Software til automatisering af kundeservice er kommet videre fra den scriptede bot, der matchede et spørgsmål mod et beslutningstræ og gav op, når formuleringen ændrede sig. Den version, det er værd at købe nu, sidder ved siden af medarbejderen, læser hele tråden, udkaster et svar og overdrager det til gennemgang.
Det skifte ændrer købsspørgsmålet. Det handler ikke længere om, hvorvidt værktøjet kan svare, men om hvor meget af svaret det forbereder, hvor meget en person stadig ejer, og hvem der betaler modeludbyderen, når volumen vokser.
Hvad software til automatisering af kundeservice gør
Bag kategorinavnet ligger en kort liste af konkrete opgaver. Sammenfat en lang tråd til tre linjer. Udkast et svar forankret i dit eget hjælpeindhold. Klassificer hensigt og dirigér derefter. Registrer stemning. Oversæt i begge retninger. Tag samtalen, så rapportering har noget at tælle.
Ingen af disse er dramatiske i sig selv. Hver fjerner én forsinkelse eller ét manuelt trin, og det er forsinkelserne, kunderne mærker.
Den kumulative effekt viser sig hos nyansatte. En person i sin anden uge svarer tæt på standarden for en, der har to års erfaring, fordi udkastet allerede bærer politikken, kontohistorikken, den rette tone og de sidste tre ordrer.
Automatisering betyder her ikke ubemandede svar som standard. Enhver funktion nedenfor forudsætter, at en person kan se udkastet, før det sendes, og platformen er konfigureret til at gøre det til den normale vej frem for undtagelsen.
Tre niveauer af automatisering, og hvilket du bør vælge
Leverandører bruger de samme ord om meget forskellig adfærd, så det hjælper at adskille niveauerne efter, hvem der er ansvarlig for den afsendte besked.
| Niveau | Hvem skriver | Hvem sender | Fejler ved |
|---|---|---|---|
| Scriptet forløb | Dig, på forhånd | Systemet | Ikke at genkende spørgsmålet |
| Copilot | Modellen | Medarbejderen | At spilde et gennemgangsklik |
| Autonom agent | Modellen | Systemet | At sende et forkert svar |
Scriptede forløb har stadig deres berettigelse ved de smalle, høj-volumen spørgsmål, hvor formuleringen næppe varierer: ordrestatus, åbningstider, nulstilling af adgangskode.
Copiloten er standarden for alt andet, fordi dens værste udfald koster nogle få sekunder, mens den autonome agents værste udfald koster en kunde.
Bedst til de fleste teams: scriptede forløb på de fem hyppigste gentagne spørgsmål, copilot overalt ellers, autonom kun hvor et forkert svar er billigt at rette.
Copilot-modellen i indbakken
I copilot-mønstret forbereder modellen, medarbejderen beslutter. Udkastet vises ved siden af samtalen med sine kilder vedhæftet, og medarbejderen redigerer, erstatter eller sender det.
Gennemgangstrinnet er ikke en formalitet. Det er den kontrol, der holder et lejlighedsvist forkert svar inden for din egen bygning i stedet for i din kundes indbakke.
Det producerer også det signal, der fortæller dig, om automatiseringen virker. Hver redigering er en mærket korrektion, og hyppigheden af disse redigeringer er den ærlige kvalitetsmetrik, der beskrives længere nede.
Hvor automatisering rækker ud over svarfeltet
At behandle AI som en widget skruet på live chat spilder det meste af dens potentiale. Det samme lag har arbejde at udføre i ethvert modul, der berører en samtale.
I vidensbasen udkaster den artikler fra løste tråde og markerer sider, der modsiger nyere svar. Software til vidensbase for kundesupport, der aldrig bemærker sin egen forældelse, er den sædvanlige årsag til, at selvbetjening holder op med at afbøje noget som helst.
