Perangkat lunak otomatisasi layanan pelanggan sudah melampaui bot berbasis skrip yang mencocokkan pertanyaan dengan pohon keputusan dan menyerah begitu susunan katanya berubah. Versi yang layak dibeli sekarang duduk di samping agen, membaca seluruh thread, menyusun draf jawaban, dan menyerahkannya untuk ditinjau.
Pergeseran itu mengubah pertanyaan pembelian. Bukan lagi soal apakah alat itu bisa menjawab, melainkan seberapa banyak jawaban yang disiapkannya, seberapa banyak yang masih menjadi tanggung jawab manusia, dan siapa yang membayar penyedia model saat volume bertambah.
Apa yang dilakukan perangkat lunak otomatisasi layanan pelanggan
Di balik nama kategori ini terdapat daftar pendek pekerjaan konkret. Meringkas thread panjang menjadi tiga baris. Menyusun draf balasan berdasarkan konten bantuan Anda sendiri. Mengklasifikasikan maksud dan mengarahkan sesuai itu. Mendeteksi sentimen. Menerjemahkan dalam dua arah. Menandai percakapan sehingga pelaporan punya sesuatu untuk dihitung.
Tidak ada satu pun dari itu yang dramatis dengan sendirinya. Masing-masing menghilangkan satu penundaan atau satu langkah manual, dan penundaan itulah yang dirasakan pelanggan.
Efek gabungannya terlihat pada karyawan baru. Seseorang di minggu kedua menjawab hampir setara standar orang di tahun keduanya, karena draf sudah membawa kebijakan, riwayat akun, nada yang tepat, dan tiga pesanan terakhir.
Otomatisasi di sini tidak berarti balasan tanpa pengawasan secara default. Setiap kemampuan di bawah ini mengasumsikan seseorang bisa melihat draf sebelum dikirim, dan platform dikonfigurasi agar itu menjadi jalur normal, bukan pengecualian.
Tiga tingkat otomatisasi, dan mana yang harus dibeli
Vendor menggunakan kata yang sama untuk perilaku yang sangat berbeda, jadi ada gunanya memisahkan tingkatan tersebut berdasarkan siapa yang bertanggung jawab atas pesan yang dikirim.
| Tingkat | Siapa yang menulis | Siapa yang mengirim | Gagal karena |
|---|---|---|---|
| Alur berskrip | Anda, sebelumnya | Sistem | Tidak mengenali pertanyaan |
| Copilot | Model | Agen | Membuang-buang klik peninjauan |
| Agen otonom | Model | Sistem | Mengirim jawaban yang salah |
Alur berskrip masih layak dipakai untuk pertanyaan sempit dan bervolume tinggi yang susunan katanya nyaris tidak berubah: status pesanan, jam operasional, reset kata sandi.
Copilot adalah pilihan default untuk segala hal lainnya, karena hasil terburuknya hanya menghabiskan beberapa detik, sementara hasil terburuk agen otonom menghabiskan seorang pelanggan.
Paling cocok untuk sebagian besar tim: alur berskrip untuk lima pertanyaan berulang teratas, copilot untuk sisanya, otonom hanya di tempat jawaban yang salah murah untuk diperbaiki.
Model copilot di kotak masuk
Dalam pola copilot, model menyiapkan, agen memutuskan. Draf muncul di samping percakapan lengkap dengan sumbernya, dan agen menyunting, mengganti, atau mengirimnya.
Langkah peninjauan bukan formalitas. Itu adalah kontrol yang menjaga agar jawaban salah sesekali tetap berada di dalam perusahaan Anda, bukan di kotak masuk pelanggan Anda.
Langkah ini juga menghasilkan sinyal yang memberi tahu Anda apakah otomatisasi itu berhasil. Setiap suntingan adalah koreksi berlabel, dan tingkat suntingan itu adalah metrik kualitas yang jujur yang dijelaskan lebih lanjut di bawah.
Di mana otomatisasi menjangkau lebih dari sekadar kotak balasan
Memperlakukan AI sebagai widget tempelan pada live chat menyia-nyiakan sebagian besar potensinya. Lapisan yang sama punya pekerjaan di setiap modul yang menyentuh percakapan.
Di basis pengetahuan, AI menyusun draf artikel dari thread yang sudah diselesaikan dan menandai halaman yang bertentangan dengan jawaban yang lebih baru. Perangkat lunak basis pengetahuan dukungan pelanggan yang tidak pernah menyadari isinya sendiri sudah usang biasanya menjadi alasan mengapa self-service berhenti mengalihkan apa pun.
