Lederen for kundesuksess bryter ned arbeidsflytene som sparer tid og gir mer fornøyde kunder

Ajay Balamurugadas er leder for kundeopplevelse og strategi hos PostQode, et AI-basert produkt for programvareutvikling.

Vi tok en prat med Ajay for å forstå hvordan han bruker AI til å skape mer fornøyde kunder. Her er det han fortalte oss.

Autonome AI-agenter i programvareutvikling

Jeg heter Ajay Balamurugadas, og jeg er en erfaren leder innen kvalitetsutvikling. De siste to årene har jeg vært leder for kundeopplevelse og strategi hos PostQode, et produktselskap som tar autonome AI-agenter i bruk i alle faser av programvareutviklingslivssyklusen.

Kundene våre omfatter oppstartsbedrifter, større virksomheter og tjenesteselskaper som betjener sine egne kunder.

Slik skaper AI mer fornøyde kunder

Det siste året har vi gjort to konkrete endringer i hvordan vi leverer kundeopplevelse ved hjelp av AI.

For det første bruker vi AI i stor utstrekning til kundeundersøkelser. I stedet for å basere oss utelukkende på manuell analyse av møter, tilbakemeldinger og dokumenter, bruker vi AI til å oppsummere samtaler, identifisere tilbakevendende smertepunkter og trekke ut forventninger. AI undersøker også kundens selskap, forretningsaktiviteter, konkurrenter og mulige løsninger, og fremhever forskjeller mellom det kundene sier, og det de faktisk trenger.

AI-støttet analyse og oppsummering har redusert tiden som brukes på kunde- og markedsundersøkelser, fra nesten en hel arbeidsdag til vanligvis 1-2 timer.

For det andre innførte vi AI-drevet feilsøkingsstøtte for analyse og løsning av problemer. AI bidrar til å analysere logger, feilmønstre, testresultater og historiske problemer for raskt å snevre inn mulige grunnårsaker og foreslå neste steg. Dette har forbedret svartidene, redusert innsatsen som kreves for undersøkelser, og gjort det mulig for teamene å løse kundeproblemer raskere og med bedre kontekst.

AI genererer og vedlikeholder også dokumentasjon, for eksempel veiledninger for kundeintroduksjon, vanlige spørsmål om feilsøking og sammenligningsdokumenter – igjen med redusert tidsbruk og innsats for å lage dette, fra dager til timer.

Og viktigst av alt: Alt dette har ført til mer fornøyde kunder.

Slik kan AI forbedre arbeidsflyter for CX-undersøkelser

Ajay deler

Vi ber AI foreslå posisjoneringsstrategier, verdiforslag, relevante bruksområder og tilpassede måter å presentere løsningen på … Dette hjelper teamet med å forberede svar på forhånd og forbedre kvaliteten på kundesamtalene.

Her er arbeidsflyten for CX-undersøkelser som vi bruker før den første kundesamtalen i det hele tatt finner sted.

Vi begynner med undersøkelser ved hjelp av Perplexity AI for å forstå prospektets selskap, bransjeområde, konkurrenter, markedsposisjonering og nylige aktiviteter. Dette hjelper oss med å bygge opp en sterk kontekstforståelse før vi tar kontakt med kunden.

Deretter bruker vi Claude eller ChatGPT til å kombinere denne undersøkelsen med detaljert informasjon om organisasjonen vår og identifisere hvordan plattformen vår best kan hjelpe det aktuelle prospektet. Vi ber AI foreslå posisjoneringsstrategier, verdiforslag, relevante bruksområder og tilpassede måter å presentere løsningen på.

Deretter bruker vi ChatGPT eller Gemini til å simulere sannsynlige innvendinger, bekymringer og spørsmål fra kunden. Dette hjelper teamet med å forberede svar på forhånd og forbedre kvaliteten på kundesamtalene.

Under kundemøter tar vi opp og transkriberer samtalene. Vi bruker ChatGPT til å oppsummere diskusjoner, generere strukturerte møtereferater, identifisere oppgaver og fange opp kundens forventninger og risikoer.

Etter møtet bruker vi Claude og ChatGPT til å generere støttemateriell som løsningsdokumenter, veiledninger for kundeintroduksjon, sammenligningsdokumenter, diagrammer, arbeidsflyter og feilsøkingsmateriell.

Hvorfor relasjoner og nyanser ikke kan settes ut til AI

Men vi bruker ikke kunstig intelligens til alt.

Relasjonsbygging og emosjonell tilknytning forblir uttrykkelig menneskelig. Vi mener at tillit, empati og langsiktige relasjoner ikke kan settes ut til kunstig intelligens. Mennesker håndterer personlige interaksjoner direkte, for eksempel ved å følge opp kundenes mål, forstå fremgangen deres, ønske dem alt godt ved spesielle anledninger og opprettholde en ekte menneskelig forbindelse.

Kunstig intelligens støtter relasjonen, men mennesker bygger og opprettholder den.

I tillegg finnes viktig kundekontekst i mange tilfeller på tvers av e-poster, CRM-systemer, møtenotater, samtaleopptak, supportsaker og interne diskusjoner, noe som fører til at kunstig intelligens ikke leverer godt nok. På disse områdene, der kontinuitet i konteksten mangler, er menneskelig inngripen fortsatt nødvendig for å tolke nyanser, validere anbefalinger og koble sammen informasjon fra ulike kilder.

