W zarządach i gabinetach najwyższej kadry kierowniczej krąży obecnie cicha, niebezpieczna fikcja. Głosi ona, że AI w końcu rozwiązała problem kosztów obsługi. Logika jest prosta: zautomatyzować rutynowe pytania, obserwować spadek liczby zgłoszeń i zmniejszyć zatrudnienie. Jeśli spojrzeć na pulpity nawigacyjne na poziomie makro, wydaje się, że to działa. Wydajność rośnie, a odsetek zgłoszeń obsłużonych bez udziału pracownika osiąga rekordowe poziomy.
Ale jeśli usiądziesz dziś z zespołem wsparcia — jeśli zobaczysz tempo ich wewnętrznych rozmów i wyraz twarzy konsultanta o 16:00 w dzień roboczy — wiesz, że rzeczywistość wygląda inaczej. Obsługa klienta nie staje się lżejsza. Staje się bardziej zagęszczona.
A to zagęszczenie spada wprost na ludzi, którzy pozostali.
W Hiver nigdy nie zamierzaliśmy tworzyć rozwiązań dla rozdętej złożoności firm z listy Fortune 500; stworzyliśmy je dla zwinnych, dynamicznych zespołów, które chcą rozwiązywać problemy bez obciążeń związanych z przestarzałą fabryką. W ubiegłym roku nasze platformy pomogły klientom rozwiązać 81 milionów rozmów. To nie jest skala korporacyjna, ale nawet w tej bańce małych i średnich firm dostrzegamy zmianę, która odzwierciedla, a pod wieloma względami potęguje kryzys rozgrywający się w świecie dużych przedsiębiorstw.
Branża pogrąża się we śnie, zmierzając ku kryzysowi talentów. Jesteśmy świadkami globalnego osłabienia wsparcia pierwszego poziomu. W pośpiechu, by zautomatyzować łatwą pracę, platformy wsparcia „napędzane AI” przypadkowo zniszczyły ścieżkę prowadzącą do ekspertyzy.
Możesz nazywać to „transformacją”, jeśli chcesz, ale wybór słów nie ukrywa faktu, że punkt wejścia na ścieżkę zdobywania wiedzy eksperckiej w obszarze wsparcia szybko i po cichu zanika. Tym, co odróżnia ten moment od wcześniejszych cykli zwiększania efektywności, jest fakt, że podstawowe uwarunkowania ekonomiczne zaczynają zmierzać w kierunku przeciwnym do przyjętej narracji.
To nie jest tymczasowa porażka zarządzania. To zmiana systemowa.
Przez ponad stulecie obsługa klienta była zarządzana zgodnie z niewidocznym założeniem, że wsparcie jest problemem hydraulicznym. Założenie to sięga 1917 roku i matematyka nazwiskiem Agner Krarup Erlang. Opracował on wzór Erlanga-C, który miał informować firmy telefoniczne, ilu operatorów potrzebują przy określonej liczbie połączeń. Wzór traktuje ludzi jak rury: jeśli poziom wody rośnie, po prostu poszerzasz rurę. Zatem jeśli otrzymujesz więcej połączeń, po prostu dodajesz więcej osób do obsługi ruchu przychodzącego.
Logika centrali telefonicznej wciąż działa pod powierzchnią każdego nowoczesnego systemu pomocy. Mówimy o przyszłości opartej przede wszystkim na AI i o agentach o zwiększonych możliwościach, a mimo to nadal zarządzamy wsparciem za pomocą reliktowych wskaźników, takich jak średni czas obsługi i obłożenie. AI obiecywała ucieczkę od hydrauliki. Zbyt często po prostu stawała się najnowszą rurą zamontowaną w starożytnej maszynie.
Pozwól, że zilustruję to dokładniej.
