Katie Stein, CEO ของ ASAPP – ซีรีส์สัมภาษณ์

Katie Stein, CEO ของ ASAPP, เป็นผู้บริหารเทคโนโลยีและธุรกิจที่มีประสบการณ์มากกว่าสองทศวรรษ ครอบคลุมกลยุทธ์องค์กร, การดำเนินงาน, การเปลี่ยนแปลงดิจิทัล, และการเติบโตขององค์กรระดับใหญ่ ก่อนเข้าร่วม ASAPP ในฐานะ CEO ในเดือนสิงหาคม 2026, เธอเคยดำรงตำแหน่ง CEO ของ Atain และทำงานที่ Genpact เป็นเวลาแปดปี โดยทำหน้าที่เป็นหัวหน้ากลยุทธ์องค์กรและผู้นำธุรกิจระดับโลกสำหรับ Enterprise Services and Analytics, ดูแลกลยุทธ์องค์กร, พอร์ตโฟลิโอการให้บริการหลัก, ประสบการณ์ของลูกค้า, และโครงการ M&A. ในช่วงต้นของอาชีพ, Stein ดำรงตำแหน่งผู้นำระดับสูงที่ Mercer, รวมถึงหัวหน้าฝ่ายปฏิบัติการระดับโลกสำหรับธุรกิจการเกษียณ, สุขภาพและสวัสดิการมูลค่า 2.5 พันล้านดอลลาร์, และทำงานเป็น Project Leader ที่ Boston Consulting Group. อาชีพของเธอส่วนใหญ่มุ่งเน้นการช่วยองค์กรขนาดใหญ่ปรับปรุงประสิทธิภาพการดำเนินงาน, ปรับใช้เทคโนโลยีให้มีประสิทธิภาพยิ่งขึ้น, และดำเนินการเปลี่ยนแปลงธุรกิจที่ซับซ้อน.

ASAPP เป็นบริษัท AI ที่มุ่งเน้นการเปลี่ยนแปลงการให้บริการลูกค้าองค์กรผ่านแพลตฟอร์ม Customer Experience Platform (CXP) ที่สร้างด้วย AI ตั้งแต่ก่อตั้งในปี 2015 บริษัทพัฒนาเทคโนโลยีที่รวมเอาเอเย่นต์ AI, ความเชี่ยวชาญของมนุษย์, ข้อมูลลูกค้า, และระบบองค์กรเข้าด้วยกันผ่านช่องทางเสียงและดิจิทัล. ใจกลางของแพลตฟอร์มคือ GenerativeAgent, เอเย่นต์ AI ด้านการบริการลูกค้าที่ออกแบบมาเพื่อเข้าใจการสนทนา, วิเคราะห์คำขอของลูกค้า, ดำเนินการผ่านระบบองค์กรที่เชื่อมต่อ, และรวมเอามนุษย์เข้ามาเมื่อจำเป็นต้องมีการตรวจสอบหรือการตัดสินใจเพิ่มเติม. ASAPP ยังให้เครื่องมือสำหรับการทดสอบ, การเฝ้าติดตาม, การกำกับดูแล, และการมองเห็นระบบ, ช่วยให้องค์กรขนาดใหญ่สามารถนำ AI ไปใช้กับลูกค้าได้พร้อมกับควบคุมพฤติกรรมของเอเย่นต์อัตโนมัติมากขึ้น.

อาชีพของคุณได้พาคุณจากบทบาทด้านกลยุทธ์และการเปลี่ยนแปลงที่ BCG, Mercer และ Genpact ไปสู่การเป็นผู้นำ Atain, และตอนนี้กลายเป็น CEO ของ ASAPP. สิ่งใดที่ดึงดูดคุณให้เข้าร่วม ASAPP ในช่วงเวลานี้ของอาชีพ, และหลังจาก 30 วันที่แรก, คุณได้ระบุว่าโอกาสและลำดับความสำคัญที่ใหญ่ที่สุดสำหรับบริษัทคืออะไร?

