Szef działu sukcesu klienta mówi, że sztuczna inteligencja nie może działać niezależnie w procesach obsługi klienta — potrzebuje stałego nadzoru

Angela Guedes jest dyrektorką ds. sukcesu klienta w Enginy, gdzie obecnie przekształca organizację z modelu CX opartego na intensywnej obsłudze w model segmentowany. Jest również autorką newslettera „Od podstaw”.

Spotkaliśmy się z Angelą, aby szczegółowo omówić, co działa, a co nie działa w obszarze AI w CX. Oto, co miała do powiedzenia.

Zarządzanie sukcesem klienta w B2B SaaS

Nazywam się Angela Guedes. Od 10 lat tworzę i zarządzam organizacjami zajmującymi się sukcesem klienta, zawsze w sektorze B2B SaaS.

Obecnie jestem dyrektorką ds. sukcesu klienta w Enginy, natywnej dla AI, kompleksowej, inteligentnej platformie GTM dla zespołów sprzedaży B2B. Jesteśmy pionowym rozwiązaniem SaaS w obszarze automatyzacji sprzedaży, obsługującym wszystkie segmenty — od SMB po duże przedsiębiorstwa. Jesteśmy na etapie zalążkowym i w tym roku zwiększamy ARR z 3 mln do 10 mln dolarów.

Obecnie korzystamy z modelu doświadczenia klienta opartego na intensywnej obsłudze, przechodząc na model segmentowany. Każdy klient ma dostęp do wsparcia produktowego za pośrednictwem czatu w aplikacji i poczty e-mail. Przydzielamy mu również opiekuna wdrożenia i opiekuna klienta. Obsługujemy klientów podczas spotkań, rozmów telefonicznych i za pośrednictwem poczty e-mail. Na początku tego roku wprowadziliśmy cotygodniowe webinary wdrożeniowe, aby skalować wdrożenia i szkolenia.

Nadzoruję zarządzanie klientami, wdrożenia i wsparcie produktowe w zespole liczącym 12 osób. Planujemy zakończyć rok z zespołem liczącym 20 osób.

Jak dwie proste zmiany mogą wpłynąć na skuteczność zespołu CX

W ciągu ostatniego roku wprowadziłam dwie konkretne zmiany:

Pierwsza dotyczyła klientów. Korzystamy z FIN (agenta AI firmy Intercom) do odciążania zespołu wsparcia. W ciągu czterech miesięcy odsetek spraw rozwiązywanych wzrósł o 10 punktów procentowych. Oznaczało to, że do zespołu trafiało mniej zgłoszeń pierwszego poziomu, a te, które trafiały do człowieka, były rzeczywiście złożone. Pozwoliło nam to inaczej rozdysponować czas zespołu.

Jednak wynik CX spadł w lutym o 9 punktów. Szybko zrozumieliśmy dlaczego: FIN udzielał błędnych odpowiedzi, ponieważ zasilano go nieaktualnymi treściami. Z przekonaniem odpowiadał na pytania, na które nie powinien był odpowiadać, a logika eskalacji nie wychwytywała tego problemu. Klienci utknęli.

Naprawiliśmy to, przeprowadzając audyt treści i pełny przegląd zasad eskalacji: określiliśmy, czym FIN powinien się zajmować, co powinien natychmiast przekierowywać oraz co ma się dziać, gdy nie zna odpowiedzi. Przepisaliśmy logikę eskalacji tak, aby wcześniej przekazywała sprawy dalej na podstawie sygnałów takich jak wielokrotne przeformułowywanie pytania, oznaki frustracji oraz określone kategorie tematów, na przykład płatności i błędy. W kwietniu wynik CX wrócił do wcześniejszego poziomu i był o 5 punktów wyższy niż na początku.

Angela dzieli się doświadczeniem

…AI w obsłudze nie jest jednorazowym narzędziem do odciążania zespołu. To system z warstwą treści, która z czasem ulega dezaktualizacji. Jeśli jej nie utrzymujesz, korzystasz z pewnego siebie bota, który powoli podkopuje zaufanie klientów — na tyle powoli, że nie zauważasz tego, dopóki nie zmienią się wskaźniki.

Wniosek był taki, że AI w obsłudze nie jest jednorazowym narzędziem do odciążania zespołu. To system z warstwą treści, która z czasem ulega dezaktualizacji. Jeśli jej nie utrzymujesz, korzystasz z pewnego siebie bota, który powoli podkopuje zaufanie klientów — na tyle powoli, że nie zauważasz tego, dopóki nie zmienią się wskaźniki. Lutowy spadek pokazał, że wskaźniki się zmieniły. Zaletą jest wyraźny sygnał. Gdy coś pójdzie nie tak, możesz prześledzić przyczynę. To więcej niż można uzyskać od zespołu ludzi działającego na dużą skalę.

