网站搜索

生成式人工智能将永远改变客户服务。我们是这样实现的


想要利用生成式人工智能的公司必须关注该技术如何使客户受益。

成功地将生成式人工智能 (AI) 注入客户服务需要采用系统方法。 

使用生成式人工智能解决方案改善客户体验意味着重新发明遗留流程并优化数据的访问、分析和应用方式,以做出更快、更明智和更好的决策,为所有利益相关者(员工、客户、业务合作伙伴和客户)提供服务。我们的社区。 

我们想要强调的一点是,在组织应用生成式人工智能之前,必须对流程进行反复检查。错误可能会让构建生成式人工智能系统的公司感到尴尬。在雪佛兰最近的一个例子中,一个人工智能机器人向客户提供了虚假信息,导致了经济损失。与此同时,一家北美航空公司试图提出法律论据,称其机器人是一个独立的实体,其答案不属于该公司的责任。 

在这些情况下,重要的是要记住机器无法区分好数据和坏数据或好流程和坏流程。机器只看到数据并遵循为其创建的流程和规则。

组织还应确保生成式人工智能消耗的数据是准确的,并且他们设计的客户服务流程可以使用生成式人工智能取得成功。从小处开始,从有可衡量的价值和效益的地方开始,从简单的开始,从干净的数据开始,并邀请少数忠实的客户参与您的设计过程,以确保您走上成功之路。 

在上一篇文章中,我们说过仅靠生成式人工智能并不能改善客户体验。我们提供了三个要点建议:数据必须可信、准确、可用;客户流程必须准确、直观、公平;并且需要有可衡量的价值。现在,我们正在讨论组织如何加速人工智能技术的采用,我们将研究生成式人工智能将对客户服务产生最大影响的一些领域。

ChatGPT 的兴起通过为聊天机器人提供生成式人工智能技术来增强客户参与度。几十年来,聊天机器人一直是自助服务工具包的一部分。他们未能彻底改变客户服务,因为他们不够直观,无法以令大多数客户满意的成功率回答问题。 现在我们拥有基于生成和预测人工智能的机器人,人们对这些技术将从根本上改变自助服务的期望很高。

为了更好地了解生成式人工智能的采用如何改善客户体验和客户服务,我采访了两位全球领先的客户关系管理 (CRM)、客户体验 (CX) 和客户服务专家。 

Michael Maoz 是 Salesforce 创新战略高级副总裁。在加入 Salesforce 之前,Maoz 曾担任 Gartner 的研究副总裁和杰出分析师,担任客户服务和支持策略领域的研究负责人。 

Ed Thompson 是 Salesforce 市场战略高级副总裁。在加入 Salesforce 之前,Thompson 是 Gartner 的研究副总裁兼杰出分析师,负责 CX 和 CRM 战略及实施。 Maoz 和 Thompson 就企业在将生成式人工智能解决方案应用于客户服务应用程序和流程之前需要考虑和实施的内容分享了他们的观点。 

企业犯了哪些主要错误? 

Ed Thompson- 目前,关于智能机器人,公司分为两种思想流派或两种方法:它们要么首先考虑提高代理的生产力,要么将其作为目标使用生成式人工智能来减少客户服务代理的数量。

客户服务部门的经理经常对人工智能驱动的生成机器人作为帮助提高座席工作效率的工具的承诺持怀疑态度。多年来,软件供应商做出的承诺未能兑现。相比之下,数字主管、首席运营官和财务主管并不那么关注座席生产力。他们往往对使用新一代人工智能驱动的生成机器人降低成本感到兴奋。

组织可能出错的地方是,当他们采用新一代智能机器人时,却在实施过程中犯了许多过去相同的错误。其中三个错误是:

