Att uppdatera kontaktuppgifter, preferenser och statusar i ett CRM efter en interaktion eller förändring är en av de uppgifter där AI redan idag kan ta över en stor del av arbetet. Inte för att AI är "smart" nog att förstå kunder, utan för att uppgiften i sig kräver lite tolkning. En adressändring, ett nytt telefonnummer, en statusändring från lead till kund: det är fält som fylls i, inte bedöms.
Tre axlar är här avgörande: strukturgrad, volym och felkostnader.
Strukturgraden är hög eftersom ett CRM per definition arbetar med fasta fält. Ett namn, en e-postadress, en preferenskategori: det är uppgifter med en fast plats och ett fast format. Det finns ingen fritext som måste tolkas, ingen kontext som måste vägas. Det gör uppgiften lämplig för regelbaserad bearbetning: om fält X ändras i källa Y, uppdatera fält X i system Z.
Volymen är likaså hög. Hos ett företag med en omfattande kundbas handlar det om tiotals till hundratals ändringar per dag, spridda över enskilda, små handlingar. Precis den typ av arbete där ett återkommande, förutsägbart mönster väger tyngre än enstaka undantag. Hög volym i kombination med hög strukturgrad är den kombination där automatisering betalar sig snabbast.
Felkostnaderna ligger i mitten. Ett felaktigt uppdaterat telefonnummer är besvärligt, men oftast åtgärdbart vid nästa kontakttillfälle. Vid känsligare fält, som betalningspreferenser eller samtycke till marknadskommunikation, väger fel tyngre. Det är också varför validering inte är ett överflödigt steg, utan en förutsättning.
Bedömningsutrymme och kundkontakt scorar medelhögt till högt, och det är just där nyansen ligger. En del av statusändringarna är entydiga: en kund flyttar, adressen ändras, klart. Men inte varje ändring är så enkel. När en kundtjänstmedarbetare efter ett telefonsamtal måste bedöma om ett klagomål motiverar en statusändring till "risk för uppsägning", är det inte längre en fältinmatning utan en bedömning. Den delen förblir mänskligt arbete, eller den läggs i alla fall fram för en medarbetare som godkänner eller avslår med motivering.
Hos ett företag med en enkel kundprofil och få undantag ligger andelen som AI kan ta över alltså högre än hos ett företag med komplexa kundrelationer, mycket skräddarsydda avtal eller känsliga personuppgifter. Compliance spelar också in där: ju mer ett fält berör GDPR-känslig information eller avtalsmässiga överenskommelser, desto mer önskvärt är en mänsklig kontrollgång innan en ändring blir definitiv.
Tekniken som redan används idag är främst rpa: mjukvara som enligt fasta regler överför data från en källa till en annan, upptäcker dubbla poster och fyller i fält utifrån en fast mappning. Det är inte artificiell intelligens som "förstår" vem kunden är, utan automatiserad bearbetning av strukturerad inmatning.
Tre förutsättningar avgör om det fungerar:
Saknas en av dessa tre, förskjuts uppgiften tillbaka till kategori två: AI gör förslaget, en medarbetare godkänner eller avslår.
Vad som förändras nu är inte att medarbetare blir överflödiga, utan att deras tid förskjuts från inmatningsarbete till kontrollarbete. Där en medarbetare tidigare skrev in en adressändring för hand, bedömer den medarbetaren nu en lista med föreslagna ändringar och klickar godkänn eller avslå. Det är en annan uppgift, med en annan tidsanvändning, inte nödvändigtvis mindre arbete men annorlunda arbete.
Denna förskjutning löper parallellt med det som sker vid registrering av order i systemet och vid kontroll och kommunikation av orderstatus: även där är mönstret strukturerad inmatning, hög volym, begränsade felkostnader, med undantag som förblir hos en människa. Den som undrar hur detta förhåller sig till andra kundinriktade uppgifter hittar en liknande avvägning vid tillhandahållande av lager- och leveranstidsinformation, där samma spänning finns mellan snabbhet och de fall som kräver lite mer förklaring. Och för den som ser CRM-arbetet främst som en del av en bredare process är översikten över arbete på den ekonomiska avdelningen en bra utgångspunkt, eftersom kund- och fakturadata ofta delar samma källsystem.
Om och hur snabbt detta införs inom en organisation är inte enbart en teknisk fråga. Personalkonsekvenser som eventuellt följer av detta faller under arbetsgivarens egna lagstadgade skyldigheter; denna sida tar ingen ställning till det.
Denna sida beskriver en uppgift isolerat. Den verkliga bilden uppstår först när denna uppgift ses tillsammans med de andra uppgifterna inom ett företag: vissa med en liknande profil, andra helt annorlunda. För att få ett första intryck av det finns en gratis snabbskanning: tolv frågor, utan konto, med som resultat en indikation på hur stor del av timmarna i den profilen som idag kan tas över av AI. Den fullständiga arbetsskanningen, som bryter ner ett företags arbete i uppgifter och räknar om per uppgift till fte-kapacitet, är fortfarande under uppbyggnad.
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.