De fleste supportteams har investeret i AI et eller andet sted i deres arbejdsgang. En chatbot håndterer
henvendelser i første linje, en vidensbase giver medarbejderne noget at slå op i, en supervisor gennemgår et par dusin samtaler hver uge med henblik på kvalitetssikring, og et rapporteringsdashboard fortæller lederne, hvad der skete i sidste måned. Hvert værktøj udfører sin opgave godt nok på egen hånd, men størstedelen af dem taler ikke sammen på nogen meningsfuld måde.
Chatbotten ved ikke, hvad deres kvalitetssikringsproces markerede i sidste uge. Der er ingen indsigt i, hvilke artikler der er forældede eller vildleder kunder i vidensbasen. Og rapporteringslaget kan fortælle dig, at CSAT faldt, men det kan ikke forklare hvorfor.
For supportdrift i regulerede brancher som videregående uddannelser, bankvæsen, sundhedspleje og
iGaming har denne manglende sammenhæng stor betydning. Kravene til overholdelse af regler er strenge, mængden er høj, og omkostningen ved et forkert svar rækker langt ud over en frustreret kunde.
Comm100 AI-pakken blev udviklet ud fra idéen om, at disse værktøjer ikke bør fungere i siloer. Seks AI-produkter, der hver især er bygget til en specifik fase i servicecyklussen, føder alle ind i hinanden i det, Comm100 kalder AI-svinghjulet.
Hvad er Comm100 AI-svinghjulet?
Supporthenvendelser følger en forudsigelig vej. En kunde stiller et spørgsmål, en medarbejder (menneske eller AI) løser det, interaktionen afsluttes, og derefter evaluerer nogen interaktionen og anvender de læringspunkter, der kommer ud af den.
Dette sidste trin sker sjældent i de fleste organisationer. Evalueringerne er overfladiske, læringspunkterne finder sjældent tilbage til træning eller dokumentation, og cyklussen starter forfra uden nogen reel forbedring indbygget i den.
Comm100 AI-svinghjulet blev bygget på årtiers forskning i supportdrift og behandler hele denne cyklus som en lukket sløjfe, hvor hvert trin genererer data, der forbedrer det næste.
AI håndterer samtaler, evaluerer dem, udleder indsigt fra dem, opdaterer viden baseret på det, den finder, træner medarbejdere ved hjælp af virkelige scenarier og fører alt dette tilbage til den næste interaktion.
Systemet bliver målbart bedre med tiden, fordi forbedring er indbygget i den måde, platformen
fungerer på, ikke fordi nogen huskede at planlægge en kvartalsvis gennemgang.
Fase 1: Løsning af kundehenvendelser med AI-agenten
Den mest åbenlyse flaskehals i enhver supportdrift er indgangen, hvor kunderne ankommer med spørgsmål, og nogen skal besvare dem. På videregående uddannelser kan det se ud som en strøm af spørgsmål om økonomisk støtte hver september.
I iGamings hastigt bevægende verden kan det være en stigning i henvendelser om kontobekræftelse efter lanceringen på et nyt marked. Mønstret varierer fra branche til branche, men det underliggende pres er altid det samme: for mange gentagne spørgsmål, der optager for meget af medarbejdernes kapacitet.
Comm100 AI-agenten håndterer de rutineprægede, forudsigelige samtaler, der ikke kræver menneskelig dømmekraft, såsom nulstilling af adgangskoder, kontrol af kontostatus og politiske spørgsmål med klare svar.
Det, der adskiller den fra en standardchatbot, er måden, den genererer svar på: fra verificerede, godkendte kilder i stedet for åbne sprogmodeller. I brancher, hvor et forkert svar kan udløse et problem med overholdelse af regler, gør denne forankring en reel forskel.
Når AI-agenten ikke kender et svar, siger den det og viderestiller til et menneske i stedet for
at improvisere noget, der lyder overbevisende, men ikke er korrekt.
For supportteams, der håndterer sæsonudsving (store sportsbegivenheder som Super Bowl, perioder med
åbent optag, produktlanceringer), løser AI-agenten også det skaleringsproblem, der
traditionelt har krævet ansættelse og oplæring af midlertidigt personale.
AI håndterer stigninger i mængden uden nogen indkøringstid, hvilket betyder enormt meget, når en tre måneder lang stigning ellers ville kræve ugers introduktion af medarbejdere, som måske ikke bliver efter den travle sæson.
Want to learn more about Comm100?
Fase 2: Hjælp medarbejderne med at arbejde hurtigere med AI-copiloten
Comm100 AI-copiloten arbejder sammen med medarbejderne i realtid, viser relevant viden,
foreslår svar og håndterer opgaver efter samtalen som opsummering og mærkning.
Den løser også en af de mindre synlige produktivitetsdræn i support: afslutningsarbejdet. Kategorisering af
samtaler, skrivning af opsummeringer og udfyldning af CRM-felter fremgår ikke af kundevendte målinger, men de tager tid fra det, medarbejderne kunne bruge på faktiske samtaler med kunder, der venter.
