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

Shankar Sahai
Chef for kundeoplevelse hos UpendNow.com

Shankar Sahai forklarer, hvorfor ledere med ansvar for kundeoplevelsen bør rette dårligt produktdesign og uordnede data, før de bruger AI til at automatisere problemer i kunderejsen.
Shankar Sahai
Chef for kundeoplevelse hos UpendNow.com

Key Takeaways
AI-forskning: AI reducerer tiden til kvalitativ research fra uger til minutter ved at synliggøre specifikke brugerfriktioner i realtid.
Menneskelig dømmekraft: Mennesker skal fortolke branchekontekst, redesigne kunderejser og håndtere følsomme beslutninger om genoprettelse af service.
Kontekstuel support: AI udstyrer supportmedarbejdere med den fulde kontekst fra sessionen, så de kan yde hurtigere og mere relevant hjælp uden at fastholde kunder i botter.
Design først: Bedre produktdesign slår ofte personalisering, når brugere har brug for enklere arbejdsgange, tydeligere grænseflader og hurtigere søgning.
Datagrundlag: Succesfulde AI-pilotprojekter kræver rensede og samlede data; ellers forstærker automatisering modsætninger, støj og dårlige beslutninger.
Shankar Sahai er CXO hos UpendNow.com, en platform til AI-baseret produktionsorkestrering, der effektiviserer skabelsen af videoer, 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 lever op til løfterne i bestyrelseslokalet

Hej alle, jeg hedder Shankar Sahai, og jeg er chef for kundeoplevelse hos UpendNow.com.
Hvis jeg skulle koge det, jeg laver hver dag, ned til én 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 omfattende digitale transformationer og udbedre ødelagte kunderejser. Når vi taler om "skala", handler det mindre om at tælle et enormt antal supportsager – selvom vi ser rigeligt af dem – og mere om at håndtere massiv operationel kompleksitet. Vi undersøger økosystemer på tværs af flere kanaler, hvor kunderne måske skifter mellem en webportal, en mobilapp, direkte support og en salgsrepræsentant i løbet af den samme uge, mens de forventer, at virksomheden på magisk vis husker enhver interaktion.
Som CXO hjælper jeg ledelsesteams med at holde op med at betragte CX som et omkostningscenter, der blot er en "supportafdeling", og i stedet begynde at behandle det som en central drivkraft for virksomheden. Vi udfører det tunge arbejde – fra dybdegående brugerundersøgelser til automatisering af arbejdsgange og agile transformationer – for at sikre, at den menneskelige oplevelse lever op til de store løfter, der gives i bestyrelseslokalet.
More Articles
- Medstifter af AI-startup deler, hvordan AI-understøttede brugerflader forbedrer oplevelser
- Erfaren teknologidirektør med ansvar for omsætning siger, at KI ikke kan erstatte domæneekspertise
- Lederen af kundesucces siger, at AI ikke kan køre uafhængigt i arbejdsgange for kundeoplevelser — det kræver konstant overvågning
- Ekspert i kundeoplevelser advarer ledere mod at begrænse AI’s interaktion med kunder
- CCO siger, at succesen med din AI-integration afhænger af din ledestjerne
Sådan kan AI indlejres i kvalitativ brugerundersøgelse
Vi byggede en intern AI-pipeline, der automatisk indlæser, kategoriserer og kortlægger stemningen i rå samtaledata i realtid … Det fjernede gætteriet. Vores tid fra indsigt til handling gik fra tre uger til få minutter. Faktisk opdagede vi for nylig en alvorlig UX-fejl i en ny portal inden for 48 timer efter lanceringen, rettede den med det samme og undgik en massiv stigning i antallet af supportsager.

