Chefen för kundframgång säger att AI inte kan arbeta självständigt i CX-arbetsflöden — det kräver ständig tillsyn

Angela Guedes är chef för kundframgång på Enginy, där hon för närvarande leder organisationens övergång från en högintensiv CX-modell till en segmenterad modell. Hon är också skapare av nyhetsbrevet From the Ground Up.

Vi satte oss ner med Angela för att gå igenom detaljerna kring vad som fungerar och inte fungerar med AI inom CX. Här är vad hon hade att säga.

Att leda kundframgång inom B2B SaaS

Jag heter Angela Guedes. Jag har byggt upp och lett kundframgångsorganisationer under de senaste 10 åren, alltid inom B2B SaaS.

För närvarande är jag chef för kundframgång på Enginy, en AI-baserad intelligent GTM-plattform från början till slut för B2B-säljteam. Vi är ett vertikalt SaaS-företag inom försäljningsautomation och betjänar alla segment från små och medelstora företag till stora företag. Vi befinner oss i såddfasen och växer i år från 3 miljoner dollar till 10 miljoner dollar i ARR.

Vi har för närvarande en högintensiv kundupplevelsemodell som övergår till en segmenterad modell. Alla kunder har tillgång till produktsupport via chatt i appen och e-post. Vi tilldelar dem också en onboardingansvarig och en kundansvarig. Vi betjänar våra kunder via möten, telefonsamtal och e-post. Tidigare i år införde vi veckovisa onboardingwebbinarier för att skala upp onboarding och utbildning.

Jag ansvarar för kundansvar, onboarding och produktsupport med 12 personer. Vi planerar att avsluta året med 20.

Hur två enkla förändringar kan påverka ett CX-teams effektivitet

Jag har genomfört två konkreta förändringar under det senaste året:

Den första var kundinriktad. Vi använder FIN (Intercoms AI-agent) för att avlasta supporten. Under fyra månader ökade lösningsgraden med 10 procentenheter. Det innebar att färre ärenden på första supportnivån nådde teamet, och de ärenden som nådde en människa var verkligen komplexa. Det gjorde det möjligt för oss att omfördela teamets tid.

Men CX-poängen sjönk med 9 poäng i februari. Vi förstod snabbt varför: FIN gav felaktiga svar eftersom den matades med föråldrat innehåll. Den svarade självsäkert på frågor som den inte borde ha besvarat, och eskaleringslogiken lyckades inte fånga upp det. Kunderna fastnade.

Vi åtgärdade detta genom att genomföra en innehållsgranskning och en fullständig genomgång av eskaleringsreglerna: vad FIN skulle hantera, vad den omedelbart skulle vidarebefordra och vad som skulle hända när den inte visste svaret. Vi skrev om eskaleringslogiken så att ärenden överlämnas tidigare vid signaler som upprepade omformuleringar, tecken på frustration och specifika ämneskategorier som fakturering och buggar. I april hade CX-poängen återhämtat sig och låg 5 poäng över utgångsvärdet.

Angela delar med sig

…AI inom support är inte ett verktyg för avlastning som installeras en gång. Det är ett system med ett innehållslager som försämras, och om du inte underhåller det kör du en självsäker bot som långsamt urholkar kundernas förtroende, så långsamt att du inte märker det förrän siffrorna förändras.

Lärdomen här var att AI inom support inte är ett verktyg för avlastning som installeras en gång. Det är ett system med ett innehållslager som försämras, och om du inte underhåller det kör du en självsäker bot som långsamt urholkar kundernas förtroende, så långsamt att du inte märker det förrän siffrorna förändras. Nedgången i februari visade att siffrorna förändrades. Fördelen är den tydliga signalen. När något går fel kan du spåra det. Det är mer än vad du får med ett mänskligt team i stor skala.

Den andra förändringen var intern. Vi förbättrade vårt arbetsflöde för samtalsförberedelser genom att koppla Claude till Granola, Intercom, HubSpot och vår egen produkt. Tidigare lade kundansvariga 20–30 minuter på att samla in kontext inför varje samtal: anteckningar från det senaste mötet, öppna supportärenden, affärens fas och produktanvändning.

Nu samlar Claude automatiskt allt i en enda sammanfattning inför samtalet. Kundansvariga går in i mötena med exakt kontext i stället för generella avstämningar. Det gjorde att vi kunde minska förberedelsetiden, och timmarna vi sparar läggs på proaktiv kontakt och värdeskapande samtal.

Hur AI-driven analys av kundbortfall förbättrar beslutsfattandet

Låt oss gå igenom ett arbetsflöde för analys av kundbortfall som jag byggde i Claude. Den uppenbara utgångspunkten för analys av kundbortfall är fältet ”orsak till kundbortfall” i CRM-systemet. Det är också där den största delen av förvrängningen finns. Den kundansvariga fyller i fältet efter att ha förlorat affären, under press att stänga månaden. Det återspeglar hur den kundansvariga formulerade förlusten, inte nödvändigtvis varför kunden lämnade.

Jag började med en manuell AI-prompt som jag körde varje månad. Resultatet var inkonsekvent; jag lade mer tid på att rätta till det än jag sparade, så jag byggde en automatiserad färdighet som hämtar data direkt från HubSpot med tydliga regler för vilka egenskaper och aktiviteter som ska letas efter i CRM-systemet.