Komplekse problemer, særlige tilfælde og situationer, der kræver menneskelig dømmekraft, udgør stadig en
betydelig del af supportmængden, og disse samtaler lander hos medarbejdere, der skal
svare hurtigt og præcist.
Medarbejdere i regulerede brancher bruger ofte overraskende meget tid på at gennemgå omfattende
politikker og retningslinjer, før de overhovedet kan begynde at formulere et svar, og den søgetid løber hurtigt op, når man håndterer flere chats samtidig.
I feedbacksløjfen henter AI Copilot fra de samme videnskilder som AI Agent, hvilket
betyder, at agenterne og AI altid arbejder ud fra identiske oplysninger. Du kan også tilføje
interne dokumenter som videnskilde til AI Copilot, hvilket giver den mere kontekst i de daglige samtaler end AI Agent. Når AI Knowledge (mere om det nedenfor) opdaterer en artikel, kan både AI-agenter og menneskelige agenter se ændringen med det samme, uden forsinkelse og uden versionsuoverensstemmelser.
Fase 3: Læsning af alle samtaler med AI Insights
Comm100 indså vigtigheden af ikke blot at opbygge løsninger, men også at tilføje et overvågningslag ovenpå, der rent faktisk leverede nyttige målinger. Ledere i de fleste supportorganisationer har adgang til flere data, end de realistisk kan behandle.
De har tal for volumen, CSAT-scorer, svartider og løsningsrater, men meget lidt klarhed over, hvad der får disse tal til at stige eller falde. De underliggende årsager findes som regel i samtaletransskriptioner, og ingen har tid til at læse tusindvis hver måned.
Comm100 AI Insights læser alle samtaler i stedet for at udvælge en håndfuld, følger kundernes stemning i realtid og identificerer, hvilke emner der skaber mest friktion. En af de mest praktiske funktioner er Spotlights, som lader ledere definere præcis, hvad de vil spore, ved hjælp af naturligt sprog.
Et bankteam kan oprette en Spotlight for enhver samtale, der nævner uautoriserede
transaktioner, mens et universitet kan spore omtaler af en bestemt tilmeldingsfrist. AI
finder automatisk disse interaktioner og omdanner vage bekymringer til konkrete beviser, som
lederne kan handle på samme dag.
I feedbacksløjfen føres Insights-data direkte ind i de andre værktøjer. Hvis følelsesanalysen viser, at kunderne konsekvent er forvirrede over en bestemt politik, kan lederne bruge det som et signal til at opdatere deres vidensbase ved hjælp af AI Knowledge.
Hvis bestemte emner fører til et stort antal eskaleringer, informerer disse data om, hvordan AI Agent bør konfigureres til at håndtere dem fremover.
Den største fordel ved dette værktøj er, hvor nemt det gør det for ledere at få en bedre forståelse af hver enkelt medarbejders præstation. Ved hjælp af naturligt sprog kan de identificere mønstre, friktionspunkter eller forbedringsområder for hver agent og bruge disse oplysninger til bedre coaching gennem et andet af Comm100s værktøjer.
Fase 4: Opretholdelse af nøjagtig viden med AI Knowledge
Selvom Comm100 også tilbyder en dynamisk vidensbase, er deres AI-drevne vidensstyringslag et fantastisk værktøj, der virkelig afspejler virksomhedens ekspertise inden for supportområdet.
Alle vidensbaser har en halveringstid. Den dag en artikel udgives, begynder den at afvige fra virkeligheden, efterhånden som produkter ændres, politikker opdateres, og nye spørgsmål opstår, som ingen havde forudset, da det oprindelige indhold blev skrevet.
Traditionelt gennemfører virksomheder regelmæssige revisioner, hvor nogen gennemgår artikler og opdaterer det, der er forældet, men i praksis bliver disse revisioner aldrig fulgt op på i tide. For at løse dette udviklede virksomheden Comm100 AI Knowledge.
Det overvåger løbende indholdets kvalitet, markerer problemer som slåfejl, forældede referencer eller manglende trin og gennemgår virkelige samtaler for at identificere spørgsmål, som vidensbasen endnu ikke dækker.
Når det finder et hul, udarbejder det et forslag til en løsning. Når det finder en unøjagtighed, foreslår det en revision.
Lederne kontrollerer omfanget af hver revision og kan spore alle ændringer via et analysedashboard, så intet offentliggøres uden menneskelig gennemgang. I stedet for at skulle gennemgå
vidensbaseartikler manuelt kan teams blot lade AI opdatere dem for sig.
Det er her, feedbacksløjfen bliver mest synlig. Samtaler, der analyseres af AI Insights,
afslører huller i viden, AI Knowledge udfylder disse huller, AI Agent og AI Copilot
bruger straks det opdaterede indhold i deres næste interaktioner, og fremtidige samtaler forbedres som følge heraf.
