Teknologidirektør siger, at ledere overautomatiserer i stedet for at rette dårligt produktdesign

Shankar Sahai er CXO hos UpendNow.com, en platform til AI-produktionsorkestrering, der effektiviserer skabelsen af video, film og reklamer. Hans fokus er at forhindre organisationen i at bygge dyre ting, som ingen ønsker. Og det gør han med AI.

Vi satte os ned med Shankar for at lære, hvad han automatiserer — og hvor design trumfer automatisering.

At sikre, at den menneskelige oplevelse matcher løfterne fra bestyrelseslokalet

Hej alle, jeg er Shankar Sahai, og jeg er chef for kundeoplevelser hos UpendNow.com.

Hvis jeg skulle koge det, jeg laver hver dag, ned til en enkelt sætning, er det denne: Jeg forhindrer virksomheder i at bygge utroligt dyre ting, som ingen ønsker eller ved, hvordan man bruger. Jeg bruger det meste af min tid i det kaotiske krydsfelt mellem produktudvikling, kundeundersøgelser og operationel strategi.

Hos UpendNow arbejder vi dybt inden for B2B-området og hjælper organisationer med at navigere i massive digitale transformationer og rette op på ødelagte kunderejser. Når vi taler om "skala", handler det mindre om at tælle en massiv mængde supportsager — selvom vi ser masser af dem — og mere om at håndtere massiv operationel kompleksitet. Vi undersøger økosystemer på tværs af flere kanaler, hvor kunderne måske bevæger sig mellem en webportal, en mobilapp, direkte support og en salgsrepræsentant i løbet af den samme uge, mens de forventer, at virksomheden magisk husker enhver interaktion.

Som CXO hjælper jeg ledelsesteam med at holde op med at se CX som et omkostningscenter, der blot er en "supportafdeling", og i stedet begynde at behandle det som en central forretningsmotor. Vi udfører det tunge arbejde — fra dybdegående brugerundersøgelser til automatisering af arbejdsgange og agile transformationer — for at sikre, at den menneskelige oplevelse matcher de store løfter, der gives i bestyrelseslokalet.

Sådan kan AI integreres i kvalitativ brugerundersøgelse

Vores største ændring var ikke at installere en smart chatbot, der vender mod kunderne. I stedet integrerede vi AI dybt i vores kvalitative brugerundersøgelser og analyser efter interaktioner.

Vi havde et bjerg af ustrukturerede data — tusindvis af timers brugerinterviews, supportudskrifter og åben feedback. Det plejede at tage uger manuelt at gennemgå materialet for at finde brugbar indsigt. Når vi havde kortlagt friktionspunkterne, var dataene allerede forældede.

Vi opbyggede en intern AI-pipeline, der automatisk indlæser, kategoriserer og kortlægger stemningen i rå samtaledata i realtid. I stedet for blot at markere "glad vs. ked af det" identificerer den specifikke adfærdsmæssige forhindringer — såsom hvor en bruger bliver forvirret af terminologien i brugergrænsefladen eller falder fra i et onboardingforløb.

Hvad angår værktøjer, bruger vi OpenAI’s Whisper API til transskribering af lyd og video. Til analyse og kategorisering bruger vi Anthropics Claude (3.5 Sonnet).

Det fjernede gætteriet. Vi erstattede fornemmelser fra bestyrelseslokalet med hårde data. Vi har nu et live-dashboard, der viser præcis, hvorfor og hvor brugerne har problemer. Og det øgede hastigheden. Vores tid til indsigt gik fra tre uger til minutter. Faktisk opdagede vi for nylig en væsentlig UX-fejl i en ny portal inden for 48 timer efter lanceringen, rettede den med det samme og undgik en massiv stigning i supportsager.

