Teknikchef säger att ledare överautomatiserar i stället för att åtgärda dålig produktdesign
Shankar Sahai förklarar varför chefer inom kundupplevelse bör åtgärda dålig produktdesign och röriga data innan de använder AI för att automatisera problem i kundresan.
Shankar Sahai
Chef för kundupplevelse på UpendNow.com
AI-forskning: AI minskar tiden för kvalitativ forskning från veckor till minuter genom att synliggöra specifika användarproblem i realtid.
Mänskligt omdöme: Människor måste tolka branschkontext, utforma kundresor på nytt och hantera känsliga beslut om återställning av kundservice.
Kontextuellt stöd: AI ger supportpersonal fullständig sessionskontext, vilket möjliggör snabbare och mer relevant hjälp utan att låsa in kunder i robotar.
Design först: Bättre produktdesign överträffar ofta personalisering när användare behöver enklare arbetsflöden, tydligare gränssnitt och snabbare sökning.
Datagrund: Framgångsrika AI-piloter kräver rensade och enhetliga data; annars förstärker automatiseringen motsägelser, brus och dåliga beslut.
Shankar Sahai är CXO på UpendNow.com, en plattform för AI-baserad produktionsorkestrering som effektiviserar skapandet av video, film och annonser. Hans fokus ligger på att förhindra att organisationen bygger dyra saker som ingen vill ha. Och det gör han med AI.
Vi satte oss ner med Shankar för att ta reda på vad han automatiserar – och var design trumfar automatisering.
Att säkerställa att den mänskliga upplevelsen motsvarar löftena i styrelserummet
Hej allihop, jag heter Shankar Sahai och är chef för kundupplevelse på UpendNow.com.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Om jag skulle sammanfatta det jag gör varje dag i en enda mening blir det så här: Jag hindrar företag från att bygga otroligt dyra saker som ingen vill ha eller vet hur man använder. Jag tillbringar större delen av min tid i det kaotiska gränslandet mellan produktutveckling, kundundersökningar och verksamhetsstrategi.
På UpendNow arbetar vi djupt inom B2B-området och hjälper organisationer att navigera genom omfattande digitala omvandlingar och åtgärda trasiga kundresor. När vi talar om ”skala” handlar det mindre om att räkna ett enormt antal supportärenden – även om vi ser gott om sådana – och mer om att hantera massiv operativ komplexitet. Vi undersöker ekosystem med flera kanaler där kunder kan växla mellan en webbportal, en mobilapp, direkt support och en säljare under samma vecka, samtidigt som de förväntar sig att företaget magiskt ska komma ihåg varje interaktion.
Som CXO hjälper jag ledningsgrupper att sluta se CX som en kostnadspost i form av en ”supportdisk” och börja behandla det som en central affärsmotor. Vi gör det tunga arbetet – från djupgående användarundersökningar till arbetsflödesautomatisering och agila omvandlingar – för att säkerställa att den mänskliga upplevelsen motsvarar de stora löften som ges i styrelserummet.
Så kan AI integreras i kvalitativ användarundersökning
Vi byggde en intern AI-pipeline som automatiskt tar in, kategoriserar och kartlägger sentiment i rå samtalsdata i realtid … Det eliminerade gissningarna. Tiden från data till insikt minskade från tre veckor till minuter. Faktum är att vi nyligen upptäckte ett stort UX-fel i en ny portal inom 48 timmar efter lanseringen, åtgärdade det omedelbart och undvek en massiv ökning av supportärenden.
Vår största förändring var inte att installera en flashig chattbot för kunder. I stället integrerade vi AI djupt i vår kvalitativa användarundersökning och analysen efter interaktioner.
Vi hade ett berg av ostrukturerad data – tusentals timmar av användarintervjuer, supporttranskript och öppen feedback. Att manuellt gå igenom allt för att hitta användbara insikter brukade ta veckor. När vi väl hade kartlagt friktionspunkterna var datan inaktuell.
