Μπαρ Γουίνκλερ

Μπαρ Γουίνκλερ

|

|

6 Οκτ 2025

6 Οκτ 2025

Πώς να εντοπίσετε τις σωστές περιπτώσεις χρήσης της τεχνητής νοημοσύνης

Πώς να εντοπίσετε τις σωστές περιπτώσεις χρήσης της τεχνητής νοημοσύνης

Πώς να εντοπίσετε τις σωστές περιπτώσεις χρήσης της τεχνητής νοημοσύνης

Ένας Πρακτικός Οδηγός από Πραγματικά Δεδομένα Υποστήριξης

Ένας Πρακτικός Οδηγός από Πραγματικά Δεδομένα Υποστήριξης

Κάθε στέλεχος σήμερα ακούει την ίδια ιστορία: η πρακτική Τεχνητή Νοημοσύνη είναι έτοιμη να μεταμορφώσει τις λειτουργίες σας. Οι πράκτορες μπορούν να κρατούν συμφραζόμενα, να αναλαμβάνουν ενέργειες, να περιηγούνται σε συστήματα και, ολοένα και περισσότερο, να συμπ behave όπως ψηφιακοί συνεργάτες. Η υπόσχεση είναι ελκυστική - αυτοματοποιήστε ολόκληρες διαδρομές, επιλύστε ζητήματα πελατών από άκρη σε άκρη και τελικά ξεφύγετε από την βαρυτική έλξη των χειροκίνητων ροών εργασίας.

Αλλά εδώ είναι το κομμάτι που χάνεται μέσα στον ενθουσιασμό: οι πράκτορες δεν γνωρίζουν μαγικά ποια προβλήματα αξίζει να λυθούν.

Η πρακτική Τεχνητή Νοημοσύνη συχνά αποτυγχάνει όχι επειδή τα μοντέλα είναι αδύναμα, αλλά επειδή οι περιπτώσεις χρήσης είναι λανθασμένες. Οι ομάδες έλκονται προς τις ροές εργασίας που υποθέτουν ότι αξίζει να αυτοματοποιηθούν, αυτές που φαίνονται σημαντικές ή ορατές από έξω. Εν τω μεταξύ, οι πραγματικοί περιορισμοί στη λειτουργία - τα σημεία όπου οι πράκτορες θα μπορούσαν να προσφέρουν δυσανάλογη αξία παραμένουν αναξιοποίητα.

Πριν μερικούς μήνες, ένα στέλεχος από μια μεγάλη εταιρεία υπηρεσιών αυτοκινήτων ήρθε σε εμάς με ακριβώς αυτή την πρόκληση. Ο οργανισμός υποστήριξής του εξερευνούσε τους πράκτορες με στόχο τη μείωση του κόστους, αλλά τα πρώιμα πρωτότυπα δεν είχαν επιτυχία. “Προσπαθούμε να αυτοματοποιήσουμε τα πάντα,” παραδέχτηκε. “Αλλά τίποτα δεν προχωρά.”

Το πρόβλημα δεν ήταν ο πράκτορας. Το πρόβλημα ήταν προς ποια κατεύθυνση δείχνε ο πράκτορας.

Γι' αυτό περπατήσαμε την ομάδα του μέσα από μια διαφορετική προσέγγιση - μία που δεν βασιζόταν στη διαίσθηση, αλλά στην επιχειρησιακή αλήθεια. Αυτό που ακολουθεί είναι ο οδηγός που προέκυψε από αυτή την εργασία: ένας πρακτικός, δεδομένα-καθοδηγούμενος τρόπος για να εντοπίσετε τις ευκαιρίες αυτοματοποίησης υψηλής επίπτωσης στην υποστήριξη πελατών - τον τύπο που επιτρέπει στα πρακτικά συστήματα να αποδείξουν πραγματικά την αξία τους.


Ξεκινήστε με Αποδείξεις, Όχι Υποθέσεις

Kάθε ομάδα υποστήριξης φέρει ένα νοητικό μοντέλο για τη φόρτιση της. Ένας κοινός μύθος σχετικά με τα ζητήματα που αναφέρουν οι πελάτες, τις συνομιλίες που καταναλώνουν χρόνο, τις στιγμές όπου οι ανθρώπινες εκπρόσωποι δυσκολεύονται. Η πραγματικότητα είναι σχεδόν πάντα διαφορετική. Εάν θέλετε να αναπτύξετε πράκτορες υπεύθυνα και αποτελεσματικά, χρειάζεστε μια πραγματική εικόνα για το τι ρωτούν πραγματικά οι πελάτες, όχι την ιστορία που έχει αναπτυχθεί μέσα στον οργανισμό.