Druga zmiana dotyczyła procesów wewnętrznych. Usprawniliśmy przepływ pracy związany z przygotowaniem do rozmów, łącząc Claude'a z Granolą, Intercomem, HubSpotem i naszym własnym produktem. Wcześniej opiekunowie klientów poświęcali 20–30 minut na zebranie kontekstu przed każdą rozmową: notatek z ostatniego spotkania, otwartych zgłoszeń do wsparcia, etapu transakcji i informacji o korzystaniu z produktu.

Teraz Claude automatycznie zbiera wszystkie te informacje w jeden dokument przygotowawczy przed rozmową. Opiekunowie klientów rozpoczynają rozmowę z dokładnym kontekstem zamiast z ogólnymi pytaniami kontrolnymi. Pozwoliło nam to skrócić czas przygotowań, a zaoszczędzone godziny przeznaczamy na proaktywny kontakt i rozmowy o wartości.

Jak analiza rezygnacji klientów wspomagana przez AI usprawnia podejmowanie decyzji

Przyjrzyjmy się procesowi analizy rezygnacji klientów, który opracowałam w Claudzie. Oczywistym punktem wyjścia do analizy rezygnacji jest pole „powód rezygnacji” w CRM. To właśnie w tym miejscu występuje również większość zniekształceń. Opiekun klienta wypełnia to pole po utracie transakcji, pod presją zamknięcia miesiąca. Odzwierciedla ono sposób, w jaki opiekun klienta przedstawił przyczynę utraty, a niekoniecznie powód odejścia klienta.

Zaczynałam od ręcznego polecenia AI, które uruchamiałam co miesiąc. Wyniki były niespójne; poświęcałam więcej czasu na ich poprawianie, niż go oszczędzałam, więc stworzyłam zautomatyzowaną umiejętność, która pobiera dane bezpośrednio z HubSpotu, korzystając z jasnych zasad określających, jakich właściwości i aktywności szukać w CRM.

Pobiera wszystkie utracone i zagrożone transakcje z określonego przedziału czasowego, normalizuje etykiety CRM i grupuje dane według wielu wymiarów, w tym według wywnioskowanej przyczyny na podstawie pełnej historii transakcji: notatek, transkrypcji rozmów, aktywności i ukończenia wdrożenia. Co kluczowe, ponownie przypisuje odpowiedzialność za utratę klienta na podstawie logiki przyczynowej, a nie tego, co odnotował AM.

Na przykład jedna z niedawnych transakcji została oznaczona jako „Brak zwrotu z inwestycji”, co większość osób odczytałaby jako błąd zespołu ds. sukcesu klienta. Jednak notatki dotyczące transakcji pokazały, że proces sprzedaży stworzył oczekiwania, których produkt nigdy nie był w stanie spełnić. To problem z kwalifikacją sprzedażową, a nie z obsługą klienta. Bez AI musielibyśmy mieć kogoś, kto czytałby każdą notatkę dotyczącą każdej utraconej transakcji (co się nie zdarza), aby to wychwycić.

Wynikiem jest dokument gotowy dla dyrektora generalnego oraz osobne zestawienia dla zespołów ds. sukcesu klienta, produktu i sprzedaży, z przypadkami i analizami przyczyn źródłowych, które ich dotyczą.

Dlaczego przepływ od wniosków do rezultatów musi zostać sprawdzony przed dodaniem AI

Wdrażam AI tam, gdzie człowiek wcześniej potwierdził przepływ od wniosków do rezultatów. Jeśli ten przepływ jest nadal testowany, AI go nie dotyka — nie można pominąć etapu walidacji. Jeśli zautomatyzujesz proces, zanim potwierdzisz wzorzec, zaczniesz skalować niewłaściwe zachowanie.