Di routing, AI membaca maksud sebelum manusia melakukannya, sehingga pertanyaan penagihan mencapai antrean penagihan tanpa melalui langkah triase.
Di pelaporan, AI mengelompokkan percakapan berdasarkan apa yang sebenarnya ditanyakan pelanggan, bukan berdasarkan tag yang diingat agen untuk diterapkan, dan itulah yang mengubah jumlah tiket menjadi keputusan produk.
Dalam pekerjaan outbound, klasifikasi yang sama menggerakkan segmen kampanye, sehingga orang yang baru saja mengeluh bukanlah orang yang menerima penawaran upsell.
Cakupan lintas modul juga menentukan seberapa banyak materi Anda sendiri yang dapat dijangkau asisten. Asisten yang hanya melihat obrolan saat ini menulis dari obrolan saat ini, dan asisten yang melihat catatan pelanggan, riwayat pesanan, dan tiga tiket terakhir menulis dari semuanya.
Bring your own AI: siapa yang memegang akun model
Dua pertanyaan digabungkan hampir di setiap demo. Apa yang bisa dilakukan asisten adalah pertanyaan produk. Siapa yang memegang akun dengan penyedia model adalah pertanyaan komersial, dan itu menentukan apakah otomatisasi yang lebih baik menurunkan total biaya Anda atau menaikkannya.
Ketika platform yang memegang akun, penggunaan model muncul sebagai pos biaya platform, biasanya berupa kredit atau kursi. Biaya kemudian naik seiring keberhasilan: semakin banyak percakapan yang ditangani AI, semakin banyak yang Anda beli dari vendor dengan margin vendor.
Bring-your-own-AI membalikkan hal itu. Anda menghubungkan kunci penyedia Anda sendiri, token ditagihkan kepada Anda langsung oleh penyedia, dan platform tidak mengambil markup atasnya. RolChat bekerja dengan cara ini di 62 model teks dari tujuh penyedia dan 23 model suara dari empat penyedia, total 85.
Dengan kunci milik sendiri, peningkatan yang menggandakan volume otomatis menggandakan tagihan penyedia yang bisa Anda lihat dan negosiasikan. Dengan kredit terbundel, peningkatan yang sama menggandakan baris pada faktur yang harga satuannya tidak Anda tetapkan.
Biaya token mengikuti konteks, bukan percakapan
Tim yang baru pertama kali memakai kunci sendiri biasanya mengira tagihan mengikuti jumlah percakapan. Padahal tagihan mengikuti panjang konteks.
Balasan yang disusun dari empat pesan terakhir menghabiskan biaya sebagian kecil dibanding balasan yang sama yang disusun dari thread berisi enam puluh pesan, dan ringkasan dari seluruh thread itu menghabiskan biaya lebih besar dari keduanya.
Karena itu, tiga pengaturan melakukan sebagian besar pekerjaan: seberapa jauh jendela konteks menjangkau ke belakang, apakah ringkasan berjalan di setiap thread atau hanya pada yang panjang, dan apakah pengambilan data menarik tiga artikel bantuan atau tiga puluh.
Tidak ada satu pun dari itu yang terlihat di halaman perbandingan paket. Itu terlihat di dasbor penyedia pada minggu pertama, yang menjadi alasan untuk memegang akun sendiri.
Memilih model per tugas
Satu model untuk setiap pekerjaan adalah default yang mahal. Pekerjaan itu terbagi dengan rapi berdasarkan seberapa banyak penilaian yang dibutuhkan setiap tugas.
| Tugas | Membutuhkan | Pilihan yang masuk akal |
|---|---|---|
| Tagging dan maksud | Kecepatan, biaya rendah, output stabil | Model kecil dan cepat |
| Penyusunan balasan | Nada, penalaran atas riwayat | Model menengah atau besar |
| Kebijakan dan pengembalian dana | Ketelitian, susunan kata yang tepat | Model terkuat yang tersedia |
| Terjemahan | Cakupan bahasa Anda | Penyedia mana pun yang mencakupnya paling baik |
Membagi dengan cara ini biasanya memangkas tagihan lebih banyak daripada penyesuaian prompt apa pun, karena tugas bervolume tinggi adalah yang murah dan model mahal hanya berjalan di tempat yang sepadan dengan harganya.
Pembagian awal yang praktis: model cepat untuk klasifikasi dan tagging, model menengah untuk draf, model terkuat dicadangkan untuk urusan uang dan kebijakan.
Perubahan routing sebelum draf apa pun ditulis
Sebagian besar keuntungan yang terlihat muncul sebelum siapa pun menulis satu kata pun. Klasifikasi terjadi saat kedatangan, sehingga percakapan sudah ditandai, sudah berada di antrean yang tepat, dan sudah membawa prioritas ketika seorang agen membukanya.
