Teknologia-alan asiakaskokemuksesta vastaava johtaja sanoo, että johtajat automatisoivat liikaa sen sijaan, että korjaisivat huonon tuotesuunnittelun

Shankar Sahai on UpendNow.comin CXO, ja UpendNow.com on tekoälyyn perustuva tuotannon orkestrointialusta, joka tehostaa videoiden, elokuvien ja mainosten luomista. Hänen tavoitteenaan on estää organisaatiota rakentamasta kalliita asioita, joita kukaan ei halua. Hän tekee sen tekoälyn avulla.

Keskustelimme Shankarin kanssa selvittääksemme, mitä hän automatisoi – ja missä suunnittelu päihittää automaation.

Varmistamassa, että ihmiskokemus vastaa johtoryhmän lupauksia

Hei kaikille, olen Shankar Sahai ja toimin UpendNow.comin asiakaskokemuksesta vastaavana johtajana.

Jos minun pitäisi tiivistää päivittäinen työni yhteen lauseeseen, se kuuluisi näin: estän yrityksiä rakentamasta erittäin kalliita asioita, joita kukaan ei halua tai osaa käyttää. Vietän suurimman osan ajastani tuotekehityksen, asiakastutkimuksen ja operatiivisen strategian kaoottisessa risteyskohdassa.

UpendNowilla toimimme syvällisesti B2B-alalla ja autamme organisaatioita navigoimaan valtavissa digitaalisissa muutoshankkeissa sekä korjaamaan rikkoutuneita asiakaspolkuja. Kun puhumme "skaalasta", kyse on vähemmän valtavan tukipyyntömäärän laskemisesta – vaikka niitä näemmekin runsaasti – ja enemmän valtavan operatiivisen monimutkaisuuden ratkaisemisesta. Tarkastelemme monikanavaisia ekosysteemejä, joissa asiakkaat saattavat saman viikon aikana siirtyä verkkopalvelun, mobiilisovelluksen, suoran tuen ja myyntiedustajan välillä odottaen yrityksen muistavan maagisesti jokaisen vuorovaikutustilanteen.

CXO:na autan johtoryhmiä lopettamaan asiakaskokemuksen näkemisen pelkkänä "tukipalvelun" kustannuspaikkana ja alkamaan kohdella sitä liiketoiminnan keskeisenä moottorina. Teemme raskaan työn – perusteellisesta käyttäjätutkimuksesta työnkulkujen automatisointiin ja ketteriin muutoshankkeisiin – varmistaaksemme, että ihmiskokemus vastaa johtoryhmän esittämiä suuria lupauksia.

Miten tekoäly voidaan sisällyttää laadulliseen käyttäjätutkimukseen

Suurin muutoksemme ei ollut näyttävän, asiakkaille suunnatun chatbotin asentaminen. Sen sijaan upotimme tekoälyn syvälle laadulliseen käyttäjätutkimukseemme ja vuorovaikutusten jälkeiseen analyysiin.

Meillä oli valtava määrä jäsentymätöntä dataa – tuhansia tunteja käyttäjähaastatteluja, tukikeskustelujen litterointeja ja avointa palautetta. Aiemmin sen manuaalinen läpikäynti hyödynnettävien oivallusten löytämiseksi kesti viikkoja. Kun olimme kartoittaneet kitkakohdat, data oli jo vanhentunutta.

Rakensimme sisäisen tekoälyputken, joka vastaanottaa, luokittelee ja kartoittaa raakakeskusteludatan tunnesävyjä automaattisesti reaaliajassa. Sen sijaan että se vain merkitsisi keskustelut "iloisiksi tai surullisiksi", se tunnistaa konkreettisia käyttäytymisen esteitä – esimerkiksi kohdan, jossa käyttäjä hämmentyy käyttöliittymän terminologiasta tai keskeyttää käyttöönottotyönkulun.

Työkaluina käytämme OpenAI:n Whisper-ohjelmointirajapintaa ääni- ja videomateriaalin litterointiin. Analyysiin ja luokitteluun käytämme Anthropicin Claudea (3.5 Sonnet).

