Dyrektor technologiczny mówi, że liderzy nadmiernie automatyzują zamiast naprawiać wadliwy projekt produktu

Shankar Sahai jest dyrektorem ds. doświadczeń (CXO) w UpendNow.com, platformie orkiestracji produkcji wykorzystującej sztuczną inteligencję, która usprawnia tworzenie filmów, materiałów wideo i reklam. Koncentruje się na zapobieganiu sytuacjom, w których organizacja buduje kosztowne rozwiązania, których nikt nie chce. I robi to przy użyciu sztucznej inteligencji.

Spotkaliśmy się z Shankarem, aby dowiedzieć się, co automatyzuje — i w jakich obszarach projektowanie góruje nad automatyzacją.

Dbanie o zgodność doświadczeń ludzi z obietnicami składanymi w zarządzie

Cześć wszystkim, jestem Shankar Sahai i pełnię funkcję dyrektora ds. doświadczeń (CXO) w UpendNow.com.

Gdybym miał sprowadzić to, co robię każdego dnia, do jednego zdania, brzmiałoby ono tak: powstrzymuję firmy przed budowaniem niewiarygodnie kosztownych rzeczy, których nikt nie chce lub nie wie, jak używać. Większość czasu spędzam na chaotycznym styku rozwoju produktów, badań klientów i strategii operacyjnej.

W UpendNow działamy głęboko w sektorze B2B, pomagając organizacjom przechodzić przez ogromne transformacje cyfrowe i naprawiać zepsute ścieżki klienta. Kiedy mówimy o „skali”, chodzi o coś więcej niż liczenie ogromnej liczby zgłoszeń do działu wsparcia — choć takich zgłoszeń widzimy wiele — a mianowicie o radzenie sobie z ogromną złożonością operacyjną. Analizujemy wielokanałowe ekosystemy, w których klienci mogą w tym samym tygodniu przełączać się między portalem internetowym, aplikacją mobilną, bezpośrednim wsparciem i przedstawicielem działu sprzedaży, oczekując, że firma w magiczny sposób zapamięta każdą interakcję.

Jako CXO pomagam zespołom kierowniczym przestać postrzegać CX wyłącznie jako centrum kosztów związane z „działem wsparcia” i zacząć traktować go jak podstawowy silnik biznesowy. Wykonujemy najtrudniejszą pracę — od pogłębionych badań użytkowników po automatyzację przepływów pracy i transformacje zwinne — aby zapewnić zgodność doświadczeń ludzi z wielkimi obietnicami składanymi w zarządzie.

Jak można wdrożyć sztuczną inteligencję do jakościowych badań użytkowników

Największa zmiana nie polegała na zainstalowaniu efektownego chatbota dla klientów. Zamiast tego głęboko wdrożyliśmy sztuczną inteligencję do naszych jakościowych badań użytkowników i analiz po interakcjach.

Mieliśmy górę nieustrukturyzowanych danych — tysiące godzin wywiadów z użytkownikami, transkrypcje rozmów z działem wsparcia i otwarte informacje zwrotne. Ręczne przeglądanie ich w poszukiwaniu praktycznych wniosków zajmowało całe tygodnie. Zanim zmapowaliśmy punkty tarcia, dane były już nieaktualne.

Zbudowaliśmy wewnętrzny potok sztucznej inteligencji, który automatycznie pobiera, kategoryzuje i mapuje nastroje na podstawie surowych danych konwersacyjnych w czasie rzeczywistym. Zamiast jedynie oznaczać rozmowy jako „szczęśliwe lub smutne”, identyfikuje konkretne bariery behawioralne — na przykład miejsca, w których użytkownik gubi się z powodu terminologii interfejsu albo rezygnuje z procesu wdrażania.

Jeśli chodzi o narzędzia, korzystamy z interfejsu API Whisper firmy OpenAI do transkrypcji dźwięku i obrazu. Do analizy i kategoryzacji używamy Claude’a (3.5 Sonnet) firmy Anthropic.

To wyeliminowało zgadywanie. Zastąpiliśmy przeczucia z sali zarządowej twardymi danymi. Mamy teraz aktualizowany na żywo pulpit pokazujący dokładnie, dlaczego i gdzie użytkownicy napotykają trudności. Zwiększyło to również szybkość działania. Nasz czas dotarcia do wniosków skrócił się z trzech tygodni do kilku minut. Niedawno wykryliśmy poważny problem UX w nowym portalu w ciągu 48 godzin od jego uruchomienia, natychmiast go naprawiliśmy i uniknęliśmy ogromnego wzrostu liczby zgłoszeń do działu wsparcia.

