Leder for CS sier at AI ikke kan kjøre selvstendig i CX-arbeidsflyter — det trenger konstant tilsyn

Angela Guedes er leder for kundesuksess hos Enginy, hvor hun for tiden går fra en høykontaktmodell for kundeopplevelse til en segmentert modell. Hun er også skaperen av nyhetsbrevet From the Ground Up.

Vi satte oss ned med Angela for å gå inn i detaljene om hva som fungerer og ikke fungerer med AI i kundeopplevelse. Dette hadde hun å si.

Å lede kundesuksess i B2B SaaS

Jeg heter Angela Guedes. Jeg har bygget opp og ledet kundesuksessorganisasjoner de siste 10 årene, alltid innen B2B SaaS.

For tiden er jeg leder for kundesuksess hos Enginy, en AI-basert, ende-til-ende intelligent GTM-plattform for B2B-salgsteam. Vi er en vertikal SaaS-virksomhet innen salgsautomatisering, og betjener alle segmenter fra SMB til store virksomheter. Vi er på såkornstadiet og vokser i år fra $3M til $10M ARR.

Vi har for tiden en kundeopplevelsesmodell med høy kontaktfrekvens, som vi går over til å gjøre segmentert. Alle kunder har tilgang til produktstøtte via chat i appen og e-post. Vi kobler dem også sammen med en ansvarlig for kundeinnføring og en kundeansvarlig. Vi betjener kundene våre gjennom møter, telefonsamtaler og e-post. Tidligere i år introduserte vi ukentlige nettseminarer om kundeinnføring for å skalere innføring og opplæring.

Jeg har ansvar for kundeansvar, kundeinnføring og produktstøtte, med 12 medarbeidere. Vi planlegger å avslutte året med 20.

Hvordan to enkle endringer kan påvirke effektiviteten til et CX-team

Jeg har gjort to konkrete endringer det siste året:

Den første var rettet mot kundene. Vi bruker FIN (Intercoms AI-agent) for å avlede supportsaker. I løpet av fire måneder økte løsningsgraden med 10 prosentpoeng. Det betydde at færre førstelinjesaker nådde teamet, og sakene som nådde en medarbeider, var reelt komplekse. Det gjorde det mulig for oss å omdisponere teamets tid.

CX-poengsummen falt imidlertid med 9 poeng i februar. Vi forsto raskt hvorfor: FIN ga feil svar fordi utdatert innhold ble matet inn i den. Den svarte selvsikkert på spørsmål den ikke burde ha svart på, og eskaleringslogikken klarte ikke å fange det opp. Kundene ble sittende fast.

Vi løste dette ved å gjennomføre en innholdsrevisjon og en full gjennomgang av eskaleringsreglene: Vi fastslo hva FIN skulle håndtere, hva den umiddelbart skulle videresende, og hva som skulle skje når den ikke visste svaret. Vi skrev om eskaleringslogikken slik at saker ble overført tidligere ved signaler som gjentatt omformulering, tegn på frustrasjon og bestemte emnekategorier som fakturering og feil. Innen april hadde CX-poengsummen hentet seg inn igjen og lå 5 poeng over utgangspunktet vårt.

Angela deler

…AI i kundestøtte er ikke et avledningsverktøy du setter i drift én gang. Det er et system med et innholdslag som gradvis forringes, og hvis du ikke vedlikeholder det, kjører du en selvsikker chatbot som sakte svekker kundetilliten, så gradvis at du ikke legger merke til det før tallene endrer seg.

Lærdommen her var at AI i kundestøtte ikke er et avledningsverktøy du setter i drift én gang. Det er et system med et innholdslag som gradvis forringes, og hvis du ikke vedlikeholder det, kjører du en selvsikker chatbot som sakte svekker kundetilliten, så gradvis at du ikke legger merke til det før tallene endrer seg. Fallet i februar viste at tallene var i bevegelse. Fordelen er det tydelige signalet. Når noe går galt, kan du spore det. Dette får du ikke i samme grad med et menneskelig team i stor skala.

Den andre endringen var intern. Vi forbedret arbeidsflyten for samtaleforberedelse ved å koble Claude til Granola, Intercom, HubSpot og vårt eget produkt. Tidligere brukte kundeansvarlige 20–30 minutter på å samle kontekst før hver samtale: notater fra forrige møte, åpne supportsaker, salgsfasen og produktbruk.

Nå samler Claude automatisk alt i én samtaleforberedende oversikt. Kundeansvarlige møter opp med presis kontekst i stedet for generelle oppfølgingssamtaler. Dette gjorde det mulig for oss å redusere forberedelsestiden, og timene vi sparer, bruker vi på proaktiv oppfølging og verdisamtaler.

Hvordan AI-drevet frafallsanalyse forbedrer beslutningstakingen

La oss se nærmere på en arbeidsflyt for frafallsanalyse som jeg bygget i Claude. Det åpenbare utgangspunktet for frafallsanalyse er feltet «frafallsårsak» i CRM-systemet. Det er også her det meste av skjevhetene ligger. Kundeansvarlig fyller ut feltet etter at avtalen er tapt, under press for å avslutte måneden. Det gjenspeiler hvordan kundeansvarlig formulerte tapet, ikke nødvendigvis hvorfor kunden forlot oss.

Jeg startet med en manuell AI-instruksjon jeg kjørte hver måned. Resultatet var inkonsekvent; jeg brukte mer tid på å rette det opp enn jeg sparte, så jeg bygde en automatisert ferdighet som henter data direkte fra HubSpot, med tydelige regler for hvilke egenskaper og aktiviteter den skal se etter i CRM-systemet.

