Der cirkulerer i øjeblikket en stille, farlig fiktion i bestyrelseslokaler og direktionsgange. Den siger, at AI endelig har løst supportens omkostningsproblem. Logikken er enkel: automatisér de rutinemæssige spørgsmål, se mængden falde, og reducér antallet af medarbejdere. Hvis man ser på instrumentpaneler på makroniveau, ser det ud til at virke. Effektiviteten er steget, og afvisningen af supportsager når rekordhøje niveauer.
Men hvis du faktisk sætter dig sammen med et supportteam i dag—hvis du ser tempoet i deres interne chats og ser udtrykket i en supportmedarbejders ansigt kl. 16.00 på en arbejdsdag—ved du, at virkeligheden er en anden. Support bliver ikke lettere. Den bliver tættere.
Og denne tæthed lander direkte på de mennesker, der er tilbage.
Hos Hiver satte vi os aldrig for at bygge til den oppustede kompleksitet i Fortune 500; vi byggede til de agile, hurtigtarbejdende teams, der vil løse problemer uden byrden fra en forældet fabrik. Sidste år hjalp vores platforme vores kunder med at løse 81 millioner samtaler. Det er ikke virksomhedsomfang, men selv inden for denne SMB-boble ser vi en udvikling, der afspejler og på mange måder forstærker den krise, der finder sted i erhvervslivet.
Branchen går i søvne ind i en talentkrise. Vi er vidne til en global udhuling af førstelinjesupport. I vores hast med at automatisere det lette arbejde har de ’AI-drevne’ supportplatforme ved et uheld ødelagt vejen til ekspertise.
Du kan kalde dette en “transformation”, hvis du vil, men ordvalget skjuler ikke det faktum, at indgangen til supportekspertise hurtigt og stille forsvinder. Det, der gør dette øjeblik anderledes end tidligere effektiviseringscyklusser, er, at den underliggende økonomi begynder at bevæge sig i den modsatte retning af den etablerede fortælling.
Dette er ikke en midlertidig ledelsesmæssig fiasko. Det er et systemskifte.
I mere end et århundrede har kundeservice været styret af den usynlige antagelse, at support er et rørledningsproblem. Denne antagelse går tilbage til 1917 og en matematiker ved navn Agner Krarup Erlang. Han udviklede Erlang-C, en formel til at fortælle telefonselskaber, hvor mange operatører de havde brug for til et givet antal opkald. Formlen behandler mennesker som rør: Hvis vandstanden stiger, gør man blot røret bredere. Derfor tilføjer man ganske enkelt flere mennesker til at håndtere den indgående mængde, hvis man får flere opkald.
Denne omstillingstavlelogik summer stadig under overfladen i enhver moderne supporttjeneste. Vi taler om AI-første-fremtider og superopladede supportmedarbejdere, men vi fortsætter med at styre support ved hjælp af forældede målepunkter som gennemsnitlig behandlingstid og belægningsgrad. AI lovede en vej ud af rørledningen. Alt for ofte er den blot blevet det nyeste rør, der er føjet til en ældgammel maskine.
Lad mig illustrere dette yderligere.
Sidste år håndterede Hivers infrastruktur 85 millioner manuelle opgaver gennem automatiseringer—nulstillinger af adgangskoder, statusopdateringer og routningsregler, som tidligere udgjorde en agents daglige brød. Ifølge logikken fra den gamle omstillingstavlematematik burde fjernelsen af 85 millioner arbejdsenheder skabe et enormt overskud af menneskelig kapacitet. Og hvis denne logik stadig var gyldig, ville dette overskud være synligt i hele supportøkonomien.
I stedet rapporterer 77 % af supportmedarbejderne på tværs af branchen, at kompleksiteten er stigende, mens andre rapporter siger, at 56 % af supportarbejdsstyrken viser rekordhøje niveauer af udbrændthed.
Matematikken fejler, fordi den glemte, at disse 85 millioner nemme opgaver ikke blot var arbejde—de var tid til restitution, tid til læring og kognitivt pusterum. Fjern gentagelser uden at redesigne det menneskelige system omkring det, der er tilbage, og resultatet er ikke effektivitet, men komprimering.
Cornell Global Call Center Project har i årevis dokumenteret, hvorfor denne “rørledningsmodel” fejler. Deres rapport fra 2007 beviste for første gang, at højtydende teams trives med råderum, men branchen fortsætter med at styre dem efter mængde.
