AI för kundservice: Skilj på hype och faktisk nytta!

Det här blogginlägget är från 2019. Du hittar vårt senaste blogginlägg från 2023 på liknande tema här: AI är framtiden för kundservice 

Ingen har nog missat att Artificiell Intelligens (AI) är en av de absolut hetaste trenderna inom kundservice just nu. Men precis som för alla riktigt heta områden finns både möjligheter och fallgropar. Vi på Kundo reder här ut begreppen och försöker skilja det som är användbart idag från missförstånd och hype. Häng med!

Skilj på olika typer av AI

Det första som är värt att vara tydlig med är att AI är ett väldigt brett begrepp. Wikipedias definition av AI pratar om att härma kognitiva processer hos människan, som inlärning och problemlösning. Tankarna går lätt till filmen Terminator, och de människolika maskiner som går runt och ställer till med trubbel för att uppnå sina egna mål. Men i praktiken så kan vi fortfarande inte säga åt en AI: “Sätt dig här på stolen, prata ihop dig med kollegorna, och ta hand om vår kundservice nu!”. Det är möjligt att vi någon gång kommer att komma hit, men det är fortfarande långt kvar.

För att skilja på den “självständiga” AI:n från de mer praktiska tillämpningarna så finns begreppen “General AI” och “Narrow AI”. “General AI” syftar på att ett system kan lösa många olika uppgifter, och gärna också lösa komplexa problem som kräver förståelse för hur uppgifterna hänger ihop. “Narrow AI” är betydligt mer handfast, det handlar om att lösa en mycket specifik uppgift, på ett så bra sätt som möjligt.

För att bli ännu mer konkret brukar man prata om Maskininlärning. Som namnet antyder handlar det här om system som först tittar på vad människor gör, och sedan försöker lära sig mönster utifrån det. Ofta krävs tusentals exempel, sammanställda i t.ex. ett stort Excel-ark, som  maskininlärningssystemet matas med. Systemet lär sig hur den är uppbyggd och kan sen användas för att ge förslag baserat på de mönster den här lärt sig, t.ex. hur ett visst kundserviceärende borde kategoriseras.

Hur kan kundservice använda maskininlärning?
Med maskininlärning börjar vi närma oss något som faktiskt är användbart för kundservice! För visst är många av de enkla uppgifterna faktiskt relativt mönsterstyrda?

• Om användaren har glömt lösenordet, skicka dem till den här sidan...
• Om ärendet handlar om fakturor, kategorisera det som faktura...
• Om användaren frågar om att avsluta kontot, be dem fylla i den här blanketten...

Alla dessa mönster är utmärkt data för ett maskininlärningssystem, och så länge som man väljer ett tillräckligt smalt område (Narrow AI) så fungerar dagens teknik riktigt bra för detta.

Det som också behövs för att maskininlärning ska fungera bra är riktigt mycket data. Där vi människor kan förstå mönster på några få exempel, behöver datorerna (åtminstone) tusentals exempel för att fungera riktigt bra. Var hittar man så många exempel? I kundservicens dagliga verksamhet såklart. I alla de fall vi beskrev ovan så finns det förmodligen flera exempel i en vanlig mailkorg, en samling chattloggar, eller varför inte i ett kundforum. Det handlar bara om att formatera kundkonversationerna på ett sätt som fungerar för maskininlärning, och köra igång.

Inom vilka områden brister maskininlärning fortfarande?

Det absolut tydligaste exemplet där maskininlärning inte fungerar tillräckligt bra ännu är vid direkt social interaktion med kunder. Och tänker man efter så är inte det så svårt att förstå svårigheten med just detta. För social interaktion är allt annat än “Narrow”. För att det ska fungera bra krävs anpassning sig till situationen (svara med rätt tonalitet), att man förstår tvetydigheter (ställer relevanta motfrågor), att man aktivt jobbar med kundens känsloläge (lugna upprörda kunder), osv. Inte konstigt att många skickar kundservicepersonalen på skrivutbildningar, övar på svåra konversationer med kollegorna, och coachar varandra när det blir svårt. Social interaktion är bland det svåraste kundservice jobbar med!

Här ser vi de största skillnaderna mellan vad maskininlärning är bra på och hypen kring s.k. “AI-system”. Visst går det att sätta upp en demo som visar en chatbot som svarar på väl valda frågor, men går det lika bra att svara på de 70% av frågorna som systemet inte tränats för? Och om de flesta av frågorna faktiskt inte kan hanteras av systemet, är det verkligen rätt att skicka alla kunderna dit då? Vi tror inte det.

Ladda ner och titta på Kundos populära webbinarium om AI och kundservice när det passar dig. Där får du lyssna till Kundos produktchef Emil som berättar mer om begreppen AI, maskininlärning och "smarta" chatbottar - vad är det för skillnad, och hur fungerar det egentligen?