CCO sier at KI endrer organisasjonskartene for kundeopplevelse — og derfor går hun over til en “tjenestepod”-modell

Sofia Barbosa er kundedirektør i BMC Software, et B2B-selskap som betjener kunder med komplekse IT-miljøer.

Vi tok en prat med Sofia for å finne ut hvordan hun tar i bruk AI – og hvordan det endrer organisasjonskartet for kundeopplevelsen hennes. Her er det hun sa.

Å lede hele kundelivssyklusen etter salget

Jeg heter Sofia Barbosa og er kundedirektør i BMC Software. Jeg leder kundeavdelingen, en samlet organisasjon som bringer sammen profesjonelle tjenester, kundestøtte, kundeoppfølging, opplæring og kundens stemme.

Til sammen dekker disse funksjonene hele kundelivssyklusen etter salget, fra implementering og tilrettelegging til kontinuerlig suksess, bruk og ambassadørskap.

Vi betjener B2B-kunder som driver noen av verdens mest komplekse IT-miljøer. Det betyr at teamene våre arbeider på tvers av et bredt spekter av kanaler og samhandlingsmodeller, fra strategiske kunderelasjoner med tett oppfølging til skalert selvbetjent kundestøtte.

Hvorfor AI endrer organisasjonskartene for kundeopplevelse

De fleste organisasjonskartene for kundeopplevelse i dag gjenspeiler flere tiår med oppsamlet kompleksitet: spesialiserte team, snevre overleveringer og prosesser som forutsetter at mennesker utfører hvert eneste trinn i arbeidet. AI bryter med denne forutsetningen, men mange ledere prøver fortsatt å tilpasse AI til den eksisterende strukturen i stedet for å spørre hvordan strukturen burde se ut hvis man utformet den fra grunnen av, med AI som en forutsetning.

Mitt råd er å bevisst glemme «slik det er» og fokusere på «slik det skal bli». Det betyr å motstå trangen til å spørre: «Hvordan passer AI inn i de nåværende teamene og prosessene våre?» Spør heller: «Hvis vi bygget denne organisasjonen fra grunnen av i dag, med AI-funksjonalitet tilgjengelig, hvordan ville den sett ut?»

I de fleste tilfeller er svaret enklere enn det som finnes i dag: færre siloer, færre overleveringer og roller som defineres av resultater i stedet for snevre funksjonelle oppgaver.

Dette er vanskelig fordi det innebærer å gi slipp på strukturer, titler og prosesser som er bygget opp over mange år, men lederne som redesigner med utgangspunkt i «slik det skal bli» i stedet for å tilpasse «slik det er» i etterkant, vil skape organisasjonsstrukturer som både er enklere og mer kapable enn de opprinnelige.

Hvordan AI muliggjør en modell med «tjenestepoder»

Sofia deler

Ansvar flyttes fra “hvilket team eier dette” til “hvilken pod eier denne kundens opplevelse fra ende til ende,“, noe som gradvis reduserer skyldfordeling og gjør det enklere å se hvor AI faktisk hjelper, kontra hvor det fortsatt er mangler som krever menneskelig oppfølging.

Det siste året har vi innført en modell med «tjenestepoder» – en pågående omstrukturering for å bryte ned siloene mellom tjenester, kundestøtte, CSM og opplæring, og integrere AI-agenter i det samme samlede organisasjonskartet i stedet for å behandle dem som et separat, påmontert verktøy.

Utløsende faktor var at AI-agenter overtok en stadig større andel av rutinemessige henvendelser. Vi innså at hvis AI opererte utenfor den eksisterende teamstrukturen, ville det skape en ny silo – enda et gap i overleveringen i stedet for å lukke de eksisterende. Derfor arbeider vi med å plassere AI-agenter, kundestøtte, CSM, tjenester og opplæring under felles ledelse, med felles innsikt i kundehistorikk, åpne saker og kundekontekst.

Som et resultat trenger ikke kundene lenger å forklare situasjonen sin på nytt på tvers av kanaler i områder der podmodellen allerede er i ferd med å ta form. Konteksten følger dem, uavhengig av om AI eller et menneske svarer først.

AI-agenter avdekker også mønstre, som vanlige spørsmål og friksjonspunkter, i sanntid – slik at vi kan oppdatere opplæring og dokumentasjon proaktivt i stedet for reaktivt.

Ansvar flyttes fra «hvilket team eier dette» til «hvilken pod eier denne kundens opplevelse fra ende til ende», noe som gradvis reduserer skyldfordeling og gjør det enklere å se hvor AI faktisk hjelper, kontra hvor det fortsatt er mangler som krever menneskelig oppfølging.

En AI-arbeidsflyt fra ende til ende for opplæring av brukere

En ende-til-ende-AI-drevet arbeidsflyt vi bruker i dag, dreier seg om produksjon av innhold og opplæring, og nå utvider vi den med en adopsjonsagent.