Itu menghilangkan shift triase, yang merupakan langkah yang ditambahkan tim ketika volume bertambah dan dihilangkan ketika mereka kehabisan orang untuk itu.
Itu juga mengubah apa yang diukur SLA. Jam yang mulai berjalan saat manusia pertama kali membaca pesan menghargai kecepatan triase. Jam yang mulai berjalan saat kedatangan menghargai hal yang benar-benar dipedulikan pelanggan, dan klasifikasi otomatis adalah yang membuat yang kedua ini bisa bertahan.
Efek keduanya ada pada eskalasi. Ketika maksud dan sentimen dilekatkan sejak pesan pertama, aturan yang mendorong thread penagihan yang marah ke agen senior dapat langsung berjalan alih-alih menunggu balasan kedua.
Layak diperiksa dalam demo: apakah klasifikasi berjalan saat kedatangan atau saat pertama kali dibuka, karena hanya yang pertama yang menghilangkan langkah triase.
Data yang tidak boleh dijangkau asisten
Mendasarkan asisten pada konten Anda sendiri berarti memutuskan apa yang dihitung sebagai konten Anda sendiri. Percakapan yang sudah diselesaikan adalah materi pelatihan paling berguna dan yang paling mungkin berisi nomor kartu serta dokumen identitas yang ditempelkan pelanggan ke dalam obrolan.
Tiga kontrol menanggung sebagian besar bobot ini: redaksi sebelum apa pun mencapai model, batas retensi pada transkrip, dan aturan bahwa asisten mengambil dari artikel bantuan yang diterbitkan, bukan dari thread mentah.
Persetujuan (consent) termasuk dalam keputusan yang sama. RolChat menanganinya sebagai add-on berbayar seharga $5 per situs, dengan tiga persetujuan per situs, dan ini tidak tersedia pada paket Lite.
Permintaan penghapusan adalah kasus yang sering membuat tim lengah. Catatan yang dihapus dari helpdesk tetapi masih ada di indeks vektor tetap saja sebuah catatan, jadi periksa apakah penghapusan mencapai pengambilan data dan bukan hanya daftar tiket.
Menjaga jawaban tetap akurat dan sesuai brand
Dua pengaturan memisahkan output yang bisa langsung Anda kirim dari output yang harus Anda tulis ulang.
Yang pertama adalah grounding. Jawaban disusun dari materi yang disetujui: artikel bantuan dan percakapan yang sudah diselesaikan, dan draf membawa sumber yang digunakannya. Jawaban tanpa sumber di baliknya adalah tebakan yang mengenakan nada percaya diri.
Yang kedua adalah suara (voice). Pengaturan nada dan glosarium istilah yang boleh dan tidak boleh digunakan menjaga draf tetap terdengar seperti tim Anda, bukan seperti asisten generik.
Glosarium menjadi lebih penting lintas bahasa. Nama produk dan istilah hukum justru adalah kata-kata yang akan diterjemahkan secara otomatis oleh lapisan terjemahan kecuali diberi tahu untuk tidak melakukannya.
RolChat mencakup 40 bahasa antarmuka dan widget, dan glosarium yang sama berlaku untuk semuanya.
Suara: pertanyaan yang sama, tenggat yang lebih ketat
Suara meningkatkan taruhannya karena tidak ada draf untuk ditinjau. Balasan diucapkan saat dihasilkan, sehingga grounding harus benar sejak awal, bukan dikoreksi pada saat itu juga.
Pembagian praktisnya berdasarkan konsekuensi. Speech to text pada setiap panggilan, karena transkrip tetap berguna meski tidak sempurna. Jawaban otomatis yang diucapkan hanya di tempat yang murah untuk salah: jam operasional, status, routing.
Menit panggilan ditagihkan terpisah dari paket di RolChat, sehingga volume suara menjadi baris yang Anda pantau sendiri, bukan kejutan di dalam harga kursi.
Urutan peluncuran sama pentingnya dengan pengaturannya. Tim yang menyalakan semuanya sekaligus tidak bisa membedakan perubahan mana yang menggerakkan angka mana, dan akhirnya mempertahankan semuanya atau tidak sama sekali.
Urutan yang terbaca dengan jelas adalah klasifikasi terlebih dahulu, lalu draf pada satu antrean, lalu draf di mana-mana, lalu penanganan otonom apa pun. Setiap langkah punya kondisi sebelum dan sesudahnya sendiri.