ASAPP แรกๆ ปรากฏบนเรดาร์ของฉันในช่วงพายุหิมะ Fern เมื่อเร็วๆ นี้ ที่ Atain เรากำลังทำงานทุกด้านเพื่อสร้างความสามารถเพียงพอให้กับสายการบินสหรัฐอเมริกาขนาดใหญ่หนึ่งแห่ง เนื่องจากผู้เดินทางหลายพันคนที่ถูกกีดขวักพยายามกลับบ้าน ASAPP ไม่ได้เพียงแค่ตอบคำถาม; GenerativeAgent ของมันได้ทำการจองใหม่ให้กับผู้โดยสารกว่า 3,800 รายในหกวัน, รวมถึงการเปลี่ยนแปลงเส้นทางที่ซับซ้อน. สิ่งนั้นทำให้ฉันเห็นว่า AI ระดับองค์กรเป็นอย่างไรภายใต้ความกดดันจริง. 30 วันที่แรกของฉันได้ยืนยันมุมมองนั้น. โอกาสของเราคือการมุ่งเน้นและขยายขนาด: เน้นที่ ASAPP มีความได้เปรียบที่ชัดเจนที่สุด, ช่วยลูกค้าเปลี่ยนจากการทดลองไปสู่ผลกระทบระดับการผลิต, และดำเนินการด้วยความเร็วและความสม่ำเสมอที่มากขึ้น.

แนวทางของ ASAPP นำเอาเอเย่นต์ AI อิสระ, กระบวนการทำงานที่กำหนดล่วงหน้า, และผู้เชี่ยวชาญมนุษย์มารวมกันในชั้นการจัดระเบียบเดียว. คุณกำหนดว่าการตัดสินใจใดควรปล่อยให้เอเย่นต์ AI ทำ, การตัดสินใจใดควรปฏิบัติตามกฎที่กำหนดไว้ล่วงหน้า, และการตัดสินใจใดควรให้มนุษย์ตัดสินใจ?

เราไม่ได้มอบหมายการโต้ตอบทั้งหมดให้กับ AI, กระบวนการทำงานที่กำหนดไว้ล่วงหน้า, หรือบุคคลหนึ่ง. เราพิจารณาการตัดสินใจแต่ละอย่างตามความซับซ้อน, ความเสี่ยง, และความต้องการความรับผิดชอบ. AI เหมาะกับการเข้าใจเจตนา, แปลความหมายของบริบท, และปรับตัวให้เข้ากับลูกค้า. กระบวนการทำงานให้ความสอดคล้องเมื่อขั้นตอนหรือแนวนโยบายที่ต้องปฏิบัติตามจำเป็น. มนุษย์เพิ่มการตัดสินใจเมื่อสถานการณ์คลุมเครือ, ยกเว้น, หรือมีผลสำคัญ. การจัดระเบียบนำทั้งสามมารวมกันในโต้ตอบเดียว. เป้าหมายไม่ใช่การให้ AI ทำงานโดยอิสระสูงสุด, แต่เพื่อแก้ไขความต้องการของลูกค้ามากขึ้นพร้อมกับใช้ระดับการควบคุมที่เหมาะสมในแต่ละจุดการตัดสินใจ.

ASAPP ถือการมีส่วนร่วมของมนุษย์เป็นส่วนต่อเนื่องของระบบ AI แทนที่จะเป็นเพียงเส้นทางการยกระดับเมื่อระบบอัตโนมัติล้มเหลว. เมื่อเอเย่นต์ AI มีความสามารถมากขึ้น, คุณเชื่อว่ามนุษย์จะยังคงเพิ่มคุณค่าได้มากที่สุดในจุดใดของการโต้ตอบบริการลูกค้า?

ความคิดสร้างสรรค์ของมนุษย์! เมื่อไม่กี่เดือนก่อน, ฉันได้พูดคุยกับผู้นำ CX ระดับสูงคนหนึ่งที่สังเกตว่าจำนวนการโทรที่ค่อนข้างน้อยทำให้ใช้เวลาตอบสนองมากกว่าที่คาด. เหล่านี้มักเป็นกรณีขอบที่ไม่มี FAQ ชัดเจน, บทความความรู้, หรือขั้นตอนปฏิบัติงานมาตรฐาน. พวกมันยากเพราะองค์กรยังไม่เคยเจอหรือบันทึกคำตอบไว้ก่อน. มนุษย์จะยังคงเพิ่มคุณค่ามากที่สุดในช่วงเวลานั้น: การตีความความคลุมเครือ, การสมดุลการพิจารณาต่างๆ, และการใช้วิจารณญาณเมื่อไม่มีคู่มือที่กำหนด. แต่การให้คนเข้ามาไม่ควรหมายถึงการละทิ้งการอัตโนมัติและโอนการโต้ตอบทั้งหมด. AI จะรวบรวมข้อมูลที่ต้องการและนำเสนอให้คนด้วยคำขอและบริบทเฉพาะ; มนุษย์ให้การตัดสินใจ, จากนั้น AI ดำเนินการต่อ. ความเชี่ยวชาญนั้นแก้ไขปัญหาในทันที, และช่วยขยายขอบเขตที่ AI สามารถแก้ไขต่อไป.