I routing læser den hensigt, før et menneske gør, så et faktureringsspørgsmål når faktureringskøen uden at gå gennem et triage-trin.
I rapportering grupperer den samtaler efter, hvad kunderne faktisk spurgte om, frem for efter det tag, en medarbejder huskede at anvende, og det er det, der gør et sagsantal til en produktbeslutning.
I udgående arbejde driver den samme klassifikation kampagnesegmenter, så de mennesker, der lige har klaget, ikke er dem, der får mersalgstilbuddet.
Dækning på tværs af moduler afgør også, hvor meget af dit eget materiale assistenten kan nå. En assistent, der kun ser den aktuelle chat, skriver ud fra den aktuelle chat, og en assistent, der ser kundejournalen, ordrehistorikken og de sidste tre sager, skriver ud fra det hele.
Medbring din egen AI: hvem har modelkontoen
To spørgsmål bliver slået sammen i næsten hver demo. Hvad assistenten kan gøre, er et produktspørgsmål. Hvem der har kontoen hos modeludbyderen, er et kommercielt spørgsmål, og det afgør, om bedre automatisering sænker dine samlede omkostninger eller hæver dem.
Når platformen har kontoen, ankommer modelforbrug som en platformspost, som regel som credits eller pladser. Omkostningerne stiger så med succes: jo flere samtaler AI'en håndterer, jo mere køber du fra leverandøren til leverandørens avance.
Medbring-din-egen-AI vender det om. Du forbinder dine egne udbydernøgler, tokens faktureres direkte til dig af udbyderen, og platformen tager ikke noget tillæg på dem. RolChat fungerer sådan på tværs af 62 tekstmodeller fra syv udbydere og 23 stemmemodeller fra fire, 85 i alt.
Med din egen nøgle fordobler en forbedring, der fordobler automatiseret volumen, en udbyderregning, du kan se og forhandle. Med samlede credits fordobler den samme forbedring en linje på en faktura, hvis enhedspris du ikke fastsætter.
Token-omkostninger følger kontekst, ikke samtaler
Teams, der er nye til deres egen nøgle, forventer som regel, at regningen følger antallet af samtaler. Den følger i stedet kontekstlængde.
Et svar udarbejdet fra de sidste fire beskeder koster en brøkdel af det samme svar udarbejdet fra en tråd på tres, og en sammenfatning af hele den tråd koster mere end begge.
Tre indstillinger udgør derfor det meste af arbejdet: hvor langt tilbage kontekstvinduet rækker, om sammenfatninger kører på hver tråd eller kun på lange, og om hentning trækker tre hjælpeartikler eller tredive.
Intet af dette er synligt på en plansammenligningsside. Det er synligt på udbyderens dashboard i den første uge, hvilket er argumentet for selv at have kontoen.
At vælge en model pr. opgave
Én model til hver opgave er det dyre standardvalg. Arbejdet deles rent efter, hvor meget dømmekraft hver opgave kræver.
| Opgave | Ønsker | Fornuftigt valg |
|---|---|---|
| Tagging og hensigt | Hastighed, lav omkostning, stabilt output | En lille, hurtig model |
| Udarbejdelse af svar | Tone, ræsonnement over historik | En mellemstor eller stor model |
| Politik og refusioner | Omhu, præcis formulering | Den stærkeste tilgængelige model |
| Oversættelse | Dækning af dine sprog | Hvilken udbyder end dækker dem bedst |
At dele arbejdet op på denne måde skærer normalt mere af regningen end nogen prompt-justering gør, fordi de høj-volumen opgaver er de billige, og den dyre model kun kører, hvor den tjener sin pris.
En praktisk startopdeling: hurtig model til klassificering og tagging, mellemmodel til udkast, stærkeste model reserveret til penge og politik.
Routing ændres, før noget udkast overhovedet skrives
Det meste af den synlige gevinst opstår, før nogen skriver et ord. Klassificering sker ved ankomst, så samtalen allerede er tagget, allerede i den rette kø og allerede bærer en prioritet, når en medarbejder åbner den.
