Έρχεται μια αναφορά: ένας χρήστης δεν μπορεί να συνδεθεί, ένας εκτυπωτής δεν λειτουργεί, ένας διακομιστής δίνει μηνύματα σφάλματος. Κάποιος στο helpdesk το μετατρέπει σε ticket, επιλέγει μια κατηγορία και καθορίζει την επικαιγητότητα (urgency). Μπορεί η AI να το αναλάβει αυτό; Σε μεγάλο βαθμό ναι, με μία σημαντική εξαίρεση που διαφέρει ανά εταιρεία.
Τρεις άξονες είναι καθοριστικοί: όγκος, περιθώριο κρίσης και επαφή με πελάτες.
Ο όγκος είναι υψηλός. Ένα helpdesk επεξεργάζεται καθημερινά δεκάδες έως εκατοντάδες αναφορές, και πολλές από αυτές είναι παραλλαγές ενός μικρού αριθμού γνωστών προβλημάτων: ξεχασμένος κωδικός πρόσβασης, καμία πρόσβαση σε share, το laptop δεν εκκινεί. Σε υψηλούς όγκους και επανάληψη, μια εργασία είναι εξ ορισμού κατάλληλη για αυτοματοποίηση, επειδή ένα μοντέλο μαθαίνει από μοτίβα που επαναλαμβάνονται συχνά.
Το περιθώριο κρίσης είναι περιορισμένο. Η επικαιγητότητα και η κατηγορία προκύπτουν συνήθως από ένα δέντρο αποφάσεων: πόσοι χρήστες επηρεάζονται, υπάρχει λύση παράκαμψης (workaround), ποιο σύστημα αφορά. Αυτό είναι ακριβώς το είδος εργασίας στο οποίο τα μοντέλα κειμένου είναι καλά: να διαβάζουν μια αναφορά, να εξάγουν τα χαρακτηριστικά της και να τα αντιπαραβάλλουν με ένα μοντέλο κατηγοριοποίησης. Αυτό που η AI μπορεί σήμερα να χειριστεί είναι κείμενο — οι αναφορές οι ίδιες, συχνά γραμμένες με ελεύθερη διατύπωση από τον χρήστη, και η μετάφρασή τους πίσω σε ένα δομημένο ticket.
Η επαφή με πελάτες είναι λειτουργική, όχι σχεσιακή. Ένας χρήστης που αναφέρει μια βλάβη θέλει κυρίως να αναλάβει κάποιος το θέμα, όχι να ξεκινήσει μια συζήτηση. Αυτό αλλάζει όταν κάτι πάει στραβά ή γίνεται ευαίσθητο — δείτε γι' αυτό επίσης πώς επικοινωνείται μια βλάβη προς τους χρήστες, γιατί αυτό είναι μια διαφορετική εργασία με διαφορετικό προφίλ.
Το φυσικό στοιχείο δεν παίζει ρόλο: αυτό είναι διοικητική εργασία σε μια οθόνη, όχι χειρισμός εξοπλισμού. Το κόστος σφάλματος είναι μεσαίο. Μια λανθασμένα ιεραρχημένη αναφορά σπάνια οδηγεί σε άμεση ζημία, αλλά σε συστήματα που υπόκεινται σε κανονιστική συμμόρφωση (compliance) — ένα χρηματοοικονομικό σύστημα, ένας ιατρικός φάκελος ασθενή — αυτό είναι διαφορετικό, και ο άξονας της συμμόρφωσης βαθμολογείται εδώ υψηλότερα από το μέσο. Μια βλάβη σε περιβάλλον με νομική υποχρέωση αναφοράς απαιτεί μια καταγεγραμμένη αιτιολογία για την κατηγοριοποίηση, όχι μόνο μια ετικέτα.
Το αδύναμο σημείο είναι η δημιουργικότητα, και αυτό ακριβώς είναι ο λόγος που αυτή δεν είναι πλήρης ανάθεση. Μια αναφορά που δεν ταιριάζει στο γνωστό μοτίβο — ένας νέος συνδυασμός συμπτωμάτων, ένα σύστημα που καταρρέει για πρώτη φορά, ένας χρήστης που περιγράφει το πρόβλημα ασαφώς — απαιτεί κάποιον που σκέφτεται αντί να κατηγοριοποιεί. Εκεί εντάσσεται η ανθρώπινη επίβλεψη: η AI προτείνει μια κατηγορία και επικαιγητότητα, ένας άνθρωπος εγκρίνει ή διορθώνει, με αιτιολογία. Αυτή είναι μια διαφορετική διάταξη από την πλήρη ανάθεση, και είναι επίσης η πιο συχνή πρακτική σε εταιρείες που εργάζονται ήδη με αυτόν τον τρόπο.
