Techniczne omówienie sześciu funkcji AI, które zmniejszyły obciążenie obsługi o 48,5%. Poznaj konkretne problemy, które rozwiązuje każda z nich, podejście do implementacji i wymierne wyniki od lidera operacji wsparcia.
Jozef Štofira spędził ponad 15 lat zarządzając globalnymi zespołami technicznymi i skalując wsparcie na ponad 100 rynkach, a teraz kieruje operacjami obsługi klienta w Quality Unit. Jego najnowsza prezentacja na E-commerce Mastermind skupiała się nie na teorii AI, ale na konkretnych funkcjach AI, które zespół LiveAgent wdrożył przy użyciu FlowHunt oraz wymiernych wynikach, które osiągnęli.
Poniżej znajduje się jego zestawienie sześciu odrębnych funkcji AI, jak każda z nich rozwiązuje konkretne wąskie gardła w obsłudze oraz udokumentowane ulepszenia operacyjne jego zespołu.
Jeśli jesteś zainteresowany kompletną historią implementacji AI w LiveAgent ze szczegółowymi metrykami, zobacz nasz case study sukcesu LiveAgent .
Wiele zespołów wsparcia prędzej czy później stanie przed tym samym problemem: wolumen zgłoszeń rośnie szybciej niż budżety. Tradycyjne podejście polegające na proporcjonalnym skalowaniu liczby pracowników do wolumenu zgłoszeń w końcu napotyka ograniczenia finansowe. Tymczasem przepracowani obecni agenci doświadczają wypalenia z powodu powtarzalnych zapytań, które pochłaniają czas lepiej spędzony na rzeczywistych problemach klientów.
Podejście Jozefa Štofiry koncentrowało się na identyfikacji zadań wsparcia, które maszyny mogą obsłużyć lepiej niż ludzie i odfiltrowanie ich. Ostatecznym celem było przekierowanie uwagi agentów na interakcje o wysokiej wartości, gdzie ludzki osąd, empatia i ekspertyza mają największe znaczenie.
Jozef Štofira przedstawił ustrukturyzowaną implementację AI opartą na dyskretnych funkcjach, z których każda celuje w konkretne wąskie gardło w obsłudze. Zamiast wdrażać monolityczny “system obsługi AI”, jego zespół zaimplementował rozwiązania bezpośrednio adresujące konkretne nieefektywności.
Problem: Przeciążenie powtarzalnymi pytaniami, pytaniami przedsprzedażowymi i ogólnymi zapytaniami informacyjnymi niezwiązanymi z rzeczywistymi potrzebami wsparcia produktowego.
Rozwiązanie: Chatbot AI FlowHunt połączony bezpośrednio z dokumentacją i bazą wiedzy LiveAgent, wdrożony specjalnie tylko na stronach o dużym ruchu i niskiej złożoności.
Wynik: 48,5% redukcja w ręcznym wolumenie czatów na żywo. LiveAgent przeszedł z 3 500 miesięcznych rozmów wymagających agentów ludzkich do 1 800. Chatbot obsługuje teraz różnicę autonomicznie, filtrując zapytania i eskalując tylko te, które rzeczywiście wymagają ludzkiej ekspertyzy.
Kluczową decyzją było stworzenie chatbota, który nie próbuje obsługiwać wszystkiego. Koncentruje się tylko na defleksji podstawowych pytań, wyszukiwaniu dokumentacji i pomocy w prostym rozwiązywaniu problemów, jednocześnie natychmiast eskalując złożoność poziomu 2 do agentów ludzkich.
Problem: Tradycyjne filtry spamu zawodzą wobec wyrafinowanych wiadomości cold outreach i częściowo istotnych wiadomości, które technicznie nie są spamem, ale też nie są prawidłowymi zapytaniami wsparcia.
Rozwiązanie: Analiza AI kontekstu i intencji zamiast dopasowywania słów kluczowych. System ocenia, czy przychodząca wiadomość reprezentuje rzeczywistą potrzebę wsparcia, czy powinna być automatycznie zamknięta.
