 93% verifierar AI-utdata innan de agerar på dem. Agenterna ser tillräckligt många ofullständiga eller felaktiga svar för att dubbelkontroll ska vara standard. De motsätter sig inte teknologin. Den har ännu inte förtjänat deras förtroende.

Konsekvenserna blir synliga mitt i en kundkonversation. En kund ringer om en fakturafordran, och den AI-genererade kontosammanfattningen är tre månader gammal. De tillbringar de närmaste tio minuterna med att verifiera informationen över flera system, det som AI borde ha presenterat omedelbart, medan kunden väntar på att bli uppkopplad.

De flesta organisationer ser den negativa upplevelsen som ett personalproblem. Agenterna är rädda för att deras jobb är i fara på grund av att AI tar på sig mer komplexa uppgifter, så de arbetar runt det.

Det är faktiskt ett ledarskapsproblem. Gartner fann att 91% av kundtjänstledarna är under tryck från ledningen att implementera AI.

Under sådant tryck är det lätt att tolka motstånd som ett adoptionsproblem snarare än som en signal om att AI inte är korrekt arkitekturerat. Som ett resultat förblir fokus på att accelerera distributionen i fel områden och öka personalnedskärningarna utan att åtgärda det underliggande problemet.

Vad Fragmenterad Distribution Verkligen Producerar

Agenterna fungerar som den manuella integreringslagern mellan en live kundkonversation och 4 till 10 frånkopplade företagssystem. De “svivlar” mellan faktureringsplattformar, ERP-system och biljettsystem medan en kund väntar på att bli uppkopplad. Det beror på att de flesta företag har monterat AI på samma fragmenterade arkitektur som redan bromsade upp agenterna.

Till exempel kan chattbotar hantera den första delen av en interaktion men misslyckas när agenter behöver komma åt det äldre backoffice-systemet där den faktiska transaktionen sker, vilket tvingar agenterna att slutföra uppgiften manuellt ändå. Eller så kan AI-sammanfattningsverktyg generera anteckningar efter samtalet men skriva till ett separat system snarare än CRM-systemet. AI har ärvt fragmenteringen istället för att åtgärda den.

AI är bara så sammanlänkat som systemen under det. När systemen inte delar kontext kan AI inte heller göra det. Det hämtar information från historiska CRM-poster, men kan inte förstå vad som händer i en live kundkonversation. När det presenterar en rekommendation kan den underliggande datan ha ändrats.

Ofullständig kontext, inaktuell data och frånkopplade system är inte separata problem. De är symtom på ett AI-arkitekturmisslyckande.

Att Bygga AI-Arkitektur Som Fungerar Med Mänskliga Agenter

Att bygga AI som agenterna faktiskt litar på och som förbättrar kundtjänstresultaten, handlar om fyra infrastrukturfaktorer:

1. Ge AI-verktygen tillgång till realtidsdata. De flesta AI-distributioner inom kundtjänst hämtar data från tillgängliga kunddata. Det är ofta inaktuell. AI måste arkitektueras för att ge tillgång till kunddata i realtid, inte en fragmenterad ögonblicksbild sammansatt från system som innehåller olika versioner av samma kund.
2. Ge AI bestående kontext. När AI monteras på befintlig infrastruktur snarare än byggs in i den, försvinner kontexten. Den tappas vid varje överlämning. Bestående AI bör läggas till över hela interaktionen, kontinuerligt bära kundens avsikt och konversationskontext medan arbetet flyttas mellan system, kanaler och mänskliga agenter. När en mänsklig agent kliver in, bör de inte starta från scratch.
3. Implementera agentbaserad AI för autonom utförande, inte bara rekommendationer. Det nästa meningsfulla steget är AI som kan utföra det arbete som agenter kräver på ett autonomt sätt, samtidigt som den mänskliga agenten hålls informerad för observabilitet och kontroll. Snarare än att tala om för agenterna vad de ska göra härnäst, orkestrerar den agentbaserade AI-arbetsflöden över företagssystem, hanterar anspråk, bearbetar återbetalningar, uppdaterar register och slutför uppgifter, även över äldre program utan API:er. AI hanterar utförandet medan mänskliga agenter fokuserar på bedömning, empati och bygger starkare kundrelationer.
4. Välj AI-system som förbättras från resultat, inte bara indata. De flesta företags AI är statiska efter distribution. Den mer betydelsefulla arkitekturen är en som kontinuerligt lär sig från interaktionsresultat, optimerar arbetsflöden baserat på vad som faktiskt löste problemet, inte bara vad utbildningsdata förutsåg skulle. AI som stänger återkopplingscirkeln mellan resultat och framtida prestation är fundamentalt annorlunda än AI som distribueras och stannar.

Förtroendegapet som agenter har med AI är inte ett utbildningsproblem eller ett adoptionsproblem. Det är ett arkitekturproblem.

Den verkliga avkastningen på AI är inte att minska personalstyrkan, utan i det värde som skapas när agenter kan fokusera på kunder istället för system. Det händer bara när AI byggs in i exekveringslagret, inte läggs ovanpå det.

De organisationer som fortfarande kämpar med adoptionen är inte efter på AI. De är efter på infrastruktur. Åtgärda arkitekturen, och adoptionsproblemet löser sig själv.