De fleste supportteam har investert i AI et eller annet sted i arbeidsflyten. En chatbot håndterer
henvendelser i førstelinjen, en kunnskapsbase gir agentene noe å slå opp i, en supervisor gjennomgår noen dusin samtaler hver uke for kvalitetssikring, og et rapporteringsdashboard forteller lederne hva som skjedde forrige måned. Hvert verktøy gjør jobben sin godt nok på egen hånd, men de fleste av dem kommuniserer ikke med hverandre på noen meningsfull måte.
Chatboten vet ikke hva kvalitetssikringsprosessen deres avdekket forrige uke. Det finnes ingen innsikt i hvilke artikler som er utdaterte eller villeder kunder i kunnskapsbasen. Og rapporteringslaget kan fortelle deg at CSAT falt, men det kan ikke forklare hvorfor.
For supportdrift i regulerte bransjer som høyere utdanning, bank, helsevesen og
iGaming har denne manglende sammenhengen reell betydning. Kravene til etterlevelse er strenge, volumet er høyt, og kostnaden ved et feil svar går langt utover en frustrert kunde.
Comm100 AI-pakken ble utviklet med utgangspunkt i ideen om at disse verktøyene ikke bør operere i siloer. Seks AI-produkter, hvert bygget for en bestemt fase av servicesyklusen, gir alle informasjon til hverandre i det Comm100 kaller AI-svinghjulet.
Hva er Comm100 AI-svinghjulet?
Supporthenvendelser følger en forutsigbar vei. En kunde stiller et spørsmål, en agent (menneskelig eller AI) løser det, interaksjonen avsluttes, og deretter evaluerer noen interaksjonen og anvender de lærdommene som kommer ut av den.
Dette siste trinnet skjer sjelden i de fleste organisasjoner. Evalueringene er overfladiske, lærdommen finner sjelden veien tilbake til opplæring eller dokumentasjon, og syklusen starter på nytt uten at noen reell forbedring er innebygd.
Comm100 AI-svinghjulet ble bygget på flere tiår med forskning på supportdrift og behandler hele denne syklusen som en lukket sløyfe der hvert trinn genererer data som forbedrer det neste.
AI håndterer samtaler, evaluerer dem, henter ut innsikt fra dem, oppdaterer kunnskapen basert på det den finner, trener agenter ved hjelp av virkelige scenarioer og fører alt dette tilbake til den neste interaksjonen.
Systemet blir merkbart bedre over tid fordi forbedring er innebygd i hvordan
plattformen fungerer, ikke fordi noen husket å planlegge en kvartalsvis gjennomgang.
Trinn 1: Løse kundehenvendelser med AI-agenten
Den mest åpenbare flaskehalsen i enhver supportorganisasjon er inngangen, der kundene kommer med spørsmål og noen må svare dem. I høyere utdanning kan det se ut som en flom av spørsmål om økonomisk støtte hver september.
I den fartsfylte iGaming-verdenen kan det være en økning i henvendelser om kontoverifisering etter lanseringen i et nytt marked. Mønsteret varierer fra bransje til bransje, men det underliggende presset er alltid det samme: for mange repetitive spørsmål som legger beslag på for mye agentkapasitet.
Comm100 AI-agent håndterer disse rutinemessige, forutsigbare samtalene som ikke krever menneskelig vurdering, for eksempel tilbakestilling av passord, kontroll av kontostatus og spørsmål om retningslinjer med klare svar.
Det som skiller den fra en standard chatbot, er hvordan den genererer svar: fra verifiserte, godkjente kilder i stedet for åpne språkmodeller. I bransjer der et feil svar kan utløse et problem med etterlevelse, utgjør dette grunnlaget en reell forskjell.
Når AI-agenten ikke vet svaret, sier den fra og eskalerer til et menneske i stedet for å
improvisere noe som høres selvsikkert ut, men som ikke er korrekt.
For supportteam som håndterer sesongsvingninger (store sportsbegivenheter som Super Bowl, perioder for åpent
opptak, produktlanseringer) løser AI-agenten også skaleringsproblemet som
tradisjonelt har krevd ansettelse og opplæring av midlertidig personale.
AI håndterer økninger i volum uten opptrappingstid, noe som er svært viktig når en økning på tre måneder ellers ville krevd flere ukers innkjøring for agenter som kanskje ikke blir værende etter høysesongen.
Want to learn more about Comm100?
Trinn 2: Hjelpe agenter med å jobbe raskere med AI-assistenten
Comm100 AI-assistent arbeider sammen med agentene i sanntid, viser relevant kunnskap,
foreslår svar og håndterer oppgaver etter samtalen, som oppsummering og merking.
Den løser også en av de mindre synlige produktivitetstyvene i support: etterarbeid. Kategorisering av
samtaler, skriving av sammendrag og utfylling av CRM-felt vises ikke i kundevendteytelsesmålinger, men de tar av tiden agentene kunne brukt på faktiske samtaler med kunder som venter.
