Det cirkulerar för närvarande en stillsam, farlig villfarelse i styrelserum och företagsledningar. Den säger att AI äntligen har löst kostnadsproblemet inom support. Logiken är enkel: automatisera rutinfrågorna, se volymen minska och reducera personalstyrkan. Om du tittar på instrumentpanelerna på makronivå verkar det fungera. Effektiviteten ökar och andelen ärenden som avvärjs når rekordnivåer.
Men om du faktiskt sitter med ett supportteam i dag – om du ser tempot i deras interna chattar och uttrycket i en agents ansikte klockan 16.00 en arbetsdag – vet du att verkligheten ser annorlunda ut. Supporten blir inte mindre krävande. Den blir tätare.
Och den tätheten landar helt och hållet på de människor som är kvar.
På Hiver hade vi aldrig som mål att bygga för den uppsvällda komplexiteten hos Fortune 500-företag; vi byggde för de agila, snabbfotade team som vill lösa problem utan den överbyggnad som följer med en gammalmodig fabrik. Förra året hjälpte våra plattformar våra kunder att lösa 81 miljoner konversationer. Det är inte volym på företagsnivå, men även inom den här SMB-bubblan ser vi en förändring som speglar, och på många sätt förstärker, den kris som pågår i företagsvärlden.
Branschen går i sömnen rakt in i en kompetenskris. Vi bevittnar en global urholkning av support på nivå 1. I vår brådska att automatisera det enkla arbetet har de ”AI-drivna” supportplattformarna oavsiktligt förstört vägen till expertis.
Du kan kalla detta ”omställning” om du vill, men ordvalet döljer inte det faktum att ingången till supportkompetens snabbt och tyst håller på att försvinna. Det som gör detta ögonblick annorlunda än tidigare effektivitetscykler är att den underliggande ekonomin börjar röra sig i motsatt riktning mot den vedertagna berättelsen.
Det här är inte ett tillfälligt ledningsmisslyckande. Det är en systemförändring.
I mer än ett sekel har kundservice styrts av det osynliga antagandet att support är ett rörproblem. Det antagandet kan spåras tillbaka till 1917 och matematikern Agner Krarup Erlang. Han utvecklade Erlang-C, en formel för att tala om för telefonbolag hur många operatörer de behövde för ett visst antal samtal. Formeln behandlar människor som rör: om vattennivån stiger breddar man helt enkelt röret. Alltså: om du får fler samtal lägger du helt enkelt till fler personer som hanterar det inkommande.
Den växelbordslogiken sjuder fortfarande under ytan i varje modernt supportsystem. Vi talar om AI-fokuserade framtider och överladdade agenter, men fortsätter att hantera support med relikmått som genomsnittlig hanteringstid och beläggningsgrad. AI lovade en väg bort från rören. Alltför ofta har det bara blivit det nyaste röret som monterats in i en uråldrig maskin.
Låt mig illustrera detta ytterligare.
Förra året hanterade Hivers infrastruktur 85 miljoner manuella uppgifter genom automatisering – lösenordsåterställningar, statusuppdateringar och dirigeringsregler som tidigare utgjorde en agents vardagliga kärnarbete. Enligt den gamla växelbordsmatematiken borde borttagandet av 85 miljoner arbetsenheter skapa ett enormt överskott av mänsklig kapacitet. Och om den logiken fortfarande vore giltig skulle detta överskott vara synligt i hela supportekonomin.
I stället uppger 77 % av agenterna i hela branschen att komplexiteten ökar, medan andra rapporter visar att 56 % av supportstyrkan uppvisar rekordhöga nivåer av utbrändhet.
Matematiken brister eftersom den glömde att de 85 miljoner enkla uppgifterna inte bara var arbete – de var tid för återhämtning, tid för lärande och kognitivt andrum. Ta bort upprepning utan att omforma det mänskliga systemet kring det som återstår, och resultatet blir inte effektivitet utan kompression.
Cornell Global Call Center Project har i flera år dokumenterat varför denna ”rörmodell” misslyckas. Deras forskning i rapporten från 2007 bevisade för första gången att högpresterande team trivs med handlingsutrymme, men branschen fortsätter att styra dem utifrån volym.
