Den senaste tiden har jag byggt ett AI-system för B2B-kundsupport åt ett företag med över 70 000 aktiva användare. Supportteamet består av tiotals medarbetare som dagligen hanterar allt från frågor om hur produkten fungerar till defekter, ändringsförfrågningar och produktönskemål. Mitt uppdrag var att bygga ett AI-system som hjälper supportmedarbetarna ge bättre svar snabbare.

‍

En av de stora insikterna jag fått är att svarstiden, som ofta lyfts fram som det viktigaste, sällan är där det stora värdet ligger. Ofta när AI och kundsupport kommer upp i samma mening handlar det just om svarstider. "Snabba svar" låter bra på pappret, men svarar du snabbt med fel sak har du inte löst kundens problem.Du har helt enkelt bara skapat irritation.

‍

Innan vi satte igång såg processen ut som den gör hos de flesta supportorganisationer. Ett ärende kom in, en medarbetare läste igenom det, letade manuellt i kunskapsbasen efter relevant information, formulerade ett svar och skickade det. Det fungerade, men det tog tid. Kvaliteten varierade beroende på vem som svarade och hur väl insatt den personen var i just det området.

Projektet började med en MVP

MVP:n hjälpte supportmedarbetarna svara bättre genom att generera förslag på svar. Det verkliga värdet visade sig ligga i att AI:n faktiskt förstår vad kunden menar. Att den kan granska en bifogad skärmbild och se vilket felmeddelande som visas. Att den hämtar rätt dokumentation frånkunskapsbasen, inte bara den som råkar matcha flest nyckelord.

‍

Jag och supportmedarbetarna gick kontinuerligt igenom AI-svaren. Mönstren som dök uppvar inte riktigt de jag hade förväntat mig. Kunder formulerar sig på sätt som är väldigt svåra att förutspå:

‍

• De skickar skärmbilder där den relevanta informationen sitter i ett hörn av bilden. AI:n behöver kunna tolka hela skärmbilden och identifiera vad som faktiskt är relevant, inte bara det som är mest framträdande.
• De blandar språk mitt i en mening. Ett ärende kan börja på engelska och plötsligt övergå till svenska, eller     tvärtom. Systemet måste hantera det sömlöst utan att tappa kontexten.
• De beskriver ofta irrelevanta detaljer och bäddar in den faktiska frågan mitt i en lång berättelse. AI:n     behöver kunna filtrera bort bruset och plocka ut kärnan i ärendet.

Genom att låta AI:n kategorisera varje ärende fick vi en tydlig bild av vad kunderna faktiskt behöver hjälp med, inte vad vi antog att de behövde hjälp med. I praktiken innebär det att AI:n analyserar ärendets innehåll och tilldelar det en kategori baserat på vad kunden faktiskt frågar om. Det ger supportorganisationen data att agera på och hjälper oss rikta förbättringsarbetet dit det gör mest nytta. Varje sådan insikt mynnade ut i ytterligare förbättringar. Ett AI-system för support är aldrig färdigt vid lansering, det är knappt påbörjat.

‍

Efter MVP:n

Vi byggde sedan ett fullfjädrat system, sömlöst integrerat i kundens CSM, som automatiskt genererar svar direkt till kunden. Det här är ingen chatbot som sitter vid sidan av och väntar på att någon ska ställa en fråga, utan AI:ntriggas automatiskt när ett nytt ärende kommer in, analyserar innehållet och svarar kunden i samma flöde som supportmedarbetarna jobbar i. En separat AI bedömer varje svar innan det skickas. Ett AI-svar som låter säkert men är fel är värre än inget svar alls, det urholkar förtroendet och skapar merarbete för supportteamet. Håller svaret inte tillräckligt hög kvalitet eskaleras ärendet till en människa.

En central del i att hålla kvaliteten uppe är den återkoppling supportteamet själva ger. Varje ärende som AI:n besvarar granskas av supportmedarbetarna, som annoterar svaret som "korrekt", "delvis korrekt", "inkorrekt"eller flaggar att det hade behövts ett förtydligande mejl till kunden. Den annoteringen är ovärderlig. Det är den som gör att vi kan mäta hur systemet faktiskt presterar och identifiera var det brister.

‍

Oavsett upplägg är slutsatsen densamma, det är människorna i supportteamet som formar hur AI:n beter sig. Det är deras förståelse för produkten, kundens vardag och de nyanser som finns i varje ärendetyp som avgör om ett AI-svar håller måttet eller inte. AI:n kan generera och analysera, men utan den förståelsen blir resultatet mediokert.

‍

Företag som tror att AI ska ersätta supportteamet kommer att spara pengar på kort sikt och förlora kunder på lång sikt. De riktiga vinnarna är de som ser AI som ettverktyg för att förstärka det befintliga supportteamet.

‍

Avslutningsvis vill jag göra tre medskick till er som står i färd med att utveckla er supportorganisation med hjälp av AI.

För det första anser jag att det är avgörande att börja med att förstå era supportärenden på djupet, inte vad ni tror att kunderna frågar om utan vad de faktiskt frågar om. Dessutom är det klokt att bygga ett system som löser de vanligaste ärendena riktigt bra, snarare än ett som försöker lösa allt halvbra.

‍

Slutligen vill jag understryka att ert supportteam måste vara involverade från dag ett. De vet saker om era kunder som ingen datamängd kommer att berätta för er.

‍

Kevin Rivero Ajamlou är AI Engineer på Arange och arbetar med att implementera AI-lösningar som förbättrar och effektiviserar kundupplevelsen, från strategi till färdig produkt.

‍

{{cta}}