Zaawansowany przepływ pracy CX wspierany przez sztuczną inteligencję

Cały nasz świat w UpendNow.com koncentruje się wokół Solt OS — naszej platformy, która pomaga filmowcom i agencjom reklamowym zautomatyzować koszmar przygotowań do produkcji, przekształcając nieuporządkowany scenariusz w storyboardy, listy ujęć i budżety. Ponieważ tworzenie filmów jest tak wizualne i chaotyczne, standardowy przepływ pracy związany ze zgłoszeniami do działu wsparcia nie sprawdza się w naszym przypadku. Kiedy reżyser utknie podczas próby wygenerowania filmu prewizualizacyjnego, a spójność postaci wciąż się psuje, nie chce ogólnej pomocy informatycznej.

Teraz obsługujemy to bezproblemowo. Oto jak wygląda ten przepływ pracy.

W chwili, gdy twórca zgłasza problem lub napotyka przeszkodę, nasza wewnętrzna sztuczna inteligencja nie tylko odczytuje jego opis problemu, ale też pobiera pełny kontekst jego sesji twórczej. Analizuje przesłany scenariusz, użyte polecenia oraz storyboardy, które się nie sprawdziły.

Od tego momentu AI wykonuje najcięższą pracę analityczną. Diagnozuje dokładny punkt tarcia w procesie twórczym — na przykład rozpoznaje, że filmowiec użył niestandardowego nagłówka sceny, który zdezorientował system śledzący lokalizacje.

Następnie, zamiast zmuszać użytkownika do czekania lub rozmowy z botem, system przekazuje wszystko jednemu z naszych członków zespołu. Przekazuje to jednak wraz z kompletną ściągawką. Ludzki operator otwiera zgłoszenie i natychmiast widzi, które numery scen zapętlają się, na czym polega błąd formatowania oraz gotową propozycję rozwiązania.

Filmowiec otrzymuje szybką, głęboko osadzoną w kontekście odpowiedź od człowieka, który mówi jego językiem filmowym, a my nie pozwalamy, by jego twórczy impet wygasł. Aby zamknąć pętlę, AI automatycznie rejestruje ten konkretny błąd formatowania w naszym rejestrze zadań zespołu inżynieryjnego, dzięki czemu możemy poprawić interfejs produktu i zapobiec wystąpieniu tego problemu u kolejnego reżysera.

I ani na moment klient nie zostaje zmuszony do rozmowy z botem ani do wyjaśniania złożonego żargonu twórczego pracownikowi działu wsparcia.

Jak AI wpływa na decyzje dotyczące CX, podczas gdy ludzie wyznaczają strategię

Shankar dzieli się

…nie automatyzujemy relacji międzyludzkich. Wykorzystujemy AI do wykonywania analitycznej pracy biurowej, dzięki czemu nasz zespół ma czas skupić się na wartościowej, głęboko ludzkiej pracy polegającej na budowaniu relacji i rozwiązywaniu złożonych problemów.

Przestrzegamy ścisłej zasady: AI zajmuje się „Co” i „Gdzie”, ale ludzie odpowiadają za „Dlaczego” i „Jak”.

Oto kilka przykładów zadań, z którymi AI radzi sobie dobrze:

• Priorytetyzacja problemów i dostrzeganie trendów: AI skanuje w czasie rzeczywistym tysiące przychodzących transkrypcji rozmów z działem wsparcia i sesji użytkowników. Natychmiast oznacza anomalie — na przykład nagły wzrost o 15% liczby użytkowników, którzy utknęli na stronie płatności — na długo zanim ludzki menedżer zauważy ten wzorzec. Wykorzystujemy do tego PostHog.
• Mapowanie tarć na ścieżce użytkownika: AI analizuje zachowania użytkowników na naszych platformach i dokładnie wskazuje, gdzie dochodzi do rezygnacji. Eliminuje zgadywanie. Obecnie przenosimy nasze narzędzia do FullStory (StoryAI i API).

Po stronie ludzi:

• Przeprojektowanie ścieżki i strategia: AI może powiedzieć mi, gdzie ludzie rezygnują, ale brakuje mu kontekstu biznesowego i twórczej empatii potrzebnych do przeprojektowania doświadczenia. Naprawienie wadliwej ścieżki B2B wymaga uwzględnienia interesów różnych zespołów, kompromisów inżynieryjnych oraz głębokiego zrozumienia ludzkich zachowań. AI nie może usiąść w pokoju i doprowadzić do tego, by trzy różne działy zgodziły się na jedno rozwiązanie.
• Odzyskiwanie zaufania i eskalacja: jeśli awaria systemu zakłóci działalność ważnego klienta i doprowadzi go do wściekłości, nie będzie on chciał idealnie wygenerowanych przeprosin AI. Odzyskanie zaufania w sytuacji o wysokiej stawce wymaga prawdziwej ludzkiej empatii, odpowiedzialności oraz uprawnień do odejścia od zasad, aby naprawić sytuację.