Mengukur apakah otomatisasi berhasil
Tingkat deflection adalah metrik yang paling sering digaungkan vendor dan yang paling tidak berguna, karena percakapan yang berakhir tanpa manusia bisa berakhir dengan jawaban atau dengan pelanggan yang menyerah.
Empat angka lebih bermakna. Tingkat suntingan pada draf, yang menurun seiring membaiknya grounding. Waktu respons pertama, yang menjadi titik copilot membayar dirinya sendiri. Tingkat pembukaan ulang, yang menangkap jawaban yang hanya terlihat selesai. Penilaian pelanggan yang dipisahkan antara penanganan otomatis dan manusia.
Bacalah angka-angka itu berdampingan dengan tagihan penyedia untuk periode yang sama. Kualitas yang membaik seiring biaya per percakapan menurun adalah hasil yang layak dipertahankan; salah satu saja tidak cukup.
Keempat angka itu membutuhkan pembacaan dari sebelum peluncuran. Tim yang melewatkan baseline akhirnya berdebat soal apakah ada yang berubah, tanpa cara untuk memastikannya.
Batasan yang perlu dinyatakan dengan jelas
Dua batasan perlu dinyatakan dengan jelas. Penerapan on-premise adalah pengaturan Enterprise, bukan sesuatu yang tersedia pada paket yang lebih rendah. Model yang berjalan di perangkat keras Anda sendiri masih direncanakan, bukan tersedia, sehingga kebutuhan akan inferensi lokal saat ini adalah kebutuhan yang belum dipenuhi RolChat.
Harga ditetapkan per perusahaan, bukan per agen, mulai dari $19 pada Lite, sementara Enterprise ditetapkan sesuai permintaan, dan uji coba 30 hari membuka setiap fitur dengan kartu terdaftar.
Otomatisasi juga lebih mudah dinilai begitu saluran-saluran di baliknya sudah berada di satu tempat, yang menjadi topik panduan pendamping.
Pertanyaan yang sering diajukan
Apa sebenarnya yang diotomatiskan oleh perangkat lunak otomatisasi layanan pelanggan?
Meringkas thread, menyusun draf balasan dari konten yang disetujui, mengklasifikasikan maksud, routing, tagging, dan menerjemahkan. Dalam pola copilot, AI menyiapkan semua itu dan agen memutuskan apa yang dikirim.
Akankah AI menggantikan agen layanan pelanggan?
Tidak dalam model copilot, yang merupakan pola yang seharusnya dijalankan sebagian besar tim. Model menyusun draf dan agen meninjau serta mengirimnya. Yang hilang adalah persiapan berulang, bukan orang yang bertanggung jawab atas jawaban.
Apa itu bring-your-own-AI?
Anda menghubungkan kunci penyedia Anda sendiri, sehingga token ditagihkan langsung kepada Anda oleh penyedia tanpa markup platform. Ini juga berarti Anda bisa mengganti model atau penyedia tanpa mengganti helpdesk.
Berapa biaya untuk menjalankan AI?
Ini jauh lebih bergantung pada panjang konteks daripada jumlah percakapan. Thread yang panjang, ringkasan pada setiap percakapan, pengambilan data yang luas, dan peringkasan ulang yang berulang adalah pengaturan yang menggerakkan tagihan, dan ketiganya bisa Anda tentukan sendiri.
Model mana yang harus menangani tugas apa?
Model kecil dan cepat untuk tagging dan maksud, model menengah atau besar untuk draf, dan model terkuat yang tersedia untuk pengembalian dana dan susunan kata kebijakan. Membagi berdasarkan tugas biasanya menghemat lebih banyak daripada penyesuaian prompt.
Bagaimana cara mencegah AI mengarang jawaban?
Dasarkan pada konten bantuan yang disetujui sehingga setiap draf membawa sumbernya, pertahankan langkah peninjauan, dan lacak tingkat suntingan serta tingkat pembukaan ulang setelah peluncuran, bukan hanya tingkat deflection.
Bisakah model berjalan di server kami sendiri?
Penerapan on-premise tersedia pada Enterprise. Model self-hosted masih direncanakan, bukan tersedia saat ini, sehingga kebutuhan keras akan inferensi lokal belum terpenuhi.
Apakah otomatisasi berfungsi lintas bahasa?
Ya. Ini mencakup 40 bahasa antarmuka dan widget, dengan terjemahan dalam dua arah. Simpan istilah produk dan hukum dalam glosarium agar lapisan terjemahan tidak mengubahnya.
Menulis tentang operasional dukungan pelanggan, live chat, layanan berbantuan AI, dan perangkat di balik pengalaman pelanggan yang baik.
LinkedIn
