Kundechefen siger, at AI ændrer organisationerne for kundeoplevelse – og derfor går hun over til en model med “servicepods”

Sofia Barbosa er chef for kundesucces hos BMC Software, en B2B-virksomhed, der betjener kunder med komplekse IT-miljøer.

Vi talte med Sofia for at lære, hvordan hun implementerer AI — og hvordan det ændrer hendes CX-organisationsdiagram. Her er, hvad hun sagde.

Ledelse af hele kundelivscyklussen efter salget

Jeg hedder Sofia Barbosa og er chef for kundesucces hos BMC Software. Jeg leder kundeafdelingen, en samlet organisation, der bringer professionelle tjenester, support, kundesuccesstyring, uddannelse og kundens stemme sammen.

Tilsammen dækker disse funktioner hele kundelivscyklussen efter salget, fra implementering og aktivering til løbende succes, anvendelse og fortalervirksomhed.

Vi betjener B2B-kunder, der driver nogle af verdens mest komplekse IT-miljøer, hvilket betyder, at vores teams arbejder på tværs af en lang række kanaler og engagementmodeller, fra strategiske kunderelationer med tæt kontakt til skaleret selvbetjeningssupport.

Hvorfor AI ændrer CX-organisationsdiagrammer

De fleste CX-organisationsdiagrammer afspejler i dag årtiers ophobede kompleksitet: specialiserede teams, snævre overdragelser og processer, der forudsætter, at mennesker udfører hvert trin i arbejdet. AI udfordrer denne antagelse, men mange ledere forsøger stadig at få AI til at passe ind i den eksisterende struktur i stedet for at spørge, hvordan strukturen burde se ud, hvis man designede den fra bunden med AI som en given forudsætning.

Mit råd er bevidst at glemme "som det er" og fokusere på "som det skal være". Det betyder, at man skal modstå trangen til at spørge: "Hvordan passer AI ind i vores nuværende teams og processer?" Spørg i stedet: "Hvis vi byggede denne organisation fra bunden i dag med AI-kapaciteter til rådighed, hvordan ville den så se ud?"

I de fleste tilfælde er svaret enklere end det, der findes i dag: færre siloer, færre overdragelser og roller, der defineres af resultater frem for snævre funktionelle opgaver.

Det er svært, fordi det betyder, at man skal give slip på strukturer, titler og processer, der er opbygget over mange år, men de ledere, der redesigner ud fra "som det skal være" i stedet for at tilpasse "som det er", vil skabe organisationsstrukturer, der både er enklere og mere kapable end de oprindelige.

Hvordan AI muliggør en "servicepodmodel"

Sofia deler

Ansvarligheden flytter sig fra “hvilket team ejer dette” til “hvilken pod ejer denne kundes oplevelse fra start til slut,“, hvilket gradvist reducerer tendensen til at pege fingre og gør det lettere at se, hvor AI reelt hjælper, i modsætning til hvor der stadig er huller, som kræver menneskelig opfølgning.

I løbet af det seneste år har vi implementeret en "servicepodmodel" — en løbende omstrukturering, der skal nedbryde siloerne mellem tjenester, support, CSM og træning samt integrere AI-agenter i det samme samlede organisationsdiagram i stedet for at behandle dem som et separat, påmonteret værktøj.

Drivkraften var, at AI-agenter overtog en voksende andel af de rutinemæssige interaktioner. Vi indså, at hvis AI fungerede uden for den eksisterende teamstruktur, ville det skabe en ny silo — endnu en overdragelseskløft i stedet for at lukke de eksisterende. Derfor arbejder vi på at placere AI-agenter, support, CSM, tjenester og træning under fælles ledelse med fælles indsigt i kundehistorik, åbne problemer og kundekontekst.

Som følge heraf behøver kunderne i de områder, hvor podmodellen allerede er ved at tage form, ikke længere at forklare deres situation igen på tværs af kanaler. Konteksten følger med dem, uanset om AI eller et menneske svarer først.

AI-agenter identificerer også mønstre, såsom almindelige spørgsmål og friktionspunkter, i realtid — hvilket gør det muligt for os proaktivt at opdatere træning og dokumentation i stedet for reaktivt.

Ansvarligheden flytter sig fra "hvilket team ejer dette" til "hvilken pod ejer denne kundes oplevelse fra start til slut", hvilket gradvist reducerer tendensen til at pege fingre og gør det lettere at se, hvor AI reelt hjælper, i modsætning til hvor der stadig er huller, som kræver menneskelig opfølgning.

En AI-arbejdsgang fra start til slut til oplæring af brugere

En AI-drevet arbejdsgang fra start til slut, som vi bruger i dag, fokuserer på oprettelse af indhold og træning, og nu udvider vi den med en adoptionsagent.

