Dyrektorka ds. klientów mówi, że AI zmienia struktury organizacyjne CX — i dlatego przechodzi na model „poda usługowego”

Sofia Barbosa jest dyrektorką ds. klientów w BMC Software, firmie B2B obsługującej klientów korzystających ze złożonych środowisk IT.

Porozmawialiśmy z Sofią, aby dowiedzieć się, jak wdraża sztuczną inteligencję — i jak zmienia ona schemat organizacyjny jej działu obsługi klienta. Oto, co powiedziała.

Zarządzanie pełnym cyklem życia klienta po sprzedaży

Nazywam się Sofia Barbosa i jestem dyrektorką ds. klientów w BMC Software. Kieruję Działem Klienta — zintegrowaną organizacją łączącą usługi profesjonalne, wsparcie, zarządzanie sukcesem klienta, edukację oraz Głos Klienta.

Łącznie te funkcje obejmują pełny cykl życia klienta po sprzedaży — od wdrożenia i przygotowania do korzystania z rozwiązania, przez bieżące osiąganie sukcesu i adopcję, aż po rzecznictwo klientów.

Obsługujemy klientów B2B działających w jednych z najbardziej złożonych środowisk IT na świecie, co oznacza, że nasze zespoły pracują w wielu różnych kanałach i modelach zaangażowania — od strategicznych relacji z klientami wymagających intensywnej obsługi po skalowane wsparcie samoobsługowe.

Dlaczego sztuczna inteligencja zmienia schematy organizacyjne obsługi klienta

Większość dzisiejszych schematów organizacyjnych obsługi klienta odzwierciedla złożoność narastającą przez dziesięciolecia: wyspecjalizowane zespoły, wąskie przekazania spraw oraz procesy zakładające, że ludzie wykonują każdy etap pracy. Sztuczna inteligencja podważa to założenie, ale wielu liderów wciąż próbuje dopasować ją do istniejącej struktury, zamiast zastanowić się, jak powinna wyglądać ta struktura, gdyby zaprojektowano ją od podstaw, zakładając dostępność sztucznej inteligencji.

Radzę świadomie zapomnieć o stanie „obecnym” i skupić się na stanie „docelowym”. Oznacza to powstrzymanie się od pytania: „Jak sztuczna inteligencja pasuje do naszych obecnych zespołów i procesów?”. Zamiast tego należy zapytać: „Gdybyśmy budowali dziś tę organizację od podstaw, mając dostęp do możliwości sztucznej inteligencji, jak by wyglądała?”

W większości przypadków odpowiedź jest prostsza niż to, co istnieje obecnie: mniej silosów, mniej przekazań spraw oraz role definiowane przez rezultaty, a nie przez wąskie zadania funkcjonalne.

To trudne, ponieważ oznacza rezygnację ze struktur, stanowisk i procesów budowanych przez lata, ale liderzy, którzy przeprojektują organizację wokół stanu „docelowego”, zamiast dopasowywać stan „obecny”, stworzą struktury organizacyjne prostsze i bardziej skuteczne niż te pierwotne.

Jak sztuczna inteligencja umożliwia model zespołów usługowych

Sofia dzieli się

Odpowiedzialność przesuwa się z pytania “który zespół jest za to odpowiedzialny” na pytanie “który zespół odpowiada za kompleksową obsługę tego klienta,” co stopniowo ogranicza wzajemne przerzucanie winy i ułatwia dostrzeżenie, gdzie sztuczna inteligencja rzeczywiście pomaga, a gdzie nadal potrzebne jest uzupełnienie luk przez człowieka.

W ciągu ostatniego roku wdrożyliśmy model zespołów usługowych — trwającą restrukturyzację mającą na celu rozbicie silosów między usługami, wsparciem, zarządzaniem sukcesem klienta i szkoleniami oraz zintegrowanie agentów sztucznej inteligencji z tym samym ujednoliconym schematem organizacyjnym, zamiast traktowania ich jako oddzielnego, dołączonego narzędzia.

Impulsem byli agenci sztucznej inteligencji przejmujący coraz większą część rutynowych interakcji. Zdaliśmy sobie sprawę, że gdyby sztuczna inteligencja działała poza istniejącą strukturą zespołów, utworzyłaby nowy silos — kolejną lukę w przekazywaniu spraw zamiast zamykać istniejące luki. Dlatego pracujemy nad umieszczeniem agentów sztucznej inteligencji, wsparcia, zarządzania sukcesem klienta, usług i szkoleń pod wspólnym kierownictwem, z zapewnieniem wspólnego wglądu w historię konta, otwarte kwestie i kontekst klienta.

