Att övervaka serviceärenden på hotande försening är en uppgift som AI i grunden helt kan ta över. Det handlar här inte om en gråzon med mänsklig tillsyn: signaleringen i sig är en uppgift som redan idag med befintlig teknik (rpa) kan automatiseras, förutsatt att några grundförutsättningar är på plats.
Tre axlar är här avgörande: strukturerbarhet, volym och bedömningsutrymme. Alla tre pekar i samma riktning.
Strukturerbarhet (5 av 5). Uppgiften består av att jämföra ett datum med en regel: hur länge har ett ärende redan varit öppet, och när löper den avtalade hanteringstiden ut? Det är ingen tolkning, det är beräkning. Ett ärendesystem registrerar öppningstiden, SLA-tiden är fastställd i förväg, och det enda som behövs är en jämförelse mellan två siffror. Så snart dessa SLA-tider är entydigt definierade finns det inget utrymme för tvivel om vad "hotande" betyder.
Volym (5 av 5). Ett kundserviceteam hanterar vanligtvis tiotals till hundratals ärenden per dag, vardera med sin egen klocka som löper ut. En teamledare som gör detta manuellt måste hela tiden gå igenom en lista och räkna. Det är precis den typ av repetitivt, volymintensivt arbete som mjukvara inte blir trött av och inte missar ärenden i.
Bedömningsutrymme (4 av 5). Signaleringen i sig kräver knappt någon bedömning: tidsfristen är tidsfristen. Det finns en liten marginal eftersom vissa organisationer har nyanser (till exempel: räknas väntetid hos kunden med i SLA-klockan eller inte), men så snart de reglerna är fastställda finns det inte längre utrymme för tolkning i signaleringen själv.
De övriga axlarna är här praktiskt taget irrelevanta för kärnfrågan. Kundkontakt och fysiska handlingar spelar ingen roll i denna uppgift: det handlar om en bakgrundsprocess, inte om ett samtal med en kund. Kreativitet är inte aktuellt: det finns ingen ny lösning att komma på, bara en deadline att bevaka. Felkostnader och efterlevnad får ett genomsnittligt betyg (3), inte för att signaleringen i sig är riskabel, utan för att en missad eller felaktig melding kan påverka kundnöjdhet eller avtalade överenskommelser. Det talar inte mot automatisering, men väl för en korrekt inrättning på förhand.
Den lämpliga tekniken här är relativt blygsam: robotic process automation (rpa). Det behövs ingen språkmodell eller komplex AI för att jämföra ett datum med en regel. Ett skript som periodiskt läser av ärendesystemet, beräknar återstående tid till SLA-deadline och vid en i förväg inställd tröskel skickar en avisering till teamledaren, gör jobbet. Det kan ske via e-post, dashboard-widget eller notifiering i ärendesystemet självt.
Grundförutsättningarna är enkla men väsentliga: SLA-tiderna måste vara tydligt och entydigt fastställda, och signaleringen måste vara tekniskt inrättad utifrån dessa tider. Saknas en av dessa två, fungerar automatiseringen inte bra — inte för att uppgiften är olämplig, utan för att grunden inte är i ordning.
Denna slutsats gäller för signaleringen. Den gäller inte automatiskt för vad som händer efter aviseringen. Hos en organisation där eskalering av en hotande försening omedelbart utlöser en fast, förutsägbar åtgärd (till exempel: ärende automatiskt vidarebefordras till en specialist), kan även det efterföljande steget till stor del automatiseras. Hos en organisation där eskalering beror på kundrelation, avtalsform eller politisk känslighet, förblir det efterföljande steget mänskligt arbete — där är mänsklig tillsyn av AI, konkret en relevant utgångspunkt.
Även definitionen av "SLA-tid" skiljer sig mellan organisationer. Ett företag med en enkel, enhetlig hanteringstid har ett enklare automatiseringsproblem än ett företag med tiotals avtalsvarianter, prioritetsnivåer och undantagsregler. Ju mer komplex den regeluppsättningen är, desto mer förberedande arbete krävs innan signaleringen kan köras tillförlitligt automatiskt. Det är precis varför en genomgång per uppgift, och inte per funktion, behövs: samma befattningstitel "kundserviceteamledare" kan hos ett företag ha en till stor del automatiserbar signaleringsuppgift, och hos ett annat en uppgift som fortfarande till stor del kräver manuellt arbete.
Denna sida beskriver en uppgift, inte ett personalbeslut. Om och hur frigjord kapacitet inom ett team omfördelas är ett val som ligger hos organisationen själv och för vilket egna lagkrav gäller, särskilt om det påverkar funktioner eller bemanning. Noggrannhet i det, inklusive att informera medbestämmandeorgan, är en separat process — se till exempel informera facklig representation om AI och noggrannhet vid indragning av funktioner. Denna sida ger inget underlag för det, endast fakta om uppgiften själv.
Att signalera hotande SLA-försening står inte för sig själv. Liknande övervaknings- och signaleringsuppgifter förekommer också vid finansiella processer, som periodisk prenumerationsfakturering eller utbyte av digitala fakturor via e-fakturering. Även där gäller: ju mer strukturerade reglerna är och ju högre volymen är, desto mer lämpad är uppgiften för automatisering.
Vill ni veta hur detta ser ut för ert eget team, inklusive den exakta SLA-strukturen och det ärendevolym ni arbetar med? Den kostnadsfria snabbanalysen från ftetoai består av tolv frågor, kan göras utan konto, och ger en indikation på hur stor del av timmarna i er profil som idag kan tas över av AI. Den fullständiga arbetsanalysen, som går ner på uppgiftsnivå i era egna processer, är fortfarande under uppbyggnad — det löftet gör vi här medvetet inte större än det är.
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.