Teknologidirektør sier at ledere overautomatiserer i stedet for å rette opp dårlig produktdesign

Shankar Sahai er CXO hos UpendNow.com, en plattform for AI-basert produksjonsorkestrering som effektiviserer arbeidet med video, film og reklame. Fokuset hans er å forhindre at organisasjonen bygger dyre ting som ingen ønsker. Og det gjør han ved hjelp av AI.

Vi satte oss ned med Shankar for å finne ut hva han automatiserer – og hvor design trumfer automatisering.

Sikre at menneskeopplevelsen samsvarer med løftene i styrerommet

Hei alle sammen, jeg heter Shankar Sahai, og jeg er sjef for kundeopplevelse hos UpendNow.com.

Hvis jeg skulle oppsummere det jeg gjør hver dag i én setning, ville det vært denne: Jeg hindrer selskaper i å bygge utrolig dyre ting som ingen ønsker eller vet hvordan de skal bruke. Jeg bruker mesteparten av tiden min i det kaotiske skjæringspunktet mellom produktutvikling, kundeinnsikt og operasjonell strategi.

Hos UpendNow arbeider vi tett innenfor B2B-området og hjelper organisasjoner med å navigere i omfattende digitale transformasjoner og reparere ødelagte kundereiser. Når vi snakker om «skala», handler det mindre om å telle et enormt antall supportsaker – selv om vi ser mange av dem – og mer om å håndtere massiv operasjonell kompleksitet. Vi undersøker økosystemer på tvers av flere kanaler, der kunder kan veksle mellom en nettportal, en mobilapp, direkte kundestøtte og en salgsrepresentant i løpet av samme uke, og forventer at selskapet på magisk vis husker alle interaksjonene.

Som CXO hjelper jeg ledergrupper med å slutte å se på CX som bare et kostnadssenter for «support» og begynne å behandle det som en sentral forretningsmotor. Vi tar oss av det omfattende arbeidet – fra grundige brukerundersøkelser til arbeidsflytautomatisering og smidige transformasjoner – for å sikre at menneskeopplevelsen samsvarer med de store løftene som gis i styrerommet.

Hvordan AI kan bygges inn i kvalitativ brukerundersøkelse

Det største skiftet vårt var ikke å installere en prangende chatbot rettet mot kundene. I stedet bygde vi AI dypt inn i den kvalitative brukerundersøkelsen og analysen etter interaksjoner.

Vi hadde et fjell av ustrukturerte data – tusenvis av timer med brukerintervjuer, supportutskrifter og åpne tilbakemeldinger. Det pleide å ta flere uker å gå gjennom alt manuelt for å finne innsikt som kunne brukes. Da vi hadde kartlagt friksjonspunktene, var dataene allerede utdaterte.

Vi bygde en intern AI-arbeidsflyt som automatisk henter inn, kategoriserer og kartlegger følelsesmessige reaksjoner i rå samtaledata i sanntid. I stedet for bare å markere «glad vs. trist» identifiserer den konkrete atferdsmessige hindringer – for eksempel hvor en bruker blir forvirret av terminologien i brukergrensesnittet eller faller fra i en arbeidsflyt for introduksjon.

Når det gjelder verktøy, bruker vi OpenAIs Whisper API til transkribering av lyd og video. Til analyse og kategorisering bruker vi Anthropics Claude (3.5 Sonnet).

Det fjernet gjettingen. Vi erstattet antakelser i styrerommet med harde data. Nå har vi et direkte oppdatert dashbord som viser nøyaktig hvorfor og hvor brukerne strever. Det økte også hastigheten. Tiden det tok å få innsikt, gikk fra tre uker til noen minutter. Faktisk oppdaget vi nylig en alvorlig UX-feil i en ny portal innen 48 timer etter lansering, rettet den umiddelbart og unngikk en massiv økning i supportsaker.

