شرکت Open AI کمتر از یک سال پیش ChatGPT را راه‌اندازی کرد. شرکت‌ها مختلف هر صنعتی در حال بررسی این هستند که چگونه هوش مصنوعی مولد می‌تواند قابلیت‌های مراقبت و خدمات مشتری را افزایش دهد.
ChatGPT و دیگر برنامه‌های کاربردی هوش مصنوعی مبتنی بر متن، بر اساس مدل‌های زبان بزرگ (LLM) ساخته شده‌اند. این مدل به آن برنامه‌ها قدرت می‌دهد تا به درخواست‌ها با متن یا صدای انسان پاسخ دهند؛ به گونه‌ای که سؤالات پیچیده را به ظاهر آسان پاسخ می‌دهد. عموم مردم به سرعت آزمایش قابلیت‌های هوش مصنوعی مولد را آغاز کرده‌اند. همچنین این فناوری به سرعت در حال پذیرش در تمامی بخش‌ها است. همچنین به دلیل تنوع و ماهیت پاسخ‌هایی که ارائه می‌دهد تحسین می‌شود.
از این رو می‌توان فهمید که این فناوری برای خدمات مشتری ایده‌آل است. تخمین زده می‌شود این فناوری، پس از پیاده سازی در مقیاس مناسب، می‌تواند بهره‌وری را بین ۳۰ تا ۵۰ درصد یا حتی بیشتر افزایش دهد. بر اساس یک نظرسنجی که شرکت BCG انجام داده است، در سال ۲۰۲۲، ۹۵درصد از رهبران، مدیران و سرپرستان خدمات مشتری جهان انتظار دارند، که مشتریانشان طی سه سال آینده در مقطعی از تعاملات خدمات مشتری خود توسط یک ربات هوش مصنوعی خدمات ارائه کنند.
با این حال سوالات و چالش‌ها همچنان باقی است. چت ربات‌های مبتنی بر LLM روی داده‌هایی آموزش می‌بینند که ممکن است دارای سوگیری‌های ذاتی باشند و می‌توانند سبب ایجاد اشتباه شوند. این مسئله می‌تواند یک مشکل واقعی و جدی در شرکت‌ها باشد. زمانی که یک خطای ساده می‌تواند منجر به هزینه‌های قابل توجهی برای خط نهایی و حتی شهرت شرکت شود. به همین دلیل می‌بینیم که چرا تمام استقرارهای فعلی، که از هوش مصنوعی در بخش خدمات مشتری بهره می‌برند، دارای سطحی از نظارت انسانی هستند. یا می‌بینیم که نهایت استفاده از هوش مصنوعی برای خدمات مشتری در بخش‌های بی‌اهمیتی، مانند ارائه ایده‌های تعطیلات در وب سایت‌های مسافرتی هستند.
اما این نیز تغییر خواهد کرد و این تغییر نزدیک هم هست. شرکت‌هایی که به دنبال گنجاندن این فناوری جدید قدرتمند در عملکردهای مراقبت از مشتری خود هستند، باید تعیین کنند که کدام موارد استفاده بیشترین ارزش را دارد و چه گام‌هایی باید برای موفقیت و در عین حال اجتناب از دام‌ها بردارند.
در این مقاله، هم وعده‌ها و چالش‌های هوش مصنوعی را تجزیه و تحلیل می‌کنیم و هم مسیری رو به جلو برای شرکت‌هایی که مشتاق به پیشبرد عملکردهای خدمات مشتری خود هستند، ارائه می‌کنیم.
وعده
مرکز تماس ( که بخش عمده مرکز عملیاتی خدمات مشتری است ) در چند دهه گذشته راه طولانی را پیموده است. ابزارهایی مانند پاسخ صوتی تعاملی (IVR)، کمک عامل، فرایند اتوماسیون و … پیش‌تر بخش خدمات مشتری را سازنده‌تر کرده‌اند. این فناوری‌ها باعث کاهش قابل توجهی در تعداد نیروهای اکثر مراکز تماس نشده‌اند. زیرا عمدتاً با خودکار شدن وظایف قدیمی کارکنان مراکز تماس، نقش‌ها و مسئولیت‌های جدیدی مانند آموزش به مشتریان در مورد نحوه استفاده از خدمات دیجیتال را بر عهده گرفتند.
اما LLM ها این قدرت را دارند که به طور قابل توجهی آنچه را که می‌توان خودکار کرد، گسترش داده و وظایف حیاتی خدمات مشتری را انجام داد.