W rezultacie, w obszarach, w których model zespołów usługowych już nabiera kształtu, klienci nie muszą ponownie wyjaśniać swojej sytuacji w różnych kanałach. Kontekst podąża za nimi niezależnie od tego, czy jako pierwszy odpowiada sztuczna inteligencja, czy człowiek.

Agenci sztucznej inteligencji w czasie rzeczywistym wskazują również wzorce, takie jak często zadawane pytania i punkty tarcia, co pozwala nam proaktywnie, a nie reaktywnie aktualizować szkolenia i dokumentację.

Odpowiedzialność przesuwa się z pytania „który zespół jest za to odpowiedzialny” na pytanie „który zespół odpowiada za kompleksową obsługę tego klienta”, co stopniowo ogranicza wzajemne przerzucanie winy i ułatwia dostrzeżenie, gdzie sztuczna inteligencja rzeczywiście pomaga, a gdzie nadal potrzebne jest uzupełnienie luk przez człowieka.

Kompleksowy przepływ pracy oparty na sztucznej inteligencji do szkolenia użytkowników

Jeden kompleksowy przepływ pracy oparty na AI, z którego obecnie korzystamy, koncentruje się na tworzeniu treści i szkoleń, a teraz rozszerzamy go o agenta adopcji.

Przepływ pracy rozpoczyna się od surowych danych wejściowych: interakcji z klientami, zgłoszeń do pomocy technicznej, danych dotyczących korzystania z produktu oraz notatek dotyczących spraw. AI syntetyzuje te dane, aby identyfikować typowe pytania, punkty powodujące trudności oraz luki w adopcji funkcji w poszczególnych kontach.

Następnie AI tworzy projekty odpowiednich treści: modułów szkoleniowych, aktualizacji dokumentacji, historii sukcesu lub materiałów lokalizowanych i tłumaczonych, zależnie od luk ujawnionych w analizie. Człowiek przegląda i udoskonala te wstępne materiały przed ich opublikowaniem lub włączeniem do naszej biblioteki szkoleń i materiałów wspierających wdrożenie.

Wykorzystywane narzędzia to Salesforce Service Cloud, Microsoft Copilot Studio, Easygenerator, EasyCoach oraz narzędzia telemetryczne produktu.

Wdrażamy również nowszy element: agenta adopcji, stworzonego wewnętrznie przy użyciu Copilot Studio. Zamyka on pętlę, dzięki czemu zamiast jedynie tworzyć treści szkoleniowe i czekać, aż klienci je znajdą i wykorzystają, agent aktywnie identyfikuje sytuacje, w których klient lub użytkownik nie korzysta z funkcji albo przepływu pracy zgodnie z oczekiwaniami, a następnie bezpośrednio przekazuje mu odpowiednie szkolenie lub wskazówki dokładnie wtedy, gdy są potrzebne.

Kompleksowy przepływ pracy wygląda następująco: sygnały z danych → treści i szkolenia wygenerowane przez AI → przegląd i udoskonalenie przez człowieka → publikacja → agent adopcji dopasowuje właściwą treść do właściwego klienta we właściwym momencie, na podstawie rzeczywistych luk w korzystaniu przez niego z produktu.

Dopiero zaczynamy wdrażanie agenta adopcji, ale naszym celem jest przekształcenie tworzenia treści z jednokierunkowej transmisji w system zamkniętej pętli, w którym AI wpływa zarówno na tworzenie treści, jak i ich dostarczanie.

Jak AI zwiększa wydajność w CX

Jeśli chodzi o obserwowane rezultaty, AI przyniosła znaczący wzrost skali i wydajności. W przybliżeniu potroiliśmy liczbę historii sukcesu i zaobserwowaliśmy podobne skokowe usprawnienia w automatyzacji dokumentacji, tworzeniu kursów szkoleniowych i edukacyjnych, treściach wideo oraz automatycznym tłumaczeniu.

Praca ręczna wcześniej ograniczała takie działania jak pisanie historii klientów, lokalizacja treści czy tworzenie modułów szkoleniowych. AI tworzy teraz projekty tych materiałów w ułamku wcześniejszego czasu, umożliwiając zespołom przygotowywanie większej ilości treści dla większej liczby kont i w większej liczbie języków, niż było to wcześniej wykonalne.