Vi byggde en intern AI-pipeline som automatiskt tar in, kategoriserar och kartlägger sentiment i rå samtalsdata i realtid. I stället för att bara markera ”glad eller ledsen” identifierar den specifika beteendemässiga hinder – till exempel var en användare blir förvirrad av terminologin i användargränssnittet eller avbryter ett introduktionsflöde.
När det gäller verktyg använder vi OpenAI:s Whisper API för transkribering av ljud och video. För analys och kategorisering använder vi Anthropics Claude (3.5 Sonnet).
Det eliminerade gissningarna. Vi ersatte antaganden i styrelserummet med hårda data. Nu har vi en liveinstrumentpanel som visar exakt varför och var användare stöter på problem. Och det ökade hastigheten. Tiden från data till insikt minskade från tre veckor till minuter. Faktum är att vi nyligen upptäckte ett stort UX-fel i en ny portal inom 48 timmar efter lanseringen, åtgärdade det omedelbart och undvek en massiv ökning av supportärenden.
Ett högintensivt, AI-stött CX-arbetsflöde
Hela vår verksamhet på UpendNow.com kretsar kring Solt OS, vår plattform som hjälper filmskapare och reklambyråer att automatisera mardrömmen före produktionen – från ett rörigt manus till bildmanus, inspelningslistor och budgetar. Eftersom filmskapande är så visuellt och rörigt fungerar ett standardiserat arbetsflöde för supportärenden inte för oss. När en regissör har fastnat och försöker skapa en video för förvisualisering samtidigt som karaktärskontinuiteten hela tiden brister, vill personen inte ha en generisk IT-helpdesk.
Nu hanterar vi detta sömlöst. Så här ser arbetsflödet ut.
Så fort en kreatör rapporterar ett problem eller kör fast läser vår interna AI inte bara personens textbeskrivning; den hämtar in hela kontexten från den kreativa sessionen. Den tittar på manuset som laddades upp, uppmaningarna som användes och bildmanusen som misslyckades.
Därifrån utför AI:n det tunga analytiska arbetet. Den diagnostiserar den exakta kreativa friktionspunkten – till exempel genom att upptäcka att filmskaparen använde en scenrubrik som inte följde standard och som förvirrade systemets platsspårning.
Sedan, i stället för att låta användaren vänta eller prata med en bot, överlämnar systemet allt till en av våra mänskliga teammedlemmar. Men överlämningen sker med ett komplett beslutsunderlag. Den mänskliga operatören öppnar ärendet och ser direkt vilka scennummer som loopar, vad formateringsfelet är och en färdigskriven lösning.
Filmskaparen får ett snabbt och djupt kontextuellt svar från en människa som talar deras filmiska språk, och vi ser till att deras kreativa momentum inte går förlorat. För att sluta cirkeln loggar AI:n automatiskt just det formateringsfelet i vår tekniska backlogg, så att vi kan korrigera produktgränssnittet och förhindra att det drabbar nästa regissör.
Och inte någon gång fastnar kunden med att prata med en bot eller med att förklara komplex filmspecifik jargong för en supportmedarbetare.
Hur AI informerar CX-beslut medan människor styr strategin
Vi följer en strikt tumregel: AI hanterar ”Vad” och ”Var”, medan människor ansvarar för ”Varför” och ”Hur”.
Här är ett par exempel på sådant som AI hanterar väl:
- Prioritering av problem och identifiering av trender: AI genomsöker tusentals inkommande supporttranskriptioner och användarsessioner i realtid. Den flaggar omedelbart avvikelser – som en plötslig ökning på 15 % av användare som fastnar på en betalningssida – långt innan en mänsklig chef upptäcker mönstret. Vi använder PostHog för detta.
- Kartläggning av friktion i kundresan: AI analyserar användarbeteende på våra plattformar och visar exakt var avhopp sker. Den eliminerar gissningsarbetet. Just nu flyttar vi våra verktyg till FullStory (StoryAI och API).
