Chefen för kundupplevelse (CCO) säger att AI förändrar organisationsscheman – och därför går hon över till en modell med “servicehubbar”

Sofia Barbosa är chef för kundrelationer på BMC Software, ett B2B-företag som betjänar kunder med komplexa IT-miljöer.

Vi pratade med Sofia för att få veta hur hon implementerar AI — och hur det förändrar hennes organisationsstruktur för kundupplevelse. Här är vad hon berättade.

Att leda kundens hela livscykel efter försäljningen

Jag heter Sofia Barbosa och är chef för kundrelationer på BMC Software. Jag leder kundorganisationen, en samlad organisation som omfattar professionella tjänster, support, kundframgångshantering, utbildning och kundens röst.

Tillsammans täcker dessa funktioner kundens hela livscykel efter försäljningen, från implementering och kompetensutveckling till löpande framgång, användning och förespråkande.

Vi betjänar B2B-kunder som driver några av världens mest komplexa IT-miljöer, vilket innebär att våra team arbetar via många olika kanaler och engagemangsmodeller, från strategiska kundrelationer med hög personlig service till support i stor skala och med självbetjäning.

Varför AI förändrar organisationsstrukturerna för kundupplevelse

De flesta organisationsstrukturer för kundupplevelse i dag speglar årtionden av samlad komplexitet: specialiserade team, snäva överlämningar och processer som utgår från att människor utför varje arbetsmoment. AI bryter mot det antagandet, men många ledare försöker fortfarande passa in AI i den befintliga strukturen i stället för att fråga sig hur strukturen borde se ut om man utformade den från grunden, med AI som en självklar förutsättning.

Mitt råd är att medvetet glömma "nuläget" och fokusera på "börläget". Det innebär att motstå impulsen att fråga: "Hur passar AI in i våra nuvarande team och processer?" Fråga i stället: "Om vi byggde den här organisationen från grunden i dag, med tillgång till AI-funktioner, hur skulle den se ut?"

I de flesta fall är svaret enklare än det som finns i dag: färre stuprör, färre överlämningar och roller som definieras av resultat snarare än av snäva funktionella uppgifter.

Det här är svårt eftersom det innebär att släppa strukturer, titlar och processer som har byggts upp under många år, men de ledare som utformar organisationen kring "börläget" i stället för att anpassa "nuläget" kommer att skapa organisationsstrukturer som både är enklare och mer kapabla än de ursprungliga.

Hur AI möjliggör en modell med "servicepodar"

Sofia delar med sig

Ansvar flyttas från “vilket team äger detta” till “vilken pod äger den här kundens upplevelse från början till slut,“, vilket gradvis minskar skuldbeläggandet och gör det lättare att se var AI verkligen hjälper och var luckor fortfarande kräver mänsklig uppföljning.

Under det senaste året har vi infört en modell med "servicepodar" — en pågående omstrukturering för att bryta ned stuprören mellan tjänster, support, CSM och utbildning samt integrera AI-agenter i samma samlade organisationsstruktur, i stället för att behandla dem som ett separat verktyg som lagts till i efterhand.

Den utlösande faktorn var att AI-agenter tog över en allt större andel av de rutinmässiga interaktionerna. Vi insåg att AI skulle skapa ett nytt stuprör — ännu en lucka i överlämningarna i stället för att sluta de befintliga — om AI arbetade utanför den befintliga teamstrukturen. Därför arbetar vi med att samla AI-agenter, support, CSM, tjänster och utbildning under ett gemensamt ledarskap, med gemensam insyn i kundhistorik, öppna ärenden och kundens sammanhang.

Som ett resultat behöver kunderna i de områden där podmodellen redan håller på att ta form inte längre förklara sin situation på nytt i olika kanaler. Sammanhanget följer med dem, oavsett om AI eller en människa svarar först.

AI-agenter identifierar också mönster, till exempel vanliga frågor och friktionspunkter, i realtid — vilket gör att vi kan uppdatera utbildning och dokumentation proaktivt i stället för reaktivt.

Ansvar flyttas från "vilket team äger detta" till "vilken pod äger den här kundens upplevelse från början till slut", vilket gradvis minskar skuldbeläggandet och gör det lättare att se var AI verkligen hjälper och var luckor fortfarande kräver mänsklig uppföljning.

Ett AI-arbetsflöde från början till slut för att utbilda användare

Ett heltäckande AI-drivet arbetsflöde som vi använder i dag kretsar kring skapande av innehåll och utbildningar, och nu utökar vi det med en adoptionsagent.

