AI i kundtjänst: vad som fungerar, och vad som gör kunderna arga

Kundtjänst är det första någon föreslår när AI kommer på tal, och det är också där de sämsta implementationerna finns. Alla har mött dem: en chattruta som ställer tre frågor, missförstår svaret och till slut erbjuder ett formulär som hade tagit tio sekunder att fylla i från början.

Det som skiljer en lösning som fungerar från en som irriterar är sällan modellen. Det är vad man låter den göra.

Tre upplägg som fungerar

1. Svarsförslag till agenten, inte till kunden

Det minst glamorösa upplägget och nästan alltid det mest lönsamma. Modellen läser ärendet, hämtar relevant historik och tidigare liknande ärenden, och lägger ett färdigt svarsförslag i agentens fält. Agenten redigerar och skickar.

Kunden märker ingen AI alls. De märker att svaret kom snabbare och att det innehöll rätt uppgifter. Risken är låg eftersom en människa läser varje svar innan det går ut, och effekten är direkt mätbar som hanteringstid per ärende.

2. Sortering och prioritering av inkommande

Innan någon svarar måste ärendet hamna rätt. Modellen läser, kategoriserar, sätter prioritet, upptäcker vilken kund det gäller och flaggar det som är brådskande eller upprört. Ingen kund pratar med en modell, men kön blir hanterbar.

Det här är ofta den snabbaste vinsten i en kundtjänst med blandat inflöde, och den som är enklast att mäta: tiden från att ett ärende kommer in till att rätt person har det.

3. Självbetjäning grundad i era egna dokument

Här möter kunden modellen direkt. Det fungerar när tre villkor är uppfyllda: svaren hämtas ur ert eget material och inte ur modellens allmänbildning, svaret hänvisar till källan så att kunden kan läsa vidare, och det finns en tydlig och snabb väg till en människa.

Utan det tredje villkoret spelar de två första ingen roll. En bot utan utgång är den enskilt vanligaste orsaken till att kunder blir arga på ett företags support.

Det som konsekvent misslyckas

• Boten som svarar på allt. En modell utan avgränsning kommer förr eller senare att svara självsäkert på en fråga om återbetalning, garanti eller ett avtalsvillkor — och det svaret är ert ansvar oavsett vem som formulerade det.
• Boten utan utgång. Om det inte går att nå en människa inom två meningar bygger ni inte support, ni bygger ett hinder.
• Modellen som inte når kunddatan. Utan orderstatus, avtal och historik svarar den allmänt om saker kunden redan vet. Det är där de flesta pilotprojekt stannar.
• Ingen mätning. Utan hanteringstid, lösningsgrad och andel ärenden som eskalerar går det inte att säga om det blev bättre. Efter tre månader avgörs frågan av vem som tycker starkast.

Frågan om ton och språk

En modell skriver gärna längre och artigare än en svensk kundtjänst gör. Det låter oskyldigt men märks: ett svar på fem stycken där två meningar räckte läses som att ingen har läst frågan.

Det löses inte med en bättre modell utan med tydliga instruktioner och riktiga exempel på svar ni redan är nöjda med. Ta tjugo verkliga ärenden med bra svar och använd dem som facit. Det är också det testunderlag ni behöver för att mäta kvaliteten över tid.

Vad ni bör mäta

1. Hanteringstid per ärende före och efter. Den mest direkta effekten.
2. Andel ärenden som löses utan eskalering — och viktigare: att den siffran inte stiger för att kunder ger upp.
3. Andel felaktiga svar mätt mot ert testunderlag, inte mot magkänsla.
4. Kundnöjdhet på de ärenden AI rörde vid, jämfört med övriga.

Nollmätningen görs innan något installeras. Görs den efteråt finns inget att jämföra med, och det brukar vara i det läget diskussionen om effekt blir obehaglig.

Var man börjar

Börja med svarsförslag till agenterna. Det är lägst risk, snabbast att mäta och det bygger samtidigt det svåra: åtkomsten till er data, behörigheterna och testunderlaget. Fungerar det kan samma grund bära självbetjäning mot kund — den vägen är kort. Tvärtom är den lång.

Hur den kopplingen mot era befintliga system görs beskrivs i AI och automation, och avvägningen mellan färdig produkt och egen lösning i bygga eller köpa AI. Ramverket för att avgöra om flödet över huvud taget hör hemma i ett AI-projekt finns i AI för företag.