หลายองค์กรได้แสดงศักยภาพของ generative AI ในโครงการนำร่องอย่างประสบความสำเร็จ แต่กลับประสบปัญหาเมื่อพยายามนำไปใช้ในปฏิสัมพันธ์กับลูกค้าจำนวนหลายล้านครั้งจริง. บริษัทมักประเมินต่ำเกินไปในเรื่องอะไรเมื่อต้องเปลี่ยนจากโครงการนำร่อง AI ไปสู่ระบบ agentic ขนาดการผลิต?

บริษัทมักประเมินค่าหางยาวต่ำเกินไป การทดลองมักทดสอบกรณีการใช้งานที่กำหนดไว้ภายใต้สภาพแวดล้อมที่ควบคุมได้ แต่เมื่อขยายเป็นระดับการผลิต สถานการณ์ที่หายากก็กลายเป็นเหตุการณ์ประจำวัน: ลูกค้าเปลี่ยนทิศทาง ให้ข้อมูลไม่ครบ หรือรวมความต้องการในรูปแบบที่ไม่มีใครคาดคิด นั่นคือเหตุผลที่การขยาย AI แบบเอเจนต์ไม่ได้เป็นเพียงความท้าทายของโมเดลเท่านั้น แต่ต้องรวมการเชื่อมต่อกับระบบองค์กร การกำกับดูแล การตรวจสอบ และวิธีการให้คนเข้ามามีส่วนร่วมเมื่อจำเป็น การทดลองพิสูจน์ว่าเทคโนโลยีทำงานได้ แต่การผลิตต้องอาศัยสถาปัตยกรรมและระเบียบการปฏิบัติที่ทำให้ระบบเชื่อถือได้ในระดับใหญ่

เมื่อองค์กรย้ายจากผู้ช่วย AI ตัวเดียวไปสู่หลายเอเจนต์ที่เชี่ยวชาญทำงานร่วมกัน ปัญหาทางเทคนิคหรือการกำกับดูแลใหม่ใดบ้างที่เกิดขึ้นเกี่ยวกับการประสานงาน การสังเกต และความรับผิดชอบ?

ความท้าทายใหม่คือการประสานงาน เอเจนต์ที่เพิ่มขึ้นทำให้เกิดการส่งต่อ การตัดสินใจ และโอกาสที่บริบทหรือความรับผิดชอบจะขาดหายไปมากขึ้น องค์กรต้องการระบบประสานงานที่กำหนดว่าเอเจนต์ใดควรทำงาน ข้อมูลและสิทธิ์ใดที่ได้รับ และการทำงานของพวกเขาจะช่วยแก้ปัญหาลูกค้าอย่างไร การสังเกตต้องขยายไปทั่วการโต้ตอบทั้งหมดเพื่อให้องค์กรเข้าใจว่าเกิดอะไรขึ้นและทำไม ซึ่งเป็นพื้นฐานของการกำกับดูแล ความได้เปรียบจะไม่มาจากการติดตั้งเอเจนต์จำนวนมากที่สุด แต่จะมาจากการประสานความฉลาดเฉพาะด้านทั้งหมดให้เป็นระบบเดียวที่เชื่อถือได้ ตรวจสอบได้ และรับผิดชอบ

ASAPP เพิ่งเปิดตัว Continuous Red Teaming ซึ่งทำการทดสอบระบบ AI ของตนโดยอัตโนมัติกับคลาสของช่องโหว่กว่า 50 ประเภทเมื่อโมเดลพัฒนา องค์กรควรพิจารณาความปลอดภัยใหม่อย่างไรเมื่อเอเจนต์ AI ไม่ได้เพียงแค่สร้างคำตอบแต่สามารถดำเนินการแทนลูกค้าได้มากขึ้น?