Innymi słowy, nie automatyzujemy relacji międzyludzkich. Wykorzystujemy AI do wykonywania analitycznej pracy biurowej, dzięki czemu nasz zespół ma czas skupić się na wartościowej, głęboko ludzkiej pracy polegającej na budowaniu relacji i rozwiązywaniu złożonych problemów.

Jak AI radzi sobie z kontekstem specyficznym dla danej branży

Shankar dzieli się

Ślepe zaufanie do automatycznego panelu bez ludzkiej kontroli rozsądku doprowadziłoby do zmarnowania całych tygodni na przepisywanie doskonale działającego kodu. AI znajduje wzorce, ale ma poważne trudności z głębokim kontekstem specyficznym dla danej branży.

Integracja AI z naszą analizą danych jakościowych i priorytetyzacją problemów zmieniła tempo naszych działań operacyjnych.

Nasz zespół spędzał wcześniej całe tygodnie na ręcznym oznaczaniu danych, aby wykrywać systemowe wady UX lub wąskie gardła procesu wdrażania użytkowników na różnych kontach. Teraz AI niemal natychmiast oznacza te powtarzające się wzorce tarcia. Szybsze wykrywanie tych problemów pozwala nam usuwać błędy i naprawiać dezorientujące przepływy pracy, zanim przerodzą się w falę skarg klientów. To zasadniczo odsunęło nasze zespoły produktowe i badawcze od żmudnego wprowadzania danych do arkuszy kalkulacyjnych, umożliwiając im skupienie się na projektowaniu rozwiązań.

Nie wszystko przebiegało jednak gładko. Naszym największym problemem był szum analityczny i brak prawdziwego kontekstu.

Na początku zbyt mocno polegaliśmy na zdolności AI do oznaczania nastrojów i trendów. Zauważyliśmy gwałtowny wzrost liczby oznaczeń negatywnego nastroju związanych z nowo wprowadzoną funkcją. Zespół niemal natychmiast przystąpił do wycofania aktualizacji. Jednak dogłębna analiza przeprowadzona przez człowieka ujawniła, że AI całkowicie błędnie zinterpretowało specyficzny dla branży żargon naszych zaawansowanych użytkowników oraz ich techniczne wyrażanie frustracji. Nie byli źli na tę funkcję — po prostu z pasją opowiadali o własnych złożonych przepływach pracy.

Ślepe zaufanie do automatycznego panelu bez ludzkiej kontroli rozsądku doprowadziłoby do zmarnowania całych tygodni na przepisywanie doskonale działającego kodu. AI znajduje wzorce, ale ma poważne trudności z głębokim kontekstem specyficznym dla danej branży.

Dlaczego projektowanie produktu może być ważniejsze niż zaawansowana sztuczna inteligencja

Kontekstowa hiperpersonalizacja to kolejny obszar, w którym sztuczna inteligencja nie spełnia pokładanych w niej oczekiwań.

Obietnica była taka, że sztuczna inteligencja będzie mogła bezproblemowo analizować wcześniejsze zachowania klienta B2B, bieżące korzystanie z produktu oraz historię kontaktów z pomocą techniczną, aby dynamicznie dostosowywać proces wdrażania lub wygląd pulpitu nawigacyjnego w czasie rzeczywistym. Oczekiwaliśmy, że będzie to intuicyjne — jak cyfrowy konsjerż, który dokładnie przewiduje, czego użytkownik będzie potrzebować w następnej kolejności. Zamiast tego rozwiązanie najczęściej wydawało się nachalne lub nieistotne.

W złożonym środowisku technologicznym B2B intencje użytkownika zmieniają się radykalnie z godziny na godzinę. Użytkownik może zalogować się, aby szybko wykonać powtarzalne zadanie administracyjne, ale sztuczna inteligencja — próbując być pomocna na podstawie szerszych trendów dotyczących konta — zaśmieca jego widok rekomendacjami zaawansowanej funkcji, która w danym momencie zupełnie go nie interesuje. Zamiast zmniejszać obciążenie poznawcze, zwiększała je.

Zrozumieliśmy, że podczas korzystania z platformy użytkownicy nie chcą, aby sztuczna inteligencja zgadywała, co zamierzają zrobić w następnej kolejności; chcą przejrzystego projektu interfejsu użytkownika, przewidywalnych procesów i błyskawicznie działającej funkcji wyszukiwania. Oczekiwaliśmy, że sztuczna inteligencja rozwiąże problem związany z doświadczeniem użytkownika, który ostatecznie wymagał lepszego i prostszego projektowania produktu.

Dlaczego jakość danych ma kluczowe znaczenie przed uruchomieniem pilotażowych projektów AI

Chciałbym wiedzieć wcześniej, jak bardzo bałagan w naszych własnych danych wewnętrznych pokrzyżuje nam plany już na początku.