Vores største ændring var ikke at installere en smart chatbot rettet mod kunderne. I stedet indlejrede 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 det hele for at finde handlingsanvisende indsigter. Da vi havde kortlagt friktionspunkterne, var dataene allerede forældede.
Vi byggede en intern AI-pipeline, der automatisk indlæser, kategoriserer og kortlægger stemningen i rå samtaledata i realtid. I stedet for blot at markere "glad eller trist" identificerer den specifikke adfærdsmæssige hindringer – f.eks. hvor en bruger bliver forvirret af terminologien i brugergrænsefladen eller falder fra i et introduktionsforløb.
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 fornemmelserne i bestyrelseslokalet med hårde data. Nu har vi et livepanel, der viser præcis, hvorfor og hvor brugerne har problemer. Og det øgede hastigheden. Vores tid fra indsigt til handling gik fra tre uger til få minutter. Faktisk opdagede vi for nylig en alvorlig UX-fejl i en ny portal inden for 48 timer efter lanceringen, rettede den med det samme og undgik en massiv stigning i antallet af supportsager.
En tæt, AI-understøttet arbejdsgang for CX
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 kontinuiteten i figurerne hele tiden bryder sammen, ønsker vedkommende ikke en generisk IT-helpdesk.
Nu håndterer vi dette problem gnidningsfrit. Her er arbejdsgangen.
I det øjeblik en skaber markerer et problem eller går i stå, læser vores interne AI ikke blot vedkommendes skriftlige klage; den indhenter hele konteksten fra den kreative session. Den ser på det manuskript, der blev uploadet, de anvendte prompter og de storyboards, der mislykkedes.
Derfra udfører AI'en det tunge analytiske arbejde. Den diagnosticerer det præcise kreative friktionspunkt – f.eks. ved at opdage, at filmskaberen har brugt en sceneoverskrift, der ikke følger standarden, og som forvirrede systemets sporing af lokationer.
I stedet for at lade brugeren vente eller tale med en bot overlader systemet det hele til et af vores menneskelige teammedlemmer. Men det overdrager sagen med et komplet hjælpeark. Den menneskelige medarbejder åbner sagen og kan med det samme se, hvilke scenenumre der gentager sig, hvad formateringsfejlen er, og et forslag til en løsning.
Filmskaberen får et hurtigt og dybt kontekstuelt svar fra et menneske, der taler vedkommendes filmiske sprog, og vi sørger for, at det kreative momentum ikke går tabt. For at lukke kredsløbet registrerer AI'en automatisk den specifikke formateringsfejl i vores tekniske opgavekø, så vi kan rette produktets brugergrænseflade 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.
Sådan informerer AI 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", men mennesker ejer "Hvorfor" og "Hvordan".
Her er et par eksempler på, hvad AI håndterer godt:
- Prioritering af problemer og identifikation af tendenser: AI gennemgår tusindvis af indkommende supporttransskriptioner og brugersessioner i realtid. Den markerer straks afvigelser – som 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. Det fjerner behovet for gætterier. Vi er i øjeblikket ved at flytte vores værktøjer til FullStory (StoryAI og API).
På den menneskelige side:
- Redesign af brugerrejsen og strategi: AI kan fortælle mig, hvor folk falder fra, men den mangler den forretningsmæssige kontekst og kreative empati, der skal til for at redesigne oplevelsen. At løse en ødelagt B2B-brugerrejse kræver tværfunktionel koordinering, tekniske kompromiser og en dyb forståelse af menneskelig adfærd. AI kan ikke sætte sig 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 vigtig kunde og gør dem rasende, ønsker de ikke en perfekt formuleret AI-undskyldning. Genopretning i kritiske situationer kræver ægte menneskelig empati, ansvarlighed og beføjelse til at fravige reglerne for at få tingene bragt i orden.
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.
Sådan har AI problemer med branchespecifik kontekst