Den henter alle tapte avtaler og avtaler i risikosonen for en gitt tidsperiode, standardiserer CRM-etiketter og grupperer etter flere dimensjoner, inkludert en utledet årsak basert på hele avtalens historikk: notater, samtaletranskripsjoner, aktiviteter og fullføring av onboarding. Det avgjørende er at den tilordner ansvaret for kundefrafall på nytt basert på årsakssammenhenger, ikke ut fra det AM-en registrerte.

For eksempel ble en nylig avtale registrert som «Ingen avkastning på investeringen», noe de fleste tolker som en CS-svikt. Men avtalens notater viste at salgsprosessen hadde skapt forventninger som produktet aldri kunne ha innfridd. Det er et problem med salgskvalifiseringen, ikke med CS. Vi måtte ha hatt noen som leste hvert eneste notat for hver tapte avtale (noe som ikke skjer) for å oppdage dette uten AI.

Resultatet er et dokument som er klart for administrerende direktør, samt separate utdrag for CS, produkt og salg, hver med sakene og rotårsaksanalysene som tilhører dem.

Hvorfor flyten fra innsikt til resultat må dokumenteres før AI tas i bruk

Jeg tar i bruk AI der et menneske allerede har dokumentert flyten fra innsikt til resultat. Hvis denne flyten fortsatt testes, lar jeg ikke AI berøre den — valideringsarbeidet kan ikke hoppes over. Hvis du automatiserer før du har bekreftet mønsteret, skalerer du feil atferd.

Dette er områdene der AI for øyeblikket gjør arbeidet:

• Analyse: prognoser for fornyelser og oppdagelse av mønstre i kundefrafall. Her er det tydeligste eksempelet. Jeg sluttet å stole på årsakene til kundefrafall som AM-ene oppga (som samler seg rundt «budsjett» og «passer ikke», fordi de er enkle å registrere), og begynte å utlede de reelle årsakene fra notater, transkripsjoner og produktbruk. AI avdekket at onboarding hadde stoppet opp bak halvparten av etikettene «budsjett». Det gjorde at vi kunne gripe inn tidligere i prosessen.
• Oppsummering: møteforberedelser, oppfølging og ukentlig sammenfatning av beslutninger. Det er den eneste måten én CSM kan håndtere den relasjonstettheten vi trenger for å nå effektivitetsmålet vårt.
• Supportchat: førstelinjesvar basert på dokumentasjon som et menneske har gjennomgått først. Rekkefølgen er viktig.

Vi prøver å ha et menneske med i prosessen. Når AI foreslår en handling (risikoflagg, signaler om utvidelse eller neste steg), gjennomgår og validerer en CSM eller jeg den før den når kunden. AI oppdager mønstre raskere enn jeg gjør, men personen som har relasjonen, beholder vurderingsevnen.

Som sagt må jeg selv dokumentere flyten fra innsikt til resultat før jeg integrerer AI, så AM-coaching og prestasjonsvurderinger er de tydeligste eksemplene på oppgaver som fortsatt er fullt ut menneskelige. Jeg kommer til å delegere dette etter hvert, men først må jeg teste på tvers av AM-ene mine om det å koble bestemte handlinger til bestemte signaler gir bedre resultater for porteføljen. Inntil dette mønsteret holder i 1:1-samtaler, vil automatisering bare skalere en gjetning.

Hvorfor CX-ledere må gi AI kontekst

Deleger aldri tenkningen, og hopp aldri over konteksten.

Husk at resultatet fra AI bare er så godt som konteksten du gir den. Og ingenting kan erstatte menneskelig tenkning. Ja, bruk AI til å utfordre antakelsene dine, finne hull i tankegangen din og sammenligne ideene dine med bransjestandarder. Men for å få relevante resultater må du gi den konteksten fra hodet ditt og interne dokumenter.

Hvis du bare ber den bygge noe uten dette, blir resultatet i beste fall intetsigende og i de fleste tilfeller irrelevant.

Dette er spesielt viktig med chatboter — jobb med kontekstlaget for kundene dine. En agent uten full kundekontekst gir ikke bare et dårlig svar; den gir et selvsikkert, feil svar. Og husk at chatboter ikke bare kan kjøre av seg selv. Noen må eie innholdet som mates inn i AI-en, definere regler for eskalering og aktivt kvalitetssikre resultatene.

Hvordan AI kan avdekke hull i dataene dine

Mitt råd? Begynn med dataene dine, ikke verktøyene dine.

Det mest nyttige kunstig intelligens kan gjøre akkurat nå, er å avdekke hva som er ødelagt i de eksisterende systemene dine – ikke generere en rapport, men finne mangler. Den første analysen av kundefrafall jeg gjorde med Claude, fortalte meg ikke hvorfor kundene forsvant; den viste meg at AM-er merket årsaker til kundefrafall på en inkonsekvent måte, CRM-dataene var utdaterte, og kritiske felt manglet. Det er et dataproblem jeg ikke så fullt ut før kunstig intelligens prøvde å arbeide med dataene.

Det er utgangspunktet. Få oversikt over det du har, rett opp inkonsekvenser og berik det som mangler. Kunstig intelligens blir bare så god som inndataene du gir den. Ledere som hopper over dette trinnet, vil automatisere støy og undre seg over hvorfor innsikten ikke når frem.

Ryddige data er ikke et glamorøst råd, men det er en forutsetning.

Angela deler

Mitt råd? Begynn med dataene dine, ikke verktøyene dine…Det er utgangspunktet. Få oversikt over det du har, rett opp inkonsekvenser og berik det som mangler…Ryddige data er ikke et glamorøst råd, men det er en forutsetning.

Følg med

Følg Angela Guedes på LinkedIn og Substack.

Flere ekspertintervjuer kommer snart på CX Lead!