Arbetsflödet börjar med rådata: kundinteraktioner, supportärenden, data om produktanvändning och ärendeanteckningar. AI sammanställer detta för att identifiera vanliga frågor, friktionspunkter och luckor i funktionsanvändningen mellan olika kundkonton.

Därefter utformar AI det relevanta innehållet: utbildningsmoduler, uppdateringar av dokumentation, kundberättelser eller lokaliserat/översatt material, beroende på vilka luckor analysen visar. En människa granskar och förfinar sedan detta utkast innan det publiceras eller läggs in i vårt bibliotek för utbildning och kompetensutveckling.

Verktygen i detta består av Salesforce Service Cloud, Microsoft Copilot Studio, Easygenerator, EasyCoach och verktyg för produkttelemetri.

Vi håller också på att införa en nyare komponent: en adoptionsagent som har byggts internt tillsammans med Copilot Studio. Den sluter kretsloppet så att agenten, i stället för att bara skapa utbildningsinnehåll och vänta på att kunderna ska hitta och använda det, proaktivt identifierar var en kund eller användare inte tar till sig en funktion eller ett arbetsflöde som förväntat och visar den relevanta utbildningen eller vägledningen direkt för dem när behovet uppstår.

Det heltäckande arbetsflödet ser ut så här: datasignaler → AI-genererat innehåll/utbildning → mänsklig granskning och förfining → publicering → adoptionsagenten matchar rätt innehåll med rätt kund vid rätt tidpunkt, baserat på deras faktiska luckor i användningen.

Vi befinner oss fortfarande i ett tidigt skede av införandet av adoptionsagenten, men vårt mål är att omvandla innehållsskapande från en enkelriktad utsändning till ett slutet system där AI informerar både innehållsskapandet och leveransen.

Så skapar AI effektivitetsvinster inom CX

När det gäller de resultat vi ser har AI lett till betydande vinster i skala och produktion. Vi har ungefär tredubblat antalet kundberättelser och sett liknande stora förbättringar inom automatisering av dokumentation, skapande av utbildnings- och lärandekurser, videoinnehåll och automatisk översättning.

Manuellt arbete brukade vara en flaskhals för sådant som att skriva kundberättelser, lokalisera innehåll eller bygga utbildningsmoduler. AI utformar nu detta arbete på en bråkdel av tiden, vilket frigör teamen så att de kan skapa mer innehåll för fler kundkonton och på fler språk än vad som tidigare var möjligt.

Fördelningen mellan AI-arbete och mänskligt arbete inom CX

Överlag informerar AI nu flera CX-aktiviteter: prioritering av uppgifter, ärendeanalys, planering av införande, skapande av kundberättelser och granskningar av realiserat värde. Inom vart och ett av dessa områden sammanställer AI data, synliggör mönster mellan ärenden, flaggar kundkonton i riskzonen och utformar de första resultaten, medan människor granskar, förfinar och bidrar med sitt omdöme innan något når kunden.

Aktiviteter som uttryckligen kräver mänsklig medverkan behöver relationskontext eller strategiskt omdöme: hantering av relationer med ambassadörer, hantering av eskaleringar med viktiga intressenter och samtal om realiserat värde, där "varför" bakom en rekommendation är lika viktigt som själva rekommendationen. AI kan inte återskapa förtroende, ton och den levda historiken för ett kundkonto inom dessa områden.

Fördelningen är enkel: AI minskar tiden som läggs på analys och utformning, arbete som tidigare krävde timmar av manuellt letande i ärenden, användningsdata eller anteckningar. Genom att överlåta detta till AI frigör vi tid för våra team så att de kan fokusera på aktiviteter med högre värde.

Varför AI-piloter måste vara skalbara från dag ett

De utmaningar jag har sett har handlat mindre om själva AI:n och mer om att skala från POC till produktion. Många av dessa användningsområden fungerade bra i pilotprojekt eller i liten skala, men vi upptäckte att det var svårare än de första experimenten antydde att omvandla dem till produktionsklara, repeterbara processer – med rätt kvalitetskontroller, integrering i befintliga arbetsflöden och konsekvens mellan team.

Gapet mellan "det här fungerar i en demo" och "det här är tillförlitligt integrerat i hur vi arbetar dagligen" har varit den främsta friktionspunkten.

När det gäller AI är experimenterande rätt utgångspunkt, och det är avgörande att gå vidare utan att vänta på perfekt säkerhet. Men jag skulle säga till team som börjar nu att utforma för skala och produktion från början, även medan de fortfarande experimenterar.