Μόλις εξετάσαμε τα αποσπάσματα των κλήσεων, η υποστηρικτική λειτουργία αποκαλύφθηκε με έναν τρόπο που η ομάδα δεν είχε δει πριν. Η φόρτιση δεν ήταν τόσο ευρεία ή ομοιόμορφα κατανεμημένη όσο υπέθεταν· ήταν συγκεντρωμένη, προκαθορισμένη και κινείτο σε πολύ πιο συνεπείς διαδρομές από ότι οποιοδήποτε σύστημα αναφοράς πρότεινε. Αυτό που πίστευαν ότι ήταν ένα ευρύ πεδίο ετερογενών ζητημάτων αποδείχθηκε κάτι πολύ πιο δομημένο. Αυτή η δομή είναι αυτή που τελικά καθόρισε το χάρτη αυτοματοποίησης.


Χάρτης της Υποστηρικτικής Τοπιογραφίας - Έπειτα Επαλήθευση με Πραγματικά Δεδομένα

Αφού καθορίσαμε το τοπίο, το επόμενο βήμα ήταν να το χαρτογραφήσουμε. Δημιούργησαμε μια δομημένη εικόνα του τομέα υποστήριξης και χρησιμοποιήσαμε τα δεδομένα κλήσεων για να την συμπληρώσουμε.

Αυτό που προέκυψε ήταν μια υποστηρικτική λειτουργία που έμοιαζε πολύ διαφορετική από αυτή που είχε φανταστεί η ομάδα. Δύο τομείς: Ραντεβού & Κρατήσεις από τη μία πλευρά, και Ζημιά & Διαγνωστικά από την άλλη, βάδισαν τον περισσότερα το βάρος του οργανισμού. Μαζί, αντιπροσώπευαν σχεδόν τα τρία τέταρτα όλων των αλληλεπιδράσεων υποστήριξης. Όλα τα υπόλοιπα, από τιμολόγηση μέχρι ασφάλιση και γενικές ερωτήσεις, βρίσκονταν στα περιθώρια.

Και το σχήμα της διαδρομής του πελάτη είχε σημασία όσο οι κατηγορίες αυτές καθαυτές. Μια τυπική κλήση δεν ήταν μια μοναδική ερώτηση με καθαρή μετάβαση. Συμπεριλάμβανε πολλαπλές αποφάσεις, διευκρινίσεις και παρακολούθηση - περίπου τέσσερα διακριτά θέματα ανά κλήση, κατά μέσο όρο. Πιο σημαντικό, ανεξάρτητα από το πού ξεκινούσαν οι πελάτες, πολλές από τις διαδρομές τους κλίθηκαν προς το ίδιο αποτέλεσμα. Σχεδόν το 80% των κλήσεων που αφορούσαν την «κράτηση», ακόμη και παροδικά, τελικά μετατράπηκαν σε διαδρομή κράτησης. Η κράτηση δεν ήταν απλώς μια κατηγορία υποστήριξης· ήταν το βαρυτικό κέντρο που έλκει τις περισσότερες συνομιλίες προς αυτό.

Κάθε οργανισμός υποστήριξης έχει το δικό του βαρυτικό κέντρο. Το μόνο ερώτημα είναι αν το έχετε ανακαλύψει.


Εντοπισμός των Υψηλής Επιρροής Χρηστικών Περιπτώσεων Υποστήριξης

Η αναγνώριση των σημείων συναθροισμένων συνομιλιών είναι ένα ξεκίνημα, αλλά δεν είναι αρκετό για να αποφασίσει κανείς τι να αυτοματοποιήσει. Για να κατανοήσετε πού οι πράκτορες μπορούν να έχουν ουσιαστική επίπτωση στη μείωση του κόστους, χρειάζεστε να γνωρίζετε όχι μόνο για τι ρωτούν οι πελάτες, αλλά και πού οι ανθρώπινοι πράκτορες ξοδεύουν τον χρόνο τους.