En personlig CX-arbejdsgang understøttet af AI

Hele vores verden hos UpendNow.com drejer sig om Solt OS, vores platform, der hjælper filmskabere og reklamebureauer med at automatisere mareridtet før produktionen — fra et rodet manuskript til storyboards, optagelseslister og budgetter. Fordi filmproduktion er så visuel og rodet, fungerer en standardiseret arbejdsgang for supportsager ikke for os. Når en instruktør sidder fast i forsøget på at generere en video til prævisualisering, og konsistensen i karaktererne bliver ved med at bryde sammen, ønsker vedkommende ikke en generisk IT-helpdesk.

Vi håndterer det problemfrit nu. Her er arbejdsgangen.

I det øjeblik en kreativ bruger markerer et problem eller går i stå, læser vores interne AI ikke bare vedkommendes skriftlige klage; den indsamler hele konteksten fra den kreative session. Den ser på det manuskript, brugeren uploadede, de prompts, vedkommende brugte, og de storyboards, der mislykkedes.

Derfra udfører AI'en det tunge analytiske arbejde. Den diagnosticerer det præcise kreative friktionspunkt — for eksempel ved at opdage, at filmskaberen brugte en ikke-standardiseret sceneoverskrift, som forvirrede systemets sporing af lokationer.

Derefter overlader systemet, i stedet for at lade brugeren vente eller tale med en bot, det hele til et af vores menneskelige teammedlemmer. Men det overdrager sagen med et komplet snydeark. Den menneskelige operatør åbner sagen og kan straks se, hvilke scenenumre der gentager sig, hvad formateringsfejlen er, og en allerede udarbejdet løsning.

Filmskaberen får et hurtigt og dybt kontekstuelt svar fra et menneske, der taler deres filmiske sprog, og vi sørger for, at deres kreative momentum ikke går tabt. For at lukke kredsløbet logger AI'en automatisk den specifikke formateringsfejl i vores udviklingsefterslæb, så vi kan rette produktets brugerflade og forhindre, at det sker for den næste instruktør.

Og på intet tidspunkt sidder kunden fast i en samtale med en bot eller skal forklare komplekst kreativt fagsprog til en supportmedarbejder.

Hvordan AI informerer CX-beslutninger, mens mennesker styrer strategien

Shankar deler

…vi automatiserer ikke menneskelige relationer. Vi bruger AI til at håndtere analytisk rutinearbejde, så vores team har tid til at fokusere på det værdifulde, dybt menneskelige arbejde med at opbygge relationer og løse komplekse problemer.

Vi følger en streng tommelfingerregel: AI håndterer "Hvad" og "Hvor", mens mennesker ejer "Hvorfor" og "Hvordan".

Her er et par eksempler på, hvad AI håndterer godt:

• Prioritering af problemer og identifikation af tendenser: AI scanner tusindvis af indgående supportudskrifter og brugersessioner i realtid. Den markerer øjeblikkeligt anomalier — såsom en pludselig stigning på 15 % i antallet af brugere, der sidder fast på en betalingsside — længe før en menneskelig leder opdager mønsteret. Vi bruger PostHog til dette.
• Kortlægning af friktion i brugerrejsen: AI analyserer brugeradfærd på tværs af vores platforme og fremhæver præcis hvor frafaldet sker. Den eliminerer gætteriet. Vi er i øjeblikket ved at flytte vores værktøjer til FullStory (StoryAI og API).

På den menneskelige side:

• Redesign og strategi for brugerrejsen: AI kan fortælle mig hvor folk falder fra, men den mangler den forretningsmæssige kontekst og kreative empati, der kræves for at redesigne oplevelsen. Det kræver tværfunktionel politik, tekniske kompromiser og en dyb forståelse af menneskelig adfærd at rette en ødelagt B2B-brugerrejse. AI kan ikke sidde i et rum og få tre forskellige afdelinger til at blive enige om en løsning.
• Servicegenopretning og eskalering: Hvis et systemnedbrud forstyrrer driften hos en kunde med høj værdi og gør dem rasende, ønsker de ikke en perfekt genereret AI-undskyldning. Genopretning i situationer med høj risiko kræver ægte menneskelig empati, ansvarlighed og beføjelse til at bøje reglerne for at gøre tingene rigtige.