På så sätt fastnar ni inte i en POC-modell där ni genomför pilot efter pilot som visar att ett koncept fungerar, utan att bygga de underliggande processer, integrationer och kvalitetskontroller som krävs för att ta det i produktion. Om ni inte tänker på den vägen tidigt slutar det med en kyrkogård av framgångsrika piloter som aldrig blev verklig operativ kapacitet.

Mitt råd är alltså att behålla experimentmentaliteten, men från dag ett kombinera den med en tydlig förståelse för vad produktionsberedskap kräver, så att piloterna får en verklig väg framåt i stället för att bli återvändsgränder.

Sofia delar med sig

När det gäller AI är experimenterande rätt utgångspunkt, och det är avgörande att gå vidare utan att vänta på perfekt säkerhet…Mitt råd är alltså att behålla experimentmentaliteten, men från dag ett kombinera den med en tydlig förståelse för vad produktionsberedskap kräver, så att piloterna får en verklig väg framåt i stället för att bli återvändsgränder.

Varför AI inte kan ersätta mänsklig strategi inom CX

Förväntningen att AI skulle kunna skala upp strategisk kontotäckning på samma sätt som den skalade innehållsproduktion eller dokumentation har inte infriats. Relationer med hög personlig närvaro och höga insatser är fortfarande i grunden människodrivna, där AI spelar en stödjande snarare än ledande roll.

I stället har AI effektiviserat den processen. Det hjälper till att förbereda strategiska samtal snabbare, tar fram relevanta data och sammanhang inför möten och utarbetar material som människor sedan formar och presenterar. Det är en katalysator för mänskligt ledd strategi, inte en ersättning för den.

Hur AI har förändrat generationernas kanalpreferenser

Ett sedan länge etablerat antagande som AI tvingade oss att ompröva gällde generationernas kanalpreferenser: idén att yngre kunder som standard väljer chatt eller självbetjäning, medan äldre kunder som standard väljer telefon eller e-post, och att vi därför bör utforma upplevelser strikt utifrån dessa generationsgränser.

Vi har upptäckt att AI har suddat ut dessa gränser mer än väntat, men inte helt eliminerat dem. Över generationerna söker sig kunder i allt högre grad till den kanal som löser deras problem snabbast.

En yngre kund kan till exempel välja att ringa om något är komplicerat, medan en äldre kund utan problem kan använda en AI-chatt för något enkelt. Tidigare skulle vi ha antagit det motsatta. Snabbhet och kvalitet i lösningen väger nu ofta tyngre än själva kanalen.

Med det sagt har vi också sett att behovet av mänsklig kontakt inte har försvunnit för vissa kunder – ofta, men inte uteslutande, i äldre generationer. Detta gäller särskilt vid komplexa problem, känsliga situationer eller relationsdrivna samtal där trygghet och förtroende är lika viktiga som själva svaret. AI har inte ersatt det behovet. Om något har det gjort de fall där mänsklig interaktion verkligen spelar roll mer synliga, eftersom AI nu hanterar den mer transaktionella volymen.

I stället för att helt överge generationstänkandet har vi alltså gått från ”utforma efter generation” till ”utforma efter behov”. Vi använder AI för att hantera interaktioner med hög volym och snabba lösningar för alla, samtidigt som vi bevarar och prioriterar mänskligt ledda vägar med hög personlig närvaro för komplexa eller känslomässigt betydelsefulla situationer, oavsett vem som frågar.

Varför CX-ledare måste skapa differentiering med proprietära data

Mitt råd till CX-ledare är att fokusera på differentiering genom era egna data. Generiska AI-funktioner håller på att bli ett grundkrav; alla leverantörer och konkurrenter har tillgång till liknande underliggande modeller och verktyg. Äkta differentiering kommer från de egna data ni har samlat in: kundinteraktioner, användningsmönster, supporthistorik, resultat från kundframgång och den institutionella kunskap som är unik för ert företag och era kundrelationer.

De ledare som kommer att dra ifrån är de som ser dessa data som en strategisk tillgång och aktivt matar in dem i sina AI-initiativ, i stället för att förlita sig på färdig AI som producerar samma generiska resultat som andra får. Det innebär att investera i datakvalitet, tillgänglighet och integrering redan nu, så att AI-verktygen arbetar med hela sammanhanget kring era kundrelationer i stället för med generiska mönster.

Konkurrera inte om att ha AI. Konkurrera om hur väl ni förankrar er AI i de data och den kunskap som bara ni har.

Följ med

Du kan följa Sofia Barbosas arbete på LinkedIn.

Fler expertintervjuer kommer på The CX Lead!