  1. 构建或部署不属于全渠道解决方案一部分的独立机器人,以便机器人单独运行到语音、电子邮件、WhatsApp、短信、门户和其他服务渠道。
  2. 忽略用于提供问题答案的基础数据是混乱的事实,从而导致向客户提供的答案不正确或无用。
  3. 让客户陷入无法逃脱的重复循环——这种方法会降低满意度分数并加剧升级。

生成式人工智能带来了新的担忧,例如偏见、幻觉和有毒答案。 但旧的担忧依然存在,而且可能更为严重。也许生成式人工智能将为解决未集成和孤立的数据源、过时的数据、质量差的数据、不正确的数据以及糟糕的服务流程和工作流程设计等问题提供动力。我的建议是避免以前机器人实施中的错误。

在开始人工智能计划之前您应该考虑什么? 

Michael Maoz - 首先,修复知识库并清理客户数据。当我们将生成式人工智能添加到糟糕的客户自助服务流程中时,我们只会让事情变得更糟,而且规模比以前更大,后果也更严重。在没有生成人工智能的情况下,聊天机器人会向客户提供不正确的信息,因为底层知识库不正确。一旦添加了生成式人工智能,公司就会发现机器人现在可以完全自信地向客户提供不正确的信息,而不是因为它是幻觉。 

于是,该公司就有了更多雄辩的虚假信息以新的形式传播。最近,我们访问了一支NBA篮球队的网站。我们向机器人询问了有关教练的问题,并收到了有关教练的准确信息。有一个问题——他不是现任教练,而是后来转而执教另一支 NBA 球队的前教练。由于知识库尚未更新,机器人没有当前球队教练的信息。结果产生了一种有趣的幻觉。

Ed Thompson - 除了推进生成式人工智能之外,还有另一种选择。如果大部分知识库都是旧的或不可靠的,那么废弃它并使用可靠的内容从头开始可能会更容易也更好。我们估计,超过 40% 的企业将从头开始,使用生成式人工智能从客户互动(通话、聊天、电子邮件等)中生成知识文章。对于这些企业来说,速度会更快,并且会大大降低因旧的和矛盾的知识来源而产生幻觉的风险。

另外 30% 的服务组织将拥有: 足够的知识;知识足够好以至于他们可以信任;足够好的知识可以解决问题;或者他们可以轻松区分好坏的知识(它的年龄、它的位置、某种形式的质量分数)。在这些示例中,不值得从头开始。

最后 30% 的人会发现数据一团糟,但由于法规、行业或政治的原因,他们将被迫使用它,要么花费多年时间清理数据,要么因为任务太困难而放弃。

建议:考虑从头开始重建知识库。

Michael Maoz - 通过更简单的服务交易,已经有生成式 AI 处理高达 75% 客户请求的绝佳示例。随着时间的推移,这一比例可以提高到 95%。当前结果低于未来结果的原因在于,大部分客户群在信任该技术并有足够信心尝试之前需要接受必要的教育。并非所有客户都对自助服务感到满意,许多客户在与软件而不是与人交互时感到恼火。企业需要开始向客户介绍人工智能的功效和技术内置的保障措施,并与客户沟通如何使用该技术及其给他们带来的好处。

建议:教育客户建立对新生成式人工智能技术的信任

Ed Thompson -十年的研究表明,平均而言,客户越年轻、越富有,他们越喜欢数字渠道而不是人工渠道。为什么?这并不是因为它们在技术上很优越——这是一个谬论。这是因为他们与这些渠道一起成长而无需转换,并发现当他们尝试人工渠道时,这些渠道的用处较小(即更难接触,质量变化更大,而且速度慢)。 

随着时间的推移,随着 Z 世代和千禧一代的数量超过老年消费者和软件用户,我们将看到更多的数字化转变。在 20 世纪 60 年代波普尔和库恩的科学哲学辩论中,人们认为,通过理性的辩论和论证,新的科学理论最终将战胜旧的科学理论。对我来说,新理论获胜是因为旧理论的支持者最终失去影响力或权力,或者退休或死亡。但也有一些例子表明,年龄较大、不太富裕和不懂科技的消费者采用数字渠道的比例与年轻和富裕的消费者相同。 WhatsApp 就是一个例子。是的,它是一个简单的工具,并且受益于网络效应,但年轻的采用者也确实教会了他们的父母和祖父母如何使用它。

