客户服务中的AI架构问题

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：

1. 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。
2. 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。
3. 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。
4. 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。

AI的真正ROI不是在减少人手方面，而是在代理终于能够专注于客户而不是系统时创造的价值。这种情况只会发生在AI被构建到执行层，而不是被添加到执行层上时。

仍然苦于采用AI的组织并不是落后于AI，而是落后于基础设施。修复架构，采用问题就会自行解决。