Il responsabile del CS afferma che l’IA non può funzionare autonomamente nei flussi di lavoro CX — ha bisogno di una supervisione costante

Angela Guedes è la responsabile del successo dei clienti presso Enginy, dove sta attualmente portando l'organizzazione da un modello CX ad alta intensità di assistenza a un modello segmentato. È anche la creatrice della newsletter From the Ground Up.

Ci siamo confrontati con Angela per approfondire cosa funziona e cosa non funziona nell'IA nella CX. Ecco cosa ci ha raccontato.

Guidare il successo dei clienti nel SaaS B2B

Sono Angela Guedes. Da 10 anni costruisco e dirigo organizzazioni dedicate al successo dei clienti, sempre nell'ambito del SaaS B2B.

Attualmente sono la responsabile del successo dei clienti presso Enginy, una piattaforma GTM intelligente completa e nativa per l'IA, dedicata ai team di vendita B2B. Siamo un'azienda SaaS verticale nell'ambito dell'automazione delle vendite e serviamo tutti i segmenti, dalle PMI alle grandi imprese. Siamo inoltre in fase iniziale e quest'anno stiamo crescendo da $3M a $10M di ARR.

Attualmente abbiamo un modello di esperienza del cliente ad alta intensità di assistenza, che stiamo trasformando in un modello segmentato. Ogni cliente ha accesso all'assistenza sul prodotto tramite chat nell'app ed e-mail. Inoltre, lo affianchiamo a un responsabile dell'onboarding e a un responsabile dell'account. Assistiamo i nostri clienti tramite riunioni, telefonate ed e-mail. All'inizio di quest'anno abbiamo introdotto webinar settimanali per l'onboarding, così da poter aumentare la portata dell'onboarding e della formazione.

Sovrintendo alla gestione degli account, all'onboarding e all'assistenza sul prodotto con un team di 12 persone. Puntiamo a chiudere l'anno con 20 persone.

Come due semplici cambiamenti possono influire sull'efficacia di un team CX

Nell'ultimo anno ho apportato due cambiamenti concreti:

Il primo riguardava i clienti. Utilizziamo FIN (l'agente IA di Intercom) per ridurre il volume delle richieste indirizzate all'assistenza. In quattro mesi, il tasso di risoluzione è aumentato di 10 punti percentuali. Questo ha significato che un numero inferiore di ticket di primo livello arrivava al team e che quelli che raggiungevano una persona erano realmente complessi. Ciò ci ha permesso di riallocare il tempo del team.

Tuttavia, il punteggio CX è sceso di 9 punti a febbraio. Abbiamo capito rapidamente il motivo: FIN forniva risposte errate perché veniva alimentato con contenuti obsoleti. Rispondeva con sicurezza a domande a cui non avrebbe dovuto rispondere e la logica di escalation non riusciva a intercettare il problema. I clienti rimanevano bloccati.

Abbiamo risolto il problema effettuando una verifica dei contenuti e una revisione completa delle regole di escalation: abbiamo stabilito cosa dovesse gestire FIN, cosa dovesse inoltrare immediatamente e cosa dovesse succedere quando non conosceva la risposta. Abbiamo riscritto la logica di escalation per trasferire prima le richieste sulla base di segnali come riformulazioni ripetute, indicatori di frustrazione e specifiche categorie di argomenti, come fatturazione ed errori. Ad aprile, il punteggio CX si era ripreso, raggiungendo un valore di 5 punti superiore a quello iniziale.

Angela condivide

…L’IA nell’assistenza non è uno strumento di riduzione delle richieste da implementare una volta sola. È un sistema con un livello di contenuti che si deteriora e, se non lo mantieni, ti ritrovi con un bot sicuro di sé che erode lentamente la fiducia dei clienti, in modo abbastanza graduale da non accorgertene finché i numeri non cambiano.

