عوامل هوش مصنوعی در حال تسخیر خدمات مشتری هستند، اما انسان‌ها همچنان اهمیت دارند

هوش مصنوعی مولد با سرعتی چشمگیر در حال دگرگون کردن صنایع است و یکی از عمیق‌ترین تأثیرات آن، توانمندسازی عوامل خط مقدم خدمات مشتریان است. مطالعه‌ای که توسط اداره ملی تحقیقات اقتصادی (NBER) انجام شده نشان می‌دهد که کارمندان پشتیبانی مشتری که از ابزارهای هوش مصنوعی استفاده می‌کنند، شاهد افزایش بهره‌وری نزدیک به ۱۴٪ بوده‌اند.

هوش‌مصنوعی مولد و افزایش بهره‌وری

با ادغام فناوری‌های هوش مصنوعی مانند هوش مصنوعی مولد (Generative AI)، سازمان‌ها می‌توانند بهره‌وری عوامل را تا ۳۵٪ افزایش دهند و به آن‌ها این امکان را بدهند که سؤالات پیچیده و تماس‌های چالش‌ بر انگیز مشتریان را با کارایی و حوصله بیشتری مدیریت کنند.

شرکت 247.ai به‌عنوان یکی از پیشگامان به‌کارگیری هوش مصنوعی مولد برای بازتعریف خدمات مشتریان و تجربه کارمندان این بخش شناخته می‌شود. این شرکت با دانش عملی عمیق در مراکز تماس و تجربه گسترده در کار با مدل‌های زبانی بزرگ و مولد، در حال پیشبرد روش‌های آموزشی مبتنی بر هوش مصنوعی است که برای نیازهای متنوع صنایع مختلف طراحی شده‌اند.

مسیر تحول 247.ai

«آنیمش جین» (Animesh Jain)، مدیر ارشد عملیات247.ai در گفت‌وگویی اختصاصی با «AIM»، بینش‌هایی درباره تکامل شرکت و پیشرفت‌های فناوری آن ارائه داد.

وی توضیح داد: «ما در سال ۲۰۰۱ به‌عنوان یک شرکت تخصصی در این حوزه آغاز به کار کردیم و یکی از پیشگامان این صنعت بودیم. زمانی که این بخش در شهرهایی مانند گورگان، بنگلور و بمبئی شکل می‌گرفت، ما در آن زمان با نام 24-7 Customer شناخته می‌شدیم.»

«دهه اول فعالیت ما بر ارائه خدمات برون‌سپاری فرآیند کسب‌وکار (BPO)، بازاریابی تلفنی برون‌مرزی، پشتیبانی ایمیلی، پشتیبانی فنی در محل و خدمات مشتری متمرکز بود. با تکامل صنعت، ما از اولین شرکت‌هایی بودیم که تحول دیجیتال را پذیرفتیم و به مشتریان خرده‌فروشی کمک کردیم تا از تعاملات مبتنی بر صدا به تعاملات دیجیتالی در سال‌های ۲۰۰۷-۲۰۰۸ تغییر مسیر دهند.»

در اوایل دهه ۲۰۱۰، 247.ai با انجام تملک‌های استراتژیک، تلاش کرد تا زنجیره فناوری خود را تقویت کند. خرید شرکت‌های Voxify و Telme از مایکروسافت به این شرکت اجازه داد تا قابلیت‌های اتوماسیون صوتی خود را بهبود بخشد و برنامه‌های هوش مصنوعی را برای تعامل با مشتریان توسعه دهد.

«جین» توضیح داد: «در حالی که مدل‌های زبانی بزرگ (LLM) به‌تازگی به جریان اصلی تبدیل شده‌اند، ما از سال‌های ۲۰۱۱ تا ۲۰۱۳ با آن‌ها کار می‌کردیم و از هوش مصنوعی برای خودکارسازی IVR (پاسخ صوتی تعاملی) استفاده می‌کردیم. ما بین ۴۰ تا ۷۰ درصد از تماس‌های مشتریان عمده را با استفاده از ربات‌های صوتی، خودکار کرده‌ایم.»