Se poisti arvailun. Korvasimme johtoryhmän aavistukset kovalla datalla. Meillä on nyt reaaliaikainen koontinäyttö, joka näyttää täsmälleen, miksi ja missä käyttäjät kohtaavat vaikeuksia. Myös nopeus kasvoi. Oivalluksiin kulunut aika lyheni kolmesta viikosta minuutteihin. Itse asiassa havaitsimme äskettäin uuden portaalin merkittävän käyttökokemusongelman 48 tunnin kuluessa julkaisusta, korjasimme sen välittömästi ja vältimme tukipyyntöjen valtavan piikin.

Henkilökohtaista palvelua tarjoava, tekoälyn tukema asiakaskokemuksen työnkulku

Koko maailmamme UpendNow.comilla pyörii Solt OS:n ympärillä. Se on alustamme, joka auttaa elokuvantekijöitä ja mainostoimistoja automatisoimaan esituotannon painajaisen – muuttamaan sekavan käsikirjoituksen kuvakäsikirjoituksiksi, kuvauslistoiksi ja budjeteiksi. Koska elokuvanteko on niin visuaalista ja monimutkaista, tavallinen tukipyyntöjen työnkulku ei toimi meillä. Kun ohjaaja yrittää luoda esivisualisointivideota ja hahmojen yhdenmukaisuus rikkoutuu jatkuvasti, hän ei halua yleisluontoista IT-tukipalvelua.

Hoidamme tämän nyt saumattomasti. Tässä on työnkulku.

Heti kun sisällöntuottaja ilmoittaa ongelmasta tai jää jumiin, sisäinen tekoälymme ei vain lue hänen tekstimuotoista valitustaan, vaan ottaa mukaan koko luovan työskentelykerran asiayhteyden. Se tarkastelee ladattua käsikirjoitusta, käytettyjä kehotteita ja epäonnistuneita kuvakäsikirjoituksia.

Siitä eteenpäin tekoäly hoitaa raskaan analyyttisen työn. Se selvittää tarkan luovan työn kitkakohdan – esimerkiksi huomaa, että elokuvantekijä on käyttänyt epästandardia kohtausotsikkoa, joka sekoitti järjestelmän sijaintien seurannan.

Sitten sen sijaan, että käyttäjä joutuisi odottamaan tai keskustelemaan botin kanssa, järjestelmä siirtää kaiken yhdelle ihmistiimimme jäsenistä. Siirron mukana tulee kuitenkin täydellinen muistilista. Ihmisoperaattori avaa tapauksen ja näkee heti, mitkä kohtausnumerot kiertävät kehää, mikä muotoiluvirhe on kyseessä ja millainen korjaus on jo luonnosteltu.

Elokuvantekijä saa ihmiseltä nopean ja syvällisesti kontekstiin perustuvan vastauksen sellaisella elokuvakielellä, jota hän ymmärtää, ja samalla pidämme hänen luovan työnsä etenemisen käynnissä. Tekoäly viimeistelee kokonaisuuden kirjaamalla kyseisen muotoiluvirheen automaattisesti tuotekehityksemme työlistalle, jotta voimme korjata tuotteen käyttöliittymän ja estää ongelman toistumisen seuraavan ohjaajan kohdalla.

Missään vaiheessa asiakas ei joudu keskustelemaan botin kanssa tai selittämään monimutkaista luovan työn sanastoa tukihenkilölle.

Miten tekoäly ohjaa CX-päätöksiä ihmisten johdattaessa strategiaa

Shankar kertoo

…emme automatisoi ihmissuhteita. Käytämme tekoälyä analyyttisen rutiinityön hoitamiseen, jotta tiimillämme on aikaa keskittyä arvokkaaseen, syvästi inhimilliseen työhön: suhteiden rakentamiseen ja monimutkaisten ongelmien ratkaisemiseen.