Σε μια εταιρεία με μικρό, εύκολα διαχειρίσιμο τοπίο εφαρμογών και μερικές εκατοντάδες χρήστες, το ενενήντα τοις εκατό των αναφορών είναι επανάληψη κάτι που έχει ήδη συμβεί εκατό φορές. Εκεί ένα μοντέλο με καλό μοντέλο κατηγοριοποίησης μπορεί να χειριστεί αυτόνομα το μεγαλύτερο μέρος της εισαγωγής (intake), με έναν άνθρωπο που βλέπει μόνο τις εξαιρέσεις.
Σε μια εταιρεία με πολλά legacy συστήματα, λογισμικό κατά παραγγελία και ιστορικό συγχωνεύσεων, το μοτίβο είναι λιγότερο προβλέψιμο. Οι αναφορές είναι πιο ποικίλες, οι κατηγορίες λιγότερο σαφώς οριοθετημένες, και η πιθανότητα μια αναφορά να μην ταιριάζει στο γνωστό μοτίβο είναι μεγαλύτερη. Εκεί ένα μεγαλύτερο μέρος της εργασίας παραμένει σε άνθρωπο, όχι επειδή η AI δεν θα το ήθελε, αλλά επειδή η εισαγωγή είναι πολύ αδόμητη για να παραχθεί από αυτή αυτόματα κάτι αξιόπιστο.
Η προϋπόθεση, λοιπόν, δεν είναι η τεχνολογία αλλά η εισαγωγή: δομημένες φόρμες εισαγωγής και ένα επεξεργασμένο μοντέλο κατηγοριοποίησης για περιστατικά καθορίζουν σε μεγάλο βαθμό πόσο από αυτή την εργασία είναι ήδη σήμερα δυνατό να ανατεθεί. Χωρίς αυτά τα δύο, το μεγαλύτερο μέρος παραμένει χειρωνακτική εργασία, με την AI ως εργαλείο αντί για εκτελεστή.
Αυτό δεν είναι συμβουλή προσωπικού ούτε τεκμηρίωση για τη συρρίκνωση μιας ομάδας helpdesk. Το αν και πώς ένας οργανισμός εξάγει συνέπειες σε επίπεδο προσωπικού από τη μεταβαλλόμενη εργασία, εξαρτάται από τον εργοδότη, και εκεί ισχύουν δικές του νομικές απαιτήσεις· δείτε για την επιμέλεια που απαιτείται τα σημεία προσοχής κατά την κατάργηση θέσεων εργασίας. Αυτή η σελίδα περιγράφει μόνο τι συμβαίνει με την ίδια την εργασία.
Είναι επίσης χρήσιμο να μη βλέπουμε αυτή την εργασία ξεχωριστά από την υπόλοιπη λειτουργία IT. Η καταγραφή περιστατικών συνδέεται με εργασίες όπως η παρακολούθηση των επιδόσεων συστημάτων, που συχνά δίνει τα πρώιμα σημάδια πριν υπάρξει αναφορά, και με διαχειριστικές εργασίες όπως η εκτέλεση και ο έλεγχος των αντιγράφων ασφαλείας ή η διατήρηση ενημερωμένων βασικών δεδομένων, που έχουν τον ίδιο συνδυασμό υψηλού όγκου και περιορισμένου περιθωρίου κρίσης. Όποιος θέλει να γνωρίζει για ολόκληρο το τμήμα IT πού βρίσκεται ήδη η μετατόπιση, καλύτερα να δει όλες τις εργασίες μαζί, όχι μία διαδικασία ticket μεμονωμένα.
Το αποτέλεσμα για το δικό σας helpdesk εξαρτάται από το πόσο από τις αναφορές σας εμπίπτουν σε αναγνωρίσιμα μοτίβα και πόσο καλά είναι ήδη δομημένη η εισαγωγή σας. Αυτό διαφέρει ανά εταιρεία και δεν μπορεί να ειπωθεί με έναν σταθερό γενικό κανόνα.
Το δωρεάν quickscan της FTE TO AI δίνει μια πρώτη ένδειξη γι' αυτό: δώδεκα ερωτήσεις, χωρίς λογαριασμό, με μια ένδειξη ποιο μέρος των ωρών στο προφίλ σας μπορεί σήμερα να αναλάβει η AI. Η πλήρης εργασιακή ανάλυση (werkscan), που υπολογίζει την εργασία μιας ολόκληρης εταιρείας εργασία προς εργασία σε χωρητικότητα fte, βρίσκεται ακόμη υπό κατασκευή.
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.