Един служител не разбира нещо в софтуерен пакет и задава въпрос. Не е повреда, не е счупена система, само неяснота относно използването. Тази работа днес попада при службата за поддръжка или при функционалното управление, обикновено през система за тикети, понякога по телефона или просто на бюрото на колегата, който „все пак знае всичко“ за онзи конкретен пакет.
Въпросът, който стои тук, не е дали тази работа е неприятна или ценна. Въпросът е: съвпада ли моделът на тази задача с това, което AI може днес да прави с текст.
Три оси тук са определящи: обем, контакт с клиенти и степен на структурираност.
Обемът е висок. Едни и същи въпроси се повтарят, отново и отново, от различни хора: как да експортирам този отчет, къде да намеря тази настройка, защо получавам това съобщение за грешка. Този повтарящ се характер е точно там, където се основава автоматизацията: задача, която се среща сто пъти по идентичен начин, е различна задача от такава, която се среща веднъж и всеки път е различна.
Контактът с клиенти е ограничен. Питащият е колега, а не външен клиент, с когото трябва да се поддържа отношение. Необходима е по-малко сдържаност, за да се даде отговор директно и без заобикалки, и по-малък риск, че по-неизглаждан отговор ще бъде възприет като непрофесионален.
Степента на структурираност е висока. Въпросът често има фиксирана форма („как да направя X в система Y“) и отговорът, в повечето организации, вече съществува някъде: в ръководство, база знания, стари тикети. AI не трябва тук да измисля нещо ново, а да намери и преформулира съществуващо според ситуацията на питащия.
Към това се добавя, че разходите при грешка и съответствието с изисквания се оценяват благоприятно. Грешен отговор относно бутон за експорт рядко води до вреда, и обикновено няма законово изискване, което да предписва, че този отговор трябва да се дава само от човек. Физически действия не са необходими: това е чисто задача, свързана с език и знание, което обяснява резултата по тази ос.
Креативността се оценява ниско, и точно там е границата. Въпрос, който отпада извън стандартните модели — необичайна комбинация от настройки, проблем, който всъщност засяга три системи, потребител, който сам не може добре да опише какво се случва — изисква някой, който може да задава допълнителни въпроси и да отстъпва от сценария. Пространството за преценка съответно се оценява средно: част от въпросите могат да бъдат отговорени еднозначно, друга част изисква оценка на това, какво всъщност има предвид питащият.
Това следователно не е пълно поемане. Това е разпределение: въпросите, които се срещат често и имат фиксиран отговор, са перспективни за AI, с — където е необходимо — служител, който преценява отговора преди той да излезе навън. Въпросите, които се отклоняват, остават работа за хора, не защото AI не би искал да извършва тази работа, а защото моделът не е подходящ за нея.
Това работи само ако основните знания са в ред. Актуална база знания и добре структурирани често задавани въпроси не са странична подробност, те са условието. AI система, която дава отговор въз основа на ръководство от преди три версии, дава грешни отговори със същата увереност както правилните. Компании, при които документацията е разпокъсана, се намира в главите на отделни служители или никога не е поддържана, няма да могат веднага да се възползват от този модел — не защото задачата е различна, а защото условието липсва.
При организация с един прост, стабилен софтуерен пакет и малка, опитна група потребители, делът на въпросите, които могат да се отговорят чрез AI, вероятно е голям: малко разнообразие, много повторение. При организация с десетки системи, много персонализация и редовно сменящи се служители, ситуацията е различна: повече разнообразие, повече въпроси, които леко отпадат извън стандартния модел, и следователно по-голям дял, който остава при човек.
Тази задача също не е изолирана от останалата част на службата за поддръжка. Който погледне как AI може да регистрира и приоритизира инциденти или как повреда се комуникира на потребителите, вижда сходен модел на повторение и структура, с малко различни резултати по всяка ос. По-широк преглед на това, до какво това води при обслужването на клиенти като цяло, се намира на коя работа може AI да поеме при обслужването на клиенти.
В компании, където това вече е въведено, службата за поддръжка вижда по-малко повтарящи се въпроси, постъпващи при хората, и повече оставащо време за въпросите, които наистина изискват допълнителни уточнения. Това не е бъдеща картина: то се случва вече днес, частично, при организации с база знания, която е в ред. При други организации все още не се случва, просто защото основата за това все още липсва.
Какво прави организация с освободените часове — различно попълване на роли, различно разпределение на задачи — е избор, който е на самата организация и за който важат собствени законови изисквания; това не е въпрос, на който може да се отговори с анализ на задачите.
За да видите как този модел се проявява във вашата собствена ситуация, може да получите индикация чрез безплатния бърз скенер: дванадесет въпроса, без акаунт, с оценка какъв дял от часовете във вашия профил днес може да бъде поет от AI. Пълният работен скенер, който разлага работата на цяла компания на задачи, все още е в процес на изграждане.
Vraag maar. Ik ken de kennisbank van deze site; wat ik niet weet, zeg ik erbij.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.