Det fjerner triage-vagten, som er det trin, teams tilføjer, når volumen vokser, og fjerner, når de løber tør for folk til det.
Det ændrer også, hvad en SLA måler. Et ur, der starter, når et menneske først læser beskeden, belønner triage-hastighed. Et ur, der starter ved ankomst, belønner det, kunderne bekymrer sig om, og automatiseret klassificering er det, der gør det andet holdbart.
Den anden effekt ligger i eskalering. Når hensigt og stemning er koblet på fra den første besked, kan reglen, der sender en vred faktureringstråd til en erfaren medarbejder, udløses med det samme i stedet for ved det andet svar.
Værd at tjekke i en demo: om klassificering kører ved ankomst eller ved første åbning, for kun den første fjerner triage-trinnet.
Data assistenten aldrig bør have adgang til
At forankre en assistent i dit eget indhold betyder at beslutte, hvad der tæller som dit eget indhold. Løste samtaler er det mest nyttige træningsmateriale og det mest sandsynlige til at indeholde kortnumre og identitetsdokumenter, som kunder har indsat i en chat.
Tre kontroller bærer det meste af vægten: redigering (redaction) før noget når modellen, opbevaringsgrænser for transskriptioner, og en regel om, at assistenten henter fra publicerede hjælpeartikler frem for fra rå tråde.
Samtykke hører til i samme beslutning. RolChat håndterer det som et betalt tilkøb til $5 pr. site, med tre samtykker pr. site, og det er ikke tilgængeligt på Lite.
Sletteanmodninger er det tilfælde, der fanger teams på det forkerte ben. En post fjernet fra helpdesk-systemet, men stadig liggende i et vektorindeks, er stadig en post, så tjek, at en sletning når hentningen og ikke kun sagslisten.
Hold svarene præcise og på brand
To indstillinger adskiller output, du kan sende, fra output, du må omskrive.
Den første er forankring. Svar udarbejdes ud fra godkendt materiale: hjælpeartikler og løste samtaler, og udkastet bærer de kilder, det har brugt. Et svar uden kilde bag sig er et gæt iført en selvsikker tone.
Den anden er stemme. En toneindstilling og et ordliste over termer, du bruger og ikke bruger, holder udkast til at lyde som dit team frem for som en generisk assistent.
Ordlisten betyder mere på tværs af sprog. Produktnavne og juridiske termer er præcis de ord, et oversættelseslag hjælpsomt vil oversætte, medmindre det får besked om ikke at gøre det.
RolChat dækker 40 grænseflade- og widget-sprog, og den samme ordliste gælder for dem alle.
Stemme: samme spørgsmål, en hårdere deadline
Stemme hæver indsatsen, fordi der ikke er noget udkast at gennemgå. Svaret tales, som det genereres, så forankringen skal være korrekt på forhånd frem for korrigeret i øjeblikket.
Den praktiske opdeling er efter konsekvens. Tale til tekst på hvert opkald, fordi en transskription er nyttig, selv når den er ufuldkommen. Talte automatiserede svar kun hvor det er billigt at tage fejl: åbningstider, status, routing.
Opkaldsminutter faktureres separat fra planen i RolChat, så stemmevolumen er en linje, du følger for sig, frem for en overraskelse inde i en pladspris.
Rækkefølgen af udrulningen betyder lige så meget som indstillingerne. Teams, der slår alt til på én gang, kan ikke afgøre, hvilken ændring der flyttede hvilket tal, og ender med enten at beholde det hele eller intet af det.
Rækkefølgen, der læser rent, er klassificering først, derefter udkast på én kø, derefter udkast overalt, derefter enhver autonom håndtering. Hvert trin har sit eget før og efter.