ความเสี่ยงเปลี่ยนไปเมื่อ AI ย้ายจากการตอบคำถามไปสู่การดำเนินการ การทำธุรกรรมที่ไม่ได้รับอนุญาตหรือการเปิดเผยข้อมูลลูกค้ามีผลกระทบมากกว่าการตอบที่ไม่แม่นยำ องค์กรต้องกำหนดขอบเขตที่ชัดเจนว่าเอเจนต์สามารถเข้าถึงอะไร ทำอะไรได้บ้าง และต้องการการอนุมัติจากมนุษย์เมื่อใด ความปลอดภัยไม่สามารถเป็นการทดสอบเพียงครั้งเดียวก่อนการใช้งานได้ เมื่อ AI มีความสามารถเพิ่มขึ้น ผู้ไม่ประสงค์ดีก็พัฒนาวิธีการใหม่เช่นกัน นั่นคือเหตุผลที่ ASAPP ทดสอบต่อเนื่องกับสถานการณ์โจมตีหลายพันแบบที่ครอบคลุมคลาสของช่องโหว่กว่า 50 ความปลอดภัยต้องพัฒนาเร็วเท่ากับเทคโนโลยี เพื่อให้องค์กรสามารถขยายขอบเขตการทำงานของ AI ได้โดยไม่เสียความไว้วางใจของลูกค้า

Generative AI มีลักษณะเป็นความน่าจะเป็นโดยธรรมชาติ แต่กระบวนการบริการลูกค้าบ่อยครั้งเกี่ยวข้องกับธุรกรรม ข้อกำหนดการปฏิบัติตามกฎระเบียบ และงานอื่น ๆ ที่ผลลัพธ์ต้องคาดการณ์ได้อย่างแม่นยำ องค์กรจะรักษาความยืดหยุ่นของ Generative AI ได้อย่างไรในขณะที่เพิ่มโครงสร้างที่กำหนดได้เพียงพอเพื่อทำให้ระบบเหล่านี้เชื่อถือได้?

กุญแจสำคัญคือการแยกการสนทนาออกจากกระบวนการธุรกิจ เราเชื่อว่า Generative AI ควรทำในสิ่งที่ทำได้ดีที่สุด: เข้าใจลูกค้า นำทางความคลุมเครือ และตอบสนองอย่างเป็นธรรมชาติ แต่กระบวนการสำคัญ เช่น การตรวจสอบ ยืนยันตัวตน การทำธุรกรรม และการปฏิบัติตามกฎระเบียบ ควรดำเนินการในเวิร์กโฟลว์แบบขั้นตอนที่บังคับใช้กฎของบริษัทและลำดับที่จำเป็น สถาปัตยกรรมนี้ให้ประโยชน์ทั้งสองด้านแก่องค์กร: ประสบการณ์ที่ยืดหยุ่นสำหรับลูกค้าและการดำเนินการที่คาดการณ์ได้สำหรับธุรกิจ อีกทั้งทำให้กระบวนการง่ายต่อการทดสอบ ตรวจสอบ และปรับปรุงเมื่อโมเดลพัฒนา องค์กรไม่จำเป็นต้องทำให้การสนทนาของลูกค้าแต่ละครั้งแข็งกระด้างเพื่อทำให้ AI เชื่อถือได้ แต่ต้องชัดเจนว่า AI สามารถปรับตัวได้ที่ไหนและกระบวนการที่ไม่อาจยืดหยุ่นได้คือที่ใด

ศูนย์ติดต่อมักวัดระดับอัตโนมัติโดยใช้เมตริกเช่นการกักกันและการลดต้นทุน เมื่อ AI แบบเอเจนต์พัฒนาขึ้นเรื่อย ๆ เมตริกใดที่องค์กรควรใช้เพื่อกำหนดว่า AI กำลังปรับปรุงประสบการณ์ลูกค้าอย่างแท้จริงหรือเพียงลดการมีส่วนร่วมของมนุษย์?