W ubiegłym roku infrastruktura Hiver obsłużyła za pośrednictwem automatyzacji 85 milionów zadań wykonywanych ręcznie — resetów haseł, aktualizacji statusów i reguł kierowania, które niegdyś stanowiły codzienny chleb agenta. Zgodnie z logiką dawnej matematyki central usunięcie 85 milionów jednostek pracy powinno stworzyć ogromną nadwyżkę ludzkich możliwości. A gdyby ta logika nadal była prawdziwa, nadwyżka ta byłaby widoczna w całej gospodarce wsparcia.
Zamiast tego, w skali całej branży 77% agentów twierdzi, że złożoność rośnie, podczas gdy inne raporty wskazują, że 56% pracowników wsparcia wykazuje rekordowy poziom wypalenia zawodowego.
Matematyka zawodzi, ponieważ zapomniała, że te 85 milionów łatwych zadań nie było wyłącznie pracą — zapewniały także czas na regenerację, naukę i poznawczy oddech. Usuń powtarzalność bez przeprojektowania systemu ludzkiego wokół tego, co pozostaje, a rezultatem nie będzie efektywność, lecz kompresja.
Projekt Cornell Global Call Center od lat dokumentuje, dlaczego ten „hydrauliczny” model zawodzi. Badania zawarte w ich raporcie z 2007 roku po raz pierwszy dowiodły, że zespoły osiągające wysoką skuteczność rozwijają się dzięki swobodzie podejmowania decyzji, a mimo to branża nadal zarządza nimi z myślą o wielkości obsługi.
Branży wsparcia zajęło niemal dwie dekady, by nadrobić zaległości, ale w końcu mówimy o „przeciążeniu poznawczym” i „ludzkim osądzie” — hasłach, które inne systemy o wysokiej stawce przyjęły znacznie wcześniej, gdy wdrażały automatyzację i inteligencję wspomaganą.
W lotnictwie autopilot nie wyeliminował pilotów; przekształcił ich w osoby zarządzające rzadkimi sytuacjami wyjątkowymi o wysokiej stawce, w których osąd miał większe znaczenie niż rutynowa kontrola. W medycynie oprogramowanie do obrazowania diagnostycznego nie zastąpiło radiologów; skupiło ich uwagę na niejednoznacznych skanach, w przypadku których doświadczenie decyduje o wyniku.
W każdym z tych przypadków automatyzacja usunęła powtarzalność, ale zachowała ścieżki uczenia się, które tworzą ekspertyzę. Obsługa klienta wkracza teraz w tę samą historyczną fazę — tylko szybciej i bez ochrony ścieżki, która kształtuje potrzebnych ekspertów.
Czy możemy wykształcić jutrzejszych ekspertów, skoro dziś zasypaliśmy prowadzącą do nich ścieżkę?
Ta automatyzacja ma jeszcze jeden, bardziej niebezpieczny skutek uboczny, który branża w dużej mierze ignoruje. Świadomie usuwamy szczeble drabiny praktycznej nauki zawodu.
Z badań wynika, że nowy agent potrzebuje około 16 tygodni, aby osiągnąć rzeczywistą biegłość. Historycznie te 16 tygodni spędzał na pierwszym poziomie wsparcia. Początkujący agent poznawał produkt i specyficzny język klienta, obsługując setki prostych zgłoszeń o niskiej stawce.
Ale dziś wrzucamy nowych pracowników od razu na głęboką wodę. Każdego dnia widzimy konsekwencje tego podejścia. Klient wysyła wiadomość e-mail, w której pisze, że coś po lewej stronie panelu wygląda na zepsute. Dla starszego stażem agenta jest to wyraźne odniesienie do konkretnego modułu aktywności. Ale dla początkującego agenta, któremu nie pozwolono obsłużyć 1000 prostych zgłoszeń budujących tę mentalną mapę, jest to niejednoznaczna zagadka.
Ta luka językowa tworzy ogromny dług kompetencyjny. Nie mamy możliwości rozwijania kolejnego pokolenia seniorów, ponieważ zautomatyzowaliśmy wszystkie lekcje dla początkujących. Dlatego Gartner przewiduje, że 50% organizacji, które zwolnią pracowników z powodu AI, będzie zmuszonych ponownie zatrudnić osoby na te same stanowiska do 2027 roku.