L'insegnamento è stato che l'IA nell'assistenza non è uno strumento di riduzione delle richieste da implementare una volta sola. È un sistema con un livello di contenuti che si deteriora e, se non lo mantieni, ti ritrovi con un bot sicuro di sé che erode lentamente la fiducia dei clienti, in modo abbastanza graduale da non accorgertene finché i numeri non cambiano. Il calo di febbraio ha mostrato che i numeri stavano cambiando. Il vantaggio è rappresentato dal segnale chiaro. Quando qualcosa va storto, puoi risalire alla causa. È qualcosa che non ottieni con un team umano su larga scala.

Il secondo cambiamento è stato interno. Abbiamo migliorato il nostro flusso di lavoro per la preparazione delle chiamate collegando Claude a Granola, Intercom, HubSpot e al nostro prodotto. Prima, i responsabili degli account dedicavano 20–30 minuti a raccogliere il contesto prima di ogni chiamata: note dell'ultima riunione, ticket di assistenza aperti, fase della trattativa e utilizzo del prodotto.

Ora Claude raccoglie automaticamente tutto in un unico riepilogo preparatorio. I responsabili degli account arrivano alle chiamate con un contesto preciso invece di limitarsi a verifiche generiche. Questo ci ha permesso di ridurre il tempo di preparazione e di dedicare le ore risparmiate al contatto proattivo e alle conversazioni sul valore.

Come l'analisi dell'abbandono basata sull'IA migliora il processo decisionale

Vediamo più nel dettaglio un flusso di lavoro per l'analisi dell'abbandono che ho creato in Claude. Il punto di partenza più ovvio per l'analisi dell'abbandono è il campo "motivo dell'abbandono" nel CRM. È anche il punto in cui si concentra la maggior parte delle distorsioni. Il responsabile dell'account compila quel campo dopo aver perso la trattativa, sotto pressione per chiudere il mese. Il campo riflette il modo in cui il responsabile dell'account ha interpretato la perdita, non necessariamente il motivo per cui il cliente se n'è andato.

Ho iniziato con un'istruzione AI manuale che eseguivo ogni mese. Il risultato era incoerente; passavo più tempo a correggerlo di quanto ne risparmiassi, così ho creato una competenza automatizzata che attinge direttamente da HubSpot, con regole chiare sulle proprietà e sulle attività da cercare nel CRM.

Recupera ogni opportunità persa e a rischio per un determinato intervallo di tempo, normalizza le etichette del CRM e raggruppa i dati in base a più dimensioni, incluso un motivo dedotto sulla base della cronologia completa dell'opportunità: note, trascrizioni delle chiamate, attività e completamento dell'inserimento. Soprattutto, riassegna la responsabilità dell'abbandono secondo una logica causale, non in base a ciò che ha registrato l'AM.

Per esempio, un'opportunità recente era stata registrata come "Nessun ROI", che la maggior parte delle persone interpreta come un fallimento del CS. Ma le note dell'opportunità mostravano che il processo di vendita aveva creato aspettative che il prodotto non avrebbe mai potuto soddisfare. È un problema di qualificazione commerciale, non di CS. Avremmo avuto bisogno di qualcuno che leggesse ogni nota di ogni opportunità persa (cosa che non avviene) per accorgersene senza l'AI.

Il risultato è un documento pronto per il CEO, oltre a estratti separati per CS, Prodotto e Vendite, ciascuno con i casi e le analisi delle cause principali di propria competenza.

Perché il flusso dall'intuizione al risultato deve essere comprovato prima di aggiungere l'AI

Utilizzo l'AI quando una persona ha già comprovato il flusso dall'intuizione al risultato. Se quel flusso è ancora in fase di test, l'AI non interviene: il lavoro di validazione non può essere saltato. Se automatizzi prima di aver confermato il modello, amplifichi il comportamento sbagliato.