建议:针对最不可能采用自助服务的人群进行教育。

Michael Maoz - 这是关于代沟和渠道偏好的一个重要观点。现在,我们来看看数字渠道的流程设计。考虑到生成式人工智能的能力,早期采用者发现了一个惨痛的教训——除非流程的设计使客户能够成功、直观地解决他们的问题,否则在没有人类支持的情况下使用人工智能可能会削弱客户体验。为了加速在客户服务中引入生成式人工智能的成功,领先的公司正在将客户带入流程设计周期,以获取见解并测试他们的反应。

Ed Thompson - 当我参加论坛和会议并听到有关渠道转移或生成式人工智能或客户偏转的讨论时,我一直感到惊讶 - 并且没有讨论客户想要什么。讨论并没有考虑公司客户的需求。甚至没有太多关于客户使用什么设备的讨论。我想说,75% 的讨论是由内而外的——公司想要什么,只有偶尔提到对客户的影响,这表明公司坐下来观察并倾听客户的意见。

生成式人工智能在未来工作中的作用是什么? 

Ed Thompson - 客户服务的未来承诺不仅仅是回答简单问题的点解决方案,而是在于流程中使用的生成式人工智能。这种方法需要运行整个销售流程、营销流程或服务流程,无论是以反应模式响应客户请求,还是作为自主代理主动联系客户以协助解决新出现的问题。长期目标是让客户服务作为一个独立的部门消失,转而变成一个私人助理,有时在客户不寻求帮助的情况下被调用,有时则在响应客户请求时被调用。 

想象一下“客户”,包括通过 API 和传感器连接到公司网络的设备和对象,例如车辆、机械、设备和基础设施。在这些场景中,电梯、桥梁或引擎可以在没有人类知识或干预的情况下“呼叫”帮助,并且该请求被转换为人类代理或软件代理或组合的调度以响应要求。

顺便说一句,我们忘记了客户参与中心(俗称联络中心)是从一个接听电话的中心——呼叫中心——演变而来的。仅在 60 年前,这里甚至还没有呼叫中心。想想真是令人惊奇,也许我们可以从过去了解未来。那个时代的企业是如何生存的呢?一种方法可能是减少专业化。这意味着销售商品和服务的人也为产品提供服务作为其角色的一部分。

Michael Maoz - 这是一个很好的问题。即使在 40 年前,企业也没有刻意将客户体验作为差异化因素。他们认为产品质量和价格至关重要,后来他们发现客户体验在公司发展中发挥着不可或缺的作用。这些公司对他们所做的事情进行了次优化,这意味着客户服务与营销和销售、工程和产品开发总体上被切断了。这一策略一直有效,直到竞争对手意识到需要从客户体验中恢复过来,并重新设计产品和服务以满足客户不断变化的需求。

Ed Thompson - 所以,专业化可能是后来才出现的,而且只是故事的一部分。自第二次世界大战后以来,出现了爆炸性的经济增长,并推出了数万种以前从未想象过的新产品。

Michael Maoz - 我想一些历史背景会有所帮助。在 20 世纪 40 年代的美国,你拿起电话听筒,并不拨打电话。相反,您等待一个声音说:“我怎样才能联系到您?”直到 20 世纪 60 年代左右,没有一家公司拥有自己的呼叫中心,这种变化除了所谓的专业化之外,还代表着规模的巨大转变。