En tett, AI-støttet CX-arbeidsflyt

Hele verdenen vår hos UpendNow.com dreier seg om Solt OS, plattformen vår som hjelper filmskapere og reklamebyråer med å automatisere marerittet før produksjonen – fra et uoversiktlig manus til storyboarder, opptakslister og budsjetter. Fordi filmskaping er så visuelt og uoversiktlig, fungerer ikke en standard arbeidsflyt for supportsaker for oss. Når en regissør sitter fast og prøver å generere en video for forhåndsvisualisering, samtidig som karakterkonsistensen stadig bryter sammen, ønsker de ikke en generell IT-brukerstøtte.

Nå håndterer vi dette sømløst. Slik ser arbeidsflyten ut.

Idet en kreativ bruker rapporterer et problem eller kjører seg fast, leser ikke den interne AI-en vår bare klagen i teksten; den henter inn hele konteksten fra den kreative økten. Den ser på manuset brukeren lastet opp, ledetekstene de brukte, og storyboardene som mislyktes.

Derfra utfører KI det tunge analytiske arbeidet. Den diagnostiserer det nøyaktige kreative friksjonspunktet – for eksempel ved å oppdage at filmskaperen brukte en sceneoverskrift som ikke fulgte standarden, og som forvirret systemets stedsregistrering.

Deretter, i stedet for å la brukeren vente eller snakke med en bot, overleverer systemet alt til et av våre menneskelige teammedlemmer. Men overleveringen inkluderer et komplett jukseark. Den menneskelige medarbeideren åpner saken og ser umiddelbart hvilke scenenumre som går i loop, hva formateringsfeilen er, og et ferdig utkast til løsning.

Filmskaperen får et raskt og svært kontekstuelt svar fra et menneske som snakker deres filmspråk, og vi sørger for at den kreative fremdriften ikke stopper opp. For å lukke loopen logger KI automatisk den spesifikke formateringsfeilen i utviklingskøen vår, slik at vi kan rette produktgrensesnittet og forhindre at det skjer med den neste regissøren.

Og på ikke noe tidspunkt blir kunden sittende fast i en samtale med en bot eller nødt til å forklare komplekst kreativt fagspråk til en kundestøttemedarbeider.

Hvordan KI informerer CX-beslutninger mens mennesker styrer strategien

Shankar deler

…vi automatiserer ikke menneskelige relasjoner. Vi bruker KI til å håndtere analytisk rutinearbeid, slik at teamet vårt får tid til å fokusere på det verdifulle, dypt menneskelige arbeidet med å bygge relasjoner og løse komplekse problemer.

Vi følger en streng tommelfingerregel: KI håndterer «Hva» og «Hvor», mens mennesker eier «Hvorfor» og «Hvordan».

Her er et par eksempler på hva KI håndterer godt:

• Prioritering av problemer og identifisering av trender: KI skanner tusenvis av innkommende kundestøttetranskripsjoner og brukerøkter i sanntid. Den flagger umiddelbart avvik – som en plutselig økning på 15 % i antallet brukere som blir stående fast på en betalingsside – lenge før en menneskelig leder oppdager mønsteret. Vi bruker PostHog til dette.
• Kartlegging av friksjon i brukerreisen: KI analyserer brukeratferd på tvers av plattformene våre og fremhever nøyaktig hvor frafall oppstår. Den eliminerer gjetting. Vi er for tiden i ferd med å flytte verktøyene våre til FullStory (StoryAI og API).

På menneskesiden:

• Redesign og strategi for brukerreisen: KI kan fortelle meg hvor folk faller fra, men mangler forretningskonteksten og den kreative empatien som kreves for å redesigne opplevelsen. Å rette opp en ødelagt B2B-brukerreise krever tverrfunksjonell politikk, tekniske kompromisser og en dyp forståelse av menneskelig atferd. KI kan ikke sitte i et rom og få tre forskjellige avdelinger til å bli enige om en løsning.
• Gjenoppretting av tjenesten og eskalering: Hvis et systemavbrudd forstyrrer driften til en viktig kunde og gjør dem rasende, ønsker de ikke en perfekt formulert KI-unnskyldning. Gjenoppretting i situasjoner med mye på spill krever ekte menneskelig empati, ansvarlighet og myndighet til å bøye reglene for å gjøre ting riktig.