Noudatamme yksinkertaista nyrkkisääntöä: tekoäly käsittelee "mitä" ja "missä", mutta ihmiset vastaavat "miksi" ja "miten".

Tässä on muutama esimerkki siitä, missä tekoäly toimii hyvin:

• Ongelmien priorisointi ja trendien tunnistaminen: tekoäly käy reaaliajassa läpi tuhansia saapuvia tukikeskustelujen litterointeja ja käyttäjäistuntoja. Se ilmoittaa välittömästi poikkeamista – esimerkiksi siitä, että maksusivulle jumiin jäävien käyttäjien määrä on yhtäkkiä kasvanut 15 prosenttia – kauan ennen kuin ihmisesihenkilö huomaa kaavan. Käytämme tähän PostHogia.
• Asiakaspolun kitkan kartoittaminen: tekoäly analysoi käyttäjien toimintaa alustoillamme ja osoittaa tarkalleen, missä käyttäjät putoavat pois. Se poistaa arvailun tarpeen. Olemme parhaillaan siirtämässä työkalujamme FullStoryyn (StoryAI ja API).

Ihmisten vastuulla ovat puolestaan:

• Asiakaspolun uudistaminen ja strategia: tekoäly voi kertoa minulle, missä ihmiset putoavat pois, mutta siltä puuttuvat liiketoimintakonteksti ja luova empatia kokemuksen uudistamiseen. Rikkinäisen B2B-asiakaspolun korjaaminen edellyttää eri toimintojen välistä yhteensovittamista, insinöörityön kompromisseja ja syvällistä ymmärrystä ihmisten käyttäytymisestä. Tekoäly ei voi istua huoneessa ja saada kolmea eri osastoa sopimaan ratkaisusta.
• Palvelun palauttaminen ja eskalointi: jos järjestelmäkatkos häiritsee arvokkaan asiakkaan toimintaa ja raivostuttaa hänet, hän ei halua täydellisesti laadittua tekoälyn anteeksipyyntöä. Vaikeassa palvelutilanteessa tarvitaan aitoa inhimillistä empatiaa, vastuun kantamista ja valtuuksia joustaa säännöistä tilanteen korjaamiseksi.

Toisin sanoen emme automatisoi ihmissuhteita. Käytämme tekoälyä analyyttisen rutiinityön hoitamiseen, jotta tiimillämme on aikaa keskittyä arvokkaaseen, syvästi inhimilliseen työhön: suhteiden rakentamiseen ja monimutkaisten ongelmien ratkaisemiseen.

Miten tekoäly kamppailee alakohtaisen kontekstin kanssa

Shankar kertoo

Automatisoituun koontinäyttöön sokeasti luottaminen ilman ihmisen tekemää järkevyystarkistusta olisi johtanut viikkojen hukkaamiseen täysin toimivan koodin uudelleenkirjoittamiseen. Tekoäly löytää kaavoja, mutta sillä on suuria vaikeuksia syvän, alakohtaisen kontekstin ymmärtämisessä.

Tekoälyn integroiminen laadulliseen data-analyysiimme ja ongelmien priorisointiin on muuttanut toimintamme tahtia.

Tiimimme käytti aiemmin viikkoja datan manuaaliseen tunnisteiden lisäämiseen löytääkseen järjestelmällisiä UX-ongelmia tai käyttöönoton pullonkauloja eri asiakkuuksissa. Nyt tekoäly nostaa nämä toistuvat kitkakuviot esiin lähes välittömästi. Ongelmiin tarttuminen nopeammin antaa meille mahdollisuuden korjata virheet ja epäselvät työnkulut ennen kuin ne johtavat asiakasvalitusten tulvaan. Tämä siirsi tuote- ja tutkimustiimimme painopistettä olennaisesti työläästä taulukkolaskentaan perustuvasta tiedonsyötöstä ratkaisujen suunnitteluun.

Kaikki ei kuitenkaan ole sujunut ongelmitta. Suurin haasteemme oli analyyttinen kohina ja todellisen kontekstin puute.