Arbeidsflyten starter med rådata: kundeinteraksjoner, supportsaker, data om produktbruk og saksnotater. AI sammenstiller dette for å identifisere vanlige spørsmål, friksjonspunkter og hull i funksjonsadopsjonen på tvers av kontoer.

Deretter utarbeider AI det relevante innholdet: opplæringsmoduler, oppdateringer av dokumentasjon, suksesshistorier eller lokalisert/oversatt materiale, avhengig av hullene analysen avdekker. En person gjennomgår og videreutvikler deretter dette utkastet før det publiseres eller legges inn i biblioteket vårt for opplæring og kompetansestøtte.

Verktøyene i dette består av Salesforce Service Cloud, Microsoft Copilot Studio, Easygenerator, EasyCoach og verktøy for produkttelemetri.

Vi implementerer også en nyere komponent: en adopsjonsagent som er utviklet internt sammen med Copilot Studio. Den lukker sløyfen slik at agenten, i stedet for bare å lage opplæringsinnhold og vente på at kundene skal finne og bruke det, proaktivt identifiserer hvor en kunde eller bruker ikke tar i bruk en funksjon eller arbeidsflyt som forventet, og viser relevant opplæring eller veiledning direkte til dem når behovet oppstår.

Arbeidsflyten fra ende til ende ser slik ut: datasignaler → AI-generert innhold/opplæring → menneskelig gjennomgang og videreutvikling → publisering → adopsjonsagenten kobler riktig innhold til riktig kunde på riktig tidspunkt, basert på deres faktiske hull i bruken.

Vi er fortsatt tidlig i utrullingen av adopsjonsagenten, men målet vårt er å gjøre innholdsproduksjon om fra en enveis kringkasting til et system med lukket sløyfe, der AI informerer både innholdsproduksjonen og distribusjonen.

Hvordan AI skaper effektivitetsgevinster i CX

Når det gjelder resultatene vi ser, har AI gitt betydelige gevinster i skala og produksjon. Vi har omtrent tredoblet antallet suksesshistorier og sett tilsvarende store forbedringer innen automatisering av dokumentasjon, produksjon av opplærings- og læringskurs, videoinnhold og automatisk oversettelse.

Manuell innsats pleide å være en flaskehals for arbeid som å skrive kundehistorier, lokalisere innhold eller bygge opplæringsmoduler. AI utarbeider nå dette arbeidet på en brøkdel av tiden, slik at teamene kan produsere mer innhold for flere kontoer og på flere språk enn det som tidligere var mulig.

Arbeidsdelingen mellom AI og mennesker i CX

Samlet sett informerer AI nå flere CX-aktiviteter: prioritering av oppgaver, saksanalyse, adopsjonsplanlegging, utarbeidelse av suksesshistorier og gjennomganger av realisert verdi. På hvert av disse områdene sammenstiller AI data, avdekker mønstre på tvers av saker, markerer kontoer med risiko og utarbeider førsteutkast, mens mennesker gjennomgår, videreutvikler og tilfører skjønn før noe når kunden.

Aktiviteter som uttrykkelig krever mennesker, forutsetter relasjonskontekst eller strategisk skjønn: relasjonsforvaltning med ambassadører, håndtering av eskaleringer med viktige interessenter og samtaler om realisering av verdi, der «hvorfor» bak en anbefaling er like viktig som selve anbefalingen. AI kan ikke gjenskape tillit, tone eller den erfaringsbaserte historikken til kontoen på disse områdene.

Arbeidsdelingen er enkel: AI komprimerer tiden som brukes på analyse og utarbeidelse av utkast, arbeid som tidligere krevde timevis med manuell gjennomgang av saker, bruksdata eller notater. Ved å overlate dette til AI frigjør vi tid i teamene våre, slik at de kan fokusere på aktiviteter med høyere verdi.

Hvorfor AI-piloter må kunne skaleres fra første dag

Utfordringene jeg har sett, har i mindre grad handlet om selve AI-en og i større grad om skalering fra POC til produksjon. Mange av disse bruksområdene fungerte godt i pilot- eller småskalaoppsett, men vi oppdaget at det var vanskeligere enn de første eksperimentene antydet å gjøre dem om til produksjonsklare, repeterbare prosesser – med riktige kvalitetskontroller, integrasjon i eksisterende arbeidsflyter og konsistens på tvers av team.

Avstanden mellom «dette fungerer i en demonstrasjon» og «dette er pålitelig integrert i måten vi arbeider på hver dag» har vært det viktigste friksjonspunktet.

Når det gjelder AI, er eksperimentering det riktige utgangspunktet, og det er avgjørende å gå videre uten å vente på fullstendig sikkerhet. Men jeg vil anbefale team som starter nå, å utforme løsninger for skalering og produksjon fra begynnelsen, selv mens de fortsatt eksperimenterer.

