麦肯锡直接 客户服务中的GenAI:早期成功和挑战 联络中心作为生成AI的早期用例出现-取得了不同的成功。组织可以向早期采用者学习,并在三个方面考虑他们的采用策略。 本文是EricBuesing,OanaCheta,VinayGupta,PaulKline,RohitSood和SophieWeihmann的合作成果,代表了麦肯锡运营实践的观点。 ©GettyImages 2024年4月 生成AI(genAI)2023年大举进入联络中心——随之而来的是代理人效率和效力的转型改进、降低运营成本和改善客户体验的潜力。从那时起,成功的采用一直是不平衡的,一些联络中心有效地部署了genAI和AI技术,而另一些联络中心则在努力获取价值。 这是近年来联络中心转型故事的延续。尽管经过多年的努力和大量的提高效率的技术,客户关怀领导者仍然报告说,联络中心的工作量不断增加,员工流失持续,人才短缺。1 随着各行各业的企业都希望获得GeneAI的好处-大约80 %的组织预计AI和GeneAI投资将增加-现在可能是时候让客户服务领导者反思从一年半的经验中吸取的经验教训了。2What 获取genAI技术价值的障碍是什么?在已经部署genAI 的联络中心,结果是什么? 本文探讨了组织如何利用generAI功能来改善其业务运营。它揭示了早期的案例和成功,并探讨了公司如何思考他们的generAI采用计划,以从场外脱颖而出并实现技术的潜在价值。 了解影响采用的障碍 对于许多联络中心来说,GeneralAI可能并不是根 深蒂固的万能解决方案 挑战。已经证明了五个障碍阻碍了成功采用。 维护高质量数据:GenAI输出仅与它们从中提取的数据源一样有价值。在联络中心,数据源是多种多样的,并且 可能不一致,可能包括知识库文章、产品手册、标准操作程序(SOP)、通话记录和成绩单以及客户详细信息。 了解业务案例:在考虑genAI技术时,专注于错误的用例可能会导致低ROI-genAI可能并不总是解决特定痛点的合适工具。例如,主要处理呼叫而不是聊天的联络中心可能会发现,基于gen-AI的转录和合成无法跟上实时客户对话的步伐。 考虑到最终用户的设计:如果不考虑最终用户的需求和体验,GenAI部署可能会失去动力。工作流程和用户界面设计可能与技术功能一样重要。 确保合适的人才:联络中心并不总是拥有内部技术人才 ,如数据科学家和数据工程师,来大规模开发和部署下一代AI解决方案。 确定变更管理的优先级:它不仅仅是技术。在某些情况下,采用率可能很低,即使genAI工具设计得很好,并且 非常适合联络中心的上下文。通常,有经验的代理可能看不到增加其任务的需要,或者没有在整个组织中传达GeneralAI工具的价值。 三种采用方法:评估您的选择 考虑到这些障碍,组织是否应该全力以赴,从头开始 开发专有的基础模型?还是购买现成的genAI工具会起到作用?在联络中心的背景下,从公司探索的三种常见的采用原型中学习可能会有所帮助-每种都需要不同程度的努力,内部能力和投资,以及 每个人都有不同的风险水平和可能的回报。3 1“2024年的客户服务在哪里?”,麦肯锡,2024年3月12日。 2Ibid. 3“技术与生成AI的世代时刻:CIO和CTO指南”,麦肯锡,2023年7月11日。 Foreacharchetype,thetotalvalueatstakemaydifferdependingonthetechnicalmaturityofthecontactcenter.Theestimationsthatfollowingassumemediummaturity. Thetaker方法使用现有模型-现成的genen-AI-enabled产品,内部IT团队可以将其集成到工作流中并相对快速地部署。在联络中心,翻译客户对话和总结客户互动是少数 准备使用的模型是适当的用例。 考虑一个处理大量多渠道客户查询的联络中心。