På den mänskliga sidan:
- Omdesign och strategi för kundresan: AI kan berätta för mig var människor hoppar av, men saknar den affärsmässiga kontexten och den kreativa empatin som krävs för att utforma om upplevelsen. Att åtgärda en trasig B2B-kundresa kräver tvärfunktionell förankring, tekniska kompromisser och en djup förståelse för mänskligt beteende. AI kan inte sätta sig i ett rum och få tre olika avdelningar att enas om en lösning.
- Återställning av tjänsten och eskalering: Om ett systemavbrott stör verksamheten hos en värdefull kund och gör dem rasande vill de inte ha en perfekt formulerad AI-ursäkt. Återställning i situationer med höga insatser kräver genuin mänsklig empati, ansvarstagande och befogenhet att göra undantag från reglerna för att ställa saker till rätta.
Med andra ord automatiserar vi inte mänskliga relationer. Vi använder AI för att hantera analytiskt rutinarbete så att vårt team har tid att fokusera på det värdefulla, djupt mänskliga arbetet med att bygga relationer och lösa komplexa problem.
Hur AI har svårt att hantera branschspecifik kontext
Integreringen av AI i vår kvalitativa dataanalys och prioritering av problem har förändrat vårt arbetstempo.
Vårt team brukade ägna veckor åt att manuellt tagga data för att upptäcka systemiska UX-brister eller flaskhalsar i introduktionen hos olika konton. Nu flaggar AI dessa återkommande friktionsmönster nästan omedelbart. Genom att upptäcka problemen snabbare kan vi åtgärda buggar och korrigera förvirrande arbetsflöden innan de leder till en flod av kundklagomål. Detta flyttade i grunden våra produkt- och forskningsteam bort från tröttsamt datainmatningsarbete i kalkylblad, så att de kunde fokusera på att utforma lösningar.
Men allt har inte gått smidigt. Vårt största problem var analytiskt brus och brist på verklig kontext.
Tidigt lade vi för stor vikt vid AI:ns förmåga att tagga sentiment och trender. Vi märkte en kraftig ökning av negativa sentimenttaggar kring en nyligen lanserad funktion. Teamet var nära att skynda sig att återkalla uppdateringen. Men en djupgående mänsklig analys visade att AI:n helt hade misstolkat våra avancerade användares branschspecifika jargong och tekniska frustrationer. De var inte arga på funktionen, utan pratade bara passionerat om sina egna komplexa arbetsflöden.
Att blint lita på den automatiserade instrumentpanelen utan en mänsklig rimlighetskontroll skulle ha slösat bort veckor på att skriva om fullt fungerande kod. AI hittar mönster men har stora svårigheter med djup, branschspecifik kontext.
Varför produktdesign kan vara viktigare än avancerad AI
Kontextuell hyperpersonalisering är ytterligare ett område där AI inte lever upp till förväntningarna.
Löftet var att AI sömlöst skulle kunna analysera en B2B-kunds tidigare beteende, aktuella produktanvändning och supporthistorik för att dynamiskt anpassa introduktionen eller instrumentpanelupplevelsen i realtid. Vi förväntade oss att det skulle kännas intuitivt – som en digital concierge som förutsåg exakt vad användaren behövde härnäst. I stället kändes det mest påträngande eller irrelevant.
I en komplex B2B-teknikmiljö förändras användarens avsikt radikalt från timme till timme. En användare kanske loggar in för att utföra en snabb, repetitiv administrativ uppgift, men AI:n – som försöker vara hjälpsam utifrån bredare kontotrender – belamrar vyn med rekommendationer om en avancerad funktion som användaren inte bryr sig om just då. Det ökade den kognitiva belastningen i stället för att minska den.
Vi insåg att användare, när de navigerar på en plattform, inte vill att AI ska gissa vad de vill göra härnäst; de vill ha ren gränssnittsdesign, förutsägbara arbetsflöden och blixtsnabb sökfunktionalitet. Vi förväntade oss att AI skulle lösa ett användarupplevelseproblem som i slutändan krävde bättre och enklare produktdesign.