Kiedy słuchasz dostawców rozwiązań AI, przedstawiają to tak, jakby wystarczyło podłączyć to magiczne narzędzie, a ono natychmiast zaczęłoby generować genialne spostrzeżenia gotowe do wykorzystania przez ludzi. Rzeczywistość jest jednak taka, że system AI jest tylko tak dobry, jak dane, którymi go zasilasz.

Przed naszym pierwszym projektem pilotażowym mieliśmy wieloletnie opinie klientów, stare badania użytkowników i dzienniki zgłoszeń pomocy technicznej porozrzucane po różnych silosach. Część z tych danych była nieaktualna, część jawnie sprzeczna, a wielu z nich brakowało specyficznego kontekstu produkcji filmowej, w którym działamy w UpendNow.

Ponieważ najpierw nie uporządkowaliśmy podstawy danych, przez pierwsze kilka tygodni sztuczna inteligencja wymyślała absurdalne trendy i generowała ogromną ilość szumu analitycznego, którego obalanie zajmowało mojemu zespołowi mnóstwo czasu.

Gdybym mógł zrobić to ponownie, poświęciłbym znacznie mniej czasu na ocenę efektownych funkcji AI, a znacznie więcej na uporządkowanie naszej wewnętrznej architektury danych przed uruchomieniem systemu. Najpierw trzeba naprawić fundamenty, bo w przeciwnym razie automatyzuje się tylko chaos.

Obszar, na którym powinni koncentrować się wszyscy liderzy CX

Jedynym obszarem, który każdy powinien teraz całkowicie przeprojektować, jest mapowanie podróży klienta.

Historycznie mapowanie podróży klienta było statycznym ćwiczeniem wykonywanym w sali konferencyjnej. Ludzie siadali w jednym pomieszczeniu z karteczkami samoprzylepnymi, mapowali wyidealizowaną ścieżkę, umieszczali ją w pliku PDF, a następnie nikt nie zaglądał do niej przez kolejny rok. Przedstawia ona to, co mamy nadzieję, że robi klient, a nie rzeczywistość.

W świecie wspomaganym przez sztuczną inteligencję takie podejście jest przestarzałe.

Liderzy powinni aktywnie przeprojektowywać mapy podróży klienta tak, aby były dynamiczne, aktualizowane w czasie rzeczywistym i zasilane bieżącymi danymi. Ponieważ narzędzia AI mogą teraz przetwarzać w czasie rzeczywistym dane nieustrukturyzowane — takie jak bieżące sesje użytkowników, rozmowy z pomocą techniczną i miejsca rezygnacji — mapa podróży klienta nie powinna być dokumentem. Powinna być żywym, stale aktualizowanym pulpitem nawigacyjnym w formie oprogramowania.

Zamiast zgadywać, gdzie występują trudności, system powinien aktywnie informować: "Hej, właśnie teraz filmowcy z butikowych agencji napotykają problem na trzecim etapie wdrażania z powodu opóźnienia interfejsu użytkownika". Jeśli nie przeprojektujesz sposobu mapowania i postrzegania podróży klienta, wykorzystasz sztuczną inteligencję do optymalizacji pojedynczych, odizolowanych punktów styku, całkowicie pomijając fakt, że doświadczenie na poziomie całej ścieżki jest wadliwe. Musimy przestać mapować przeszłość i zacząć koordynować teraźniejszość.

Nie da się zautomatyzować wyjścia ze złego projektu

Moja rada jest prosta: przestań próbować zautomatyzować drogę wyjścia ze złego projektu.

Obecnie liderzy CX odczuwają ogromną pokusę, by zastosować AI w każdym pojedynczym punkcie tarcia na ścieżce klienta, ponieważ wydaje się to szybkie i tanie. Jeśli proces wdrażania nowych użytkowników jest zagmatwany, dodaj do niego asystenta AI. Jeśli dokumentacja to bałagan, zbuduj bota AI do wyszukiwania. Ale wszystko, co robisz, to przyklejasz zaawansowany technologicznie plaster na zepsuty proces. Wykorzystujesz AI, aby pomóc klientom poruszać się po złożoności, która od początku nie powinna istnieć.

Zanim kupisz kolejne narzędzie AI lub uruchomisz kolejny zautomatyzowany proces, wróć do podstaw. Przyjrzyj się swojemu podstawowemu produktowi i podstawowemu sposobowi świadczenia usług. Najpierw napraw podstawowe problemy UX, uporządkuj niespójne potoki danych i uprość ścieżkę klienta.

Śledź jego działalność

Możesz śledzić działalność Shankara Sahai na platformach LinkedIn i X.

Na The CX Lead wkrótce pojawią się kolejne wywiady z ekspertami!