服务代理通常花费平均处理时间的5%到10% call。他们使用的工单管理技术最近推出了一个gener- AI-powered汇总功能。当组织订阅 并激活了这个附加组件,代理可以立即总结文本和语音交互,每次交互将联系时间减少10到20秒。 然而,通话后记录任务并不是完全自动化的;除了实时客户对话之外,座席仍然需要考虑他们在系统中可以看到的所有信息,并手动向他们的笔记添加额外的上下文和细微差别。因此,尽管接受者方法的实施难易度可能很高,投资风险相对较低,但用例是有限的 ,可以捕获的价值是适度的——总价值仅占整个客户运营的3%到5%左右。 第二种原型,整形器,专门研究具有内部数据和系统的现有GeeAI模型,以适合组织的特定用例。这可能需要创建一组定制的提示,这些提示将显示适当的上下文响应,格式化内部数据并将其合并到大型语言模型 (LLM)中,并设置适当的内部基础架构。此类别中所有用例的总价值占整个客户运营的10%至15%。将来,这些收益可能会更高。 花费大量时间解决简单调用的中心;然而,由于目前的GeneralAI模型 花几秒钟时间将语音转录成文本,聊天机器人和基于聊天的副驾驶在短期内可能比语音副驾驶更有潜力。 例如,一家医疗保健公司使用GPT3.5模型来简化索赔处理,并使前线代理能够快速检索与索赔相关的信息。 并使用代理测试系统,直到技术起作用为止(参见侧栏“从概念证明到试点-医疗保健索赔处理案例研究”) 。 在另一个示例中,机械分销商的技术帮助台采用了智能辅助geerAI工具,该工具处理了13,000多个知识库资源和设备手册,可以诊断问题并推荐解决方案。联络中心的首次正确分辨率增加了10%,任务完成时间从15分钟减少到1分钟。客户也受益于更短的机器停机时间节省的成本。 制造商,ontheotherhand,buildandtrainproprietaryfoundationmodels.Aorganizationdevelopingagen-AI-enabledvoice-orchatbot,forexample,maywantitsLLMor,morelikely 其小型语言模型(SLM),以匹配公司的声音的语气和方式做出回应,采用一系列适合上下文的角色,并在客户跨越预定义边界时脱离接触。而这些解决方案 可以是令人难以置信的强大,培训和运行定制的LLM或SLM需要大量的前期和经常性投资,高度专业化的技能,巨大的高质量数据集和强大的计算机。投资的规模意味着,对于没有可靠业务案例的解决方案,无法实现良好回报的风险也可能更高。 前线学习是这些专有基础模型的另一个潜在用例。一个技术帮助台构建了一个模拟工具-一个模型,该模型可以摄取现有的通话记录和 内部知识资源,如SOP。AI可以生成多个模拟,以反映各种现实问题和客户角色的客户互动。随着时间的推移,通过与仿真工具进行交互,代理可以练习内容和软技能,并提高他们的仿真分数——这些改进反映在实时客户呼叫中。这一概念验证的早期结果表明,80%的持续培训可以被人工智能驱动的培训所取代,并导致客户互动改善33%。 技术解决方案提供商也开始将其LLM扩展到产品产品中,提供根据特定行业客户关怀数据预先训练的模型 。 对于那些采取风险更大,更复杂的制造商路线的组织,回报可能是巨大的。价值可能是整个客户运营的20%到30%-可能更高,具体取决于组织的准备情况和成熟度。 快速从评估到部署 为了确定哪种原型最合适,组织可以查看他们在联络 中心内的预期用例,以及他们当前的成熟度和组织准备状态。 关于geerAI的炒作非常激烈,组织面临着被过度的概念和飞行员证明所拖累的风险。为了使这一过程变得清晰和专注,准备情况评估至关重要。然后,组织可以超越准备评估,开始构建关键工具,以实现成功的GeeralAI部署,包括LLM决策、治理模型和人才计划 。 作为管理企业级中断所需的启用和缓解系统和流程。 