Lederen af kundesucces siger, at AI ikke kan køre uafhængigt i arbejdsgange for kundeoplevelser — det kræver konstant overvågning

Angela Guedes er chef for kundesucces hos Enginy, hvor hun i øjeblikket er i gang med at ændre organisationen fra en model med tæt kundekontakt til en segmenteret model. Hun er også skaberen af nyhedsbrevet Fra bunden og op.

Vi satte os ned med Angela for at dykke ned i detaljerne omkring, hvad der fungerer, og hvad der ikke fungerer med AI i CX. Her er, hvad hun havde at sige.

Ledelse af kundesucces i B2B SaaS

Jeg hedder Angela Guedes. Jeg har opbygget og ledet kundesuccesorganisationer i de seneste 10 år, altid inden for B2B SaaS.

I øjeblikket er jeg chef for kundesucces hos Enginy, en AI-baseret intelligent GTM-platform fra ende til anden til B2B-salgsteams. Vi er en vertikal SaaS-virksomhed inden for salgsautomatisering og betjener alle segmenter fra SMB'er til store virksomheder. Vi er på seed-stadiet og vokser i år fra $3M til $10M ARR.

Vi har i øjeblikket en kundeoplevelsesmodel med tæt kundekontakt, som vi er i gang med at ændre til en segmenteret model. Alle kunder har adgang til produktsupport via chat i appen og e-mail. Vi tilknytter dem også en introduktionsansvarlig og en kundeansvarlig. Vi betjener vores kunder via møder, telefonopkald og e-mail. Tidligere i år introducerede vi ugentlige introduktionswebinarer for at skalere introduktion og træning.

Jeg har ansvaret for kundeansvar, introduktion og produktsupport med 12 medarbejdere. Vi planlægger at afslutte året med 20.

Hvordan to enkle ændringer kan påvirke et CX-holds effektivitet

Jeg har foretaget to konkrete ændringer i løbet af det seneste år:

Den første var kundeorienteret. Vi bruger FIN (Intercoms AI-agent) til at aflede supportsager. I løbet af fire måneder steg løsningsgraden med 10 procentpoint. Det betød, at færre supportsager på første niveau nåede frem til teamet, og de supportsager, der nåede frem til et menneske, var reelt komplekse. Det gjorde det muligt for os at omfordele teamets tid.

Men CX-scoren faldt med 9 point i februar. Vi forstod hurtigt hvorfor: FIN gav forkerte svar, fordi forældet indhold blev tilført systemet. Den svarede selvsikkert på spørgsmål, den ikke burde have besvaret, og eskaleringslogikken opfangede det ikke. Kunderne gik i stå.

Vi løste det ved at gennemføre en indholdsaudit og en fuld gennemgang af eskaleringsreglerne: Vi fastlagde, hvad FIN skulle håndtere, hvad den straks skulle videresende, og hvad der skulle ske, når den ikke kendte svaret. Vi omskrev eskaleringslogikken, så den tidligere overdrager sagen ved signaler som gentagne omformuleringer, tegn på frustration og bestemte emnekategorier som fakturering og fejl. I april var CX-scoren tilbage og lå 5 point over udgangspunktet.

Angela deler

…AI i support er ikke et engangsværktøj til afledning, der implementeres én gang. Det er et system med et indholdslag, der forringes over tid, og hvis du ikke vedligeholder det, ender du med en selvsikker bot, der langsomt udhuler kundernes tillid, så langsomt at du ikke opdager det, før tallene ændrer sig.

Læringen her var, at AI i support ikke er et engangsværktøj til afledning, der implementeres én gang. Det er et system med et indholdslag, der forringes over tid, og hvis du ikke vedligeholder det, ender du med en selvsikker bot, der langsomt udhuler kundernes tillid, så langsomt at du ikke opdager det, før tallene ændrer sig. Faldet i februar viste, at tallene ændrede sig. Fordelen er det tydelige signal. Når noget går galt, kan du spore det. Det får du ikke i samme grad med et menneskeligt team i stor skala.

Den anden ændring var intern. Vi forbedrede vores arbejdsgang til forberedelse af opkald ved at forbinde Claude med Granola, Intercom, HubSpot og vores eget produkt. Før brugte AM'er 20–30 minutter på at indsamle kontekst før hvert opkald: noter fra det seneste møde, åbne supportsager, salgsfasen og produktbrug.

Nu samler Claude automatisk det hele i en enkelt briefing før opkaldet. AM'erne går ind til møderne med præcis kontekst i stedet for generelle statusopdateringer. Det gjorde det muligt for os at reducere forberedelsestiden, og de timer, vi sparer, bruges på proaktiv kontakt og værdiskabende samtaler.

Hvordan AI-drevet analyse af kundefrafald forbedrer beslutningstagningen

Lad os dykke ned i en arbejdsgang til analyse af kundefrafald, som jeg har bygget i Claude. Det oplagte udgangspunkt for analyse af kundefrafald er feltet "årsag til kundefrafald" i CRM-systemet. Det er også her, det meste af forvrængningen ligger. Den kundeansvarlige udfylder feltet efter at have mistet aftalen, under pres for at lukke måneden. Det afspejler, hvordan AM'en formulerede tabet, ikke nødvendigvis hvorfor kunden forlod os.

Jeg begyndte med en manuel AI-prompt, som jeg kørte hver måned. Resultatet var inkonsekvent; jeg brugte mere tid på at rette det, end jeg sparede, så jeg byggede en automatiseret funktion, der henter direkte fra HubSpot med klare regler for, hvilke egenskaber og aktiviteter der skal ledes efter i CRM-systemet.