Arbejdsgangen begynder med rå input: kundeinteraktioner, supportsager, data om produktbrug og sagsnotater. AI syntetiserer disse for at identificere almindelige spørgsmål, friktionspunkter og mangler i funktionsadoption på tværs af konti.

Herefter udarbejder AI det relevante indhold: træningsmoduler, opdateringer af dokumentation, succeshistorier eller lokaliseret/oversat materiale, afhængigt af de mangler, analysen afdækker. Et menneske gennemgår og finpudser derefter dette udkast, før det publiceres eller indarbejdes i vores bibliotek med trænings- og aktiveringsmateriale.

Værktøjerne til dette består af Salesforce Service Cloud, Microsoft Copilot Studio, Easygenerator, EasyCoach og værktøjer til produkttelemetri.

Vi implementerer også en nyere komponent: en adoptionsagent, der er udviklet internt sammen med Copilot Studio. Den lukker kredsløbet, så agenten ikke blot opretter træningsindhold og venter på, at kunderne finder og bruger det, men proaktivt identificerer, hvor en kunde eller bruger ikke tager en funktion eller arbejdsgang i brug som forventet, og viser den relevante træning eller vejledning direkte for dem på det tidspunkt, hvor de har brug for den.

Arbejdsgangen fra start til slut ser sådan ud: datasignaler → AI-genereret indhold/træning → menneskelig gennemgang og finpudsning → publicering → adoptionsagenten matcher det rigtige indhold med den rigtige kunde på det rigtige tidspunkt baseret på deres faktiske mangler i brugen.

Vi er stadig tidligt i implementeringen af adoptionsagenten, men vores mål er at forvandle indholdsoprettelse fra en envejsudsendelse til et lukket system, hvor AI informerer både indholdsoprettelse og levering.

Sådan skaber AI effektivitetsgevinster inden for CX

Hvad angår de resultater, vi ser, har AI medført betydelige gevinster i skala og resultater. Vi har omtrent tredoblet antallet af succeshistorier og set tilsvarende markante forbedringer inden for automatisering af dokumentation, oprettelse af trænings- og læringskurser, videoindhold og automatisk oversættelse.

Manuel indsats fungerede tidligere som en flaskehals for arbejde som at skrive kundehistorier, lokalisere indhold eller opbygge træningsmoduler. AI udarbejder nu dette arbejde på en brøkdel af tiden, så teams kan producere mere indhold til flere konti og på flere sprog, end det tidligere var muligt.

Fordelingen mellem AI-arbejde og menneskeligt arbejde inden for CX

Overordnet informerer AI nu flere CX-aktiviteter: prioritering af opgaveefterslæb, sagsanalyse, adoptionsplanlægning, oprettelse af succeshistorier og gennemgange af realiseret værdi. På hvert af disse områder syntetiserer AI data, afdækker mønstre på tværs af sager, markerer konti i risikozonen og udarbejder første udkast, mens mennesker gennemgår, finpudser og tilføjer deres vurdering, før noget når kunden.

Aktiviteter, der specifikt kræver mennesker, forudsætter relationskontekst eller strategisk vurdering: håndtering af relationer til fortalere, håndtering af eskaleringer med vigtige interessenter og samtaler om realisering af værdi, hvor "hvorfor" bag en anbefaling betyder lige så meget som selve anbefalingen. AI kan ikke efterligne tillid, tone og den levede historik med kontoen på disse områder.

Fordelingen er enkel: AI komprimerer den tid, der bruges på analyse og udarbejdelse af udkast – arbejde, som tidligere krævede timevis af manuel gennemgang af sager, brugsdata eller notater. Ved at overlade dette til AI frigør vi tid i vores teams, så de kan fokusere på aktiviteter med større værdi.

Hvorfor AI-pilotprojekter skal kunne skaleres fra dag ét

De udfordringer, jeg har set, har i mindre grad handlet om selve AI-teknologien og i højere grad om skalering fra POC til produktion. Mange af disse anvendelsestilfælde fungerede godt i pilotprojekter eller i mindre skala, men vi oplevede, at det var sværere end først antaget at gøre dem til produktionsklare, gentagelige processer – med de rette kvalitetskontroller, integration i eksisterende arbejdsgange og ensartethed på tværs af teams.

Afstanden mellem "det fungerer i en demo" og "det er pålideligt integreret i vores daglige arbejdsform" har været det primære friktionspunkt.

Når det gælder AI, er eksperimentering det rigtige udgangspunkt, og det er afgørende at gå videre uden at vente på perfekt sikkerhed. Men jeg vil råde teams, der starter nu, til at designe med henblik på skalering og produktion fra begyndelsen, selv mens de stadig eksperimenterer.