Varför datakvalitet är avgörande innan AI-piloter lanseras
Jag önskar att jag hade vetat hur mycket vår egen röriga interna data skulle ställa till det i början.
När man lyssnar på AI-leverantörer får de det att låta som att man bara kopplar in det här magiska verktyget, och att det omedelbart spottar ur sig briljanta insikter som människor kan använda. Men verkligheten är att din AI bara är så bra som de data du matar den med.
Inför vår första pilot hade vi flera år av kundfeedback, gammal användarforskning och supportloggar utspridda över olika silor. En del var inaktuell, en del var helt enkelt motsägelsefull och mycket saknade det specifika filmproduktionssammanhang som präglar det vi gör på UpendNow.
Eftersom vi inte rensade upp den datagrunden först ägnade AI:n de första veckorna åt att hitta på märkliga trender och skapa en stor mängd analytiskt brus som mitt team slösade tid på att vederlägga.
Om jag fick göra om det skulle jag ha lagt betydligt mindre tid på att utvärdera bländande AI-funktioner och betydligt mer tid på att städa upp vår interna dataarkitektur innan jag slog på systemet. Man måste åtgärda grunden först, annars automatiserar man bara kaos.
Det område som alla CX-ledare bör fokusera på
Det enda område som alla behöver göra om helt just nu är kartläggningen av kundresan…Om du inte gör om hur du kartlägger och betraktar kundresan kommer du att använda AI för att optimera enskilda, isolerade kontaktpunkter samtidigt som du helt missar att helhetsupplevelsen är trasig. Vi måste sluta kartlägga det förflutna och börja orkestrera nuet.
Det enda område som alla behöver göra om helt just nu är kartläggningen av kundresan.
Historiskt sett var kartläggning av kundresan en statisk övning i styrelserummet. Människor satt i ett rum med självhäftande lappar, kartlade en idealiserad väg, lade in den i en PDF och sedan tittade ingen på den igen på ett år. Den representerar vad vi hoppas att kunden gör, inte verkligheten.
I en AI-förstärkt värld är det arbetssättet föråldrat.
Ledare bör aktivt göra om kundresekartorna så att de blir dynamiska, uppdateras i realtid och matas med aktuella data. Eftersom AI-verktyg nu kan bearbeta ostrukturerad data – som direkta användarsessioner, supportsamtal och avhoppspunkter – i realtid bör kundresan inte vara ett dokument. Den bör vara en levande programvaruinstrumentpanel som andas.
I stället för att gissa var friktionen finns bör systemet aktivt berätta för dig: "Hej, just nu kör filmskapare från boutique-byråer fast vid steg tre i introduktionen på grund av en fördröjning i gränssnittet." Om du inte gör om hur du kartlägger och betraktar kundresan kommer du att använda AI för att optimera enskilda, isolerade kontaktpunkter samtidigt som du helt missar att helhetsupplevelsen är trasig. Vi måste sluta kartlägga det förflutna och börja orkestrera nuet.
Du kan inte automatisera dig ur dålig design
Mitt råd är enkelt: Sluta försöka automatisera dig ur dålig design.
Just nu står CX-ledare inför en enorm frestelse att använda AI för varje enskilt friktionsmoment i kundresan, eftersom det känns snabbt och billigt. Om er introduktion är förvirrande, lägg till en AI-assistent. Om er dokumentation är en enda röra, bygg en AI-sökbot. Men allt ni gör är att sätta ett högteknologiskt plåster på en trasig process. Ni använder AI för att hjälpa kunder att navigera i en komplexitet som inte borde finnas från början.
Innan ni köper ännu ett AI-verktyg eller lanserar ännu ett automatiserat arbetsflöde, skala bort allt överflödigt. Titta på er kärnprodukt och er centrala tjänsteleverans. Åtgärda de underliggande UX-bristerna, städa upp de röriga dataflödena och förenkla kundresan först.
Följ med
Du kan följa Shankar Sahais arbete på LinkedIn och X.
Fler expertintervjuer kommer på The CX Lead!