另一方面,在美国,西尔斯目录是一本印刷书,其中包含数千种待售商品,并通过邮寄方式运送到全国任何地方。你可以购买预制房屋、缝纫机或厨房用的任何东西,但只能通过目录购买,而且没有售后支持的概念。你提到了第二次世界大战。第二次世界大战后,郊区和州际高速公路、特许经营企业和零售商兴起,这些企业从当地商店在全国范围内销售各种产品。国家 GDP 增长了两倍,消费者购买商品和服务的速度超过了制造商提供服务的速度。这一过程导致了新的售后服务业务和部门的形成。

Ed Thompson - 回到我最初的观点,我们现在所处的位置,涉及支持客户的所有中介和所有复杂性。我同意,商业领域的重大突破是在 20 世纪 90 年代,玛莎·罗杰斯 (Martha Rodgers) 和唐·佩珀斯 (Don Peppers) 等有远见的人围绕一对一营销的未来所做的工作实现的。这种方法符合你关于“客户服务”作为一个独立部门消失的观点,并进一步看到每个消费者或客户拥有一个了解他们需求的个人助理的可能性。我们也可能会在未来看到大众营销的终结。活动管理和电子邮件的大规模营销可能会在未来五年内消失。相反,营销将使用与个人助理相同的理念,在正确的时间通过正确的渠道策划正确的报价。

您应该如何实现生成式人工智能? 

Michael Maoz - 这些都是重要的项目,我们可以期望 IT 和业务部门(营销、销售、客户服务、计费、物流)找到新的协作机会。想要部署生成式人工智能解决方案来处理客户服务请求的业务部门必须与生成式人工智能领导者交朋友,以改善客户体验。 

最好的公司明白,核心业务流程需要从外到内设计,这意味着从客户的角度出发。这种方法受到组织设计的阻碍,组织设计中核心 IT 角色未集成到客户流程中。集成系统、构建自动化、迁移数据和创建数据可视化等 IT 技能与营销、数字商务以及销售和服务等面向客户的角色相去甚远。 IT 团队拥有生成式人工智能技能,营销、销售、商务和客户服务对面向客户的流程如何发挥最佳效果有着深刻的见解。创建具有共同责任和共同成功指标的跨部门团队有助于将生成式人工智能计划的重点放在对客户最有利的方面,并优先考虑生成式人工智能解决方案的顺序。

Ed Thompson - 我们可以将通过生成式 AI 取胜的公司的见解总结为:

  1. 95% 的公司几乎没有或根本没有生成式人工智能技能。不要以为你可以用传统方法去获取人才,也不能等待能力的发展。
  2. 有远见的企业将决定尽可能提高员工的技能。
  3. 在业务流程设计之后,一个重要的起点是将重点放在即时设计和数据治理上。
  4. 伟大的企业将确保技术技能不会被困在 IT 内部。

生成人工智能中语音的未来是什么?

大脑处理语音和文本的方式不同,在客户服务方面各有优势。人类打字或发短信的流畅度仅为语音或图像处理速度的三分之一。在许多情况下,从隐私到精确,都有理由选择文本。还有一个优点是,人类说话时的精确度远远低于打字时的精确度。例如,一个人可能会与人交谈,说他们想在棒球比赛的一垒线上购买两张票:“我想要两张位于一垒线上的票。是的,两张票,无论座位好多少你有,如果没有,我就拿三垒。”他们永远不会边说边写、打字或发短信。他们会先思考,然后输入一次或使用视觉提示,例如包含可用性和价格的体育场数字地图。

对于语音人工智能界面,语音机器人需要弄清楚第二次提到的两张门票是多余的,并且替代位置是指体育场的第三垒一侧以及什么构成“好”。文本和图像之间的差异更加显着。人类处理图像数据的速度比文本数据快数千倍。当前的客户服务、现场服务和商业系统以及许多其他学科将需要能够理解人类意图的生成式人工智能解决方案,除非请求简单且明确。复杂场景中的生成式人工智能可能会补充标准工作流程和预测性人工智能。我会更进一步。真正具有差异化的生成式人工智能的最佳用途,将是那些将生成式人工智能与预测性相结合,或者将两者与更传统的工作流程相结合的用途,而不仅仅是基本/商品用例。