Ecco dove l'AI svolge attualmente il lavoro:

• Analisi: previsione dei rinnovi e rilevamento dei modelli di abbandono. Ecco l'esempio più chiaro. Ho smesso di fidarmi dei motivi dell'abbandono dichiarati dagli AM (che si concentrano su "budget" e "nessuna corrispondenza", perché sono facili da registrare) e ho iniziato a dedurre i motivi reali dalle note, dalle trascrizioni e dall'utilizzo del prodotto. L'AI ha fatto emergere un inserimento bloccato dietro metà delle etichette "budget". Questo ha spostato il nostro intervento a monte.
• Riepilogo: preparazione delle riunioni, attività successive, sintesi settimanale delle decisioni. È l'unico modo in cui un CSM può gestire la densità di relazioni di cui abbiamo bisogno mantenendo il nostro obiettivo di efficienza.
• Chat di supporto: risposte di primo livello basate sulla documentazione che una persona ha esaminato in precedenza. L'ordine è importante.

Cerchiamo di mantenere una persona nel ciclo. Quando l'AI suggerisce un'azione (segnali di rischio, segnali di espansione, prossimi passi), un CSM o io esaminiamo e convalidiamo il suggerimento prima che raggiunga il cliente. L'AI rileva i modelli più rapidamente di me, ma la persona che gestisce la relazione mantiene il giudizio.

Come ho detto, devo comprovare personalmente il flusso dall'intuizione al risultato prima di integrare l'AI, quindi la formazione degli AM e le valutazioni delle prestazioni sono gli esempi più chiari di attività rimaste completamente umane. Prima o poi delegherò queste attività, ma innanzitutto devo verificare con i miei AM se l'associazione di azioni specifiche a segnali specifici produce risultati migliori per il portafoglio. Finché questo modello non sarà confermato negli incontri individuali, automatizzarlo significherebbe soltanto amplificare un'ipotesi.

Perché i leader CX devono fornire contesto all'AI

Non delegate mai il pensiero e non saltate mai il contesto.

Ricordate: la qualità del risultato dell'AI dipende esclusivamente dal contesto che le fornite. E nulla può sostituire il pensiero umano. Sì, utilizzate l'AI per mettere in discussione le vostre supposizioni, individuare lacune nel vostro ragionamento e confrontare le vostre idee con gli standard del settore. Ma, per ottenere risultati pertinenti, dovete fornirle il contesto che avete in mente e quello contenuto nei documenti interni.

Se le chiedete semplicemente di costruire qualcosa senza questo contesto, il risultato sarà banale nel migliore dei casi e irrilevante nella maggior parte delle situazioni.

Questo è particolarmente importante con i chatbot: lavorate sul vostro livello di contesto del cliente. Un agente senza il contesto completo del cliente non dà soltanto una risposta sbagliata; ne dà una errata con sicurezza. E ricordate che i chatbot non possono funzionare semplicemente da soli. Qualcuno deve essere responsabile dei contenuti forniti all'AI, definire le regole di escalation e verificare attivamente la qualità dei suoi risultati.

Come l'AI può rivelare le lacune nei vostri dati

Il mio consiglio? Inizia dai tuoi dati, non dai tuoi strumenti.

La cosa più utile che l'IA possa fare al momento è portare alla luce ciò che non funziona nei tuoi sistemi esistenti — non generare un report, ma individuare le lacune. La mia prima analisi dell'abbandono dei clienti con Claude non mi ha detto perché i clienti se ne stavano andando; mi ha mostrato che gli AM classificavano i motivi dell'abbandono in modo incoerente, che i dati del CRM erano obsoleti e che mancavano campi fondamentali. È un problema di dati che non avevo compreso appieno finché l'IA non ha provato a utilizzarli.

Questo è il punto di partenza. Comprendi ciò che hai, correggi le incoerenze e arricchisci ciò che manca. L'IA sarà valida solo quanto gli input che le fornisci. I leader che saltano questo passaggio automatizzeranno il rumore e si chiederanno perché gli insight non producano risultati.

Disporre di dati puliti non è un consiglio affascinante, ma è il prerequisito.

Angela condivide

Il mio consiglio? Inizia dai tuoi dati, non dai tuoi strumenti…Questo è il punto di partenza. Comprendi ciò che hai, correggi le incoerenze e arricchisci ciò che manca…Disporre di dati puliti non è un consiglio affascinante, ma è il prerequisito.

Segui gli aggiornamenti

Segui Angela Guedes su LinkedIn e Substack.

Presto arriveranno altre interviste con esperti su CX Lead!