Organizacje te zdają sobie sprawę, że choć AI potrafi rozmawiać, nie jest w stanie zastąpić „wiedzy eksperckiej, empatii i osądu”, które można zbudować wyłącznie poprzez doświadczenie. Zabetonowaliśmy kamienie, po których można było przejść na drugą stronę, a teraz dziwimy się, dlaczego nikt nie potrafi przeprawić się przez rzekę.
Każdy zawód opiera się na widocznej ścieżce od nowicjusza do eksperta — na okresie, w którym błędy są niewielkie, stawka niska, a rozpoznawanie wzorców po cichu się kumuluje. Gdy ten obszar pośredni znika, wiedza ekspercka przestaje się odnawiać. Bezpośrednim objawem jest wolniejsze rozwiązywanie problemów i częstsze eskalacje. Długoterminowa konsekwencja jest znacznie poważniejsza: to wydrążona kadra, w której doświadczony osąd staje się jednocześnie rzadki i kruchy. Zanim niedobór stanie się widoczny na pulpitach menedżerskich, cykl uczenia się potrzebny do jego naprawienia jest już od lat przerwany.
Jak więc zespoły mają przetrwać, gdy żadna pojedyncza osoba nie jest w stanie znać wszystkich odpowiedzi?
Ta presja uruchomiła widoczny mechanizm przetrwania wewnątrz skrzynki odbiorczej. W tym roku użytkownicy Hiver utworzyli 5 milionów wewnętrznych notatek bezpośrednio w rozmowach z klientami. To nie jest wyłącznie statystyka dotycząca współpracy. To sygnał, że era samotnego agenta dobiegła końca.
W starym modelu jedna osoba była odpowiedzialna za jedno zgłoszenie aż do jego zamknięcia. Jednak gdy każde zgłoszenie jest złożonym wyjątkiem, żadna pojedyncza osoba nie jest w stanie znać wszystkich odpowiedzi. Te 5 milionów notatek reprezentuje wspólną naradę. Gromadząc się wokół problemu wewnątrz rozmowy, zespoły budują w czasie rzeczywistym „wspólny mózg”. Rozkładają obciążenie poznawcze tak, aby żadna pojedyncza osoba nie musiała samodzielnie dźwigać ciężaru złożonego kryzysu.
Jednak zbiorowa inteligencja to tylko jedna strona przetrwania. Drugą jest rzeczywistość ekonomiczna.
Ponieważ dzięki AI szybkość stała się towarem masowym, wskaźniki, których używaliśmy przez dziesięciolecia, tracą znaczenie. Pojawia się nowy wskaźnik, który powinien zaniepokoić każdego dyrektora finansowego: rosnący koszt automatyzacji.
Najnowsza analiza Gartnera sugeruje, że marzenie o „darmowej” obsłudze dobiega końca. Do 2030 roku oczekuje się, że koszt jednego rozwiązania z wykorzystaniem GenAI przekroczy $3, przewyższając koszt obsługi przez wielu pracowników z zagranicznych centrów. Subsydia się kończą, a koszty infrastruktury rosną.
Pamiętasz, jak wcześniej powiedziałem, że podstawowa ekonomika zaczyna zmierzać w kierunku przeciwnym do dominującej narracji? Przez ponad dekadę automatyzację uzasadniano przede wszystkim arbitrażem pracy — założeniem, że oprogramowanie staje się tańsze wraz ze skalowaniem. Jednak gdy krańcowy koszt zautomatyzowanego rozwiązania zaczyna dorównywać kosztowi pracy ludzkiej lub go przewyższać, kwestia strategiczna zmienia się całkowicie.
AI nie można już bronić wyłącznie jako substytutu ludzi. Musi uzasadniać swoje istnienie jako zwielokrotnienie ludzkich możliwości. To rozróżnienie ma ogromne znaczenie. Zastępowanie obniża koszty w krótkim terminie. Zwielokrotnianie określa odporność w długim terminie. Organizacje, które wcześnie zrozumieją tę zmianę, przestaną pytać, jak usunąć ludzi z obsługi, a zaczną pytać, jak sprawić, by pozostali pracownicy byli znacząco bardziej skuteczni.