Όταν προσθέσαμε τον χρόνο χειρισμού στους όγκους συνομιλιών, τα σημεία leverage γίνονταν προφανή. Ένα μικρό σύνολο ζητημάτων, αυτά που εμφανίζονταν συχνά, κατανάλωναν συνεχώς ένα δυσανάλογο μερίδιο ανθρώπινης προσπάθειας. Κρατήσεις πολύπλοκων υπηρεσιών, επαναπρογραμματισμός ή επιβεβαίωση ραντεβού: αυτά δεν ήταν σκόρπιες, εξωτικές αλληλεπιδράσεις - επαναλαμβανόμενα αντιπροσώπευαν μια εξάντληση στον χρόνο του ανθρώπινου πράκτορα.

Ο συνδυασμός του όγκου και της προσπάθειας δημιουργεί το πιο καθαρό σήμα που μπορεί να ελπίζει μία επιχείρηση. Αυτές οι διαδρομές υψηλού φορτίου είναι όπου οι πράκτορες Τεχνητής Νοημοσύνης μπορούν να αποδείξουν αναμφισβήτητη αξία. Είναι αρκετά δομημένες για να αυτοματοποιηθούν, αρκετά κοινές ώστε να μετράνε, και αρκετά δαπανηρές ώστε η βελτιωμένη αποδοτικότητα να αλλάξει όχι μόνο τα μετρικά, αλλά και την πραγματική εμπειρία των πελατών και του προσωπικού.

Κάθε οργανισμός έχει μερικές από αυτές τις υψηλής επιρροής ροές. Σπάνια αντιστοιχούν στη εσωτερική μυθολογία. Αλλά μόλις τις βρείτε, ο χάρτης γίνεται αναπάντεχα καθαρός.


Δώστε Προτεραιότητα στις Ροές με τη Μέγιστη Υλοποιησιμότητα

Ο εντοπισμός των υψηλής επιρροής ροών είναι η στιγμή όπου τα πράγματα κοιτάζουν επιτέλους με σαφήνεια - αλλά δημιουργεί επίσης μια νέα κατηγορία απόφασης. Μόλις μπορείτε να δείτε καθαρά το σύνολο των συνομιλιών που κυριαρχούν στο φόρτο υποστήριξής σας, η ερώτηση μετατοπίζεται από το τι έχει σημασία σε αυτό που είναι πραγματικά εφικτό να αυτοματοποιηθεί πρώτα.

Αυτή είναι η στιγμή όπου η ανάλυση της πραγματικότητας έγινε ανεκτίμητη. Η κατάταξη των παραγόντων κλήσης δεν αποκάλυψε μόνο τα ζητήματα που έφεραν τη μεγαλύτερη φορτίο; αποκάλυψε ποια από αυτά τα ζητήματα επαναλαμβάνονταν με επίπεδο σαφήνειας και δομικής σταθερότητας που τα καθιστούσε κατάλληλα για αυτοματοποίηση με πρακτικούς πράκτορες. Ορισμένες ροές, όπως η κράτηση μιας υπηρεσίας ή η διάγνωση απλών ζημιών, εμφανίζονταν εκατοντάδες φορές με σχεδόν το ίδιο συνομιλιακό σχήμα. Οι ερωτήσεις ήταν προβλέψιμες. Η λογική απόφασης ήταν σταθερή. Οι μεταβάσεις μεταξύ των βημάτων σπάνια αποκλίνουσαν.

Αυτές δεν ήταν απλώς σημαντικές ροές - ήταν υλοποιήσιμες. Είχαν την επιχειρησιακή ωριμότητα που επιτρέπει σε έναν πράκτορα να εκτελεί αξιόπιστα χωρίς να χάνει το δρόμο του σε εξαιρέσεις ή αβεβαιότητα. Στην πράξη, αυτό σήμαινε ότι μπορούσαμε να χτίσουμε, να αξιολογήσουμε και να επαναλάβουμε με αυτοπεποίθηση γιατί η υποκείμενη ροή εργασίας συμπεριφερόταν με τον ίδιο τρόπο μέσω χιλιάδων πραγματικών αλληλεπιδράσεων.