Det har tagit supportbranschen nästan två decennier att komma ikapp, men vi talar äntligen om ”kognitiv överbelastning” och ”mänskligt omdöme” – slagord som andra system med höga insatser började använda långt tidigare när de införde automatisering och förstärkt intelligens.
Inom flyget eliminerade autopiloten till exempel inte piloterna; den omvandlade dem till hanterare av sällsynta undantag med höga insatser, där omdömet var viktigare än rutinmässig kontroll. Inom medicinen ersatte programvara för diagnostisk bildbehandling inte radiologerna; den koncentrerade deras uppmärksamhet på de tvetydiga bilder där erfarenhet avgör utfallet.
I varje fall tog automatiseringen bort upprepningen men bevarade de lärandevägar som skapar expertis. Kundsupport går nu in i samma historiska fas – bara snabbare och utan att ha skyddat den väg som skapar de experter som krävs.
Kan vi bygga morgondagens experter om vi har asfalterat över vägen i dag?
Det finns en annan, farligare bieffekt av denna automatisering som branschen i stort sett ignorerar. Vi raderar medvetet lärlingstrappan.
Enligt forskning tar det ungefär 16 veckor för en ny agent att bli verkligt skicklig. Historiskt tillbringades dessa 16 veckor på nivå 1. En junior agent lärde sig produkten och kundens specifika språk genom att hantera hundratals enkla förfrågningar med låga insatser.
Men i dag kastar vi nyanställda direkt ut på djupt vatten. Vi ser konsekvenserna av detta varje dag. En kund skickar ett e-postmeddelande och säger att något på panelens vänstra sida ser trasigt ut. För en senior agent är det en tydlig hänvisning till en specifik aktivitetsmodul. Men för en junior agent som inte har fått hantera de 1 000 enkla ärenden som bygger upp den mentala kartan är det en tvetydig gåta.
Detta gap i språket skapar en massiv kompetensskuld. Vi har ingen möjlighet att utveckla nästa generation av seniora medarbetare eftersom vi har automatiserat bort alla lärdomar på nybörjarnivå. Det är därför Gartner förutspår att 50 % av de organisationer som minskar personalstyrkan på grund av AI kommer att tvingas återanställa för samma roller senast 2027.
De börjar inse att även om AI kan prata, kan det inte ersätta den "expertis, empati och omdömesförmåga" som endast byggs genom erfarenhet. Vi har asfalterat över språngbrädorna och undrar nu varför ingen kan ta sig över floden.
Varje yrke bygger på en synlig väg från nybörjare till expert, en period då misstagen är små, insatserna låga och mönsterigenkänningen gradvis ackumuleras i det tysta. När detta mellanläge försvinner slutar expertisen att förnya sig själv. Det omedelbara symtomet är långsammare problemlösning och fler eskaleringar. Den långsiktiga konsekvensen är betydligt allvarligare: en urholkad arbetsstyrka där seniora bedömningar blir både sällsynta och sköra. När bristen blir synlig i ledningens instrumentpaneler har den inlärningscykel som krävs för att åtgärda den redan varit bruten i flera år.
Så hur överlever team när ingen enskild person kan ha alla svar?
Denna press har utlöst en synlig överlevnadsmekanism i inkorgen. I år skapade Hiver-användare 5 miljoner interna anteckningar direkt ovanpå kundkonversationer. Detta är inte bara en samarbetsstatistik. Det är en signal om att eran med den ensamma agenten är över.
I den gamla modellen ägde en person ett ärende tills det var avslutat. Men när varje ärende är ett komplext undantag kan ingen enskild person ha alla svar. Dessa 5 miljoner anteckningar representerar en gemensam samling. Genom att samlas kring problemet i själva konversationen bygger teamen en "gemensam hjärna" i realtid. De omfördelar den kognitiva belastningen så att ingen individ behöver bära tyngden av en komplex kris ensam.
Men kollektiv intelligens är bara den ena sidan av överlevnaden. Den andra är den ekonomiska verkligheten.
Eftersom vi har gjort snabbhet till en standardvara genom AI håller de mått vi har använt i årtionden på att förlora sin betydelse. Ett nytt mått håller på att växa fram, och det borde oroa varje ekonomichef: den stigande kostnaden för automatisering.
