Mūsdienu uzņēmumos klientu un darbinieku pieredze ir nepārtraukts attīstības process. Pieredzes orķestrēšana (experience orchestration) nozīmē šo pieredžu veidošanu, pilnveidošanu un optimizēšanu, izmantojot modernās tehnoloģijas, tostarp mākslīgo intelektu (MI). Šajā rakstā aplūkojam, kā mākslīgais intelekts (MI) ietekmē un atbalsta pieredzes orķestrēšanu, kā arī definējam 6 tās attīstības līmeņus. Šie līmeņi sniedz organizācijām kopīgu pamatu, lai apspriestu nākotnes vīzijas un to, kā pieredzes orķestrēšana ietekmēs sistēmas, politikas un procesus nākotnē.

Ievads

Pieredzes orkestrēšanas mērķis ir vienlaikus sasniegt divus galvenos rezultātus:

1. Samazināt darbības izmaksas.
2. Palielināt klientu lojalitāti ilgtermiņa izaugsmei.

Organizācijas var labāk sabalansēt kompromisu starp operatīvo efektivitāti un cilvēkcentrētu pieredzi. Pareiza, ar mākslīgo intelektu darbinātas pieredzes orkestrēšanas stratēģija ļauj sasniegt abus.

Koordinējot datus, sistēmas, kanālus un lomas, orkestrēšana veido pieredzi, kas no klientu un darbinieku skatpunkta ir efektīvāka, lietderīgāka un emocionāli inteliģentāka. Tehnoloģijām attīstoties, mēs virzāmies uz universālu orķestrēšanu - kas aptver visas klientu saskares jomas gan priekšējā, gan aizmugures birojā — ļaujot organizācijām pārdomāt klientu apkalpošanas centru, klientu un darbinieku pieredzi, kā arī savu biznesu kopumā.

Tālāk aprakstītie pieredzes orkestrēšanas līmeņi definē attīstības ceļu no pilnībā manuālas līdz pilnībā autonomai orkestrēšanas. Katrs līmenis nozīmē būtisku izrāvienu tajā, kā tiek izmantota automatizācija, papildināšana, personalizācija un optimizācija, atverot jaunas iespējas biznesa vērtības pieaugumam — lielākai efektivitātei, dziļākai klientu lojalitātei un spēcīgākai darbinieku iesaistei.

0. līmenis – bez orķestrēšanas

Klientu mijiedarbība ir pilnībā manuāla, notiek, izmantojot vienkāršas telekomunikāciju sistēmas bez integrētiem rīkiem vai inteliģences. Cilvēcīgie aģenti paļaujas uz apmācībām un statisku dokumentāciju. Katrs ziņojums ir reaktīvs un nekonsekvents.

Nav vienota klienta pārskata un nav uzdevumu vai ieskatu orkestrēšanas starp sistēmām. Klientu apkalpošana tiek uztverta kā vien operatīva nepieciešamība, nevis stratēģiska funkcija - kas noved pie lielām darba pūlēm, augsta darbinieku mainības līmeņa un vājiem rezultātiem.

• Automatizācija: Nav. Visi uzdevumi - arī rutīnas jautājumi - prasa pilnīgu cilvēka aģenta iesaisti.
• Papildināšana: Aģenti strādā bez sistēmas atbalsta. Netiek kontekstualizēti dati vai sniegta uzdevuma specifiska palīdzība.
• Personalizācija: Nav sistēmas atbalstītas personalizācijas, kas balstīta uz klienta profilu vai vēsturi.
• Optimizācija: Dominē manuālas apmācības un statisks grafiku veidojums. Nav reāllaika ieskatu, kvalitātes pārvaldības vai darbaspēka plānošanas automatizācijas.