På den måde sidder man ikke fast i en POC-model, hvor man kører pilot efter pilot, der beviser, at et koncept fungerer, uden at opbygge de underliggende processer, integrationer og kvalitetskontroller, der er nødvendige for at få det i produktion. Hvis man ikke tænker på den vej tidligt, ender man med en kirkegård af vellykkede piloter, der aldrig blev til reel operationel kapacitet.

Mit råd er derfor at bevare eksperimenteringsmentaliteten, men fra dag ét kombinere den med et klart blik for, hvad produktionsmodenhed kræver, så piloter har en reel vej fremad i stedet for at ende som blindgyder.

Sofia deler

Når det gælder AI, er eksperimentering det rigtige udgangspunkt, og det er afgørende at gå videre uden at vente på perfekt sikkerhed…Mit råd er derfor at bevare eksperimenteringsmentaliteten, men fra dag ét kombinere den med et klart blik for, hvad produktionsmodenhed kræver, så piloter har en reel vej fremad i stedet for at ende som blindgyder.

Hvorfor AI ikke kan erstatte menneskelig strategi inden for CX

Forventningen om, at AI kunne skalere dækningen af strategiske konti på samme måde, som den skalerede indholdsproduktion eller dokumentation, har ikke holdt stik. Relationer med tæt kontakt og høj indsats er fortsat grundlæggende menneskedrevne, hvor AI spiller en understøttende snarere end ledende rolle.

I stedet har AI skabt effektivitet i processen. Den hjælper med at forberede strategiske samtaler hurtigere, fremhæver relevante data og kontekst forud for møder og udarbejder materialer, som mennesker derefter tilpasser og præsenterer. Den accelererer menneskeledet strategi, men erstatter den ikke.

Hvordan AI har ændret generationernes kanalpræferencer

En langvarig antagelse, som AI tvang os til at genoverveje, vedrørte generationernes kanalpræferencer: Ideen om, at yngre kunder som standard vælger chat eller selvbetjening, mens ældre kunder som standard vælger telefon eller e-mail, og at vi bør designe oplevelser strengt efter disse generationslinjer.

Vi har konstateret, at AI har udvisket disse skel mere end forventet, men ikke fjernet dem helt. På tværs af generationer søger kunder i stigende grad mod den kanal, der løser deres problem hurtigst.

En yngre kunde kan for eksempel vælge at ringe om noget komplekst, mens en ældre kunde sagtens kan vælge at bruge en AI-chat til noget enkelt. Tidligere ville vi have antaget det modsatte. Hastighed og kvaliteten af løsningen vejer nu ofte tungere end selve kanalen.

Når det er sagt, har vi også set, at behovet for menneskelig kontakt ikke er forsvundet hos visse kunder – ofte, men ikke udelukkende, blandt ældre generationer. Det gælder især komplekse problemer, følsomme situationer eller relationsdrevne samtaler, hvor tryghed og tillid betyder lige så meget som selve svaret. AI har ikke erstattet dette behov. Hvis noget, har AI gjort de tilfælde, hvor menneskelig interaktion virkelig betyder noget, mere synlige, fordi AI nu håndterer den mere transaktionsprægede volumen.

I stedet for helt at opgive generationsperspektivet er vi derfor gået fra "design efter generation" til "design efter behov". Vi bruger AI til at håndtere interaktioner med høj volumen og hurtig løsning for alle, samtidig med at vi bevarer og prioriterer menneskeledede forløb med tæt kontakt i komplekse eller følelsesmæssigt betydningsfulde situationer, uanset hvem der spørger.

Hvorfor CX-ledere skal skabe differentiering med egne data

Mit råd til CX-ledere er at fokusere på differentiering gennem jeres egne data. Generiske AI-funktioner er ved at blive et grundkrav; alle leverandører og konkurrenter har adgang til lignende underliggende modeller og værktøjer. Ægte differentiering kommer fra de proprietære data, I har opsamlet: kundeinteraktioner, brugsmønstre, supporthistorik, kundesuccesresultater og den organisatoriske viden, der er unik for jeres virksomhed og jeres kunderelationer.

De ledere, der vil trække fra, er dem, der behandler disse data som et strategisk aktiv og aktivt tilfører dem til deres AI-initiativer i stedet for at være afhængige af standardiseret AI, der producerer de samme generiske resultater, som andre får. Det betyder, at man nu investerer i datakvalitet, tilgængelighed og integration, så AI-værktøjerne arbejder med den fulde kontekst i jeres kunderelationer frem for generiske mønstre.

Konkurrér ikke på at have AI. Konkurrér på, hvor godt I forankrer jeres AI i de data og den viden, som kun I har.

Følg med

Du kan følge Sofia Barbosas arbejde på LinkedIn.

Der kommer flere ekspertinterviews på The CX Lead!