Gartners senaste analys tyder på att drömmen om "kostnadsfri" support går mot sitt slut. År 2030 förväntas kostnaden per GenAI-lösning överstiga $3, vilket innebär att den överträffar kostnaden för många mänskliga offshore-agenter. Subventionerna upphör och infrastrukturkostnaderna ökar.
Kommer du ihåg att jag tidigare sa att den underliggande ekonomin börjar röra sig i motsatt riktning mot berättelsen? I mer än ett decennium har automatisering främst motiverats genom arbetskraftsarbitrage – antagandet att programvara blir billigare i takt med att den skalas upp. Men när marginalkostnaden för automatiserade lösningar börjar närma sig eller överstiga kostnaden för mänskligt arbete förändras den strategiska frågan helt.
AI kan inte längre försvaras enbart som ett substitut för människor. Det måste motiveras som en förstärkare av mänsklig kapacitet. Den skillnaden är djupgående. Substitution minskar kostnaden på kort sikt. Multiplikation avgör motståndskraften på lång sikt. De organisationer som förstår denna förändring tidigt kommer att sluta fråga hur de ska avlägsna människor från supporten och börja fråga hur de återstående människorna kan bli dramatiskt mer effektiva.
Och effektivitet definieras i detta nya landskap inte längre enbart av korrekthet.
Förra året använde våra kunder en funktion kallad ”Sentimentanalys” mer än 3,6 miljoner gånger för att förstå den känslomässiga kontexten i supportkonversationer. Detta visar oss att ett korrekt svar inte längre är tillräckligt eller effektivt.
Kunder kommer till en mänsklig interaktion med ett känslomässigt underskott. De är trötta och frustrerade efter botarna de just har kämpat med. I denna miljö har agentens uppgift skiftat från informationsförmedling till känslomässig återställning. Målet är inte längre ”Lösning”, utan ”Emotionell jämvikt”.
Styr du fortfarande en fabrik, eller är du redo att stödja experter?
Om denna diagnos stämmer är konsekvensen för ledarskapet inte gradvisa förbättringar utan en ny inriktning för ledningen. Supportens centrala fråga är inte längre ”Hur hanterar vi fler ärenden med färre personer?” utan ”Hur förstärker vi mänskligt omdöme där automatiseringen tar slut, samtidigt som vi säkerställer att rätt överlämningar sker vid rätt tidpunkt och att kontext aldrig går förlorad i den spretiga verktygsfloran och den gemensamma hjärnan?” Och det är verkligen en lång fråga.
Organisationer som fortsätter att optimera för genomströmning kommer att verka effektiva ända fram till det ögonblick då kundernas förtroende urholkas och personalflykten accelererar. Organisationer som i stället investerar i kontext, samarbete och erfarenhetsbaserat lärande kommer att se långsammare ut på kort sikt men vara strukturellt överlägsna på lång sikt. Skillnaden mellan dessa vägar kommer att forma det kommande årtiondet för kundsupport och kundupplevelser.
Supportledare står samtidigt inför tre sammanfallande påfrestningar: den ökande kognitiva kostnaden för varje återstående interaktion, en krympande tillgång på medarbetare på nybörjarnivå som kan utvecklas till experter, samt ett automatiseringslager vars marginella besparingar planar ut i takt med att infrastruktur- och modellkostnaderna mognar.
När komplexiteten ökar snabbare än produktiviteten stramas systemet åt. Det är därför den kommande omvälvningen inom support inte kommer att ske gradvis. Den kommer att kännas plötslig, inte för att krafterna är nya, utan för att de i det tysta har passerat tröskeln där gradvis optimering inte längre kan kompensera för strukturell belastning.
Krisen vi står inför handlar inte om brist på teknik; den handlar om en bundenhet till en 100 år gammal ledningsfilosofi. Om vi vill lösa kompetensskulden och förhindra L1-erosionen måste vi sluta bygga verktyg som isolerar agenter och börja bygga miljöer som känner igen och underlättar den gemensamma hjärnan.
Support kan inte längre skalas genom att avleda kunder; vi kan bara skala genom att stärka de människor som fungerar som förtroendebärare i högrisksituationer. Det kommande decenniet kommer inte att vinnas av företaget med den effektivaste boten, utan av det som bevarar de mest kompetenta, lugna och kontextmedvetna människorna.