Komplekse problemer, særtilfeller og situasjoner som krever menneskelig vurdering utgjør fortsatt en
betydelig del av supportvolumet, og disse samtalene havner hos agenter som må
svare raskt og nøyaktig.
Agenter i regulerte bransjer bruker ofte overraskende mye tid på å lete gjennom omfattende
retningslinjedokumenter før de i det hele tatt kan begynne å utforme et svar, og denne søketiden blir raskt omfattende når du håndterer flere chatter samtidig.
I flywheel-modellen henter AI Copilot fra de samme kunnskapskildene som AI Agent, noe som
betyr at agenter og AI alltid arbeider ut fra identisk informasjon. Du kan også legge til
interne dokumenter som kunnskapskilde for AI Copilot, noe som gir den mer kontekst i daglige samtaler enn AI Agent. Når AI Knowledge (mer om det nedenfor) oppdaterer en artikkel, ser både AI- og menneskelige agenter endringen umiddelbart, uten forsinkelse og uten versjonsavvik.
Trinn 3: Lese hver samtale med AI Insights
Comm100 innså hvor viktig det var ikke bare å bygge løsninger, men også å legge til et overvåkingslag
på toppen som faktisk ga nyttige måltall. Ledere i de fleste supportorganisasjoner har tilgang til mer
data enn de realistisk kan behandle.
De har tall for volum, CSAT-poengsummer, svartider og løsningsgrader, men svært liten
klarhet i hva som driver disse tallene opp eller ned. De underliggende årsakene finnes vanligvis i samtaleutskrifter, og ingen har tid til å lese tusenvis av dem hver måned.
Comm100 AI Insights leser hver samtale i stedet for å ta stikkprøver, sporer sentiment i sanntid og identifiserer hvilke emner som skaper mest friksjon. En av de mest praktiske funksjonene er Spotlights, som lar ledere definere nøyaktig hva de vil spore ved hjelp av naturlig språk.
Et bankteam kan opprette en Spotlight for alle samtaler som nevner uautoriserte
transaksjoner, mens et universitet kan spore omtaler av en bestemt registreringsfrist. AI
fremhever disse interaksjonene automatisk og gjør vage bekymringer om til konkrete bevis
som ledere kan handle på samme dag.
I flywheel-modellen går Insights-data direkte inn i de andre verktøyene. Hvis sentimentanalysen viser at kundene konsekvent er forvirret av en bestemt policy, kan ledere bruke dette som et signal til å oppdatere kunnskapsbasen ved hjelp av AI Knowledge.
Hvis bestemte emner fører til et høyt antall eskaleringer, påvirker disse dataene hvordan AI Agent
bør konfigureres for å håndtere dem fremover.
Den største fordelen med dette verktøyet er hvor enkelt det gjør det for ledere å forstå
resultatene til hvert enkelt teammedlem bedre. Ved hjelp av naturlig språk kan de identifisere mønstre, friksjonspunkter eller forbedringsområder for hver agent, og bruke denne informasjonen til bedre oppfølging gjennom et annet av Comm100s verktøy.
Trinn 4: Holde kunnskapen nøyaktig med AI Knowledge
Comm100 tilbyr også en dynamisk kunnskapsbase, men laget for AI-drevet kunnskapsforvaltning er et fantastisk verktøy som virkelig gjenspeiler selskapets erfaring og kompetanse innen support.
Alle kunnskapsbaser har begrenset levetid. Den dagen en artikkel publiseres, begynner den å avvike fra
virkeligheten etter hvert som produkter endres, policyer oppdateres og nye spørsmål dukker opp som ingen forutså da det opprinnelige innholdet ble skrevet.
Tradisjonelt gjennomfører selskaper periodiske revisjoner der noen går gjennom artiklene og
oppdaterer det som er utdatert, men i praksis blir disse revisjonene aldri fulgt opp i tide. For å løse dette utviklet selskapet Comm100 AI Knowledge.
Det overvåker kontinuerlig innholdskvaliteten, flagger problemer som skrivefeil, utdaterte referanser eller manglende
trinn, og analyserer ekte samtaler for å identifisere spørsmål som kunnskapsbasen ennå ikke dekker.
Når det finner et hull, utarbeider det et løsningsforslag. Når det finner en unøyaktighet, foreslår det en revisjon.
Ledere kontrollerer omfanget av hver revisjon og kan spore alle endringer gjennom et analyse-
dashbord, slik at ingenting publiseres uten menneskelig gjennomgang. I stedet for å måtte gå gjennom
artikler i kunnskapsbasen manuelt kan teamene bare la AI oppdatere dem for seg.
Det er her flywheel-sløyfen blir mest synlig. Samtaler som analyseres av AI Insights
avslører kunnskapshull, AI Knowledge fyller disse hullene, AI Agent og AI Copilot
bruker umiddelbart det oppdaterte innholdet i sine neste interaksjoner, og fremtidige samtaler blir bedre som følge av dette.