Med andre ord automatiserer vi ikke menneskelige relationer. Vi bruger AI til at håndtere analytisk rutinearbejde, så vores team har tid til at fokusere på det værdifulde, dybt menneskelige arbejde med at opbygge relationer og løse komplekse problemer.

Hvordan AI har svært ved branchespecifik kontekst

Shankar deler

Hvis vi blindt havde stolet på det automatiserede kontrolpanel uden et menneskeligt realitetstjek, ville vi have spildt uger på at omskrive helt velfungerende kode. AI finder mønstre, men har store problemer med dyb, branchespecifik kontekst.

Integrationen af AI i vores kvalitative dataanalyse og prioritering af problemer har forvandlet vores operationelle tempo.

Vores team brugte tidligere uger på manuelt at mærke data for at identificere systemiske UX-fejl eller flaskehalse i introduktionen på tværs af konti. Nu markerer AI disse tilbagevendende friktionsmønstre næsten øjeblikkeligt. Når vi opdager disse problemer hurtigere, kan vi rette fejl og forvirrende arbejdsgange, før de udvikler sig til en strøm af kundeklager. Det ændrede grundlæggende vores produkt- og forskningsteams, så de bevægede sig væk fra kedelig dataindtastning i regneark og kunne fokusere på at udvikle løsninger.

Men det har ikke været en problemfri rejse. Vores største problem var analytisk støj og mangel på ægte kontekst.

Til at begynde med lagde vi for stor vægt på AI'ens evne til at mærke følelser og tendenser. Vi bemærkede en kraftig stigning i negative følelsesmærkater omkring en nyligt lanceret funktion. Teamet var tæt på at skynde sig at rulle opdateringen tilbage. Men en menneskelig dybdeanalyse afslørede, at AI'en fuldstændig havde misforstået vores superbrugeres branchespecifikke fagsprog og tekniske frustrationer. De var ikke vrede på funktionen; de talte bare lidenskabeligt om deres egne komplekse arbejdsgange.

Hvis vi blindt havde stolet på det automatiserede kontrolpanel uden et menneskeligt realitetstjek, ville vi have spildt uger på at omskrive helt velfungerende kode. AI finder mønstre, men har store problemer med dyb, branchespecifik kontekst.

Hvorfor produktdesign kan være vigtigere end avanceret AI

Kontekstuel hyperpersonalisering er endnu et område, hvor AI ikke lever op til forventningerne.

Det blev lovet, at AI problemfrit kunne se på en B2B-kundes tidligere adfærd, aktuelle produktbrug og supporthistorik for dynamisk at skræddersy onboarding- eller dashboardoplevelsen i realtid. Vi forventede, at det ville føles intuitivt — som en digital concierge, der forudså præcis, hvad brugeren havde brug for som det næste. I stedet føltes det for det meste påtrængende eller irrelevant.

I et komplekst B2B-teknologimiljø ændrer brugerens hensigt sig radikalt fra time til time. En bruger logger måske ind for at udføre en hurtig, gentagen administrativ opgave, men AI'en — der forsøger at være hjælpsom baseret på bredere kontotendenser — fylder brugerens visning med anbefalinger om en avanceret funktion, som vedkommende ikke interesserer sig for lige nu. Det øgede den kognitive belastning i stedet for at reducere den.

Vi indså, at brugere, når de navigerer på en platform, ikke ønsker, at AI gætter på, hvad de vil gøre som det næste; de ønsker et rent UI-design, forudsigelige arbejdsgange og lynhurtig søgefunktionalitet. Vi forventede, at AI kunne løse et problem med brugeroplevelsen, som i sidste ende krævede bedre og enklere produktdesign.

Hvorfor datakvalitet er afgørende, før man lancerer AI-pilotprojekter

Jeg ville ønske, jeg havde vidst, hvor meget vores eget rodede interne datagrundlag ville skabe problemer tidligt i forløbet.