生成式人工智能很强大,但规则也适用

生成式人工智能是客户服务工具的一个令人惊叹的补充,无论是对于将通过其带来的知识和建议丰富的人工代理和技术人员,还是对于将获得快速、准确服务的客户而言。专注于客户服务并做好服务的企业会记住以下基本知识:

  • 顾客不应感到压力。
  • 他们应该让互动满意。
  • 这种互动加强了企业对客户的理解。
  • 对话与之前和之后的互动是一致的——与关系的其他部分没有脱节。
  • 有一种方法可以根据需要联系人类。
  • 客户服务体验并不像是一个孤立的部门,而是整体业务的反映。
  • 深思熟虑的流程设计让技术和工程几乎隐形,给客户留下了深刻的印象,这给客户带来了一点新意和惊叹。

埃德·汤普森 - “我们应该考虑这一切发生的时间表。我们可能会考虑长达十年的规划范围。同时,组织需要非常灵活地他们的生成式人工智能规划,随着技术和组织能力的成熟,机会、优先事项和能力将会发生变化。”

是的,我们希望初始试点和早期项目能够快速获得回报。我们建议不要计划在未来两年内在客户服务中一次性部署 20 个生成式 AI 用例。在 Salesforce,我们正在处理跨客户服务的 20 个用例,以及我们其他云中的数十个用例。我们都可以预计,两年内客户服务将出现 50 个用例。

入门

底线是生成式人工智能,而通往自主服务代理的道路是长期计划。你可以一路期待胜利,有趣的是你可以把你的职业生涯押在上面。

生成式人工智能代表了企业对软件的看法发生了根本性变化。我们必须记住,生成式人工智能超越了预测式人工智能。生成式人工智能不是根据严格定义的规则提供输出,而是创建新数据和新内容。安全可靠地创建这些结果将取决于干净的数据以及近乎实时地访问该数据。集成和可靠的 API 将至关重要,对数据和数据治理的一定程度的信任也至关重要。

总之,在构建生成式人工智能能力时,以下是一些建议:

  1. 不要因为并行追求 100 个用例而让海洋沸腾。专注并尝试一些事情,但要专注于将三个概念验证投入生产,并获得经过验证的财务回报,而不仅仅是围绕“节省时间”的指标。
  2. 在许多情况下,不要将生成式人工智能用作敲击每颗钉子的锤子,在这些情况下,预测性人工智能将提供相同的结果,并且已经存在并得到验证。
  3. 不要去招募技能。只要有可能,就提高员工的技能。这是认识你的才华的好方法。寻找有兴趣学习的人。为他们提升技能腾出空间。重点关注 IT 外部人员的快速设计技能和快速行动/工作流程技能以及 IT 内部人员的数据技能。
  4. 专注于工作流程。生成式人工智能在销售流程、客户支持流程、营销流程、电子商务流程和现场服务流程中影响最大。
  5. 谨防副驾驶数量激增。每个需要维护和支持的应用程序需要一名副驾驶 - 想象一下 1,000 个应用程序有 1,000 名副驾驶。
  6. 除非您是大型银行或科技公司,否则请将模型调整工作集中在两个或三个特定于行业的用例上,并使用现有供应商的开箱即用技术来完成其余的工作。
  7. 最重要的是,关注数据质量、访问和治理。这些是人工智能需要的燃料,因此它需要投资——而且可能比人工智能投资本身还要多。
  8. 写信给我们。我们喜欢回答问题并分享我们所知道的信息:Michael 为 mmaoz@salesforce.com,Ed 为 ed.thompson@salesforce.com 

本文由 Salesforce 创新战略高级副总裁 Michael Maoz 和 Salesforce 市场战略高级副总裁 Ed Thompson 共同撰写。 

相关文章