På den måten unngår dere å bli sittende fast i en POC-modell, der dere gjennomfører pilot etter pilot som beviser at et konsept fungerer, uten å bygge prosessene, integrasjonene og kvalitetskontrollene som trengs for å sette det i produksjon. Hvis dere ikke tenker på denne veien tidlig, ender dere opp med en kirkegård av vellykkede piloter som aldri ble til reell operasjonell kapasitet.

Mitt råd er derfor å beholde eksperimenteringsmentaliteten, men fra dag én kombinere den med et tydelig blikk for hva som kreves for å være produksjonsklar, slik at pilotene får en reell vei videre i stedet for å ende som blindspor.

Sofia deler

Når det gjelder AI, er eksperimentering det riktige utgangspunktet, og det er avgjørende å gå videre uten å vente på fullstendig sikkerhet…Mitt råd er derfor å beholde eksperimenteringsmentaliteten, men fra dag én kombinere den med et tydelig blikk for hva som kreves for å være produksjonsklar, slik at pilotene får en reell vei videre i stedet for å ende som blindspor.

Hvorfor AI ikke kan erstatte menneskelig strategi innen CX

Forventningen om at AI kunne skalere strategisk kontodekning på samme måte som det skalerte innholdsproduksjon eller dokumentasjon, har ikke slått til. Relasjoner med tett oppfølging og høy innsats forblir grunnleggende menneskedrevne, mens AI spiller en støttende snarere enn ledende rolle.

I stedet har AI skapt effektivitet i denne prosessen. Det bidrar til raskere forberedelser til strategiske samtaler, henter frem relevante data og kontekst før møter og utarbeider utkast til materiell som mennesker deretter tilpasser og presenterer. Det er en akselerator for menneskeledet strategi, ikke en erstatning for den.

Hvordan AI har endret generasjonsbaserte kanalpreferanser

En inngrodd antakelse som AI tvang oss til å revurdere, gjaldt generasjonsbaserte kanalpreferanser: Tanken om at yngre kunder som standard velger chat eller selvbetjening, mens eldre kunder som standard velger telefon eller e-post, og at vi bør utforme opplevelser strengt etter disse generasjonslinjene.

Vi har erfart at AI har visket ut disse skillene mer enn forventet, men ikke fjernet dem fullstendig. På tvers av generasjoner trekkes kunder i økende grad mot den kanalen som løser problemet deres raskest.

En yngre kunde kan for eksempel ta telefonen når noe er komplekst, mens en eldre kunde gjerne kan bruke en AI-chat når noe er enkelt. Tidligere ville vi ha antatt det motsatte. Hvor raskt og godt problemet løses, veier nå ofte tyngre enn selve kanalen.

Når det er sagt, har vi også sett at behovet for menneskelig kontakt ikke har forsvunnet for enkelte kunder – ofte, men ikke utelukkende, i eldre generasjoner. Dette gjelder særlig ved komplekse problemer, sensitive situasjoner eller relasjonsdrevne samtaler der trygghet og tillit betyr like mye som selve svaret. AI har ikke erstattet dette behovet. Om noe har det gjort tilfellene der menneskelig interaksjon virkelig betyr noe, mer synlige, fordi AI nå håndterer det større volumet av transaksjonelle henvendelser.

I stedet for å forkaste generasjonstenkning helt, har vi derfor gått fra «utforming etter generasjon» til «utforming etter behov». Vi bruker AI til å håndtere interaksjoner med høyt volum som kan løses raskt, for alle, samtidig som vi bevarer og prioriterer menneskeledede prosesser med tett oppfølging for komplekse eller følelsesmessig betydningsfulle situasjoner, uavhengig av hvem som spør.

Hvorfor CX-ledere må skape differensiering med proprietære data

Mitt råd til CX-ledere er å fokusere på differensiering gjennom deres egne data. Generiske KI-funksjoner er i ferd med å bli en grunnleggende forventning; alle leverandører og konkurrenter har tilgang til lignende underliggende modeller og verktøy. Ekte differensiering kommer fra de proprietære dataene dere har samlet inn: kundeinteraksjoner, bruksmønstre, supporthistorikk, resultater og virksomhetens erfaringsbaserte kunnskap som er unik for deres virksomhet og kunderelasjoner.

Lederne som vil trekke fra, er de som behandler disse dataene som en strategisk ressurs og aktivt tilfører dem i KI-initiativene sine, i stedet for å basere seg på KI fra hyllevare som produserer de samme generiske resultatene som andre får. Det betyr å investere i datakvalitet, tilgjengelighet og integrasjon nå, slik at KI-verktøyene arbeider med hele konteksten rundt kunderelasjonene deres, i stedet for generiske mønstre.

Ikke konkurrer om å ha KI. Konkurrer på hvor godt dere forankrer KI-en deres i dataene og kunnskapen som bare dere har.

Følg med

Du kan følge arbeidet til Sofia Barbosa på LinkedIn.

Flere ekspertintervjuer kommer på The CX Lead!