Podział pracy AI i pracy człowieka w CX

Ogólnie rzecz biorąc, AI wpływa obecnie na kilka działań związanych z CX: ustalanie priorytetów w backlogu, analizę spraw, planowanie adopcji, tworzenie historii sukcesu oraz przeglądy osiągniętej wartości. W każdym z tych obszarów AI syntetyzuje dane, wykrywa wzorce w różnych sprawach, oznacza konta zagrożone ryzykiem i tworzy wstępne materiały, podczas gdy ludzie przeglądają je, udoskonalają i dodają własną ocenę, zanim cokolwiek trafi do klienta.

Działania wymagające wyłącznie udziału człowieka wiążą się z kontekstem relacji lub strategiczną oceną: zarządzaniem relacjami z ambasadorami, obsługą eskalacji z udziałem kluczowych interesariuszy oraz rozmowami na temat realizacji wartości, w których „dlaczego” stojące za rekomendacją jest równie ważne jak sama rekomendacja. AI nie jest w stanie odtworzyć w tych obszarach zaufania, tonu ani historii relacji z danym kontem.

Podział jest prosty: AI skraca czas poświęcany na analizę i tworzenie wersji roboczych, czyli pracę, która wcześniej wymagała wielu godzin ręcznego przeszukiwania spraw, danych dotyczących korzystania z produktu lub notatek. Przekazując te zadania AI, uwalniamy czas naszych zespołów, aby mogły skupić się na działaniach o większej wartości.

Dlaczego projekty pilotażowe AI muszą być skalowalne od pierwszego dnia

Wyzwania, które obserwowałam, dotyczyły w mniejszym stopniu samej AI, a w większym skalowania rozwiązań z etapu POC do środowiska produkcyjnego. Wiele z tych zastosowań sprawdzało się dobrze w projektach pilotażowych lub na małą skalę, ale odkryliśmy, że przekształcenie ich w gotowe do produkcji, powtarzalne procesy — z odpowiednimi mechanizmami kontroli jakości, integracją z istniejącymi przepływami pracy i spójnością między zespołami — było trudniejsze, niż sugerowały początkowe eksperymenty.

Główne źródło trudności stanowiła różnica między „to działa w demonstracji” a „jest to niezawodnie włączone w sposób, w jaki na co dzień działamy”.

Jeśli chodzi o AI, eksperymentowanie jest właściwym punktem wyjścia, a kluczowe znaczenie ma posuwanie się naprzód bez czekania na absolutną pewność. Zespołom, które dopiero zaczynają, powiedziałbym jednak, aby od samego początku projektowały rozwiązania z myślą o skalowaniu i środowisku produkcyjnym, nawet jeśli wciąż są na etapie eksperymentów.

Dzięki temu nie utkniecie w modelu POC, uruchamiając pilotaż za pilotażem, które potwierdzają, że dana koncepcja działa, ale nie tworzą podstawowych procesów, integracji i mechanizmów kontroli jakości niezbędnych do wdrożenia jej na produkcji. Jeśli odpowiednio wcześnie nie pomyślicie o tej ścieżce, skończycie z cmentarzyskiem udanych pilotaży, które nigdy nie przekształciły się w rzeczywistą zdolność operacyjną.

Moja rada jest więc taka: zachowajcie nastawienie na eksperymentowanie, ale od pierwszego dnia połączcie je z jasnym spojrzeniem na wymagania dotyczące gotowości produkcyjnej, aby pilotaże miały realną drogę rozwoju, zamiast stawać się ślepymi zaułkami.

Sofia dzieli się

\u003cstrong\u003eJeśli chodzi o AI, eksperymentowanie jest właściwym punktem wyjścia, a kluczowe znaczenie ma posuwanie się naprzód bez czekania na absolutną pewność…Moja rada jest więc taka: zachowajcie nastawienie na eksperymentowanie, ale od pierwszego dnia połączcie je z jasnym spojrzeniem na wymagania dotyczące gotowości produkcyjnej, aby pilotaże miały realną drogę rozwoju, zamiast stawać się ślepymi zaułkami.\u003c/strong\u003e

Dlaczego AI nie może zastąpić ludzkiej strategii w CX

Oczekiwanie, że AI umożliwi skalowanie obsługi strategicznych klientów w taki sam sposób, w jaki umożliwiło skalowanie produkcji treści czy dokumentacji, nie znalazło potwierdzenia w praktyce. Relacje wymagające intensywnego zaangażowania i wiążące się z wysoką stawką nadal opierają się przede wszystkim na ludziach, a AI pełni w nich rolę wspierającą, a nie wiodącą.

