Yapay zeka yatırımları ile ön saflardaki güven arasındaki büyüyen uçurum, hızlı benimsenmesine ve günlük kullanımına rağmen müşteri hizmetleri kuruluşlarında giderek daha belirgin hale geliyor.
UJET'in son raporu, memurların yapay zekanın doğruluğu, bağlamı ve gerçekliği konusunda ihtiyatlı olmaya devam ettiğini gösteriyor–%93'ü ilk bakışta yapay zeka çıktılarına tam olarak güvenmediği için bu durum dünya çapında kullanılabilir. artık neredeyse her müşteri etkileşiminin içine yerleştirilmiş olmasına rağmen.
Sonuç olarak yapay zeka, onu ön saflarda gerçekten güvenilir kılmak için gereken veri toplama, iş akışları ve sistem mimarilerinden daha hızlı bir şekilde devreye alındı.
CX Today ile yaptığımız görüşmede, UJET'in CEO'su Vasili Trianttemsilcilerin değişime direndikleri için değil, veriler kötü tasarlanmış olduğu için yapay zekaya güvenmediklerini savunuyor–Parçalanmış sistemler onların güvenini kazanmadı.
“%93'lük doğrulama oranı davranışsal bir sorunu değil, sistem tasarımı sorununu yansıtıyor” diye açıkladı.
“Yapay zeka parçalanmış veri ortamlarına yerleştirildiğinde sonuç, zayıf yapay zeka uygulamasını yansıtıyor.”
Ön saflarda doğruluk neden başarısız oluyor?
Kurumsal ortamlarda yapay zeka araçları genellikle parçalanmış veri kaynakları üzerinde katmanlanır ve müşteri verilerini, etkileşim geçmişini ve gerçek zamanlı sinyalleri birden fazla sisteme dağıtır.
Sonuç olarak, özellikle modeller senkronize bağlam olmadan yanıtlar ürettiğinde muhtemelen yapısal olarak hatalı sonuçlara yol açan tamamlanmamış bir operasyonel resim yaratılır.
Buradan hareketle, yapay zeka sistemlerinin gerçek zamanlı müşteri bağlamına erişimi olmadığında mimari sorun daha belirgin hale gelebilir, bu da modellerin kısmen güncelliğini yitirmiş veya mevcut durumu yansıtmayan tutarsız yanıtlar üretmesine neden olabilir.
Temsilcilerin %15'i gerçek zamanlı yapay zeka önerilerinin güvenilmez veya yanlış olduğunu kabul ederken, %54'ü yapay zekanın faydalı olduğunu ancak yeterli bağlam ve derinlikten yoksun olduğunu ifade ettiğinden, bu boşluk, öneriler ile müşteri ihtiyaçları arasında halüsinasyon ve yanlış hizalama olasılığını artırıyor.
Triant şöyle devam etti: “Yapay zekanın müşterinin son temas noktasıyla ilgili en son gerçek zamanlı verilere erişimi yoksa, yapay zekanın halüsinasyonlu tepki verme riskleri hızla artar.”
“Temsilciler, kör güvenin müşteri deneyimi açısından risk oluşturduğunu bilecek kadar yanlış cevap ve bağlamdan bağımsız öneri gördü.”
Sonuç olarak birçok kuruluş, altta yatan sınırlamanın mimari uyuşmazlık olduğu durumlarda, bunu daha fazla kullanıcı eğitimi veya uyumluluğu gerektiren davranışsal bir sorun olarak yorumluyor.
Doğrulama aşırı miktarda zaman veya çaba gerektirdiğinde, canlı müşteri etkileşimlerinde hata maliyeti yüksek olduğundan kullanıcılar genellikle şüpheciliğe kapılabilir.
Triant, “Amaç doğrulamayı ortadan kaldırmak olmamalı” diye açıklıyor.
“Bunu zahmetsiz hale getirmesi gerekiyor. Bir temsilci, bir yapay zeka önerisini 20 yerine iki saniyede doğrulayabildiğinde, kalite yüksek kalır ve verimlilik sonunda gerçeğe dönüşür.”
İlk varsayımlar mevcut sürtünmeyi nasıl şekillendirdi?
İkincisi, temsilciler ile yapay zeka arasındaki güven açığı aynı zamanda teknolojinin başlangıçta kurumsal sistemlerde nasıl konumlandırıldığı ve dağıtıldığıyla da şekilleniyor; otomasyon, dikkat dağıtma ve maliyet düşürmeye odaklanan ilk endüstri anlatısı hakim.
O andan itibaren bu çerçeve, kuruluşları yapay zekayı mevcut operasyonların üstüne bir yedek katman olarak ele almaya teşvik etti; bu da yapay zeka araçlarının zaten operasyonel olarak parçalanmış ortamlara dahil edilmesi anlamına geliyordu.
Temel iş akışını yeniden tasarlamak yerine, modellerin bireysel olarak iyi performans gösterdiği durumlarda bile sonuç, günlük verimlilikte sınırlı bir iyileşme oldu.
Aslında temsilcilerin yaklaşık %78'i yapay zeka araçlarının dönüştürücü olmadığını, %81'inin tek bir etkileşim sırasında dörtten fazla aracı yönetmesi gerektiğini ve yaklaşık %20'sinin aynı anda yedi veya daha fazla aracı kullanması gerektiğini bildirdi.
Bu zorlu koşullara rağmen %93'ü işlerini yapay zeka olmadan da yapabileceklerini kabul etti; bu da araçların henüz temel yürütmeyi değiştirecek tutarlı bir iş akışına entegre edilmediğini gösteriyor.