این نکته بسیار فراتر از ظرفیت فناوری‌های قبلی است. این مدل‌ها بر روی حجم وسیعی از داده‌ها آموزش دیده‌اند و می‌توانند متن و گفتار پیچیده‌ای را با سرعت و دقت تشخیص داده، طبقه بندی کرده و ایجاد کنند.
برنامه‌های نوظهور مراقبت از مشتری قادر خواهند بود پاسخ‌ها و راه‌حل‌هایی را سریع‌تر و به شیوه‌ای بسیار شبیه انسان به مشتریان ارائه کنند. این برنامه‌های نوظهور مبتنی بر هوش مصنوعی ویژگی‌هایی نظیر الگوریتم‌های جدید هوش مصنوعی، افزایش قدرت محاسباتی و زیرساخت‌های رایانش ابری ارزان‌تر دارند.
به عنوان نمونه یکی از شرکت‌هایی که هوش مصنوعی را در زمینه خدمات مشتری به کار برده است، شرکت Octopus Energy است. امسال Octopus Energy، که یک متخصص جهانی در حوزه‌ی انرژی پایدار است، قابلیت‌های هوش مصنوعی را به پلتفرم خدمات مشتریان خود اضافه کرد. تا به این وسیله به تیم‌ها کمک کند که سریع‌تر از آنچه قبلاً ممکن بود، پاسخ‌های ایمیلی را غنی و کامل تهیه کنند. به گفته این شرکت، ایمیل‌های پیش نویس شده توسط هوش مصنوعی در مقایسه با پاسخ‌های ایمیلی که تنها توسط انسان‌ها ایجاد می‌شود، ۱۸ درصد امتیاز رضایت مشتری بالاتری به دست آوردند.
مسیر بلوغ
با گذشت زمان و احتمالاً خیلی سریع، هوش مصنوعی مولد بیشتر و بیشتر در عملکرد خدمات مشتری جای خود را باز خواهد کرد.
به زودی به مرحله ۳ از سفری که طرح کرده‌ایم رسیده. در دو مرحله‌ی نخست ابتدا برای استفاده‌های پایه و ابتدایی مورد استفاده بود. اما در مرحله‌ی ۳، یعنی مرحله‌ای که کارها پیچیده‌تر شده‌اند و در طی فرایند استفاده از آن همچنان انسان‌ها را در حلقه قرار دارند. در این مرحله هوش مصنوعی قادر خواهد بود سوالات پیچیده مشتری را حل کند. این قابلیت، همراه با توانایی تعامل با مشتریان دقیقاً مانند یک عامل انسانی در لحن صدا و پاسخگویی، به بهبود تجربه مشتری ادامه خواهد داد.
در مرحله ۴، هوش مصنوعی قادر خواهد بود به مشتریان در بسیاری از پرس و جوهایشان کمک کند. کسب‌وکارها از پاسخ دادن به پرسش‌ها به حل فعالانه مشکلات انتقال خواهند یافت و در نتیجه تجربه مشتری را حتی بیشتر بهبود می‌بخشند. دستیارهای مجهز به هوش مصنوعی مستقیماً با مشتریان ارتباط برقرار می‌کنند و راه‌حل‌های پیشگیرانه را برای مشکلات رایج به جای پاسخ دادن به سؤالات پس از بروز مشکل ارائه می‌دهند. هوش مصنوعی سنتی و تجزیه و تحلیل پیش‌بینی کننده در مورد اعلان‌ها و پیام‌هایی که باید به مشتری تحویل داده شود تصمیم می‌گیرد. در حالی که هوش مصنوعی مولد این پیام‌ها را به شیوه‌ای غیر مداخله‌گر، مانند انسان و شخصی شده ارائه می‌دهد. همانطور که اعتماد به تماس با مشتری با هوش مصنوعی افزایش می‌یابد و اقدامات آموزش دیده دقیق‌تر و بدون تعصب می‌شود؛ به نظارت انسانی بسیار کمتری نیاز خواهد بود.
در نهایت، در مرحله ۵، پشتیبانی از هوش مصنوعی تقریباً برای هر سفر کاربر در دسترس خواهد بود. هوش مصنوعی مولد می‌تواند از ربات‌های خدماتی سفارشی سازی شده برای نیازهای خاص مشتریان پشتیبانی کند، به عنوان یک دستیار شخصی که رابطه مشتریان با شرکت را کاملاً درک می‌کند، نیازها و نگرانی‌های آنها را پیش‌بینی می‌کند و با سیستم‌های دیگر در سایر نقاط شرکت تعامل می‌کند تا تصویری کامل از چرخه عمر مشتری ایجاد کند.