Det har taget supportbranchen næsten to årtier at indhente dette, men vi taler endelig om “kognitiv overbelastning” og “menneskelig dømmekraft”–slagord, som andre systemer med høj risiko tog til sig langt tidligere, da de indførte automatisering og udvidet intelligens.
I luftfarten eliminerede autopiloten for eksempel ikke piloter; den forvandlede dem til håndterere af sjældne undtagelser med høj indsats, hvor dømmekraft betød mere end rutinemæssig kontrol. Inden for medicin erstattede software til diagnostisk billedbehandling ikke radiologer; den koncentrerede deres opmærksomhed om de tvetydige scanninger, hvor erfaring afgør resultatet.
I hvert tilfælde fjernede automatiseringen gentagelser, men bevarede de læringsveje, der skaber ekspertise. Kundesupport går nu ind i den samme historiske fase—blot hurtigere og uden at have beskyttet den vej, der skaber de nødvendige eksperter.
Kan vi skabe morgendagens eksperter, hvis vi har brolagt vejen i dag?
Der er en anden, farligere bivirkning ved denne automatisering, som branchen stort set ignorerer. Vi sletter bevidst lærlingestigen.
Ifølge forskning tager det omkring 16 uger, før en ny supportmedarbejder bliver virkelig kompetent. Historisk blev disse 16 uger tilbragt i førstelinjesupport. En juniorsupportmedarbejder lærte produktet og kundens specifikke sprog ved at håndtere hundredvis af enkle anmodninger med lav risiko.
Men i dag kaster vi nyansatte direkte ud på dybt vand. Vi ser konsekvenserne af dette hver dag. En kunde sender en e-mail, hvor der står, at noget i venstre side af panelet ser ud til at være gået i stykker. For en erfaren supportmedarbejder er det en klar henvisning til et specifikt aktivitetsmodul. Men for en juniorsupportmedarbejder, der ikke har fået lov til at håndtere de 1.000 enkle supportsager, som opbygger dette mentale kort, er det en tvetydig gåde.
Denne kløft i sproget skaber en massiv ekspertisegæld. Vi har ingen måde at udvikle den næste generation af seniorer på, fordi vi har automatiseret alle lektionerne på begynderniveau væk. Det er grunden til, at Gartner forudsiger, at 50 % af de organisationer, der skærer ned på medarbejderstaben på grund af AI, vil blive tvunget til at genansætte til de samme roller inden 2027.
De indser, at selvom AI kan tale, kan den ikke erstatte den "ekspertise, empati og dømmekraft", som kun opbygges gennem erfaring. Vi har asfalteret trappestenene over og undrer os nu over, hvorfor ingen kan krydse floden.
Alle professioner er afhængige af en synlig vej fra nybegynder til ekspert, en periode hvor fejlene er små, indsatsen lav, og evnen til at genkende mønstre stille og roligt opbygges. Når dette mellemstadie forsvinder, holder ekspertisen op med at forny sig selv. Det umiddelbare symptom er langsommere problemløsning og flere eskaleringer. Den langsigtede konsekvens er langt mere alvorlig: en udhulet arbejdsstyrke, hvor seniorernes dømmekraft bliver både en mangelvare og skrøbelig. Når manglen bliver synlig i ledelsesdashboardene, er den læringscyklus, der kræves for at rette op på den, allerede blevet brudt for flere år siden.
Så hvordan overlever teams, når ingen enkeltperson kan have alle svarene?
Dette pres har udløst en synlig overlevelsesmekanisme i indbakken. I år oprettede Hiver-brugere 5 millioner interne noter direkte oven på kundesamtaler. Det er ikke blot en samarbejdsstatistik. Det er et signal om, at æraen med den ensomme agent er forbi.
I den gamle model ejede én person én sag, indtil den var afsluttet. Men når hver sag er en kompleks undtagelse, kan ingen enkeltperson have alle svarene. Disse 5 millioner noter repræsenterer en kollektiv samling. Ved at flokkes om problemet i selve samtalen opbygger teams en "fælles hjerne" i realtid. De omfordeler den kognitive belastning, så ingen enkeltperson behøver at bære vægten af en kompleks krise alene.
Men kollektiv intelligens er kun den ene side af overlevelse. Den anden er den økonomiske virkelighed.
Fordi vi har gjort hastighed til en standardvare gennem AI, mister de målepunkter, vi har brugt i årtier, deres betydning. Der er et nyt målepunkt på vej, som bør bekymre enhver økonomidirektør: de stigende automatiseringsomkostninger.