Hvorfor reserveprosesser er nødvendige ved bruk av kunstig intelligens

Integrering av kunstig intelligens i kundeopplevelsesaktiviteter førte altså til betydelige tids- og arbeidsbesparelser, bedre konsistens og at aktiviteter som tidligere var avhengige av enkeltpersoner, ble omgjort til mer skalerbare og repeterbare prosesser.

Men det har også oppstått utfordringer. En bekymring er «for godt til å være sant»-effekten, der resultater generert av kunstig intelligens noen ganger virker svært sikre, selv når det er nødvendig med grundigere validering. Dette betyr at menneskelig gjennomgang og vurdering fortsatt er viktig for kritiske beslutninger og anbefalinger som rettes mot kunder.

En annen utfordring er operasjonell avhengighet. Når teamene først har blitt vant til arbeidsflyter støttet av kunstig intelligens, synes de det er vanskelig å opprettholde samme hastighet og konsistens når kunstig intelligens er nede eller verktøyene ikke er tilgjengelige. Dette understreker viktigheten av å ha reserveprosesser og å sørge for at teamene fortsatt har grunnleggende domeneforståelse og evne til å ta beslutninger.

Hvorfor CX-ledere må kjenne de ønskede resultatene før de velger verktøy

Det er viktig å ha en tydelig forståelse av det nøyaktige ønskede resultatet før man velger verktøy eller modeller.

Til å begynne med antok vi at én enkelt modell effektivt kunne håndtere alle typer oppgaver, men vi lærte raskt at ulike modeller fungerer bedre for ulike bruksområder. Noen er bedre til innhenting av informasjon, noen til resonnering, noen til strukturert dokumentasjon, og andre til oppsummering eller samtalebaserte oppgaver. Ved å velge riktig modell for riktig aktivitet kan man forbedre kvaliteten betydelig og redusere kostnader og arbeidsinnsats.

En annen viktig lærdom: Ikke betrakt større problemer som én massiv oppgave for kunstig intelligens. Ved å dele komplekse arbeidsflyter opp i mindre, veldefinerte oppgaver og organisere dem trinn for trinn, oppnår man langt bedre og mer pålitelige resultater.

Slik veileder du team i effektiv bruk av kunstig intelligens

Ajay deler

Vi sikrer effektiv innføring ved å fremme felles læring om og bruk av kunstig intelligens i hele teamet … I tillegg deler vi kontinuerlig oppdagelser, eksempler, artikler, instruksjoner og vellykkede arbeidsflyter internt, slik at kunnskapen sprer seg raskt i hele organisasjonen i stedet for å forbli hos noen få enkeltpersoner.

Vi sikrer effektiv innføring ved å fremme felles læring om og bruk av kunstig intelligens i hele teamet. Vi lærer regelmessig opp teammedlemmer i ulike verktøy for kunstig intelligens, bruksområder, metoder for å utforme instruksjoner og arbeidsflyter som er relevante for kundeopplevelsesaktiviteter.

I tillegg deler vi kontinuerlig oppdagelser, eksempler, artikler, instruksjoner og vellykkede arbeidsflyter internt, slik at kunnskapen sprer seg raskt gjennom organisasjonen i stedet for å forbli hos noen få enkeltpersoner. Vi går også gjennom resultater sammen, veileder teammedlemmer slik at de kan forbedre kvaliteten på kontekst og instruksjoner, og demonstrerer artefakter som er opprettet på ulike stadier av kundeengasjementet.

Denne kontinuerlige syklusen med opplæring, deling, gjennomgang og demonstrasjon hjelper teamet med å bygge selvtillit og bruke AI mer effektivt og konsekvent i reelle kundesituasjoner.

Slik endrer AI hvor ekspertise må brukes i CX

Tradisjonelt har oppgaver som grundig kundeundersøkelse, konkurrentanalyse, opprettelse av dokumentasjon, oppsummering av møter eller forberedelse av løsninger vært avhengige av bestemte eksperter med mange års domenekunnskap og erfaring. AI kan nå akselerere og støtte mange av disse aktivitetene bredere, slik at flere teammedlemmer kan bidra effektivt med riktig veiledning og kontekst.

Dette eliminerer ikke behovet for ekspertise, men endrer hvordan vi bruker den. I stedet for å bruke mesteparten av tiden på informasjonsinnhenting og repetitive forberedelser, kan spesialister fokusere mer på strategi, relasjoner, beslutningstaking og kundeutfall.

Slik bør CX-ledere forholde seg til AI

Jeg råder CX-ledere til å se på AI som en assistent, ikke en erstatning. Kvaliteten på resultatene avhenger i stor grad av kvaliteten på konteksten du gir. Fortsett å tilføre AI relevant forretningskontekst, kundehistorikk, arbeidsflyter og til og med «kontekst om konteksten», slik at den kan generere mer nøyaktige og meningsfulle resultater.

Vær også klar over at ulike AI-verktøy passer til ulike bruksområder. Bruk tid på å lære styrkene og begrensningene til forskjellige verktøy innen forskning, kundestøtte, analyse, dokumentasjon, automatisering og personalisering.

Viktigst av alt: eksperimenter kontinuerlig. Organisasjonene som får størst verdi fra AI, er de som aktivt tester ideer, forbedrer arbeidsflyter, lærer av feil og tilpasser seg raskt. Innføring av AI er ikke en engangsimplementering – det er en evne i utvikling som blir bedre gjennom bruk, tilbakemeldinger og iterasjon.

Følg med

Du kan følge arbeidet til Ajay Balamurugadas på LinkedIn.

Flere ekspertintervjuer kommer på The CX Lead!