Bununla birlikte, başarı ölçütleri hâlâ çoğunlukla iyileştirilmiş iş akışı performansı yerine personel sayısının azaltılması olarak tanımlanıyor ve temsilcilerin karşılaştığı yapısal verimsizlikleri ele almıyor.
“Sektör yıllardır yapay zekanın değerini dikkat dağıtma ve iş gücünün azaltılmasına dayandırdı” diye açıklıyor.
“Bu, yatırımları yanlış sonuçlara itti ve yatırım getirisi konusunda gerçekçi olmayan beklentiler yarattı.”
Yapay zeka, başlangıçta hiçbir zaman gerçek zamanlı zeka veya sistemler arası koordinasyon için tasarlanmamış iş akışları üzerine katmanlı olarak yerleştirildiğinden, bugün birçok aracı hâlâ bağlantısız araçlar arasında hareket ediyor, birleşik bir bağlamı olmayan sistemler arasında bilgileri yeniden giriyor veya uzlaştırıyor.
Doğru yapay zeka çıktıları bile doğrudan iş akışına uygulanamazlarsa değer kaybeder.
Triant, “Şirketler de sorumluluğu paylaşıyor. Yapay zeka genellikle onlarca yıl önce tasarlanan iş akışlarında kullanılıyor” diye devam etti.
“Ajanların hâlâ beş veya altı bağlantısız sistemle uğraşması gerekiyorsa, iyi yapay zeka bile değer sunmakta zorlanır.”
Bu, kuruluşların yatırım getirisi tartışmasını yapay zeka performansının anlamlı bir ölçümüne kaydırmasına, daha az bağlam geçişi, daha hızlı çözüm yolları ve canlı etkileşimler sırasında daha tutarlı karar desteği için mevcut ekipler için sürtünmeyi ne kadar etkili bir şekilde azalttığını değerlendirmesine olanak tanır.
Başarısız self servisin duygusal maliyetleri
Sonuç olarak, birçok kuruluşun çözüm yerine kontrole odaklanması nedeniyle yapay zeka destekli self-servis konusundaki güven kaybı büyük ölçüde bu sistemlerin yapılandırılma şeklinin bir sonucudur.
Müşterileri mümkün olduğu kadar uzun süre otomatikleştirilmiş akışlarda tutmak için birçok uygulama tasarlandığında, bu teknik, başarılı sonuçlara göre sapma oranlarını optimize ederek yapısal bir boşluk yarattı.
Bir araç soruları yanıtlayabildiğinde ancak değişiklik yapmakta zorlandığında, çözülmemiş sorunları ileri iterek hayal kırıklığını artırır. Müşterilerin yaklaşık %65'i, yapay zekadan insan temsilciye geçiş yaptıktan sonra bilgileri tekrarlamak zorunda kaldıklarında hayal kırıklığına uğradığını bildiriyor.
Aslına bakılırsa temsilcilerin %14'ü artık başarısız self-servislerin doğrudan bir sonucu olarak daha fazla duygu yüklü etkileşimlerle ilgilendiklerini söylüyor; zira temsilcilerin %75'i müşteri etkileşimlerinin dörtte üçünden fazlasında zaten yapay zekaya sahip.
“Çoğunlukla kendim–Hizmet, müşterileri insanlardan uzak tutacak şekilde sınırlama etrafında tasarlandı” dedi Triant.
“Ancak müşteriler temsilcilerden kaçmaya çalışmıyorlar. Bir sorunu çözmeye çalışıyorlar ve bağlantının anında kesildiğini hissediyorlar.”
Dahası, self-servis sistemler anlamlı bir eylemde bulunamadığında, çözülmemiş sorunları genellikle müşteri adımları tekrarladıktan veya bilgileri birden çok kez sağladıktan sonra alt kademeye aktarma eğilimindedir.
“Self-servis yalnızca soruları yanıtlayabiliyor ve eylem gerçekleştiremiyorsa, duygusal açıdan en yüklü vakaları tırmandırıyor” diye açıklıyor.
“Müşteriler acentelere hüsrana uğramış halde geliyorlar ve yeniden başlamak zorunda kalıyorlar.”
Bununla birlikte, daha etkili bir mimari, self servisi, geçişler arasında bağlamı koruyan, böylece aracıların daha önce denenmiş olanların tam geçmişini almasını sağlayan sürekli, durum bilgisi olan bir yolculuğun parçası olarak görür.
Müşteri için bu, yineleme sürtünmesini azaltır ve insan etkileşiminin otomasyonun kaldığı yerden başlamasına olanak tanır.
Triant, “Self-servis, devam eden bir yolculuğun çıkmaz sokak değil, ilk bölümü olmalıdır” diye vurguluyor.
“Bir tırmanma meydana geldiğinde, temsilcinin tüm bağlamı devralması gerekir, böylece deneyim bir yeniden başlatma değil, bir devammış gibi hissedilir.”
Sonuçta yapay zekanın benimsenmesi ile ön saflardaki güven arasındaki kopukluk, kurumsal mimarinin CX tutkusuna ayak uyduramadığını gösteriyor.
Yapay zeka müşteri yolculuklarının bir parçası haline geldikçe müşteri üzerindeki etkisi uygulamaya ne kadar etkili bir şekilde dahil edildiğine bağlı olacaktır.–Tutarlı iş akışlarına entegre edilmiş ve temsilcilerin çalışma şekline göre uyarlanmış zaman verileri.
Bir yapay zeka bilişsel yükü azaltabilir, bağlamı koruyabilir ve operasyonel sürtünmeyi ortadan kaldırabilirse müşteri güveni de kendiliğinden gelecektir.
Bir yanıt yazın