Med andre ord automatiserer vi ikke menneskelige relasjoner. Vi bruker KI til å håndtere analytisk rutinearbeid, slik at teamet vårt får tid til å fokusere på det verdifulle, dypt menneskelige arbeidet med å bygge relasjoner og løse komplekse problemer.

Hvordan KI strever med bransjespesifikk kontekst

Shankar deler

Å stole blindt på det automatiserte dashbordet uten en menneskelig rimelighetssjekk ville ha kastet bort flere uker på å skrive om kode som allerede fungerte utmerket. KI finner mønstre, men strever betydelig med dyp, bransjespesifikk kontekst.

Integreringen av KI i vår kvalitative dataanalyse og prioritering av problemer har forvandlet tempoet i driften vår.

Teamet vårt brukte tidligere flere uker på å merke data manuelt for å oppdage systemiske UX-feil eller flaskehalser i introduksjonen på tvers av kontoer. Nå flagger KI disse tilbakevendende friksjonsmønstrene nesten umiddelbart. Når vi oppdager disse problemene raskere, kan vi rette feil og korrigere forvirrende arbeidsflyter før de utvikler seg til en strøm av kundeklager. Dette flyttet produkt- og forskningsteamene våre bort fra kjedelig dataregistrering i regneark, slik at de kunne fokusere på å utforme løsninger.

Men alt har ikke gått knirkefritt. Det største problemet vårt var analytisk støy og mangel på reell kontekst.

Tidlig la vi for stor vekt på KIs evne til å merke følelser og trender. Vi la merke til en kraftig økning i negative følelsesmarkeringer rundt en nylig lansert funksjon. Teamet var nær ved å skynde seg med å rulle tilbake oppdateringen. Men en grundig menneskelig gjennomgang avslørte at KI fullstendig feiltolket bransjespesifikke uttrykk og tekniske frustrasjonsutbrudd fra våre avanserte brukere. De var ikke sinte på funksjonen – de snakket bare lidenskapelig om sine egne komplekse arbeidsflyter.

Å stole blindt på det automatiserte dashbordet uten en menneskelig rimelighetssjekk ville ha kastet bort flere uker på å skrive om kode som allerede fungerte utmerket. KI finner mønstre, men strever betydelig med dyp, bransjespesifikk kontekst.

Hvorfor produktdesign kan være viktigere enn avansert KI

Kontekstuell hyperpersonalisering er et annet område der KI ikke leverer som forventet.

Løftet var at KI sømløst kunne se på en B2B-kundes tidligere atferd, nåværende produktbruk og supporthistorikk for dynamisk å skreddersy onboarding- eller dashbordopplevelsen i sanntid. Vi forventet at det skulle føles intuitivt – som en digital concierge som forutså nøyaktig hva en bruker trengte som neste steg. I stedet føltes det stort sett påtrengende eller irrelevant.

I et komplekst B2B-teknologimiljø endrer brukerens intensjon seg drastisk fra time til time. En bruker kan logge inn for å utføre en rask, repetitiv administrativ oppgave, mens KI-en – som prøver å være hjelpsom basert på bredere kontotrender – fyller visningen med anbefalinger om en avansert funksjon brukeren ikke bryr seg om akkurat nå. Det økte den kognitive belastningen i stedet for å redusere den.

Vi innså at brukere ikke ønsker at KI skal gjette hva de vil gjøre som neste steg når de navigerer på en plattform; de ønsker et ryddig brukergrensesnittdesign, forutsigbare arbeidsflyter og lynrask søkefunksjonalitet. Vi forventet at KI skulle løse et brukeropplevelsesproblem som til syvende og sist krevde bedre og enklere produktdesign.