1. līmenis – izvēlņu navigācija

Interaktīvās balss atbildes (Interactive voice response - IVR) sistēmas nodrošina pamata automatizāciju ar fiksētu maršrutēšanas loģiku un ierobežotu runas atpazīšanu. Klienti mijiedarbojas, izmantojot tastatūras taustiņus vai balss izvēlnes, parasti lai pārbaudītu statusu vai tiktu novirzīti uz attiecīgo nodaļu. Lai gan tas nedaudz samazina zvanu apjomu, pieredze joprojām paliek nepersoniska un balss ierobežota.

Lielākajai daļai uzdevumu joprojām nepieciešami cilvēka aģenti, kas paļaujas uz ierobežotu CRM kontekstu. Kvalitātes kontrole ir manuāla un retrospektīva. Sistēma darbojas, taču tā nepielāgojas.

• Automatizācija: IVR apstrādā vienkāršus informācijas pieprasījumus - piemēram, konta atlikuma vai pasūtījuma statusa pārbaudi -, izmantojot tastatūras ievadi vai atslēgvārdu atpazīšanu. Loģika ir fiksēta un neadaptīva.
• Papildināšana: Cilvēcīgie aģenti mijiedarbības laikā var skatīt statiskus klientu ierakstus, bet būtisko informāciju tiem jāmeklē manuāli.
• Personalizācija: Iespējama maršrutēšana pēc aģentu prasmēm un valodas iestatījumiem, taču pieredze paliek lielākoties vienveidīga.
• Optimizācija: Kvalitātes nodrošināšana balstās uz izlases ierakstiem, savukārt cilvēka aģentu darba grafiku veidošana ir laikietilpīga un reaktīva.

2. līmenis – iepriekš definēta dialoga automatizācija

Sarunvalodas mākslīgais intelekts (Conversational AI) apvieno automātisko runas atpazīšanu (Automated Speech Recognition - ASR), dabiskās valodas apstrādi (Natural Language Rrocessing - NLP) un izpratni (Natural Language Understanding - NLU), lai veidotu mijiedarbību dažādos komunikācijas kanālos. Mijiedarbību vada iepriekš definēti noteikumi un skriptētas dialogu plūsmas. Prediktīvie mākslīgā intelekta modeļi tiek izmantoti konkrētiem lietojumiem (piemēram, maršrutēšanai vai iesaistei), bet vēl netiek vispārināti, lai noteiktu nākamo labāko darbību kopējā pieredzes kontekstā.

• Automatizācija: Sarunvalodas mākslīgais intelekts ļauj izmantot botus, kas var automatizēt rutīnas dialogus ar klientiem digitālajos un balss kanālos (omnikanāli) - piemēram, pasūtījumu izsekošanu, paroles atiestatīšanu vai identitātes pārbaudi. Boti ir stingri strukturēti un darbojas pēc iepriekš definētiem skriptiem un fiksētiem lēmumu kokiem.
• Papildināšana: Cilvēka aģenti sāk saņemt kontekstuālu atbalstu, izmantojot zināšanu izgūšanas rīkus, kā arī tiek piedāvāti nākamie soļi, balstoties uz CRM kontekstu vai atslēgvārdu aktivizēšanu.
• Personalizācija: Klientu pieredze joprojām ir standartizēta un nepielāgojas individuāli, pārsniedzot statiskos ievades datus. Tiek ieviestas pamata darbinieku iesaistes vadības funkcijas, kas palīdz uzdevumu sadalē atbilstoši darbinieku prasmēm un pieejamībai.
• Optimizācija: Pieredzes tiek optimizētas, izmantojot specializētus prediktīvus AI modeļus maršrutēšanai, iesaistei un prognozēšanai. Kvalitātes nodrošināšanu atbalsta runas un teksta analītika.

3. līmenis – sistēmas ģenerētas sarunas

Ģeneratīvais MI izmanto plaša mēroga valodas modeļus (Large Language Models - LLMs) un transformatoru arhitektūras, lai ģenerētu saturu atbilstoši savu iestatījumu robežām. MI veic tikai tās darbības, kam tas ir tieši paredzēts vai apmācīts. Tas uzlabo pieredzi, izmantojot automatizāciju, papildināšanu, personalizāciju un optimizāciju, vienlaikus darbojas saskaņā ar iepriekš definētu loģiku un darbplūsmām.

