När "Chatbot" är ett smutsigt ord: 3 missuppfattningar som företagsledare har om konversations-AI

Spridningen av LLMs som OpenAIs ChatGPT, Metas Llama och Anthropics Claude har lett till en chatbot för varje tillfälle. Det finns chatbots för karriärrådgivning, chatbots som låter dig tala till ditt framtida jag, Och även en chicken chatbot som ger matlagningsråd. 

Men det här är inte chatbotarna för tio år sedan – då var de begränsade till snävt förinställda, stela "konversationer", ofta baserade på ett stort flödesschema med flervalssvar eller motsvarande svar. I huvudsak var de bara något mer sofistikerade än IVR-telefonmenyer före internet.

Dagens "chatbots", å andra sidan, hänvisar oftare till konversations-AI, ett verktyg med mycket bredare möjligheter och användningsfall. Och eftersom vi nu befinner oss mitt i den generativa AI-hypecykeln, används alla dessa tre termer omväxlande. Tyvärr, som en följd av detta, finns det många missförstånd kring riskerna, användningsfallen och ROI med att investera i konversations-AI bland företagsledare, särskilt i starkt reglerade branscher som finans. 

Så jag skulle vilja sätta rekordet på några vanliga missförstånd kring "chatbots", när det vi egentligen diskuterar är konversations-AI. 

Myt 1: Kunder hatar chatbots

Konsumenter har under större delen av det senaste decenniet tillfrågats om de föredrar mänskliga agenter eller chatbots – vilket är som att fråga någon om de hellre vill ha en professionell massage eller sitta i en massagestol i ett köpcentrum. 

Men debuten av ChatGPT 2022 (tillsammans med alla verktyg som snurrade från det) vände vår uppfattning om en chatbots kapacitet helt på huvudet. Som nämnts ovan, arbetade äldre chatbots på skript, så att varje avvikelse från deras föreskrivna vägar ofta ledde till förvirring och ineffektiva svar. De svar som gavs var ofta generiska och ohjälpsamma och kunde inte förstå sammanhanget och användarens avsikt, och de hade begränsad kapacitet att samla in, lagra och leverera information.

Däremot engagerar konversations-AI människor i naturliga konversationer som speglar mänskligt tal, vilket möjliggör ett mer flytande, intuitivt utbyte. Det visar en anmärkningsvärd flexibilitet och anpassningsförmåga till oväntade resultat. Den kan förstå sammanhanget kring användarens avsikter, upptäcka känslor och svara empatiskt.

Denna djupare nivå av förståelse gör det möjligt för dagens AI att effektivt navigera användare längs logiska vägar mot sina mål. Det inkluderar att snabbt lämna ut kunder till mänskliga assistenter vid behov. Dessutom använder konversations-AI avancerade informationsfilter, hämtningsmekanismer och förmågan att behålla relevant data, vilket avsevärt förbättrar deras problemlösningsförmåga, vilket ger en bättre användarupplevelse.

Så det är inte så att kunder blint hatar chatbots, vad de hatar är dålig service, som tidigare versioner av chatbots definitivt var skyldiga till att leverera. Dagens samtalsagenter är så mycket mer sofistikerade än över en fjärdedel av konsumenterna känner sig inte säker på sin förmåga att skilja mellan mänskliga och AI-agenter, och vissa till och med uppfatta AI-chatbots att vara bättre vid utvalda uppgifter än sina mänskliga motsvarigheter. 

I testpiloter har mitt företag sett AI-agenter tredubbla omvandlingsfrekvensen för leads, vilket är en ganska kraftfull indikation på att det inte handlar om huruvida det är en bot eller inte – det handlar om kvaliteten på det utförda jobbet.

Myt 2: Chatbots är för riskabla

I diskussioner med företagsledare om AI uppstår ofta oro kring hallucinationer, dataskydd och partiskhet som kan leda till regelöverträdelser. Även om de är legitima risker kan de alla minskas genom några olika tillvägagångssätt: finjustering, Retrieval-Augmented Generation (RAG) och snabb konstruktion. 

Även om det inte är tillgängligt på alla LLM, kan finjustering specialisera en förutbildad modell för en specifik uppgift eller domän, vilket resulterar i AI bättre anpassad för specifika behov. Till exempel kan ett hälsovårdsföretag finjustera en modell för att bättre förstå och svara på medicinska förfrågningar. 