شرکت‌ها هنوز تمام این مراحل را طی نکرده‌اند، اما بسیاری در حال حاضر تصور می‌کنند که چگونه یک مرکز مراقبت از مشتری کاملاً مجهز به هوش مصنوعی ممکن است کار کند.
غلبه بر چالش‌ها
علیرغم وعده‌هایش، هوش مصنوعی مولد چندین محدودیت شناخته شده دارد.
از جمله مهم‌ترین موارد، اطلاعات و کارهای نادرست گاه‌به‌گاهی که ممکن است ارائه کنند. این یک خطر خاص در زمینه مراقبت از مشتری است. جایی که پاسخ به سؤالات مشتریان، که با درجه اطمینان بالایی ارائه می‌شود، ممکن است اشتباه باشد. علاوه بر این، برنامه‌های مبتنی بر LLM می‌توانند سوگیری‌های ذاتی را در داده‌هایی که مدل پایه بر اساس آن آموزش داده شده است و در تنظیم دقیق مدل‌ها بر اساس زمینه‌های خاص بگنجانند. چنین سوگیری‌ها می‌تواند منجر به رفتار ناعادلانه با مشتریان خاص شود. یک خطر دیگر: این فناوری می‌تواند اطلاعات اختصاصی و مالکیت معنوی یا داده‌های نامناسب مشتری را آشکار کند.
در حال حاضر، موثرترین استراتژی برای به حداقل رساندن این خطرات، در جریان نگه داشتن عوامل انسانی، بررسی محتوای تولید شده توسط هوش مصنوعی قبل از رسیدن به مشتری است. انجام این کار احتمالاً به نوع تعامل با مشتری بستگی دارد. برخی از تعاملات می‌تواند توسط LLMها به طور مستقل انجام شود. سایر خدمات با ارزش و ممتاز احتمالاً به نظارت مستقیم انسانی نیاز دارند.
همانطور که برنامه‌های خدمات مشتری مبتنی بر هوش مصنوعی بالغ‌تر می‌شوند، شرکت‌ها به عملکرد خود اطمینان پیدا می‌کنند و نیاز به نظارت انسانی را کاهش می‌دهند. همچنین به مشتریان اجازه می‌دهند که مستقیماً با آنها تعامل داشته باشند. این مسئله به ارتباط، کیفیت و امنیت داده‌های آموزشی بستگی دارد. از این رو شرکت‌ها تنها زمانی که ریسک‌ها و محدودیت‌های هر مورد استفاده را کاملاً درک و مدیریت کرده باشند، باید به سطح و مراحل گفته شده‌ی بعدی بروند. آنها همچنین باید با دقت کار کنند تا این اطمینان حاصل شود که، با توسعه فناوری، “لمس انسانی” و ظرفیت همدلی مورد نیاز برای موثر بودن در زمینه مراقبت از مشتری، صرف نظر از سطح بلوغ، حفظ شود.
تصمیم گیری
با توجه به مزایای هوش مصنوعی ، شرکت‌ها با وجود خطرات و چالش‌های آن، با سرعتی بی‌سابقه به سمت استفاده از این فناوری در مراقبت از مشتری حرکت می‌کنند.
اما چگونه باید ادامه داد؟ این سوال انتقادی است. آیا شرکت‌ها باید یک راه‌حل آماده برای استفاده خاص صنعت یا سیستمی را از یکی از شرکت‌های بزرگ فناوری که پلتفرم‌هایی را ارائه می‌دهند که قابلیت‌های LLM را در خود جای داده است، خریداری کنند؟ یا باید زمان و منابع را برای تنظیم دقیق مدل خود سرمایه گذاری کنند؟
برای یافتن پاسخ این سؤالات، شرکت‌ها باید از هم‌اکنون با چند مورد استفاده نسبتاً ساده اما با ارزش شروع کنند که به آنها امکان می‌دهد فناوری را آزمایش کنند و بیاموزند که چه چیزی از دیدگاه فنی، عملکردی و تجاری چه کاری می‌کند و چه چیزی مفید نیست.