Den henter alle tabte handler og handler i risikozonen inden for et bestemt tidsinterval, standardiserer CRM-etiketter og grupperer efter flere dimensioner, herunder en udledt årsag baseret på hele handelshistorikken: noter, opkaldstransskriptioner, aktiviteter og gennemførelse af onboarding. Det afgørende er, at den omfordeler ansvaret for tabte kunder ud fra årsagssammenhænge og ikke ud fra det, som AM'en har registreret.

For eksempel blev en nylig handel registreret som "Ingen ROI", hvilket de fleste læser som en CS-fejl. Men handelsnoterne viste, at salgsprocessen havde fastsat forventninger, som produktet aldrig kunne have indfriet. Det er et problem med salgskvalificeringen, ikke med CS. Vi skulle have haft en person til at læse hver eneste note for hver tabt handel (hvilket ikke sker) for at opdage det uden AI.

Resultatet er et dokument, der er klar til CEO'en, samt separate uddrag til CS, Produkt og Salg, hver med de sager og rodårsagsanalyser, der hører til dem.

Hvorfor flowet fra indsigt til resultat skal bevises, før AI tilføjes

Jeg anvender AI, hvor et menneske allerede har bevist flowet fra indsigt til resultat. Hvis dette flow stadig bliver testet, rører AI det ikke — valideringsarbejdet kan ikke springes over. Hvis du automatiserer, før du har bekræftet mønsteret, skalerer du den forkerte adfærd.

Her er de områder, hvor AI i øjeblikket udfører arbejdet:

• Analyse: prognoser for fornyelser og registrering af mønstre i kundefrafald. Her er det tydeligste eksempel. Jeg holdt op med at stole på de årsager til kundefrafald, som AM'er angav (der samler sig omkring "budget" og "ikke et match", fordi de er nemme at registrere), og begyndte at udlede de reelle årsager fra noter, transskriptioner og produktbrug. AI afdækkede, at onboarding var gået i stå bag halvdelen af etiketterne med "budget". Det flyttede vores indsats tidligere i processen.
• Opsummering: forberedelse til møder, opfølgninger og ugentlig sammenfatning af beslutninger. Det er den eneste måde, én CSM kan håndtere den relationsintensitet, vi har brug for, inden for vores effektivitetsmål.
• Supportchat: svar på første niveau baseret på dokumentation, som et menneske først har gennemgået. Rækkefølgen er vigtig.

Vi forsøger at have et menneske med i processen. Når AI foreslår en handling (risikoflag, signaler om udvidelse, næste skridt), gennemgår og validerer en CSM eller jeg den, før den når kunden. AI opdager mønstre hurtigere, end jeg gør, men den person, der har ansvaret for relationen, bevarer dømmekraften.

Som jeg sagde, er jeg nødt til selv at bevise flowet fra indsigt til resultat, før jeg integrerer AI, så coaching af AM'er og performancegennemgange er de tydeligste eksempler på opgaver, der stadig udelukkende udføres af mennesker. Jeg vil delegere det på et tidspunkt, men først skal jeg teste på tværs af mine AM'er, om det giver bedre resultater for kundeporteføljen at koble specifikke handlinger sammen med specifikke signaler. Indtil det mønster holder i 1:1-samtaler, skalerer automatisering blot et gæt.

Hvorfor CX-ledere skal give AI kontekst

Uddeleger aldrig tænkning, og spring aldrig konteksten over.

Husk, at AI-resultatet kun er lige så godt som den kontekst, du giver den. Og intet kan erstatte menneskelig tænkning. Ja, brug AI til at udfordre dine antagelser, finde huller i din tænkning og sammenligne dine idéer med branchestandarder. Men hvis du vil have et relevant resultat, skal du give den konteksten fra dit hoved og dine interne dokumenter.

Hvis du bare beder den om at bygge noget uden dette, bliver resultatet i bedste fald intetsigende og i de fleste tilfælde irrelevant.

Det er særligt vigtigt med chatbots — arbejd med dit lag af kundekontekst. En agent uden fuld kundekontekst giver ikke bare et dårligt svar; den giver et selvsikkert, forkert svar. Og husk, at chatbots ikke bare kan køre af sig selv. Nogen skal have ansvaret for det indhold, der føder AI'en, definere eskaleringsregler og aktivt kvalitetssikre dens resultater.

Sådan kan AI afsløre huller i dine data

Mit råd? Begynd med dine data, ikke dine værktøjer.

Det mest nyttige, AI kan gøre lige nu, er at afdække, hvad der er gået galt i dine eksisterende systemer — ikke generere en rapport, men finde huller. Min første churnanalyse med Claude fortalte mig ikke, hvorfor kunderne forlod os; den viste mig, at AM'er mærkede årsagerne til churn inkonsekvent, CRM-dataene var forældede, og vigtige felter manglede. Det er et dataproblem, som jeg ikke så fuldt ud, før AI forsøgte at arbejde med dataene.

Det er udgangspunktet. Forstå, hvad du har, ret inkonsekvenser, og berig det, der mangler. AI bliver kun så god som de input, du giver den. Ledere, der springer dette trin over, automatiserer støj og undrer sig over, hvorfor indsigterne ikke slår igennem.

Rene data er ikke et glamourøst råd, men det er en forudsætning.

Angela deler

Mit råd? Begynd med dine data, ikke dine værktøjer…Det er udgangspunktet. Forstå, hvad du har, ret inkonsekvenser, og berig det, der mangler…Rene data er ikke et glamourøst råd, men det er en forudsætning.

Følg med

Følg Angela Guedes på LinkedIn og Substack.

Der kommer flere ekspertinterviews på CX Lead!