Hvorfor datakvalitet er avgjørende før KI-piloter lanseres

Jeg skulle ønske jeg hadde visst hvor mye våre egne rotete interne data kom til å ødelegge ting tidlig i prosessen.

Når du lytter til KI-leverandører, får de det til å høres ut som om du bare kobler til dette magiske verktøyet, og at det umiddelbart produserer geniale innsikter klare for mennesker. Men realiteten er at KI-en din bare er så god som dataene du mater den med.

Før vår første pilot hadde vi flere år med kundetilbakemeldinger, gammel brukerundersøkelse og supportlogger spredt på tvers av ulike siloer. Noe av dette var utdatert, noe var rett og slett motstridende, og mye manglet den spesifikke filmproduksjonskonteksten for det vi gjør i UpendNow.

Fordi vi ikke ryddet opp i dette datafundamentet først, brukte KI-en de første ukene på å hallusinere bizarre trender og skape enorme mengder analytisk støy som teamet mitt kastet bort tid på å tilbakevise.

Hvis jeg kunne gjort det på nytt, ville jeg brukt langt mindre tid på å evaluere prangende KI-funksjoner og langt mer tid på å rydde opp i den interne dataarkitekturen vår før jeg slo på systemet. Du må reparere fundamentet først, ellers automatiserer du bare kaos.

Området alle CX-ledere bør fokusere på

Det ene området alle må redesigne fullstendig akkurat nå, er kartlegging av kundereisen.

Historisk sett var kartlegging av kundereisen en statisk øvelse i styrerommet. Folk satt i et rom med klistrelapper, kartla en idealisert vei, la den i en PDF, og så var det ingen som så på den igjen på et år. Den representerer det vi håper at kunden gjør, ikke virkeligheten.

I en KI-forsterket verden er denne tilnærmingen utdatert.

Ledere bør aktivt redesigne kart over kundereisen slik at de blir dynamiske, oppdateres i sanntid og får tilført levende data. Fordi KI-verktøy nå kan behandle ustrukturerte data – som aktive brukerøkter, supportsamtaler og frafallssteder – i sanntid, bør kartet over kundereisen ikke være et dokument. Det bør være et levende programvaredashbord.

I stedet for å gjette hvor friksjonen oppstår, bør systemet aktivt fortelle deg: «Hei, akkurat nå støter filmskapere fra nisjebyråer på en hindring i trinn tre av onboardingen på grunn av treghet i brukergrensesnittet.» Hvis du ikke redesigner hvordan du kartlegger og ser på kundereisen, kommer du til å bruke KI til å optimalisere individuelle, isolerte kontaktpunkter, samtidig som du fullstendig overser at den overordnede opplevelsen er ødelagt. Vi må slutte å kartlegge fortiden og begynne å orkestrere nåtiden.

Du kan ikke automatisere deg ut av dårlig design

Mitt råd er enkelt: Slutt å prøve å automatisere deg ut av dårlig design.

Akkurat nå møter CX-ledere en enorm fristelse til å bruke kunstig intelligens på hvert eneste friksjonspunkt i kundereisen fordi det føles raskt og billig. Hvis onboardingprosessen din er forvirrende, kan du sette en KI-assistent på den. Hvis dokumentasjonen din er et rot, kan du bygge en KI-søkerobot. Men alt du gjør, er å sette et høyteknologisk plaster på en ødelagt prosess. Du bruker KI til å hjelpe kundene med å navigere i kompleksitet som ikke burde eksistert i utgangspunktet.

Før du kjøper enda et KI-verktøy eller lanserer enda en automatisert arbeidsflyt, bør du strippe alt ned til det grunnleggende. Se på kjerneproduktet ditt og den grunnleggende tjenesteleveransen. Rett opp de underliggende UX-feilene, rydd opp i rotete datastrømmer og forenkle kundereisen først.

Følg med

Du kan følge arbeidet til Shankar Sahai på LinkedIn og X.

Flere ekspertintervjuer kommer på The CX Lead!