در طول دهه گذشته، 247.ai همچنان مرزهای هوش مصنوعی را گسترش داده و اتوماسیون را در هر دو کانال صوتی و دیجیتال ادغام کرده است. در سال‌های اخیر، این شرکت بر روی هوش مصنوعی مولد متمرکز شده و در حال بررسی پتانسیل آن در تعاملات مشتری و آموزش عوامل خدماتی است.

آموزش عوامل خدماتی با هوش مصنوعی مولد (GenAI)

روش‌های آموزشی سنتی معمولاً از یک رویکرد یکسان برای همه پیروی می‌کنند که این امر یادگیری را برای افراد با سرعت‌های مختلف دشوار می‌سازد.

«جین» در این‌باره گفت: «با استفاده از هوش مصنوعی مولد، آموزش شخصی‌سازی می‌شود. کارآموزان می‌توانند با سرعت دلخواه خود یاد بگیرند که این امر درک مفاهیم و ماندگاری اطلاعات را به میزان قابل‌توجهی بهبود می‌بخشد.»

هوش مصنوعی مولد با ارائه یادگیری شخصی‌سازی‌ شده به کارآموزان و فراهم‌سازی فضا برای مواجهه زودهنگام آنها با محیط‌های واقعی تعامل با مشتری باعث تقویت آموزش و کاهش شکاف بین کارآموزی و تجربه واقعی می‌شود. همچنین از طریق شبیه‌سازی‌های هوش مصنوعی مولد، مواجهه زودهنگام کارآموزان با محیط مشتریان امکان‌پذیر می‌شود، جایی که آنها می‌توانند با انواع شخصیت‌های مشتری (از یک خریدار آنلاین ۱۸ ساله گرفته تا یک بازنشسته ۷۰ ساله) تمرین کنند.

این تعاملات به کارآموزان کمک می‌کند تا قبل از مواجهه با مشتریان واقعی، با رفتارهای مختلف مشتریان و تفاوت‌های فرهنگی آشنا شوند.

کاهش شکاف تجربه نیز یکی از مزایای کلیدی این فناوری است. «جین» توضیح داد: «۴ تا ۱۰ هفته اول کار می‌تواند بسیار چالش‌برانگیز باشد، زیرا عوامل تازه‌کار که از دوره آموزشی به تعاملات واقعی با مشتریان منتقل می‌شوند، اغلب با چالش‌های دنیای واقعی دست‌وپنجه نرم می‌کنند. GenAI این فاصله را کاهش می‌دهد، زیرا می‌تواند سناریوهای مختلفی مانند مواجهه با مشتریان ناراضی را شبیه‌سازی کند. این امر به کارآموزان کمک می‌کند تا قبل از رویارویی با مشتریان واقعی، استراتژی‌های مؤثر پاسخگویی را توسعه دهند.»

شرکت247.ai با استفاده از GenAI، شاهد بهبود چشمگیری در منحنی یادگیری، هوش هیجانی و تحلیل احساسات مشتریان بوده است. کارمندان پشتیبانی مشتری که با هوش مصنوعی آموزش می‌بینند، زمان متوسط رسیدگی به درخواست‌ها (AHT) را کاهش داده‌اند که این امر به افزایش بهره‌وری و رضایت مشتری منجر شده است.

چالش‌های پیاده‌سازی هوش مصنوعی مولد

در کنار پیشرفت‌های گسترده‌ای که هوش مصنوعی مولد ارائه می‌دهد، این فناوری چالش‌های خاص خود را نیز دارد. یکی از چالش‌های اصلی، به‌روز نگه‌داشتن مدل‌های هوش مصنوعی است. در واقع ازآنجایی‌که کارایی هوش مصنوعی به کیفیت و تازگی داده‌ها وابسته است، در صنایع پُرتحولی مانند تجارت الکترونیک، به‌روزرسانی مداوم پیشنهادات و جزئیات محصولات حیاتی است.

اگر هوش مصنوعی مولد از داده‌های قدیمی استفاده کند، فرآیند آموزش عوامل خدماتی دچار مشکل می‌شود. بنابراین، حلقه‌های بازخورد مستمر برای حفظ دقت و به‌روز بودن اطلاعات آموزشی ضروری هستند.