Gartners seneste analyse antyder, at drømmen om "gratis" support er ved at slutte. I 2030 forventes omkostningen pr. GenAI-løsning at overstige $3; den vil dermed være højere end omkostningen ved mange menneskelige offshore-agenter. Tilskuddene ophører, og infrastrukturomkostningerne vokser.
Kan du huske, at jeg tidligere sagde, at den underliggende økonomi er begyndt at bevæge sig i den modsatte retning af fortællingen? I mere end et årti er automatisering primært blevet retfærdiggjort gennem arbejdskraftarbitrage – antagelsen har været, at software bliver billigere, efterhånden som den skalerer. Men når marginalomkostningen ved automatiserede løsninger begynder at nærme sig eller overstige menneskelig arbejdskraft, ændrer det strategiske spørgsmål sig fuldstændigt.
AI kan ikke længere forsvares udelukkende som en erstatning for mennesker. Den skal retfærdiggøre sin eksistens som en forstærker af menneskelig kapacitet. Den forskel er dybtgående. Erstatning reducerer omkostningerne på kort sigt. Forstærkning afgør modstandsdygtigheden på lang sigt. De organisationer, der tidligt forstår dette skifte, vil holde op med at spørge, hvordan de kan fjerne mennesker fra support, og begynde at spørge, hvordan de kan gøre de resterende mennesker markant mere effektive.
Og effektivitet defineres i dette nye landskab ikke længere udelukkende af korrekthed.
Sidste år brugte vores kunder en funktion kaldet “Følelsesanalyse” mere end 3,6 millioner gange for at forstå den følelsesmæssige kontekst i supportsamtaler. Det viser os, at et korrekt svar ikke længere er nok eller effektivt.
Kunder ankommer til en menneskelig interaktion med et følelsesmæssigt underskud. De er trætte og frustrerede over de bots, de netop har kæmpet med. I dette miljø har agentens opgave ændret sig fra informationslevering til følelsesmæssig genoprettelse. Målet er ikke længere “Løsning”; det er “Følelsesmæssig balance”.
Want to learn more about Hiver?
Styrer du stadig en fabrik, eller er du klar til at understøtte eksperter?
Hvis denne diagnose er korrekt, er konsekvensen for ledelsen ikke gradvise forbedringer, men en ledelsesmæssig nyorientering. Det centrale spørgsmål for support er ikke længere: “Hvordan håndterer vi flere sager med færre mennesker?” Det er: “Hvordan opbygger vi menneskelig dømmekraft dér, hvor automatiseringen stopper, samtidig med at vi sikrer, at de rigtige overdragelser sker på det rigtige tidspunkt, og at konteksten aldrig går tabt gennem værktøjsspredningen og den fælles hjerne?” Og det er virkelig et langt spørgsmål.
Organisationer, der fortsat optimerer efter gennemløb, vil fremstå effektive lige indtil det øjeblik, hvor kundernes tillid svækkes, og talentflugten accelererer. Organisationer, der i stedet investerer i kontekst, samarbejde og erfaringsbaseret læring, vil se langsommere ud på kort sigt, men strukturelt stærkere på lang sigt. Forskellen mellem disse veje vil definere det næste årti inden for kundesupport og kundeoplevelse.
Supportledere står samtidig over for tre sammenfaldende pres: de stigende kognitive omkostninger ved hver tilbageværende interaktion, en svindende tilgang af medarbejdere på begynderniveau, der kan udvikle sig til eksperter, og et automatiseringslag, hvis marginale besparelser flader ud, efterhånden som infrastruktur- og modelomkostninger modnes.
Når kompleksiteten stiger hurtigere end produktiviteten, trækker systemet sig sammen. Det er derfor, at den kommende omvæltning inden for support ikke bliver gradvis. Den vil føles pludselig, ikke fordi kræfterne er nye, men fordi de stille og roligt har overskredet den tærskel, hvor trinvis optimering ikke længere kan kompensere for strukturel belastning.
Den krise, vi står over for, skyldes ikke mangel på teknologi; den skyldes en tilknytning til en 100 år gammel ledelsesfilosofi. Hvis vi vil løse ekspertisegælden og forhindre L1-erosionen, er vi nødt til at holde op med at bygge værktøjer, der isolerer agenter, og begynde at bygge miljøer, der anerkender og faciliterer den fælles hjerne.
Support kan ikke længere skalere ved at afvise kunder; vi kan kun skalere ved at styrke de mennesker, der fungerer som tillidsvogtere i højrisikosituationer. Det næste årti vil ikke blive vundet af den virksomhed, der har den mest effektive bot, men af den, der bevarer de mest kompetente, rolige og kontekstrige mennesker.