Når man lytter til AI-leverandører, får de det til at lyde, som om man bare tilslutter dette magiske værktøj, og så spytter det øjeblikkeligt geniale indsigter ud, der er klar til brug for mennesker. Men virkeligheden er, at din AI kun er så god som de data, du fodrer den med.

Før vores første pilotprojekt havde vi års kundefeedback, gammel brugerundersøgelse og supportlogge spredt på tværs af forskellige siloer. Noget af det var forældet, noget var direkte modstridende, og meget af det manglede den specifikke filmproduktionskontekst, som kendetegner det, vi laver hos UpendNow.

Fordi vi ikke ryddede op i dette datagrundlag først, brugte AI'en de første par uger på at opfinde bizarre tendenser og skabe en masse analytisk støj, som mit team spildte tid på at afkræfte.

Hvis jeg kunne gøre det om, ville jeg have brugt langt mindre tid på at evaluere prangende AI-funktioner og langt mere tid på at rydde op i vores interne dataarkitektur, før jeg tændte for systemet. Man er nødt til at rette op på fundamentet først, ellers automatiserer man bare kaos.

Det område, som alle CX-ledere bør fokusere på

Det ene område, som alle har brug for at redesigne fuldstændigt lige nu, er kortlægningen af kunderejsen.

Historisk set var kortlægning af kunderejsen en statisk øvelse i bestyrelseslokalet. Folk sad i et rum med post-it-sedler, kortlagde en idealiseret rejse, lagde den i en PDF, og derefter så ingen på den igen i et år. Den repræsenterer det, vi håber, kunden foretager sig, ikke virkeligheden.

I en AI-udvidet verden er denne tilgang forældet.

Ledere bør aktivt redesigne kunderejsekort, så de bliver dynamiske, opdateres i realtid og tilføres aktuelle data. Fordi AI-værktøjer nu kan behandle ustrukturerede data — såsom aktive brugersessioner, supportsamtaler og frafaldspunkter — i realtid, bør dit kunderejsekort ikke være et dokument. Det bør være et levende softwaredashboard, der hele tiden er i bevægelse.

I stedet for at gætte på, hvor friktionen opstår, bør dit system aktivt fortælle dig: "Hey, lige nu støder filmskabere fra boutique-bureauer på en hindring i trin tre af onboardingprocessen på grund af en forsinkelse i brugerfladen." Hvis du ikke redesigner den måde, du kortlægger og ser kunderejsen på, vil du bruge AI til at optimere individuelle, isolerede kontaktpunkter, samtidig med at du fuldstændig overser, at den samlede oplevelse er ødelagt. Vi er nødt til at holde op med at kortlægge fortiden og begynde at orkestrere nutiden.

Du kan ikke automatisere dig ud af dårligt design

Mit råd er enkelt: Hold op med at forsøge at automatisere dig ud af dårligt design.

Lige nu står CX-ledere over for en massiv fristelse til at kaste AI efter hvert eneste friktionspunkt i kunderejsen, fordi det føles hurtigt og billigt. Hvis din onboarding er forvirrende, så sæt en AI-assistent på den. Hvis din dokumentation er noget rod, så byg en AI-søgebot. Men alt, hvad du gør, er at sætte et højteknologisk plaster på en ødelagt proces. Du bruger AI til at hjælpe kunder med at navigere i en kompleksitet, der slet ikke burde eksistere til at begynde med.

Før du køber endnu et AI-værktøj eller lancerer endnu en automatiseret arbejdsgang, skal du skrælle det hele tilbage. Se på dit kerneprodukt og din grundlæggende servicelevering. Afhjælp de underliggende UX-fejl, ryd op i de rodede datapipelines, og forenkl kunderejsen først.

Følg med

Du kan følge Shankar Sahais arbejde på LinkedIn og X.

Der kommer flere ekspertinterviews på The CX Lead!