RAG förbättrar chatbot-noggrannheten genom att dynamiskt integrera extern kunskap. Detta gör att chatboten kan hämta uppdaterad information från externa databaser. Till exempel kan en chatbot för finansiella tjänster använda RAG för att ge realtidssvar om aktiekurser. 

Slutligen optimerar promptteknik LLM:er genom att skapa uppmaningar som vägleder chatboten att producera mer exakta eller sammanhangsmedvetna svar. Till exempel kan en e-handelsplattform använda skräddarsydda uppmaningar för att hjälpa chatboten att tillhandahålla personliga produktrekommendationer baserat på kundernas preferenser och sökhistorik.

Förutom att använda ett eller flera av dessa tillvägagångssätt kan du också kontrollera en konversations-AI:s kreativitets-"temperatur" för att förhindra hallucinationer. Att ställa in en lägre temperatur inom API-anropen begränsar AI:n till att ge mer deterministiska och konsekventa svar, särskilt i kombination med en kunskapsbas som säkerställer att AI:n hämtar från specificerade, tillförlitliga datamängder. För att ytterligare minska riskerna, undvik att använda AI i beslutsfattande roller där partiskhet eller felaktig information kan leda till juridiska problem. 

När det gäller datasekretess, se till att externa AI-leverantörer följer reglerna, eller distribuera modeller med öppen källkod på din egen infrastruktur för att behålla full kontroll över din data, vilket är avgörande för efterlevnad av GDPR. 

Slutligen är det alltid klokt att investera i en yrkesskadeförsäkring som kan erbjuda ytterligare skydd, som täcker företag i osannolika scenarier som försök till rättstvister. Genom dessa åtgärder kan företag med säkerhet utnyttja AI samtidigt som varumärket och kundernas säkerhet bibehålls.

Myt 3: Chatbots är inte redo för komplexa uppgifter 

Efter att ha sett problemen med stora teknikföretag har när man använder AI-verktyg kan det kännas naivt att tro att ett små och medelstora företag skulle ha det lättare. Men AI befinner sig för närvarande i ett skede där frasen "övergripande bra och ingens mästare" inte är särskilt inexakt. Detta beror till stor del på att dessa verktyg ombeds utföra för många olika uppgifter i miljöer som ännu inte är designade för effektiv AI-distribution. Med andra ord, det är inte så att de inte är kapabla, det är att de blir ombedda att åka konståkning på en damm full av tunn, bruten is. 

Till exempel kommer organisationer som är fulla av silade och/eller oorganiserade data att vara mer benägna att AI visar föråldrad, felaktig eller motstridig information. Ironiskt nog är detta en konsekvens av deras komplexitet! Medan äldre chatbotar helt enkelt återupptog grundläggande information på ett linjärt sätt, kan konversations-AI analysera robusta datamängder, med hänsyn till flera inflytelserika faktorer samtidigt för att kartlägga den mest lämpliga vägen framåt. 

Följaktligen är framgång med konversations-AI beroende av strikta parametrar och extremt tydliga gränser för datakällor och uppgifter. Med rätt träningsdata och expertutformade uppmaningar kan funktionaliteten hos konversations-AI sträcka sig långt bortom räckvidden för en enkel chatbot. Till exempel kan den samla in och filtrera data från kundkonversationer och använda den för att automatiskt uppdatera ett CRM. Detta effektiviserar inte bara administrativa uppgifter, utan säkerställer också att kundinformationen är konsekvent korrekt och uppdaterad. Genom att automatisera sådana uppgifter kan företag fokusera mer på strategiska aktiviteter snarare än administrativa bördor.

Om vi ​​ska fortsätta använda termen "chatbot" är det absolut nödvändigt att vi skiljer mellan plattformar som innehåller avancerad konversations-AI och de som fortfarande erbjuder gårdagens begränsade verktyg. På samma sätt som idag ordet "telefon" oftare framkallar bilden av en smartphone med pekskärm än en fast telefon med spiralkabel, tror jag att vi inte är långt ifrån att "chatbot" ersätts av idén om avancerade AI-agenter snarare. än klumpiga flervalsavatarer.