När “Chatbot” Är Ett Skällsord: 3 Missuppfattningar Chefer Har Om Konversations-AI

LLM: s spridning, som OpenAI: s ChatGPT, Meta: s Llama och Anthropic: s Claude, har lett till en chatbot för varje tillfälle. Det finns chatbots för karriärfrågor, chatbots som låter dig prata med din framtida jag, och till och med en kycklingchatbot som ger matlagningsråd.

Men dessa är inte chatbotsen från för tio år sedan – då var de begränsade till snävt förinställda, rigida “samtal”, ofta baserade på ett stort flödesschema med flera val eller ekvivalenta svar. I själva verket var de bara något mer avancerade än för-internet-telefonmenyer.

Dagens “chatbots” å andra sidan, är oftare konversations-AI, ett verktyg med mycket bredare möjligheter och användningsområden. Och eftersom vi nu befinner oss i mitten av den generativa AI-hypen, används alla tre termerna omväxlande. Tyvärr, som en följd, finns det många missförstånd kring risker, användningsområden och avkastning på att investera i konversations-AI bland företagsledare, särskilt i högt reglerade branscher som finans.

Så jag vill räta ut några vanliga missförstånd kring “chatbots”, när det i själva verket handlar om konversations-AI.

Myt 1: Kunder Hatar Chatbots

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

Men debuten av ChatGPT 2022 (tillsammans med alla verktyg som spinns från det) vände vår uppfattning om en chatbots förmågor helt på huvudet. Som nämnts ovan, fungerade äldre chatbots på manus, så att avvikelser från deras förskrivna banor ofta ledde till förvirring och ineffektiva svar. Oförmögna att förstå sammanhang och användaravsikter, var svaren ofta generiska och inte till stor hjälp, och de hade begränsad förmåga att samla in, lagra och leverera information.

I kontrast, engagerar konversations-AI människor i naturliga samtal som speglar mänskligt tal, vilket möjliggör en mer flytande och intuitiv utbyte. Den visar en anmärkningsvärd flexibilitet och anpassningsförmåga till oväntade utfall. Den kan förstå sammanhanget kring användaravsikter, upptäcka känslor och svara med empati.

Denna djupare nivå av förståelse möjliggör för dagens AI att effektivt navigera användare nedåt logiska banor mot deras mål. Detta inkluderar att snabbt överlämna kunder till mänskliga assistenter när det behövs. Dessutom använder konversations-AI avancerade informationsfilter, återvinningsmekanismer och förmåga 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, vilket tidigare versioner av chatbots definitivt var skyldiga till att leverera. Dagens konversationsagenter är så mycket mer avancerade att över en kvart av konsumenterna inte känner sig säkra på sin förmåga att skilja mellan mänskliga och AI-agenter, och vissa uppfattar AI-chatbots som bättre på vissa uppgifter än deras mänskliga motsvarigheter.

I testpiloter har mitt företag sett AI-agenter tredubbla leadkonverteringsfrekvensen, vilket är ett ganska kraftfullt tecken på att det inte handlar om om det är en bot eller inte – det handlar om kvaliteten på jobbet.

Myt 2: Chatbots Är För Riskfyllda

I diskussioner med företagsledare om AI, uppstår ofta frågor kring hallucinationer, dataskydd och bias som kan leda till regulatoriska överträdelser. Även om det är legitima risker, kan de alla mildras genom några olika tillvägagångssätt: finjustering, Retrieval-Augmented Generation (RAG) och promptteknik.

Även om det inte är tillgängligt på alla LLM: er, kan finjustering specialanpassa en förtränad modell för en specifik uppgift eller domän, vilket resulterar i en AI som är bättre anpassad till specifika behov. Till exempel kunde ett hälsovårdsföretag finjustera en modell för att bättre förstå och svara på medicinska frågor.

RAG förbättrar chatbotens noggrannhet genom att dynamiskt integrera extern kunskap. Detta tillåter chatboten att hämta uppdaterad information från externa databaser. Till exempel kunde en finansiell tjänstchatbot använda RAG för att ge realtidsbesked om aktiekurser.

Slutligen, optimerar promptteknik LLM: er genom att skapa prompt som guidar chatboten att producera mer precisa eller kontextmedvetna svar. Till exempel kunde en e-handelsplattform använda anpassade prompt för att hjälpa chatboten att ge personliga produktrekommendationer baserade på kundpreferenser och sökhistorik.

Förutom att använda ett eller flera av dessa tillvägagångssätt kan du också kontrollera en konversations-AI: s kreativitet “temperatur” för att förhindra hallucinationer. Att ställa in en lägre temperatur inom API-samtalen begränsar AI till att ge mer deterministiska och konsekventa svar, särskilt när det kombineras med en kunskapsbas som säkerställer att AI hämtar från specificerade, tillförlitliga dataset. För att ytterligare mildra risker, undvik att distribuera AI i beslutsfattande roller där bias eller felaktig information kan leda till juridiska problem.

När det gäller dataskydd, se till att externa AI-leverantörer följer regler, eller distribuera öppen källkodsmodeller på din egen infrastruktur för att behålla full kontroll över din data, vilket är nödvändigt för GDPR-efterlevnad.

Slutligen är det alltid klokt att investera i professionell ansvarsförsäkring som kan erbjuda ytterligare skydd, som täcker företag i osannolika scenarier som försök till rättsliga åtgärder. Genom dessa åtgärder kan företag tryggt utnyttja AI samtidigt som de upprätthåller varumärkes- och kundskydd.

Myt 3: Chatbots Är Inte Klara För Komplexa Uppgifter

Efter att ha sett de problem som stora teknikföretag har med att distribuera AI-verktyg, kan det kännas naivt att tro att ett SME skulle ha det lättare. Men AI är för närvarande på en nivå där uttrycket “jack of all trades and master of none” inte är särskilt felaktigt. Detta beror till stor del på att dessa verktyg förväntas utföra för många olika uppgifter i miljöer som ännu inte är utformade för effektiv AI-distribution. Med andra ord, det är inte så att de inte är kapabla, det är så att de förväntas figurera på en isbana full av tunn, sprucken is.

Till exempel kommer organisationer med silade och/eller oorganiserade data att vara mer benägna att AI ytor föråldrade, felaktiga eller motsägelsefulla information. Ironiskt nog är detta en följd av deras komplexitet! Medan äldre chatbots enbart återgav grundläggande information på ett linjärt sätt, kan konversations-AI analysera robusta dataset, som överväger flera inflytelserika faktorer på samma gång för att kartlägga den mest lämpliga vägen framåt.

Följaktligen är framgång med konversations-AI beroende av strikta parametrar och extremt tydliga gränser när det gäller datakällor och uppgifter. Med rätt träningsdata och expertutformade prompt kan konversations-AI: s funktionalitet sträcka sig långt bortom omfånget 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 inte bara strömlinjeformar 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 viktigt att vi skiljer mellan plattformar som integrerar avancerad konversations-AI och de som fortfarande erbjuder de begränsade verktygen från igår. På samma sätt som ordet “telefon” idag oftare framkallar bilden av en pekskärmsmobil än en spiral-kabel-ansluten fast telefon, tror jag att vi inte är långt ifrån att “chatbot” kommer att ersättas av idén om avancerade AI-agenter snarare än klumpiga flervals-avatrar.