همین رویکردی است که JetBlue در پیش گرفته است. این شرکت هواپیمایی مستقر در ایالات متحده با همکاری ASAPP، یک فروشنده فناوری، برای پیاده سازی یک راه حل بسته بندی شده مبتنی بر هوش مصنوعی برای پیشبرد اتوماسیون و تقویت کانال چت خود، همکاری کرده است، و به مرکز تماس خود در ارائه خدمات به مشتریان کمک می‌کند. در نتیجه، مرکز تماس توانسته است به طور متوسط ۲۸۰ ثانیه در هر چت صرفه جویی کند که در مجموع ۷۳۰۰۰ ساعت در زمان نماینده صرفه جویی می‌شود و به این معنی است که نمایندگان زمان بیشتری برای ارائه خدمات به مشتریان با مشکلات پیچیده دارند.
در همین حال، یک شرکت فناوری در آمریکای شمالی به تدریج در حال استقرار یک “دستیار” هوش مصنوعی است که به مشتریان و مهندسان پشتیبانی کمک می‌کند تا درخواست‌های پشتیبانی فنی را تکمیل کنند، به اطلاعات محصول دسترسی پیدا کنند و کارهای روتین را خودکار کنند. نسخه اولیه این ابزار از درخواست‌های نسبتاً ساده‌ای که حدود ۳۰ درصد از کل بلیط‌های پشتیبانی را تشکیل می‌دهند، مانند راهنماهای نحوه انجام و اطلاعات اولیه پیکربندی محصول، پشتیبانی می‌کند. با بلوغ فناوری، این شرکت امیدوار است که دامنه موارد استفاده را برای پوشش درخواست‌های پیچیده‌تر مانند عیب‌یابی و رفع اشکال گسترش دهد.
در حال حاضر، مناسب‌ترین رویکرد شامل ایجاد یک برنامه کاربردی برای مشتری بر اساس ترکیبی از هوش مصنوعی سنتی، مانند سیستم‌های یادگیری ماشینی و مهندسی است. این فرآیند به شرکت‌ها اجازه می‌دهد تا به سطوح بهتری از کنترل، اعتدال و شخصی سازی دست یابند.
اما در صنایعی که دارای مقررات بسیار بالا هستند و در صنایعی که نیازمندی‌های امنیت داده‌ای بالا مانند خدمات مالی، دفاعی و یا به طور کلی برای موارد استفاده پیچیده‌تر و شخصی‌شده‌تر دارند، تنظیم دقیق مدل‌های موجود گزینه محبوب‌تری برای اطمینان از زمان پاسخ‌دهی سریع‌تر به موارد پیچیده‌تر خواهد بود.
در پایان
پیشرفت‌های سریع اخیر هوش مصنوعی در حال تغییر روش‌هایی است که شرکت‌ها از طریق آنها عملکردهای حیاتی خدمات مشتری خود را مدیریت می‌کنند. اکنون، شرکت‌ها باید پیش‌بینی کنند که چگونه قابلیت‌های قابل توجه این فناوری می‌تواند مدل‌های تجاری آنها را حتی عمیق‌تر مختل کند.
ما پیش‌بینی می‌کنیم که عملکردهای خدمات مشتری امروزی، که اکنون معمولاً با مشتریان جدا از دیگر مشاغل تعامل دارند، به سازمان‌هایی زیرک و داده محور تبدیل می‌شوند که از نزدیک با بقیه کسب‌وکارها همکاری می‌کنند تا تجربیات مشتری را واقعاً متمایز کنند. همانطور که سیستم‌های هوش مصنوعی اطلاعات بیشتری در مورد محصولات، عملیات و مشتریان یک شرکت می‌آموزند، احتمالاً می‌توانند رفتار مشتری را روز به روز بهتر پیش‌بینی کنند، و با پیش‌بینی نیازها و خواسته‌های آنها به سراغ مشتریان بروند.
همانطور که هوش مصنوعی پیشرفت می‌کند، ممکن است یاد بگیرد که از چنین اطلاعاتی برای رسیدن به سایر جنبه‌های کسب و کار، مانند برنامه ریزی تولید، منابع و حتی کار مستقیم با تامین کنندگان، استفاده کند.
هر اتفاقی بیفتد سریع اتفاق می‌افتد. اماده‌اید؟
این مقاله برگردان مقاله‌ی منتشر شده در BCG، و به نویسندگی خوان مارتین ماگلیونه، مارکوس ویتیگ و استوارت مک کان، به فارسی است.
بدون دیدگاه