作为 UJET 的首席执行官，Vasili Triant 负责公司的所有运营和战略计划。Triant 拥有超过 20 年的电信、统一通信（UC）和联系中心行业经验，之前曾担任 Cisco 的联系中心 VP/GM，在那里他通过专注于全球联盟和企业云就绪性实现了十年来最快的增长。
Klarna最近裁减了700个客户服务职位，押注AI可以吸收差异。然而，仅仅一年后，客户满意度就下降了，公司又开始重新招聘。Gartner预测，到2027年，计划类似裁员的组织中，有一半将放弃这些计划。这不是一个AI能力的问题。 100%的呼叫中心代理每天都与AI交互，以处理各种复杂的情况。 然而，零个代理认为AI对于他们的工作至关重要。这种差距并不令人惊讶。AI不断被添加到相同的分散系统上，这些系统在先进的AI工具出现之前就已经在阻碍代理的工作。今天，人类仍然在执行连接工作、切换标签、复制粘贴、手动协调将一个系统与另一个系统连接起来的工作。 AI本来是用来取代这种劳动的。然而，它却使得劳动更加复杂。直到有人修复系统之间的连接，代理将继续手动执行AI的工作，并且会失去对最重要工具的信任。 没有人解决的信任差距78%的代理表示，AI工具并没有从根本上改变他们的工作方式。 93%的代理在采取行动之前验证AI输出。代理看到足够多的不完整或不准确的响应，以至于双重检查成为默认设置。他们并没有抵制这种技术。它还没有赢得他们的信任。 后果在客户对话的中间变得可见。一个客户打电话来讨论账单纠纷，而AI生成的账户摘要已经过时三个月。他们花了接下来的十分钟在多个系统中验证AI本应该瞬间提供的信息，同时客户等待着。 大多数组织将这种负面体验视为一个人员问题。代理担心他们的工作由于AI承担更多复杂任务而面临风险，因此他们会绕过AI。 这实际上是一个领导问题。 Gartner发现，91%的客户服务领导者正在面临高层施压，要求在2026年实施AI。 在这种压力下，很容易将反对意见视为采用问题，而不是信号，表明AI的架构不正确。因此，重点仍然放在加速在错误领域的部署上，并在没有解决根本问题的情况下增加人员裁员。 分散部署实际产生的结果代理作为手动集成层，连接实时客户对话和 4到10个断开的企业工具。他们在客户等待时在计费平台、ERP系统和票务工具之间“转椅”。这是因为大多数企业将AI添加到相同的分散架构上，这架构在AI出现之前就已经在减慢代理的工作效率。 例如，聊天机器人可以处理交互的前端，但当代理需要访问实际交易所在的旧后台系统时，它们就会失败，代理不得不手动完成任务。或者，AI总结工具可以生成后呼叫笔记，但它们会写入单独的系统，而不是CRM系统。AI继承了分散的架构，而不是修复它。 AI的连接性只与其下的系统一样好。当系统不共享上下文时，AI也不能。它从历史CRM记录中提取数据，但无法理解实时客户对话中发生了什么。到它提出建议时，底层数据可能已经改变。 不完整的上下文、过时的数据和断开的系统并不是独立的问题。它们是AI架构失败的症状。 构建适用于人类代理的AI架构构建代理真正信任的AI，并改善客户服务结果，归结为四个基础设施要求： 为AI工具提供实时数据访问。 大多数CX中的AI部署从可用的客户数据中提取。通常是过时的。AI需要被设计为提供实时访问客户数据，而不是在请求时提供分散的快照，汇集不同版本的客户数据。 为AI提供持久的上下文。 当AI被添加到现有的基础设施上，而不是被构建到其中时，上下文就不会传递。它在每次交接时都会丢失。持久的AI应该被分层到整个交互中，持续地携带客户意图和对话上下文，当工作在系统、渠道和人类代理之间移动时。代理不应该从头开始。 实施代理AI以实现自主执行，而不仅仅是建议。 下一个有意义的飞跃是可以自主执行代理需要的工作的AI，同时让人类保持在循环中以便于可观察性和控制。代理AI不应该告诉代理下一步该做什么，而应该在企业系统中编排工作流程，提交索赔，处理退款，更新记录，并在没有API的旧应用程序中完成任务。AI处理执行，而人类代理专注于判断、同理心和建立更牢固的客户关系。 选择从结果中学习的AI系统，而不仅仅是从输入中学习。 大多数企业AI在部署后是静态的。更有影响力的架构是持续从交互结果中学习的架构，根据实际解决问题的内容优化工作流程，而不是仅仅根据训练数据预测的内容。具有反馈循环的AI，连接结果和未来性能，根本不同于部署后保持静态的AI。 代理与AI之间的信任差距并不是一个培训问题或采用问题。它是一个架构问题。...