เรากำลังย้ายจากเมตริกเช่นการหลีกเลี่ยงและการกักกันไปสู่สิ่งที่ฉันเรียกว่า “การแก้ปัญหาที่ตรวจสอบได้” ฉันต้องการให้เรามีความรับผิดชอบต่อการเข้าใจเจตนาของลูกค้าและแก้ไขปัญหานั้นจริง ๆ ในฐานะลูกค้า ฉันต้องการประสบการณ์ที่น่าพอใจ แต่ที่สำคัญที่สุดคืออยากให้เหตุผลที่ฉันติดต่อได้รับการแก้ไข เมื่อเราวัดผลลัพธ์นั้น แทนที่จะวัดว่า AI ป้องกันไม่ให้ลูกค้าไปพบเอเจนต์มนุษย์ เราจะทำให้เทคโนโลยีสอดคล้องกับงานที่ลูกค้าต้องการให้ทำจริง

หากผู้เชี่ยวชาญมนุษย์คนเดียวสามารถกำกับหรือแนะนำการสนทนาที่ขับเคลื่อนด้วย AI หลาย ๆ รายได้เพิ่มขึ้น คุณคาดว่าแรงงานในศูนย์ติดต่อจะเปลี่ยนแปลงอย่างไร? คุณเห็นบทบาทใหม่ ๆ เกิดขึ้นรอบการกำกับดูแล AI การฝึกอบรม การกำกับดูแลและการปรับปรุงอย่างต่อเนื่องหรือไม่?

นี่คือสิ่งที่ทำให้ฉันตื่นเต้นเกี่ยวกับโมเดลการดำเนินงานของศูนย์ติดต่อในอนาคต วันนี้เอเจนต์มนุษย์ทำงานบนแนวหน้า มักช่วยลูกค้าที่ผิดหวัง สับสน หรือโกรธเคือง พร้อมใช้เวลาส่วนใหญ่ในการนำทางระบบซับซ้อนเพื่อแก้ปัญหาเหล่านั้น งานนี้ต้องการความทุ่มเทสูงและอัตราเผชิญความเครียดสูง เมื่อ AI แบบเอเจนต์รับหน้าที่ทำงานเหล่านี้มากขึ้นในช่องทางเสียงและดิจิทัล ฉันเชื่อว่าเราจะเห็นกลุ่มมืออาชีพ CX ใหม่เกิดขึ้น: เอเจนต์มนุษย์ในฐานะนักวิเคราะห์ เวลาของพวกเขาจะถูกใช้มากขึ้นกับสถานการณ์ที่ต้องใช้การตัดสินใจ ไม่ใช่เรื่องสีดำ‑ขาว หรือมีความอ่อนไหวต่อกฎระเบียบ นั่นเป็นบทบาทที่แตกต่างอย่างสิ้นเชิง และ AI เองก็ช่วยสร้างบทบาทนั้นขึ้นมา

หลังจาก 30 วันที่แรกของการเป็นผู้นำ ASAPP, สิ่งที่ทำให้คุณประหลาดใจที่สุดเกี่ยวกับสถานะปัจจุบันขององค์กรในการนำเอา agentic AI มาใช้คืออะไร, และคุณเชื่อว่าอะไรจะกำหนดขั้นตอนต่อไปของการให้บริการลูกค้าแบบใช้ AI?

ฉันประทับใจในความเต็มใจของลูกค้าที่ฉันได้พูดคุยด้วยในการทำให้ agentic AI กลายเป็นเสาหลักของกลยุทธ์ CX ของพวกเขา แทนที่จะเป็นเพียงส่วนข้างเคียง ความท้าทายคือ ดิจิทัล, ไอที, ความปลอดภัย, และการปฏิบัติการมักเคลื่อนที่ด้วยความเร็วที่แตกต่างกันและวัดความสำเร็จในรูปแบบที่ต่างกัน การกระจายนี้ทำให้มองเห็นกรณีธุรกิจขององค์กรได้อย่างชัดเจนยากขึ้น ขั้นตอนต่อไปจะต้องให้องค์กรสอดคล้องกันในสิ่งที่สำคัญจริง ๆ ในระดับองค์กรและเข้าใจว่า agentic AI ใน CX สามารถผลักดันผลลัพธ์เหล่านั้นได้อย่างไร ปัจจุบัน ผลกระทบนี้อาจถูกเจือจางลงในบัตรคะแนนที่มีอยู่และเมตริกที่แยกส่วน

ขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม, ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมควรเยี่ยมชม ASAPP.