Šī MI līmeņa modelis neizdara apsvērumus vai lēmumus ārpus tam dotajiem norādījumiem – tas vienkārši izpilda savu programmēšanu arvien plašākā un brīvākā formā.

• Automatizācija: MI vadītie virtuālie aģenti automatizē plašāku un sarežģītāku mijiedarbību, piemēram, problēmu risināšanu, pasūtījuma statusa pārbaudi vai produktu pieprasījumus. Šie virtuālie aģenti šķiet patstāvīgi, taču darbojas stingri konfigurētās darbplūsmās un pēc noteiktiem noteikumiem. Tie neracionē un neinferē ārpus definētajiem modeļiem. Iespējas, kā nodomu atpazīšana vai biežāko jautājumu apstrāde, ļauj risināt niansētākas situācijas, bet tikai tā tālāk, cik to atļauj to apmācība un konfigurācija. Virtuālā uzrauga funkcijas palīdz automatizēt darbības uzraudzību, brīdinot iesaistītās puses pēc iepriekš iestatītiem sliekšņiem vai uzvedības signāliem.
• Papildināšana: Aģentu «kopiloti» uzlabo cilvēka aģentu sniegumu, izgūstot un parādot būtiskus ieskatus – ieteikt nākamo labāko darbību, ģenerēt kopsavilkumus vai atrast zināšanu rakstus –, taču tas notiek tikai saskaņā ar iepriekš definētajiem noteikumiem un modeļiem. Šie rīki reaģē uz atpazītiem pavedieniem vai signāliem sarunā, bet neplāno un nepielāgojas ārpus tiem. Uzraugošie un vadības «kopiloti» sniedz norādījumus un rekomendācijas pēc konfigurētiem kritērijiem, palīdzot plaši izplatīt zināšanas, neizkļūstot ārpus atbildības robežām.
• Personalizācija: Ģeneratīvais MI var pielāgot atbildes, izmantojot strukturētu segmentāciju, nodomu klasifikāciju un uzņēmuma definētus atribūtus. Tas veido personalizāciju pēc tam, ko tas «zina» no CRM datiem, klienta vēlmēm vai iepriekšējām mijiedarbībām, lai radītu saturu, kas atbilst konkrētiem mērķiem vai segmentiem. Lai gan saturs šķiet individuāls, tas tiek veidots saskaņā ar iepriekš definēto loģiku un konfigurēto uzvedību. Šajā līmenī personalizācija ir spēcīga, tomēr ierobežota ar to, kas ir strukturēts.
• Optimizācija: Ceļojumu orkestrēšana un pieredzes vadība tiek uzlabota, pateicoties MI spējai izpildīt iepriekš izstrādātas optimizācijas stratēģijas. Prognozēšana, grafiku veidošana un darba slodzes balansēšana tiek atbalstīta ar prediktīviem modeļiem, kas pastāvīgi uzlabo rekomendācijas, balstoties uz vēsturiskajiem datiem. Tomēr arī šeit MI nav adaptīvs – tas izpilda apmācītās darbības un periodiski tiek pārapmācīts cilvēku vadībā, lai saglabātu aktualitāti. Uzdevumu, brīdinājumu un darbplūsmu orkestrēšana gan priekšējā, gan aizmugures birojā paliek reaktīva, reaģējot uz definētiem nosacījumiem, nevis proaktīvi spriežot.

4. līmenis – agentic pieredzes ģenerēšana

Mākslīgais intelekts attīstās no vienkāršas izpildes uz inteliģentu problēmu risināšanu. Sistēmas tiek konfigurētas konkrētiem mērķiem un izmanto spriešanu, plānošanu un atmiņu, lai noteiktu, kā vislabāk sasniegt rezultātu, vienlaikus ievērojot skaidri definētas robežas.