Måling af, om automatiseringen virkede
Afbøjningsrate er den metrik, leverandører fører an med, og den mindst nyttige, fordi en samtale, der slutter uden et menneske, kan ende i et svar eller i, at en kunde giver op.
Fire tal siger mere. Redigeringsrate på udkast, som falder, efterhånden som forankring forbedres. Første svartid, hvor copiloten betaler for sig selv. Genåbningsrate, som fanger svar, der kun så færdige ud. Kundevurdering opdelt på automatiseret og menneskelig håndtering.
Læs dem sammen med udbyderregningen for samme periode. Kvalitet, der forbedres, mens omkostningen pr. samtale falder, er resultatet værd at beholde; hver for sig er ingen af dem det.
Alle fire tal kræver en aflæsning fra før udrulningen. Teams, der springer baseline over, ender med at diskutere, om noget overhovedet ændrede sig, uden mulighed for at afgøre det.
Begrænsninger, der er værd at nævne tydeligt
To begrænsninger er værd at nævne tydeligt. On-premise-udrulning er en Enterprise-ordning, ikke noget tilgængeligt på de lavere planer. Modeller, der kører på din egen hardware, er planlagt frem for tilgængelige, så et krav om lokal inferens i dag er et krav, RolChat ikke opfylder.
Prissætning er pr. virksomhed frem for pr. medarbejder, fra $19 på Lite, mens Enterprise prissættes individuelt, og den 30-dages prøveperiode åbner alle funktioner med et kort registreret.
Automatisering er også nemmere at bedømme, når kanalerne bag den allerede er samlet ét sted, hvilket er emnet for følgeguiden.
Ofte stillede spørgsmål
Hvad automatiserer software til automatisering af kundeservice egentlig?
Sammenfatning af tråde, udarbejdelse af svar ud fra godkendt indhold, klassificering af hensigt, routing, tagging og oversættelse. I copilot-mønsteret forbereder den alt det, og en medarbejder beslutter, hvad der sendes.
Vil AI erstatte kundeservicemedarbejdere?
Ikke i copilot-modellen, som er det mønster, de fleste teams bør køre. Modellen udarbejder, og medarbejderen gennemgår og sender. Det, der forsvinder, er gentagen forberedelse, ikke personen med ansvaret for svaret.
Hvad er medbring-din-egen-AI?
Du forbinder dine egne udbydernøgler, så tokens faktureres direkte til dig af udbyderen uden platformstillæg. Det betyder også, at du kan skifte model eller udbyder uden at skifte helpdesk.
Hvor meget koster det at drive AI'en?
Det afhænger langt mere af kontekstlængde end af antallet af samtaler. Lange tråde, sammenfatninger på hver samtale, bred hentning og gentagen gensammenfatning er de indstillinger, der flytter regningen, og alle tre er dine at sætte.
Hvilken model bør håndtere hvilken opgave?
En lille, hurtig model til tagging og hensigt, en mellemstor eller stor model til udkast, og den stærkeste tilgængelige model til refusioner og politikformulering. At dele op efter opgave sparer normalt mere end prompt-justering.
Hvordan forhindrer man, at AI'en opfinder svar?
Forankr den i godkendt hjælpeindhold, så hvert udkast bærer sine kilder, hold gennemgangstrinnet på plads, og følg redigeringsrate og genåbningsrate efter lancering frem for kun afbøjning.
Kan modellerne køre på vores egne servere?
On-premise-udrulning er tilgængelig på Enterprise. Selvhostede modeller er planlagt frem for tilgængelige i dag, så et hårdt krav om lokal inferens er endnu ikke opfyldt.
Fungerer automatisering på tværs af sprog?
Ja. Den dækker 40 grænseflade- og widget-sprog, med oversættelse i begge retninger. Hold produkt- og juridiske termer i en ordliste, så oversættelseslaget lader dem være.
Skriver om kundeserviceprocesser, livechat, AI-assisteret service og værktøjerne bag en god kundeoplevelse.
LinkedIn