Shankar deler
Blind tillid til det automatiserede dashboard uden et menneskeligt fornuftstjek ville have spildt flere uger på at omskrive kode, der fungerede perfekt. 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 problemerne hurtigere, kan vi rette fejl og uoverskuelige arbejdsgange, før de udvikler sig til en strøm af kundeklager. Det flyttede grundlæggende vores produkt- og researchteams væk fra kedelig dataindtastning i regneark, så de kunne fokusere på at designe løsninger.
Men det har ikke været problemfrit. Vores største problem var analytisk støj og mangel på reel kontekst.
I begyndelsen lagde vi for stor vægt på AI's evne til at mærke følelser og tendenser. Vi bemærkede en kraftig stigning i negative følelsesmærkater omkring en nyudgivet funktion. Teamet var tæt på at skynde sig at rulle opdateringen tilbage. Men en menneskelig dybdegående analyse afslørede, at AI fuldstændig havde misforstået vores superbrugeres branchespecifikke jargon og tekniske frustrationer. De var ikke vrede på funktionen; de talte bare passioneret om deres egne komplekse arbejdsgange.
Blind tillid til det automatiserede dashboard uden et menneskeligt fornuftstjek ville have spildt flere uger på at omskrive kode, der fungerede perfekt. 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.
Forventningen var, at AI problemfrit kunne se på en B2B-kundes tidligere adfærd, aktuelle produktbrug og supporthistorik for dynamisk at tilpasse introduktionen eller dashboardoplevelsen i realtid. Vi forventede, at det ville føles intuitivt – som en digital assistent, der forudså præcis, hvad en bruger havde brug for som det næste. I stedet føltes det for det meste påtrængende eller irrelevant.
I et komplekst B2B-teknologimiljø ændrer brugerens intention 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 deres visning med anbefalinger om en avanceret funktion, som de 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 rent UI-design, forudsigelige arbejdsgange og lynhurtig søgefunktionalitet. Vi forventede, at AI ville løse et brugeroplevelsesproblem, som i sidste ende krævede bedre og enklere produktdesign.
Hvorfor datakvalitet er afgørende, før AI-pilotprojekter lanceres

Jeg ville ønske, jeg havde vidst, hvor meget vores eget rodede interne data ville skabe problemer i begyndelsen.
Når du lytter til AI-leverandører, får de det til at lyde, som om du 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 supportlogfiler spredt på tværs af forskellige siloer. Noget af det var forældet, noget var direkte modstridende, og meget af det manglede den specifikke filmproduktionskontekst for det, vi laver hos UpendNow.
Fordi vi ikke ryddede op i dette datagrundlag først, brugte AI'en de første par uger på at hallucinere 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 vi tændte for systemet. Man er nødt til at fikse 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 kortlægning af kunderejsen…Hvis du ikke redesigner den måde, du kortlægger og ser kunderejsen på, kommer du til at bruge AI til at optimere individuelle, isolerede kontaktpunkter, mens 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.

Det ene område, som alle har brug for at redesigne fuldstændigt lige nu, er kortlægning af kunderejsen.
Historisk set var kortlægning af kunderejsen en statisk øvelse, der foregik i bestyrelseslokalet. Folk sad i et rum med post-it-sedler, kortlagde en idealiseret vej, lagde den i en PDF, og så kiggede ingen på den igen i et år. Den repræsenterer det, vi håber, kunden gør, ikke virkeligheden.
I en AI-forstærket verden er den tilgang forældet.
Ledere bør aktivt redesigne kort over kunderejsen, så de bliver dynamiske, opdateres i realtid og får data fra aktuelle kilder. Fordi AI-værktøjer nu kan behandle ustrukturerede data — såsom live-brugersessioner, supportsamtaler og frafaldspunkter — i realtid, bør dit kunderejsekort ikke være et dokument. Det bør være et levende softwaredashboard, der hele tiden er aktivt.
I stedet for at gætte på, hvor friktionen er, bør dit system aktivt fortælle dig: "Hej, lige nu støder filmskabere fra boutique-bureauer på en mur ved trin tre i introduktionen på grund af en forsinkelse i brugerfladen." Hvis du ikke redesigner den måde, du kortlægger og ser kunderejsen på, kommer du til at bruge AI til at optimere individuelle, isolerede kontaktpunkter, mens 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 introduktion er forvirrende, så indsæt en AI-assistent. 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 alt tilbage. Se på dit kerneprodukt og din grundlæggende servicelevering. Fiks 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!



