为什么没有治理的GenAI将无法成功支持企业

企业支持团队正在大量投资于生成性人工智能，希望它能够减少工单、缩短处理时间和降低每个案例的成本。然而，在许多组织中，人工智能系统的使用率增加，而升级率、重复联系和整体案例数量仍然没有变化。

生成性人工智能在企业支持中不会因为模型弱而失败，它会失败，因为大多数部署没有得到它们需要的强大的数据内容和战略指南。 如果没有适当的治理、可见性和问责制，人工智能很快就会成为一个未经管理的运营风险层，驱动不一致的交互、放大错误，并最终为客户带来更糟糕的结果。原本打算改善客户交互层和企业团队工作量的工具变成了瓶颈。

当企业支持团队急于采用GenAI时，大多数实现都集中在聊天机器人、自动答案和代理助手功能上。部署的紧迫性经常产生了看似创新但实际上难以提供一致的客户结果、企业绩效指标和底线的断开系统。在这个加速过程中，真正的问题往往没有被问到：我们如何衡量GenAI是否带来可衡量的影响，还是只是在规模上提供更多内容?

许多企业搜索和GPT部署在支持环境中失败的三个核心原因。生成的答案在没有明确的信心信号或一致性控制的情况下被呈现。人工智能交互很少与可衡量的结果（如案例转介、解决时间或客户满意度）相关联。组织还缺乏对团队成员是否真正信任该系统或在日常工作流程中使用它的可见性。结果是人工智能在演示中看起来很有吸引力，但在实际运营压力下会崩溃。

支持领导者不需要更多生成的内容，他们需要可衡量的改进，他们可以预测和辩护，例如一致的案例数量减少、更快的平均解决时间、更高的首次联系解决率、改善的CSAT、更低的每张票成本和提高的代理人生产力。可预测的业务影响意味着知道当人工智能被部署时，它将可靠地减少升级、转介案例或缩短处理时间，而不仅仅是生成更多答案。

从客户摩擦到运营后果

当治理缺失时，影响很快就会出现在指标中。聊天机器人可能会在规模上生成答案，但如果这些答案只有部分正确，客户会重新打开工单或升级。案例重新打开率增加5%到10%可能会抵消预期的效率收益，并驱动可衡量的CSAT下降。纸面上的自动化变成了实际的返工。

困难在于许多组织衡量活动而不是结果。他们可以报告聊天机器人会话的数量或代理人使用人工智能辅助草稿的频率。然而，他们通常无法自信地报告这些交互是否减少了对人工团队的需求。没有直接将对话数据与案例创建数据联系起来，领导者无法确定生成性人工智能是否消除了工作或只是为客户旅程添加了另一个接触点。

当案例到达人工团队成员时，客户通常会重复他们已经输入到聊天界面的相同信息。原本打算简化解决方案的东西反而引入了重复。随着时间的推移，不完整解决方案的重复实例会侵蚀信任。客户开始将人工智能交互视为初步步骤，而不是解决方案。

衡量重要指标

在企业支持中，真正的影响是当客户在与系统交互后需要创建的案例数量减少时可见的。如果人工智能代理交互后仍然跟随升级，那么结果将揭示数据知识缺口或响应限制的存在。了解这些模式需要将人工智能防护栏与下游支持指标联系起来，并检查每次交互后发生了什么。

这种可见性改变了生成性系统的评估方式。当对话数据和工单数据一起分析时，组织可以确定哪些流程有效，哪些需要改进。参与度本身变得不够作为成功的衡量标准；只有工作量减少的证明才是真正的进展。

治理作为运营要求

治理不是一份文件，它是一组故意的运营决策。支持领导者应该要求每个人工智能响应都以批准的知识来源为基础，并伴有可衡量的信心阈值。他们应该定义明确的规则，说明何时人工智能可以自主解决问题，何时必须升级到人工代理。他们应该将每个部署与特定的目标（如案例数量减少、首次联系解决率提高或平均处理时间降低）联系起来，并不断审查这些指标。如果人工智能不能与运营结果相衡量，它不应该被认为是准备好与真正客户在日常工作流程中使用的。

考虑一个常见的部署场景。生成性聊天机器人在客户门户上推出，采用率迅速上升，因为用户越来越多地使用人工智能来回答常见问题。表面上，早期反馈看起来很积极：客户与机器人交互，代理人报告草稿回复感觉更高效。

然而，当领导者深入研究绩效数据时，他们发现了一些来自更广泛行业经验的熟悉东西。 麦肯锡最近的人工智能研究显示，虽然许多组织正在广泛部署人工智能，但只有少数将其深度集成到工作流程中以实现可衡量的业务结果，例如案例数量减少或客户指标改善，大多数仍然停留在试点或早期扩张阶段。

在实践中，这通常表现为与聊天机器人的高参与度，但仍然存在升级模式、仅在简单问题上有边际改进，以及对话与工作量减少之间缺乏明确的联系。组织现代化了交互层，但基本的支持动态和运营成本仍然没有改变。

相比之下，治理方法将对话活动直接集成到运营报告中。每个人工智能会话都与随后的案例行为相关联，允许领导者看到哪些交互导致无需升级的解决，哪些没有。导致后续案例的模式被检查和改进。代理级别的使用情况被分析，以确定人工智能辅助在哪里提高了效率，在哪里引入了不一致性。在这种环境中，生成性人工智能不仅仅是按照使用频率来评估的，而是按照它减少客户努力和支持团队工作的程度来评估的。

从增强到结构变化

随着技术预算的紧缩，人工智能投资正在被审查，与其他每一项都一样。领导层不关心聊天机器人参与率，他们关心的是案例数量是否季度减少，平均处理时间是否降低，首次联系解决率是否提高，是否每张票的成本明显降低。

如果这些数字没有变化，影响是立即的。计划扩展到其他产品线的计划被推迟。预期的节省人手并没有实现。财务团队质疑续约。原本作为战略性人工智能计划的东西变成了一个控制良好的试点项目，资金和高管监督都减少了。如果没有明确的运营提升，生成性人工智能可能会让支持感觉创新，但如果它不能在可衡量的术语中减少工作量或改善客户指标，它将很难在下一个预算周期中证明其合理性。

生成性人工智能在企业支持中的成功不会由其响应的复杂程度决定，而是由它是否减少重复联系、降低升级率、改善首次联系解决率和缩短解决时间来决定的。仅凭智慧是不够的，影响取决于有纪律的设计、明确的防护栏、持续的性能监控和对运营指标的问责制。

支持领导者应该在部署前定义这些指标，而不是之后。他们应该为案例转介、处理时间减少和客户满意度设定明确的目标，并以与其他运营投资相同的严谨性审查这些指标。如果数字没有变化，系统应该被调整或限制。

支持中的生成性人工智能不再是一个概念验证练习，它是一个运营决策，具有可衡量的财务后果。领导者如果不能证明工作量和客户结果的结构改进，就有风险将人工智能变成一个短暂的计划，而不是一个可持续的能力。