A skuteczność w tym nowym krajobrazie nie jest już definiowana wyłącznie przez poprawność.
W ubiegłym roku nasi klienci skorzystali z funkcji o nazwie „Analiza nastrojów” ponad 3,6 miliona razy, aby zrozumieć kontekst emocjonalny rozmów dotyczących obsługi. Pokazuje nam to, że poprawna odpowiedź nie jest już wystarczająca ani skuteczna.
Klienci rozpoczynają kontakt z człowiekiem z deficytem pozytywnych emocji. Są zmęczeni i sfrustrowani botami, z którymi właśnie musieli się zmagać. W tym środowisku zadanie agenta zmieniło się z przekazywania informacji w przywracanie równowagi emocjonalnej. Celem nie jest już „Rozwiązanie”, lecz „Równowaga emocjonalna”.
Want to learn more about Hiver?
Czy nadal zarządzasz fabryką, czy jesteś gotowy wspierać ekspertów?
Jeśli ta diagnoza jest trafna, konsekwencją dla kadry kierowniczej nie jest stopniowa poprawa, lecz zmiana sposobu zarządzania. Kluczowe pytanie dotyczące obsługi nie brzmi już: „Jak obsługiwać więcej zgłoszeń mniejszą liczbą osób?” Brzmi: „Jak zwielokrotnić ludzki osąd tam, gdzie automatyzacja się kończy, jednocześnie zapewniając właściwe przekazania we właściwym momencie i gwarantując, że kontekst nigdy nie zostanie utracony wskutek rozrostu narzędzi oraz wspólnego mózgu?” To rzeczywiście długie pytanie.
Organizacje, które nadal optymalizują przepustowość, będą sprawiać wrażenie efektywnych aż do chwili, gdy zaufanie klientów zacznie się rozpadać, a odpływ talentów przyspieszy. Organizacje, które zamiast tego inwestują w kontekst, współpracę i uczenie się poprzez doświadczenie, będą wyglądać na wolniejsze w krótkim terminie, lecz strukturalnie okażą się lepsze w długim. Różnica między tymi ścieżkami określi kształt obsługi klienta i doświadczenia klienta w nadchodzącej dekadzie.
Liderzy obsługi jednocześnie mierzą się z trzema nakładającymi się presjami: rosnącym kosztem poznawczym każdej pozostałej interakcji, kurczącym się napływem talentów na poziomie początkującym, które mogą rozwinąć się w ekspertów, oraz warstwą automatyzacji, której krańcowe oszczędności spłaszczają się wraz z dojrzewaniem infrastruktury i kosztów modeli.
Gdy złożoność rośnie szybciej niż produktywność, system się zaciska. Dlatego nadchodzące zakłócenia w obsłudze nie będą stopniowe. Będą odczuwane jako nagłe — nie dlatego, że siły te są nowe, lecz dlatego, że po cichu przekroczyły próg, przy którym stopniowa optymalizacja nie jest już w stanie kompensować strukturalnych obciążeń.
Kryzys, z którym się mierzymy, nie wynika z braku technologii; jest skutkiem przywiązania do 100-letniej filozofii zarządzania. Jeśli chcemy rozwiązać problem długu kompetencji i zapobiec erozji L1, musimy przestać tworzyć narzędzia izolujące agentów, a zacząć budować środowiska, które rozpoznają wspólny umysł i ułatwiają jego działanie.
Wsparcie nie może już zwiększać skali działania poprzez odsyłanie klientów; możemy ją zwiększać wyłącznie poprzez wzmacnianie ludzi, którzy w sytuacjach wysokiego ryzyka stoją na straży zaufania. Następna dekada nie będzie należeć do firmy z najwydajniejszym botem, lecz do tej, która zachowa największą liczbę kompetentnych, spokojnych ludzi dysponujących bogatym kontekstem.