Aluksi painotimme liikaa tekoälyn kykyä tunnistaa mielialoja ja trendejä. Huomasimme uuden ominaisuuden ympärillä jyrkän piikin negatiivista mielialaa kuvaavissa tunnisteissa. Tiimi oli vähällä ryhtyä kiireesti palauttamaan päivitystä edeltävää versiota. Ihmisen tekemä perusteellinen tarkastelu paljasti kuitenkin, että tekoäly oli tulkinnut täysin väärin tehokäyttäjiemme alakohtaisen sanaston ja teknisen turhautumisen. He eivät olleet vihaisia ominaisuudelle, vaan puhuivat intohimoisesti omista monimutkaisista työnkuluistaan.

Automatisoituun koontinäyttöön sokeasti luottaminen ilman ihmisen tekemää järkevyystarkistusta olisi johtanut viikkojen hukkaamiseen täysin toimivan koodin uudelleenkirjoittamiseen. Tekoäly löytää kaavoja, mutta sillä on suuria vaikeuksia syvän, alakohtaisen kontekstin ymmärtämisessä.

Miksi tuotesuunnittelu voi olla tärkeämpää kuin hienostunut tekoäly

Kontekstuaalinen hyperpersonointi on toinen alue, jolla tekoäly ei ole lunastanut lupauksiaan.

Lupaus oli, että tekoäly voisi tarkastella saumattomasti B2B-asiakkaan aiempaa käyttäytymistä, tuotteen nykyistä käyttöä ja tukihistoriaa sekä mukauttaa perehdytys- tai hallintapaneelikokemusta dynaamisesti reaaliajassa. Odotimme sen tuntuvan intuitiiviselta – kuin digitaaliselta concierge-palvelulta, joka ennakoi tarkalleen, mitä käyttäjä tarvitsee seuraavaksi. Sen sijaan se tuntui useimmiten tungettelevalta tai epäolennaiselta.

Monimutkaisessa B2B-teknologiaympäristössä käyttäjän aikomukset muuttuvat radikaalisti tunnista toiseen. Käyttäjä saattaa kirjautua hoitamaan nopean, toistuvan hallinnollisen tehtävän, mutta tekoäly – joka yrittää olla avuksi laajempien tilitason trendien perusteella – täyttää näkymän suosituksilla edistyneestä ominaisuudesta, josta käyttäjä ei juuri nyt välitä. Se lisäsi kognitiivista kuormitusta sen sijaan, että olisi vähentänyt sitä.

Oivalsimme, että alustaa käyttäessään käyttäjät eivät halua tekoälyn arvaavan, mitä he haluavat tehdä seuraavaksi; he haluavat selkeän käyttöliittymäsuunnittelun, ennakoitavat työnkulut ja salamannopean hakutoiminnon. Odotimme tekoälyn ratkaisevan käyttäjäkokemusongelman, joka lopulta edellytti parempaa ja yksinkertaisempaa tuotesuunnittelua.

Miksi datan laatu on ratkaisevan tärkeää ennen tekoälykokeilujen käynnistämistä

Olisinpa tiennyt, kuinka paljon oma sotkuinen sisäinen datamme tulisi aiheuttamaan ongelmia heti alussa.

Kun kuuntelet tekoälytoimittajia, he saavat asian kuulostamaan siltä, että sinun tarvitsee vain ottaa tämä maaginen työkalu käyttöön, ja se tuottaa välittömästi loistavia, ihmisille valmiita oivalluksia. Todellisuudessa tekoälysi on vain niin hyvä kuin sille syöttämäsi data.

Ennen ensimmäistä kokeiluamme meillä oli vuosien ajalta asiakaspalautetta, vanhaa käyttäjätutkimusta ja tukilokeja hajallaan eri siiloissa. Osa siitä oli vanhentunutta, osa täysin ristiriitaista, ja suuresta osasta puuttui UpendNow-toimintaamme liittyvä erityinen elokuvatuotannon konteksti.