یکی از چالش‌های پیاده‌سازی GenAI، پذیرش فناوری توسط کارکنان است. در حالی که کارمندان جوان‌تر، به‌ویژه نسل زِد، به‌سرعت با ابزارهای هوش مصنوعی سازگار می‌شوند، بسیاری از کارمندان دیگر هنوز در استفاده از سیستم‌های آموزشی مبتنی بر هوش مصنوعی با مشکل مواجه هستند.

با رشد نسل‌های آینده در محیط‌های آموزشی مجهز به هوش مصنوعی، پذیرش این فناوری آسان‌تر خواهد شد، اما در حال حاضر سازمان‌ها باید حمایت و راهنمایی بیشتری برای کارکنان فراهم کنند تا آن‌ها بتوانند به‌طور مؤثر به مدل‌های آموزشی تقویت‌شده با هوش مصنوعی منتقل شوند.

قدم بعدی چیست؟

تقلب و سوء استفاده از داده‌ها همواره از نگرانی‌های مهم در صنعت خدمات به مشتریان بوده است. شرکت‌ها سیستم‌های خود را برای مقابله با این چالش‌ها توسعه داده‌اند. در گذشته، این سیستم‌ها بسیار پرهزینه و وابسته به نیروی انسانی بودند و برای شناسایی ناهنجاری‌ها به نظارت دستی بر تراکنش‌ها نیاز داشتند، اما با گذشت زمان شرکت‌ها مدل‌های تحلیلی خود را برای تجزیه‌وتحلیل داده‌ها، شناسایی الگوها و کشف مشکلات احتمالی ایجاد کردند. به‌عنوان‌مثال، سیستم 247.ai می‌تواند ناهنجاری‌هایی مانند بازپرداخت‌های مکرر به یک مشتری را، که به وضوح نشان دهنده یک مشکل است، تشخیص دهد.

هوش مصنوعی مولد قرار است این روند را به طور چشم‌گیری تسریع کند. اگرچه مدل‌های تحلیلی پیشرفته در حال حاضر برای تشخیص تقلب و رعایت مقررات استفاده می‌شوند، اما توسعه این مدل‌ها زمان‌بر است. در ۷ الی ۸ سال گذشته، صنایع از رویکرد هوش مصنوعی بعلاوه هوش انسانی (AI+HI) حمایت کرده‌اند. چشم‌انداز همیشه واضح بوده است: «خودکارسازی کارهای ساده و تکراری، در حالی که تعاملات پیچیده به تخصص انسانی واگذار می‌شود.»

به عنوان مثال، یک پرسش ساده مشتری مانند «سفارش من کجاست؟» به‌راحتی می‌تواند توسط خودکارسازی مدیریت شود، زیرا بیشتر شامل بررسی و گزارش وضعیت سفارش است. با این حال، زمانی که سناریو پیچیده‌تر می‌شود، مانند زمانی که مشتری‌ خاصی چندین سفارش ثبت کرده باشد، به‌روزرسانی‌های متناقض دریافت کرده باشد و به مرور ناراضی شود، اوضاع تغییر می‌کند. در اینجا، هم پیچیدگی منطقی و هم هوش هیجانی وارد عمل می‌شوند.

در این مرحله، اگرچه هوش مصنوعی می‌تواند اطلاعات ارائه دهد، اما حضور انسان برای درک احساسات مشتری، اطمینان‌بخشی به او و حل مؤثر مسئله ضروری است. یک نماینده انسانی می‌تواند تأخیرها را توضیح دهد، با مشتری همدردی کند و مطمئن شود که او احساس ارزشمندی می‌کند.

این همان نحوه‌ای است که هوش مصنوعی و هوش انسانی باید با هم همکاری کنند: «هوش مصنوعی با ارائه بینش‌ها و ساده‌سازی فرآیندها کمک می‌کند، در حالی که نمایندگان انسانی تعاملات پیچیده و احساسی را مدیریت می‌کنند.»