Wynik: Przy wolumenie ponad 2 000 miesięcznych zgłoszeń eliminuje to 3-6 godzin czystego czasu agenta miesięcznie spędzonego na ręcznym przeglądzie spamu.
Różnica polega na tym, że systemy oparte na regułach szukają wzorców, podczas gdy AI ocenia intencję. Zimny e-mail sprzedażowy może nie uruchomić słów kluczowych spamu opartych na regułach, ale wyraźnie nie jest zapytaniem wsparcia wymagającym uwagi agenta.
Problem: Ręczna kategoryzacja pod presją czasu prowadzi do niespójności i luk. Przed wdrożeniem AI 15% zgłoszeń pozostawało bez kategorii, tworząc martwe punkty w analityce wsparcia i alokacji zasobów.
Rozwiązanie: Automatyczna analiza AI i przypisanie kategorii przez API w momencie wprowadzenia zgłoszeń do systemu.
Wynik: Całkowita eliminacja zgłoszeń bez kategorii (z 15% do 0%). Przy wolumenach przekraczających 10 000 zgłoszeń to 14-28 godzin zaoszczędzonych miesięcznie.
Szerszy wpływ polega na tym, że kierownictwo wsparcia ma teraz dokładne, kompletne dane do analizy trendów, planowania mocy i pomiaru wydajności zespołu—dane wcześniej zepsute przez niespójną ręczną kategoryzację.
Problem: Klienci często przesyłają zapytania wsparcia bez istotnych informacji potrzebnych do rozwiązania. Agenci ręcznie przeglądają, identyfikują luki i proszą o dodatkowe szczegóły, co opóźnia rozwiązanie i pochłania zasoby.
Rozwiązanie: Chatbot FlowHunt przeprowadza kontrole walidacji przychodzących zapytań. Chatbot identyfikuje brakujące informacje i natychmiast o nie prosi. Dla zapytań kompletnych i prawidłowych system zapewnia natychmiastowe potwierdzenie i odpowiednie kierowanie.
Wynik: 5-10 godzin miesięcznie zaoszczędzonych przy wolumenie ponad 600 zapytań, plus znacząca poprawa doświadczenia klienta poprzez natychmiastową informację zwrotną zamiast opóźnionych próśb o wyjaśnienie.
Klienci otrzymują teraz natychmiastowe wskazówki dotyczące tego, co jest potrzebne, zamiast czekać, aż agent poprosi o więcej informacji. To znacznie przyspiesza ogólny czas rozwiązania.
Problem: Nawet gdy agenci muszą osobiście obsłużyć zgłoszenia, czas jest marnowany na redagowanie odpowiedzi, przeszukiwanie dokumentacji i zapewnienie spójnego głosu marki oraz dokładności technicznej.
Rozwiązanie: Szkice odpowiedzi generowane przez AI FlowHunt czerpią istotne informacje z bazy wiedzy bez konieczności ręcznego wprowadzania przez agenta. Pozostaje tylko przejrzenie, wprowadzenie zmian i wysłanie. Nawet w przypadku złożonych odpowiedzi agenci mogą po prostu dostarczyć krótkie instrukcje, które AI rozszerza w kompletne, profesjonalnie sformatowane odpowiedzi.
Wynik: 2-3 minuty zaoszczędzone na odpowiedź. Przy ponad 4 000 miesięcznych odpowiedziach wymagających tego poziomu zaangażowania, około 166 godzin zaoszczędzonych miesięcznie.
Ma to również pozytywny wpływ na szkolenie. Nowsi agenci mogą natychmiast tworzyć odpowiedzi na poziomie eksperckim dzięki kompleksowemu dostępowi do bazy wiedzy przez AI, eliminując stres gorączkowego czytania dokumentacji.
Problem: Określenie, kiedy automatyzacja powinna obsługiwać interakcję, a kiedy potrzebna jest ludzka uwaga, oraz zapewnienie płynnych przejść, które nie zmuszają klientów do powtarzania informacji.