Obecnie AI wykonuje następujące zadania:

• Analiza: prognozowanie odnowień i wykrywanie wzorców rezygnacji. Oto najbardziej klarowny przykład. Przestałam ufać przyczynom rezygnacji wskazywanym przez AM-ów (które koncentrują się wokół „budżetu” i „braku dopasowania”, ponieważ łatwo je rejestrować) i zaczęłam wyciągać rzeczywiste przyczyny z notatek, transkrypcji i danych o korzystaniu z produktu. AI wykryło wstrzymane wdrożenie stojące za połową etykiet „budżet”. Dzięki temu mogliśmy rozpocząć interwencję wcześniej.
• Podsumowywanie: przygotowanie do spotkań, działania następcze i cotygodniowa synteza decyzji. To jedyny sposób, aby jeden CSM mógł obsłużyć potrzebną nam intensywność relacji przy zakładanym poziomie efektywności.
• Czat wsparcia: odpowiedzi pierwszej linii oparte na dokumentacji, którą wcześniej przejrzał człowiek. Kolejność ma znaczenie.

Staramy się, aby człowiek pozostawał w pętli. Gdy AI sugeruje działanie (oznaczenia ryzyka, sygnały możliwości rozszerzenia współpracy, kolejne kroki), CSM lub ja sprawdzamy je i zatwierdzamy, zanim trafi do klienta. AI wychwytuje wzorce szybciej ode mnie, ale osoba odpowiedzialna za relację zachowuje prawo do oceny sytuacji.

Jak wspomniałam, muszę samodzielnie potwierdzić przepływ od wniosków do rezultatów przed zintegrowaniem AI, dlatego coaching AM-ów i oceny wyników to najbardziej klarowne przykłady zadań, które pozostały w pełni ludzkie. Ostatecznie przekażę je dalej, ale najpierw muszę sprawdzić na przykładzie moich AM-ów, czy połączenie konkretnych działań z konkretnymi sygnałami prowadzi do lepszych rezultatów portfela. Dopóki ten wzorzec nie sprawdzi się podczas spotkań 1:1, jego automatyzacja będzie jedynie skalowaniem przypuszczenia.

Dlaczego liderzy CX muszą zapewniać AI kontekst

Nigdy nie przekazuj myślenia i nigdy nie pomijaj kontekstu.

Pamiętaj, że jakość wyników AI zależy wyłącznie od jakości dostarczonego kontekstu. Nic nie może zastąpić ludzkiego myślenia. Tak, używaj AI do podważania swoich założeń, znajdowania luk w rozumowaniu i porównywania pomysłów ze standardami branżowymi. Jednak aby uzyskać trafne wyniki, musisz przekazać mu kontekst ze swojej głowy i dokumentów wewnętrznych.

Jeśli po prostu poprosisz je o zbudowanie czegoś bez tego kontekstu, wynik będzie co najwyżej nijaki, a w większości przypadków — nieistotny.

Jest to szczególnie ważne w przypadku chatbotów — pracuj nad warstwą kontekstu klienta. Agent bez pełnego kontekstu klienta nie tylko udzieli złej odpowiedzi; udzieli pewnej siebie, błędnej odpowiedzi. Pamiętaj też, że chatboty nie mogą po prostu działać samodzielnie. Ktoś musi odpowiadać za treści dostarczane AI, definiować zasady eskalacji i aktywnie kontrolować jakość jego wyników.

Jak AI może ujawnić luki w danych

Moja rada? Zacznij od swoich danych, a nie od narzędzi.

Najbardziej użyteczną rzeczą, jaką AI może teraz zrobić, jest ujawnienie tego, co nie działa w istniejących systemach — nie wygenerowanie raportu, lecz znalezienie luk. Moja pierwsza analiza odejść klientów z użyciem Claude'a nie powiedziała mi, dlaczego klienci odchodzili; pokazała mi, że AM oznaczali przyczyny odejść niespójnie, dane w CRM były nieaktualne, a kluczowych pól brakowało. To problem z danymi, którego w pełni nie dostrzegłam, dopóki AI nie próbowała z nimi pracować.

To punkt wyjścia. Zrozum, co masz, usuń niespójności i uzupełnij braki. AI będzie tylko tak dobra, jak dane wejściowe, które jej dostarczysz. Liderzy, którzy pomijają ten krok, zautomatyzują szum informacyjny, a potem będą się zastanawiać, dlaczego wnioski nie trafiają do odbiorców.

Uporządkowane dane nie są efektowną radą, ale stanowią warunek wstępny.

Angela dzieli się

Moja rada? Zacznij od swoich danych, a nie od narzędzi…To punkt wyjścia. Zrozum, co masz, usuń niespójności i uzupełnij braki…Uporządkowane dane nie są efektowną radą, ale stanowią warunek wstępny.

Obserwuj

Obserwuj Angelę Guedes na jej profilach w serwisach LinkedIn i Substack.

Na CX Lead pojawi się więcej wywiadów z ekspertami!