Šajā līmenī tiek ieviests t.s. aģentiskais MI (agentic AI), kas interpretē kontekstu, plāno darbības pa soļiem un pielāgo rīcību, balstoties uz dinamiskiem ievaddatiem. Tomēr visa izpilde joprojām ir daļēji autonoma - cilvēka ievade, apstiprinājums un uzraudzība paliek būtiska, lai nodrošinātu atbilstību nolūkam un novērstu nekontrolētu rīcību.

• Automatizācija: Virtuālie aģenti, uzraugi un administratori tagad veic sarežģītus transakciju uzdevumus un lēmumu secības tādās jomās kā pārdošana, līgumu atjaunošana un klientu noturēšana. Tie nosaka optimālos soļus mērķa sasniegšanai, vadoties pēc konfigurētām vadlīnijām un apstiprinājuma prasībām. Šīs sistēmas var atsaukties uz strukturētu saturu - piemēram, standarta darbības procedūrām (SOP), zināšanu rakstiem vai instrukciju dokumentiem - lai nodrošinātu precīzu un konsekventu izpildi.
  Arvien biežāk tiek ieviesta asinhronā izpilde - uzdevumi norisinās fonā, kamēr klients vai darbinieks turpina savu darbu. Virtuālais aģents paziņo, kad uzdevums ir pabeigts vai kad nepieciešama lietotāja iesaiste, nodrošinot pārredzamību un cilvēka kontroli.
• Papildināšana: Kopiloti kļūst proaktīvāki - tie sniedz inteliģentus ieteikumus aģentiem, uzraugiem un administratoriem un piedāvā tos izpildīt pēc apstiprinājuma. Tas var ietvert ierakstu atjaunināšanu, risku identificēšanu, procesu optimizēšanu vai reāllaika tulkošanu.
  Šie kopiloti arī sniedz reāllaika signālus, kas palīdz lietotājiem - norāda izlaistus soļus, atgādina par atbilstības prasībām vai piedāvā kontekstuālus padomus atbalstošā un neuzbāzīgā veidā. Tie nepārņem vadību, bet palīdz cilvēkiem darboties efektīvāk, sniedzot smalkus un mērķtiecīgus norādījumus. Lai arī tie analizē sarežģītu ievadi un pielāgo ieteikumus, darbības vienmēr tiek veiktas tikai pēc cilvēka lēmuma.
• Personalizācija: Personalizācija kļūst stratēģiskāka un datu vadīta. MI izmanto iekšējo atmiņu, klienta profilus, iepriekšējo mijiedarbību un kontekstuālos signālus, lai noteiktu, kuri atbildes veidi vai darbplūsmas vislabāk atbilst klienta vajadzībām.
  Tas ietver uzņēmuma definētus segmentus, transakciju vēsturi un noteikumos balstītu loģiku. Cilvēka aģenti saņem pielāgotu atbalstu, kas atspoguļo personalizētus "playbook" scenārijus, nevis vienotus standartus. Taču arī šī personalizācija tiek veikta tikai organizācijas konfigurācijas ietvaros - bez radošas improvizācijas ārpus noteiktajām robežām.
• Optimizācija: Orkestrēšana izmanto dinamisko kontekstu, lai uzlabotu pieredzes plūsmas visā sistēmu vidē. AI komponenti daļēji autonomi meklē efektīvākus ceļus un risinājumus, samazinot manuālu iestatīšanu, taču vienmēr darbojas iepriekš noteiktos ietvaros.
  Tiek izmantotas tādas spējas kā anomāliju atklāšana, modeļu atpazīšana un atmiņā balstīta lēmumu pieņemšana, lai identificētu procesa trūkumus vai eskalācijas. Situācijās, kur nepieciešama diskrecija vai politikas interpretācija - piemēram, hipotekāro kredītu apstiprināšanā vai finanšu korekcijās - MI palīdz, sagatavojot kontekstu, bet galīgais lēmums vienmēr paliek cilvēka ziņā.