Koska emme siivonneet dataperustaa ensin, tekoäly käytti ensimmäiset viikot outojen trendien hallusinointiin ja tuotti valtavan määrän analyyttistä kohinaa, jonka kumoamiseen tiimini tuhlasi aikaa.

Jos voisin tehdä kaiken uudelleen, olisin käyttänyt paljon vähemmän aikaa näyttävien tekoälyominaisuuksien arviointiin ja paljon enemmän aikaa sisäisen data-arkkitehtuurimme siivoamiseen ennen järjestelmän käyttöönottoa. Perusta on korjattava ensin, muuten vain automatisoit kaaoksen.

Alue, johon kaikkien CX-johtajien tulisi keskittyä

Yksi alue, joka kaikkien on suunniteltava nyt täysin uudelleen, on asiakaspolun kartoittaminen.

Historiallisesti asiakaspolun kartoittaminen oli staattinen kokoushuoneharjoitus. Ihmiset istuivat huoneessa muistilappujen kanssa, kartoittivat ihanteellisen polun, tallensivat sen PDF-tiedostoksi, eikä kukaan katsonut sitä enää vuoteen. Se kuvaa sitä, mitä toivomme asiakkaan tekevän, ei todellisuutta.

Tekoälyn tukemassa maailmassa tämä lähestymistapa on vanhentunut.

Johtajien tulisi suunnitella asiakaspolkukartat aktiivisesti uudelleen niin, että ne ovat dynaamisia, reaaliaikaisia ja perustuvat ajantasaiseen dataan. Koska tekoälytyökalut pystyvät nyt käsittelemään jäsentämätöntä dataa – kuten reaaliaikaisia käyttäjäistuntoja, tukipuheluita ja keskeyttämiskohtia – reaaliajassa, asiakaspolkukartan ei pitäisi olla asiakirja. Sen pitäisi olla elävä ja hengittävä ohjelmiston hallintapaneeli.

Sen sijaan että järjestelmäsi arvaisi, missä kitkaa esiintyy, sen pitäisi kertoa sinulle aktiivisesti: "Hei, juuri nyt pienten toimistojen elokuvantekijät törmäävät ongelmaan perehdytyksen kolmannessa vaiheessa käyttöliittymän viiveen vuoksi." Jos et suunnittele uudelleen sitä, miten kartoitat ja tarkastelet asiakaspolkua, käytät tekoälyä yksittäisten, erillisten kosketuspisteiden optimointiin ja jätät samalla täysin huomaamatta, että kokonaiskokemus on rikki. Meidän on lopetettava menneisyyden kartoittaminen ja alettava orkestroida nykyhetkeä.

Huonoa suunnittelua ei voi korjata automatisoimalla

Neuvoni on yksinkertainen: lopeta huonon suunnittelun korjaaminen automatisoinnilla.

Tällä hetkellä asiakaskokemuksesta vastaavat johtajat kohtaavat valtavan houkutuksen turvautua tekoälyyn jokaisessa asiakaspolun kitkakohdassa, koska se vaikuttaa nopealta ja edulliselta. Jos käyttöönotto on sekavaa, lisää siihen tekoälyavustaja. Jos dokumentaatio on sotkuista, rakenna tekoälypohjainen hakubotti. Todellisuudessa vain peität rikkinäisen prosessin huipputeknologisella laastarilla. Käytät tekoälyä auttamaan asiakkaita navigoimaan monimutkaisuudessa, jota ei pitäisi alun perin edes olla olemassa.

Ennen kuin ostat uuden tekoälytyökalun tai käynnistät uuden automatisoidun työnkulun, karsi kaikki ylimääräinen pois. Tarkastele ydintuotettasi ja keskeistä palveluntarjontaasi. Korjaa taustalla olevat käyttökokemuksen puutteet, siivoa sekavat datan käsittelyputket ja yksinkertaista asiakaspolkua ensin.

Seuraa mukana

Voit seurata Shankar Sahain työtä LinkedInissä ja X:ssä.

Lisää asiantuntijahaastatteluja on tulossa The CX Leadiin!