Den hämtar alla vunna och riskutsatta affärer för en viss tidsperiod, normaliserar CRM-etiketter och grupperar efter flera dimensioner, inklusive en härledd orsak baserad på hela affärshistoriken: anteckningar, samtalsutskrifter, aktiviteter och slutförande av onboarding. Det är avgörande att den omfördelar ansvaret för kundbortfall utifrån orsakssamband, inte utifrån vad AM har registrerat.

Exempelvis registrerades en nylig affär som ”Ingen ROI”, vilket de flesta tolkar som ett CS-misslyckande. Men affärsanteckningarna visade att säljprocessen hade skapat förväntningar som produkten aldrig hade kunnat uppfylla. Det är ett problem med säljkvalificeringen, inte med CS. Vi hade behövt någon som läste varje anteckning för varje förlorad affär (vilket inte händer) för att upptäcka det utan AI.

Resultatet är ett dokument färdigt för vd:n samt separata utdrag för CS, Produkt och Försäljning, var och en med de fall och grundorsaksanalyser som hör till dem.

Varför flödet från insikt till resultat måste bevisas innan AI läggs till

Jag använder AI där en människa redan har bevisat flödet från insikt till resultat. Om det flödet fortfarande testas får AI inte påverka det — valideringsarbetet kan inte hoppas över. Om du automatiserar innan du har bekräftat mönstret skalar du upp fel beteende.

Här är vad AI för närvarande gör:

• Analys: prognostisering av förnyelser och identifiering av mönster vid kundbortfall. Här är det tydligaste exemplet. Jag slutade lita på de kundansvarigas angivna orsaker till kundbortfall (som ofta grupperas kring ”budget” och ”passar inte”, eftersom de är enkla att registrera) och började dra slutsatser om de verkliga orsakerna utifrån anteckningar, utskrifter och produktanvändning. AI visade att avstannad onboarding låg bakom hälften av etiketterna ”budget”. Det gjorde att vi kunde sätta in åtgärder tidigare i processen.
• Sammanfattning: mötesförberedelser, uppföljningar och veckovisa sammanställningar av beslut. Det enda sättet för en CSM att hantera den relationsomfattning vi behöver med vårt effektivitetsmål.
• Supportchatt: svar på första nivån baserade på dokumentation som en människa har granskat först. Ordningen spelar roll.

Vi försöker ha en människa med i processen. När AI föreslår en åtgärd (riskflaggor, expansionssignaler, nästa steg) granskar och validerar en CSM eller jag den innan den når kunden. AI upptäcker mönster snabbare än jag gör, men den person som ansvarar för relationen behåller omdömet.

Som jag sa behöver jag själv bevisa flödet från insikt till resultat innan jag integrerar AI, så coachning av AM och prestationssamtal är de tydligaste exemplen på uppgifter som fortfarande är helt mänskliga. Jag kommer att delegera det så småningom, men först behöver jag testa med mina AM:er om specifika åtgärder i kombination med specifika signaler leder till bättre resultat för portföljen. Så länge det mönstret inte håller i enskilda samtal innebär automatisering bara att en gissning skalas upp.

Varför CX-ledare måste ge AI sammanhang

Delegera aldrig tänkandet och hoppa aldrig över sammanhanget.

Kom ihåg att AI:s resultat bara är så bra som det sammanhang du ger den. Och ingenting kan ersätta mänskligt tänkande. Ja, använd AI för att utmana dina antaganden, hitta luckor i ditt tänkande och jämföra dina idéer med branschstandarder. Men för att få relevanta resultat måste du ge den sammanhanget från ditt eget huvud och interna dokument.

Om du bara ber den bygga något utan detta blir resultatet i bästa fall intetsägande och i de flesta fall irrelevant.

Detta är särskilt viktigt med chattbotar — arbeta med ditt lager för kundsammanhang. En agent utan fullständigt kundsammanhang ger inte bara ett dåligt svar; den ger ett självsäkert, felaktigt svar. Och kom ihåg att chattbotar inte bara kan köras av sig själva. Någon måste äga innehållet som matar AI:n, definiera regler för eskalering och aktivt kvalitetssäkra resultatet.

Hur AI kan avslöja luckor i dina data

Mitt råd? Börja med dina data, inte dina verktyg.

Det mest användbara AI kan göra just nu är att synliggöra det som är trasigt i dina befintliga system — inte att generera en rapport, utan att hitta luckor. Min första analys av kundbortfall med Claude berättade inte varför kunder lämnade; den visade att AM:er taggade orsaker till kundbortfall på ett inkonsekvent sätt, att CRM-data var föråldrade och att viktiga fält saknades. Det är ett dataproblem som jag inte såg fullt ut förrän AI försökte arbeta med det.

Det är utgångspunkten. Förstå vad du har, åtgärda inkonsekvenser och komplettera det som saknas. AI blir bara så bra som de indata du ger det. Ledare som hoppar över detta steg kommer att automatisera brus och undra varför insikterna inte får genomslag.

Rena data är inte glamorösa råd, men de är en förutsättning.

Angela delar med sig

Mitt råd? Börja med dina data, inte dina verktyg…Det är utgångspunkten. Förstå vad du har, åtgärda inkonsekvenser och komplettera det som saknas…Rena data är inte glamorösa råd, men de är en förutsättning.

Följ med

Följ Angela Guedes på hennes LinkedIn och Substack.

Fler expertintervjuer kommer på CX Lead!