5. līmenis – agentic universālā orķestrēšana

Mākslīgais intelekts sasniedz mērķorientētas autonomijas stāvokli, kur tas spēj patstāvīgi plānot, pieņemt lēmumus un izpildīt uzdevumus, balstoties uz cilvēku noteiktiem mērķiem. Virtuālie aģenti, supervizori un administratori vairs nav ierobežoti ar fiksētām darbplūsmām vai lineāru uzdevumu izpildi. Tie dinamiski izstrādā jaunus risinājumus un pielāgoti koordinē darbības, vadoties no plašākiem uzņēmuma mērķiem, nevis stingri noteiktiem soļiem.

Tas ir orķestrēšanas brieduma virsotne - brīdis, kad MI pāriet no reaktīvas automatizācijas uz patstāvīgu, sadarbīgu pieredzes pārvaldību.

MI sistēmas apvieno lielos valodas modeļus (LLM) ar atmiņu, plānošanu un loģisko spriešanu, uzlabojot to ar nepārtrauktām atgriezeniskās saites cilpām. Klientu un darbinieku pieredze vairs nav fragmentēta vai transakcionāla - tā kļūst plūstoša, pielāgojama un inteliģenta, aptverot visu ekosistēmu.

MI vienības savā starpā tieši sadarbojas - tās dalās ar mērķiem, apmainās ar kontekstu un deleģē atbildību, kas ļauj nodrošināt izkliedētu orķestrēšanu gan iekšējo sistēmu, gan ārējo partneru starpā. Cilvēku iesaiste kļūst stratēģiska un mērķtiecīga, koncentrējoties uz uzraudzību, pārvaldību un sarežģītiem lēmumiem, kas prasa empātiju, radošumu vai pieredzējušu spriedumu.

• Automatizācija: Virtuālie aģenti, supervizori un administratori pašorganizēti uzsāk, veic un pabeidz uzdevumus no sākuma līdz beigām. Sistēmas interpretē organizācijas mērķus un kontekstu, lai noteiktu optimālo rīcības ceļu, bez nepieciešamības pēc iepriekš definētām skriptēm vai manuālas iejaukšanās. Uzdevumu piešķiršana un nodošana notiek dinamiski, sadarbībā starp viedajiem aģentiem dažādās lomās un jomās. Lēmumi tiek pieņemti kopīgi, saskaņoti visā uzņēmumā, dažādos kanālos un pat ar ārējiem partneriem. Lielākā daļa operāciju - gan klientu apkalpošanā, gan back-office procesos - tiek automatizēti izpildītas, pateicoties inteliģentai daudzlīmeņu sadarbībai.
• Papildināšana: Lai gan MI pārvalda lielāko daļu uzdevumu patstāvīgi, cilvēki joprojām ir būtiski uzraudzībai, politikas veidošanai un stratēģiskiem lēmumiem.
  Kopiloti (MI palīgi) proaktīvi piedāvā rezultātus, apkopo veiktās darbības un sniedz pārskatāmus ziņojumus. Dažos gadījumos tie pat prognozē vajadzības un piedāvā izpildīt uzdevumus, mācoties no iepriekšējiem apstiprinājumiem un paplašinot atbalsta iespējas. Svarīgi, ka kopiloti un autonomi aģenti sadarbojas, apmainoties ar atziņām un starpsecinājumiem, lai atbalstītu cilvēkus maksimāli efektīvi. Darbinieki gūst labumu no orķestrētas inteliģences, kas pielāgojas viņu lomām, kontekstam un darba plūsmai - ļaujot cilvēkiem koncentrēties uz augstas ietekmes lēmumiem.
• Personalizācija: Pieredzi veido virtuālie administratori, supervizori un aģenti, katrs ar savu perspektīvu, kontekstu un funkcionalitāti. Šīs viedās sistēmas izmanto iepriekšējo mijiedarbību datus, uzņēmuma zināšanas un uzvedības signālus, lai reāllaikā pielāgotu pieredzi. Personalizācija ir dinamiska un sadalīta - tā nav atkarīga no viena aģenta, bet veidojas kolektīvi, sadarbojoties visiem MI elementiem, kas saprot klienta mērķus, vēlmes un ceļa posmu. Neatkarīgi no tā, vai klients komunicē vienā uzņēmumā vai dažādos - aģenti sinhronizē savas darbības, nodrošinot saskaņotu, nozīmīgu un mērķim atbilstošu pieredzi katrā kontaktpunktā.
• Optimizācija: Optimizācija kļūst par autonomu, izkliedētu un mērķorientētu procesu. Katra MI sistēma neatkarīgi un sadarbīgi veicina veiktspējas uzlabošanu, izmantojot kopīgas mācīšanās sistēmas, veiktspējas datus un mērķu sasniegšanas rādītājus.
  Orķestrēšanas loģika plūstoši pielāgojas uzņēmuma prioritāšu maiņām. Aģenti sadarbojas, pārplāno stratēģijas un uzlabo rezultātus plašā mērogā.
  Tādējādi veidojas pašuzturošs inteliģences slānis, kas aug kopā ar uzņēmuma vidi, neprasa manuālu konfigurēšanu vai pārmācīšanu.