Den næste analyserunde bekræfter, om forbedringen har haft den ønskede effekt, og cyklussen fortsætter.
Fase 5: Evaluering af kvaliteten i 100 % af interaktionerne med AI QA
Kvalitetssikring i de fleste supportorganisationer betyder, at en leder gennemgår en håndfuld
samtaler hver uge og håber, at dette udsnit repræsenterer det, der reelt foregår på tværs af
tusindvis af interaktioner.
Alene matematikken gør denne tilgang upålidelig, og i brancher som spil eller bankvirksomhed, hvor overholdelse af lovgivningen ikke kan forhandles, er det et alvorligt problem at opdage et hul i overholdelsen flere uger efter, at det begyndte at påvirke kunderne.
Comm100 AI Quality Assurance evaluerer alle interaktioner, både menneskelige og AI-baserede, ud fra kriterier, der kan tilpasses. Det scorer samtaler på områder som nøjagtighed, tone, overholdelse af regler og fuldstændighed i løsningen og markerer problemer, mens de opstår, i stedet for at vise dem i en månedlig rapport, der allerede er forældet, når nogen læser den.
Teams kan også konfigurere deres egen stikprøverate og vælge at gennemgå alle samtaler eller en defineret procentdel, så QA-dækningen skalerer med deres volumen uden unødigt at bruge AI-kreditter.
Inden for det selvforstærkende kredsløb kan QA-scorer føres i to retninger. De kan bruges til at informere AI-indsigt og give ledere konkrete data om, hvor deres team udmærker sig, og hvor der er behov for coaching.
Og de forbindes med AI-træning, så nye agenter specifikt oplæres i de områder
hvor teamet har størst mulighed for at forbedre sig.
Fase 6: Hurtigere oplæring af agenter med AI-træning
Comm100 AI-oplæring opretter realistiske simuleringer ved hjælp af faktiske samtaledata, så nye agenter kan øve sig i at håndtere scenarier, de reelt vil møde på jobbet, og modtage øjeblikkelig AI-feedback på deres præstationer.
Denne tilgang kan reducere oplæringstiden betydeligt og samtidig opbygge større selvtillid
fordi agenterne allerede har navigeret i realistiske versioner af deres vanskeligste interaktioner, før de nogensinde går live.
Oplæring af agenter i regulerede brancher er notorisk langsom. En ny medarbejder i en kreditforening kan bruge flere uger på at lære reglerne for overholdelse af regler, før vedkommende får lov til at håndtere en live-samtale, og inden for videregående uddannelser kan oplæring i de specifikke aspekter af økonomisk støtte, registratorprocesser og akademisk vejledning tage lige så lang tid. Traditionel oplæring er i høj grad baseret på klasseundervisning og manuskriptbaserede rollespil, der ikke afspejler den faktiske kompleksitet i virkelige kundesamtaler.
AI-træning lukker kredsløbet ved at trække på alle andre værktøjer i pakken. QA identificerer
hvor agenter har udfordringer, AI-indsigt viser, hvilke emner der skaber mest friktion, og AI-viden leverer kildematerialet til oplæringsscenarier.
Når en nyuddannet agent begynder at håndtere virkelige samtaler, føres interaktionerne direkte tilbage i systemet, hvilket skaber en kontinuerlig forbedringscyklus, der forstærkes over tid.
Hvorfor forbindelserne mellem værktøjerne er vigtige
De individuelle funktioner i hvert Comm100 AI-produkt er værdifulde i sig selv, og ethvert af dem kan forbedre en supportorganisation isoleret set. Men det er den kumulative effekt af at bruge dem sammen, der skaber de reelle gevinster.
Når AI-viden identificerer en forældet artikel og opdaterer den, begynder AI-agenten
automatisk at levere mere relevante svar. De samme oplysninger gives til menneskelige agenter via AI-copiloten.
AI-kvalitetssikring bekræfter, om den nye tilgang fungerer, og AI-træning bruger
scenariet til at forberede den næste gruppe af agenter.
Hele denne sekvens kan foregå med minimal indgriben ved hvert overdragelsespunkt, uden at vente på en kvartalsvis gennemgang og uden at håbe på, at ét teams opdagelse på en eller anden måde finder vej til et andet teams arbejdsgang.
For organisationer, der bruger Comm100-livechat og den bredere omnikanalplatform, betyder det selvforstærkende kredsløb, at enhver samtale, uanset om den håndteres af AI eller en menneskelig agent, bidrager til at gøre den næste bedre.
I regulerede brancher, hvor nøjagtighed, overholdelse af regler og konsekvens ikke er valgfrit, er et sammenkoblet AI-system, der forbedrer sig selv, forskellen mellem en supportorganisation, der skalerer smidigt, og en, der blot bliver mere larmende, efterhånden som den vokser.