组织在进行就绪性评估和构建工具和功能时,可以考虑六个关键因素: 数据。在开始之前,了解当前的数据访问和可用数据的质量至关重要。在此过程中,一个组织发现通话录音不容易访问和格式化,这限制了其采用接收者方法的能力 。 服务战略。重要的是要使联络中心的genAI战略与公司的整体技术抱负保持一致。 AI和geAI的新组织可能会找到值得信赖的现成解决方案 ,这些解决方案具有大量的供应商支持,在短期内最有吸引力地实施。然而,市场上很少有一刀切的解决方案;组织可以专注于解决其联络中心特有的机会和痛点的用例,确定在最重要的地方推动真正商业价值的GeeAI干预措施。接受者的方法往往价值较低。 例如,与更资源密集型的整形器或制造商用例相比 ,危在旦夕。 运营模式。与任何转型计划一样,精心策划的GeeralAI 计划将业务,运营和技术结合在一起。这可以确保选择 、开发、实施、维护和调整AI和geerAI工具所需的资源随时可用,以支持业务目标。早期建立风险防护也很重要,特别是对于那些在扩展到组织其他领域之前先在客户服务运营中部署GeeAI的公司。 天赋。人是一代AI采用成功的核心,因此领导者需要确保他们拥有适当的技能和能力来创新和执行其战略。领先于新兴的一代AI技能差距和人才需求可能 在整形器或制造商用例中尤其重要。 技术。新一代AI解决方案生态系统正在不断扩大 ,几乎 压倒性的选项可供选择。领导者可以采用敏捷创新方法 ,并重新审视他们的采用策略,以跟上技术变革。例如 ,他们可以寻求了解提供哪些AI解决方案 由当前的电话和客户关系管理(CRM)供应商提供,并且特定的用例可能需要在短期内构建或修改LLM解决方案。例如,为了使“代理协助”用例起作用,组织需要考虑物理基础设施和其他许可证的成本,以及使用内部数据和完善的提示定制模型的过程。 采用和变更管理。尽早定义采用和扩展的途径可以使客户服务团队取得成功。有效的沟通-使运营团队保持在循环中,不断提供反馈,以及 启用精确的通信机制-可以有所作为。例如,一家保险公司建立了一个gener-AI-powered 代理辅助工具,但发现采用率很低。 代理人和管理层没有意识到潜在的好处,表现最好的代理人已经记住了在没有代理人协助的情况下完成任务所需的步骤。只有在少数代理商开始使用该工具后 ,这些好处才显现出来。鼓励这群早期采用者与他们的同事谈论新技术的优势。其他特工跟随他们的领导 。 采用普及,技术价值被放大。 从概念验证到试点-医疗保健索赔处理案例研究 一家医疗保健公司推出了 启用了Gen-AI的应用程序,以简化索赔处理 -为期六周的概念证明,为试点和潜在的联系中心范围的推广奠定了基础。 为了处理一个客户的索赔,索赔裁决者通常会咨询至少三个其他数据源,包括内部知识库系统 和公司的成员门户。为了加快这项手动任务 ,该公司设想了一个具有直观聊天界面的应用程序,在该界面中,裁决者可以询问与客户查询或索赔相关的计划特定问题,并接收从内部数据源合成的响应。 该公司基于GPT3.5部署了一个功能正常的GeneralAI应用程序,该应用程序针对索赔中的步骤 这些提示或问题可以提供答案,例如是否为客户提供了特定的服务或服务类型以及覆盖了多少、客户计划的细节以及最长资格年龄。 为了证明genenAI干预的潜在影响,该公司进行了严格的测试。十名测试人员,其中包括团队领导和选定的工作级别的专家,使用该技术来处理实时呼叫和记录呼叫。应用程序的输出得到了持续验证,测试人员在汇报期间分享了反馈。 概念证明显示了巨大的潜在好处。例如,可以节省总时间的15%至20%,具体取决于 采用和吸收。减少处理时间可以提高客户满意度。由于更有效的工具和流程,也可以预期提升的员工体验。 概念验证计划对这家医疗保健公司来说效果很好,可能是因为在开发过程中工人的参与度很高 andbecauseinfrastructureanddatasystemswerei