Šis brieduma modelis parāda, kā uzņēmumi var attīstīties no manuāliem procesiem līdz MI vadītai sistēmai, kas patstāvīgi pārvalda un uzlabo klientu un darbinieku pieredzi.
Katrs līmenis atspoguļo būtisku MI spēju izrāvienu un potenciālo vērtību - sākot no izolētas automatizācijas līdz sistēmām, kas plāno, domā un rīkojas uzņēmuma mērķu vārdā.

Organizācijas nereti vienlaikus atrodas vairākos brieduma līmeņos, atkarībā no prioritātēm, klientu segmentiem, resursu ierobežojumiem un riska vadības. Daļa pieredzes paliek strukturēta un cilvēku pārraudzīta, kamēr citas iegūst aizvien lielāku autonomiju.

Svarīgākais - ceļā uz augstāku briedumu būtiska loma ir sadarbībai starp viedajām sistēmām: MI aģenti kopīgi risina sarežģītus uzdevumus, dalās ar kontekstu un pielāgojas visā klienta ceļā.

Šie savienotie, sadarbojošies MI aģenti kļūst par pamatu mērogojamai, adaptīvai orķestrēšanai.
Inteliģence vairs nav izolēta vienā sistēmā vai kontaktā - tā kļūst par izkliedētu spēju, kas pastāvīgi mācās, dalās un pilnveido visu pieredzes ekosistēmu.

Secinājumi

Mēs piedāvājam šo rakstu sadarībā ar Genesys, lai veicinātu diskusiju par to, kā pieredzes orķestrēšana veidos kontaktu centru un uzņēmumu nākotni. Kurā orķestrēšanas līmenī šobrīd ir jūsu uzņēmums? Kā jūs plānojat vadīt orķestrēšanas pārmaiņas? Kādi rezultāti tiek sagaidīti?

Tā kā mūsu klienti arvien aktīvāk izmanto mākslīgā intelekta (MI) risinājumus pieredzes orķestrēšanai un uzņēmumi kopumā virzās uz universālo orķestrēšanu, šādas diskusijas nozīme tikai pieaug.

*Šis ir diskusiju materiāls, nevis produktu ceļvedis. Genesys neapņemas piegādāt šajā dokumentā aprakstītās iespējas.

Izlasiet oriģinālo rakstu genesys.com

Adventus Solutions sadarbībā ar Genesys palīdz uzņēmumiem ieviest multimediju kontaktu centra platformu un MI risinājumus. Lai iegūtu vairāk informācijas par Genesys Cloud kontaktu centra platformu, apskatiet produkta aprakstu vai sazinieties ar mums un mēs ar prieku palīdzēsim.