Ωστόσο, άλλες ροές, είχαν πολύ διαφορετική ιστορία. Ζητήματα τιμολόγησης, ορισμένες ερωτήσεις ασφάλισης και ανησυχίες σχετικά με υπηρεσίες μακράς διάρκειας εμφανίστηκαν στα δεδομένα ως δομικά ακατάστατα - ασυνέπεια στο phrasing, reasoning που εξαρτάται από το πλαίσιο, ασαφή όρια ή πολύ εξατομικευμένες αποφάσεις. Ακόμη και αν είχαν σημασία για την επιχείρηση, δεν ήταν το κατάλληλο σημείο για να ξεκινήσουν. Η μεταβλητότητά τους θα είχε καθυστερήσει την πρόοδο, θα είχε δημιουργήσει τριβές και θα είχε υπονομεύσει την εμπιστοσύνη στις πρώιμες πράξεις των πρακτών.

Αρχίζοντας με τις ροές που συνδυάζουν υψηλή επιρροή με υψηλή υλοποιησιμότητα, ο πελάτης κατάφερε να δημιουργήσει νωρίς κέρδη που ήταν και σημαντικά και επαναλαμβανόμενα. Και μόλις αυτές οι θεμελιώδεις ροές εργασίας αυτοματοποιήθηκαν, καθώς και διπλανές ροές - συχνά μοιράζοντας παρόμοιο λεξιλόγιο, λογική ή μοτίβα - έγιναν δραματικά πιο εύκολες για επέκταση. Η υλοποιησιμότητα δεν είναι απλώς ένας τρόπος για να επιλέξετε ένα σημείο εκκίνησης· καθορίζει την υπόλοιπη διαδρομή αυτοματοποίησης.


Η Καλύτερη Στρατηγική Αυτοματοποίησης Ξεκινά με Επιχειρησιακή Αλήθεια

Αυτό που τελικά επέτρεψε σε αυτόν τον πελάτη να προοδεύσει πραγματικά δεν ήταν μια τολμηρή οραματική προσέγγιση για την Τεχνητή Νοημοσύνη ή μια μακρά λίστα πιθανών αυτοματοποιήσεων. Ήταν η απόφαση να ρίζουμε το χάρτη αυτοματοποίησης στο πώς λειτουργούσε πραγματικά η υποστηρικτική λειτουργία. Μόλις η ομάδα είδε πού συγκεντρώνονταν οι συνομιλίες, πού συσσωρεύονταν οι χρόνοι χειρισμού και ποιες ροές είχαν τη δομική συνέπεια να υποστηρίζουν αυτοματοποίηση, ο δρόμος προς τα εμπρός έγινε απλός. Οι πρώτες αναπτύξεις δεν επιλέχθηκαν επειδή ήταν εννοιολογικά συναρπαστικές - επιλέχθηκαν επειδή τα δεδομένα έδειξαν ότι θα λειτουργούσαν.

Αυτή η σαφήνεια επιτάχυνε τα πάντα. Σε αυτή την περίπτωση, οι πρώτες μετρήσιμες κέρδους φάνηκαν στη μείωση του κόστους, αλλά η ίδια μέθοδος μπορεί να επικεντρωθεί στη βελτίωση της NPS, της μείωσης χρόνου αναμονής, της αύξησης της μετατροπής ή της ενίσχυσης της συμμόρφωσης. Το συγκεκριμένο αποτέλεσμα αλλάζει με τον επιχειρηματικό στόχο· η προσέγγιση παραμένει η ίδια.

Η επιχειρησιακή αλήθεια δεν εξαλείφει την πολυπλοκότητα της αυτοματοποίησης, αλλά εστιάζει την προσπάθεια. Αποτρέπει τις ομάδες από το να διασκορπίζονται σε ιδέες χαμηλής αξίας και κατευθύνει τους πράκτορες προς τη δουλειά που διαμορφώνει με ουσιαστικό τρόπο την εμπειρία του πελάτη. Όταν ξεκινάτε εκεί, η υιοθέτηση είναι πιο γρήγορη, η εμπιστοσύνη αναπτύσσεται νωρίτερα και κάθε επόμενη ανάπτυξη γίνεται πιο εύκολη να δικαιολογηθεί - και πιο εύκολη να παραδοθεί.

Η πρακτική Τεχνητή Νοημοσύνη δεν αφορά την αυτοματοποίηση των πάντων. Αφορά την αυτοματοποίηση των σωστών πραγμάτων πρώτα.

Ξεκινήστε με αυτό που δείχνουν οι αποδείξεις. Ξεκινήστε με τις ροές που πράγματι καθορίζουν τη λειτουργία σας.

Εκεί είναι που προέρχεται η ουσιαστική επίπτωση - και όπου η αυτοματοποίηση γίνεται ανθεκτική αντί για πειραματική.