Zamiast tego AI zwiększyło efektywność tego procesu. Pomaga szybciej przygotowywać się do strategicznych rozmów, wyszukuje istotne dane i kontekst przed spotkaniami oraz tworzy wersje robocze materiałów, które następnie ludzie opracowują i przedstawiają. Jest akceleratorem strategii prowadzonej przez ludzi, a nie jej substytutem.

Jak AI zmieniło preferencje dotyczące kanałów komunikacji w różnych pokoleniach

Jedno z długo utrzymujących się założeń, które AI zmusiło nas do ponownego rozważenia, dotyczyło preferencji pokoleniowych w zakresie kanałów komunikacji: przekonania, że młodsi klienci domyślnie wybierają czat lub samoobsługę, podczas gdy starsi klienci preferują telefon lub e-mail, oraz że powinniśmy projektować doświadczenia ściśle według tych podziałów pokoleniowych.

Odkryliśmy, że AI zatarło te granice bardziej, niż się spodziewaliśmy, ale nie wyeliminowało ich całkowicie. We wszystkich grupach wiekowych klienci coraz częściej wybierają kanał, który najszybciej rozwiąże ich problem.

Na przykład młodszy klient może sięgnąć po telefon w złożonej sprawie, podczas gdy starszy klient może chętnie skorzystać z czatu AI w prostej kwestii. W przeszłości zakładalibyśmy coś przeciwnego. Szybkość i jakość rozwiązania problemu często mają teraz większe znaczenie niż sam kanał.

Jednocześnie zauważyliśmy również, że w przypadku niektórych klientów — często, choć nie wyłącznie, należących do starszych pokoleń — potrzeba ludzkiego kontaktu nie zniknęła. Dotyczy to szczególnie złożonych problemów, wrażliwych sytuacji lub rozmów opartych na relacji, w których poczucie bezpieczeństwa i zaufanie są równie ważne jak sama odpowiedź. AI nie wyeliminowało tej potrzeby. Jeśli już, sprawiło, że sytuacje, w których prawdziwie liczy się kontakt z człowiekiem, stały się bardziej widoczne, ponieważ AI obsługuje teraz większą liczbę bardziej transakcyjnych interakcji.

Dlatego zamiast całkowicie rezygnować z myślenia pokoleniowego, przeszliśmy od „projektowania według pokolenia” do „projektowania według potrzeby”. Wykorzystujemy AI do obsługi dużej liczby interakcji, które można szybko rozwiązać, niezależnie od grupy odbiorców, jednocześnie zachowując i traktując priorytetowo ścieżki prowadzone przez ludzi oraz wymagające intensywnego zaangażowania w złożonych lub emocjonalnie istotnych sytuacjach — niezależnie od tego, kto zwraca się z pytaniem.

Dlaczego liderzy CX muszą budować wyróżnienie dzięki zastrzeżonym danym

Moja rada dla liderów CX jest taka, aby skupić się na wyróżnianiu się dzięki własnym danym. Ogólne możliwości AI stają się dziś standardem; każdy dostawca i konkurent ma dostęp do podobnych modeli bazowych i narzędzi. Prawdziwe wyróżnienie wynika z zastrzeżonych danych, które zgromadziliście: interakcji z klientami, wzorców korzystania, historii wsparcia, osiągniętych wyników oraz wiedzy instytucjonalnej unikalnej dla Waszej firmy i relacji z klientami.

Liderzy, którzy wyjdą na prowadzenie, to ci, którzy traktują te dane jako strategiczny zasób i aktywnie wykorzystują je w swoich inicjatywach związanych z AI, zamiast polegać na gotowych rozwiązaniach AI generujących takie same ogólne wyniki jak u innych. Oznacza to konieczność inwestowania już teraz w jakość danych, ich dostępność i integrację, aby narzędzia AI pracowały z pełnym kontekstem relacji z klientami, a nie na podstawie ogólnych wzorców.

Nie rywalizujcie o to, kto ma AI. Rywalizujcie o to, kto najlepiej osadzi swoje AI w danych i wiedzy, które posiada tylko on.

Śledź na bieżąco

Możesz śledzić pracę Sofii Barbosy na LinkedInie.

Wkrótce kolejne wywiady z ekspertami na The CX Lead!