Den neste analyserunden bekrefter om forbedringen ga ønsket effekt, og syklusen fortsetter.
Trinn 5: Evaluere kvaliteten i 100 % av interaksjonene med AI QA
Kvalitetssikring i de fleste supportorganisasjoner betyr at en leder gjennomgår noen få
samtaler hver uke og håper at dette utvalget representerer det som faktisk skjer på tvers av
tusenvis av interaksjoner.
Matematikken alene gjør denne tilnærmingen upålitelig, og i bransjer som spill eller bank, der overholdelse av regelverk er ufravikelig, er det et alvorlig problem å oppdage et avvik fra regelverket flere uker etter at det begynte å påvirke kundene.
Comm100 AI Quality Assurance evaluerer hver interaksjon, både menneskelig og AI-basert, opp mot
kriterier som kan tilpasses. Det gir samtalene poeng på områder som nøyaktighet, tone, overholdelse
av regelverk og fullstendighet i problemløsningen, og flagger problemer mens de oppstår i stedet for å vise dem i en månedsrapport som allerede er utdatert når noen leser den.
Teamene kan også konfigurere sin egen utvalgsfrekvens og velge å gjennomgå hver samtale eller en
definert prosentandel, slik at QA-dekningen skalerer med volumet uten å bruke opp AI-kreditter unødvendig.
Innenfor det selvforsterkende kretsløpet kan QA-resultater brukes i to retninger. De kan brukes til å gi AI
Insights informasjon, slik at ledere får konkrete data om hvor teamet utmerker seg, og hvor det er behov for opplæring.
De kobles også til AI-opplæring, slik at nye agenter får spesifikk opplæring i områdene
der teamet har størst forbedringspotensial.
Trinn 6: Raskere innføring av agenter med AI-opplæring
Comm100 AI-opplæring lager realistiske simuleringer ved hjelp av faktiske samtaledata, slik at nye agenter kan øve på å håndtere situasjoner de faktisk vil møte i jobben, og få umiddelbare tilbakemeldinger fra AI på prestasjonene sine.
Denne tilnærmingen kan redusere opplæringstiden betydelig og samtidig bygge opp større selvtillit
fordi agentene allerede har håndtert realistiske versjoner av de mest krevende samtalene sine før de noen gang begynner å ta imot reelle henvendelser.
Innføring av agenter i regulerte bransjer går notorisk sakte. En nyansatt i en kredittforening kan bruke flere uker på å lære samsvarsprotokoller før vedkommende får tillatelse til å håndtere en reell samtale, og innen høyere utdanning kan opplæring i detaljene rundt økonomisk støtte, registerprosesser og akademisk rådgivning ta like lang tid. Tradisjonell innføring er i stor grad basert på klasseromsundervisning og manusbaserte rollespill som ikke gjenspeiler den faktiske kompleksiteten i reelle kundesamtaler.
AI-opplæring lukker kretsløpet ved å hente informasjon fra alle de andre verktøyene i produktpakken. QA identifiserer
hvor agentene har utfordringer, Insights avdekker hvilke temaer som skaper mest friksjon, og Knowledge leverer kildematerialet til opplæringsscenarioene.
Når en nyopplært agent begynner å håndtere reelle samtaler, går interaksjonene direkte tilbake til systemet, og det skaper en kontinuerlig forbedringssyklus som forsterkes over tid.
Hvorfor forbindelsene mellom verktøyene er viktige
De individuelle funksjonene i hvert Comm100 AI-produkt er verdifulle hver for seg, og ethvert av dem kan forbedre en kundestøttefunksjon isolert sett. Men den samlede effekten av å bruke dem sammen er der de virkelige gevinstene viser seg.
Når AI Knowledge identifiserer en utdatert artikkel og oppdaterer den, vil AI-agenten
automatisk begynne å levere mer relevante svar. Den samme informasjonen blir gjort tilgjengelig for menneskelige agenter via AI-assistenten.
AI-kvalitetssikring bekrefter om den nye tilnærmingen fungerer, og AI-opplæring bruker
scenarioet til å forberede neste gruppe agenter.
Hele denne sekvensen kan gjennomføres med minimal inngripen i hvert overleveringspunkt, uten å vente på en kvartalsvis gjennomgang og uten å håpe at én gruppes oppdagelse på en eller annen måte finner veien til arbeidsflyten i en annen gruppe.
For organisasjoner som bruker Comm100 Live Chat og den bredere omnikanalplattformen, betyr det selvforsterkende kretsløpet at hver samtale, enten den håndteres av AI eller en menneskelig agent, bidrar til å gjøre den neste bedre.
I regulerte bransjer, der nøyaktighet, samsvar og konsistens ikke er valgfritt, er et sammenkoblet AI-system som forbedrer seg selv forskjellen mellom en kundestøttefunksjon som skalerer smidig, og en som bare blir mer høylytt etter hvert som den vokser.