Rozwiązanie: Zdefiniuj reguły eskalacji, aby określić, kiedy chatbot FlowHunt odpowiada niezależnie, a kiedy przekazuje do agentów ludzkich. Pełna historia rozmowy i kontekst przechodzi z każdym przekazaniem.
Wynik: Klienci doświadczają płynnych przejść. Agenci otrzymują pełny kontekst i mogą kontynuować rozmowy naturalnie zamiast zaczynać od zera.
Ta funkcja nie polega na maksymalizacji procentu automatyzacji, ale na optymalizacji granicy między tym, co obsługują maszyny, a tym, co obsługują ludzie, zapewniając, że każdy działa w swoim obszarze siły.
Rozpocznij bezpłatny okres próbny już dziś i zobacz rezultaty w ciągu kilku dni.
Jozef dołączył przykład tego, jak te sześć funkcji integruje się w całym kompletnym cyklu życia zapytania wsparcia, od początkowego kontaktu klienta do rozwiązania:
Etap 1: Inteligentne przyjmowanie
Gdy klient inicjuje kontakt, dwie funkcje AI aktywują się natychmiast. Anty-spam ocenia, czy jest to rzeczywista potrzeba wsparcia, czy powinna być automatycznie zamknięta. Jednocześnie automatyczna kategoryzacja analizuje treść i przypisuje odpowiednie tagi przed jakimkolwiek ludzkim przeglądem.
To frontowe filtrowanie zapewnia, że agenci widzą tylko legitymne zapytania wsparcia, które są już odpowiednio skategoryzowane do kierowania i priorytetyzacji.
Etap 2: Hybrydowa obsługa czatu
Chatbot FlowHunt zarządza przychodzącymi rozmowami i bezpośrednio odpowiada na proste zapytania. Gdy złożoność przekracza możliwości bota lub klienci wyraźnie proszą o pomoc ludzką, inteligentna eskalacja przekazuje rozmowę do agentów na żywo z pełnym kontekstem.
To tworzy system warstwowy, w którym AI obsługuje to, co może, a ludzie obsługują to, co powinni, z płynnym przekazaniem zapewniającym, że klienci nigdy nie doświadczają tarcia w punkcie przejścia.
Etap 3: Przyspieszenie agenta
Dla zapytań wymagających ludzkiej obsługi, asystent odpowiedzi zasilany przez FlowHunt jest dostępny w oknie odpowiedzi. Może generować szkice odpowiedzi wykorzystujące istotne informacje z dokumentacji i dawać agentom albo punkt wyjścia, albo znacznie redukować czas spędzony na badaniu odpowiedzi.
Tymczasem automatyzacja obsługuje rutynowe potwierdzenia i standardowe odpowiedzi, takie jak potwierdzenia próśb o demo, bez jakiegokolwiek zaangażowania agenta.
Etap 4: Ciągła pętla uczenia
Ostatni etap obejmuje wydobywanie luk w wiedzy zidentyfikowanych podczas interakcji obsługiwanych przez ludzi. Gdy rozmowy chatbota ujawniają pytania, na które AI nie mogło odpowiedzieć z istniejącej dokumentacji, system przechwytuje eksperckie rozwiązanie dostarczone przez agentów ludzkich.
Ta informacja staje się podstawą dla nowych artykułów bazy wiedzy, rozszerzając możliwości chatbota w czasie bez konieczności ręcznego rozwoju bazy wiedzy. System uczy się z każdej interakcji, której nie może w pełni zautomatyzować.
Zespół LiveAgent nie wdrożył wszystkich sześciu funkcji jednocześnie. Tak jak Michal Lichner nakreślił w swoim przewodniku implementacji AI , wdrażali stopniowo, zaczynając od funkcji o największym wpływie i najmniejszej złożoności, i kontynuowali z codziennym monitorowaniem wszystkich funkcji.
Chatbot uruchomiono początkowo w określonych sekcjach strony internetowej, gdzie błędnie skierowany ruch był najcięższy, takich jak blogi i strony słownikowe, zamiast na kluczowych stronach wsparcia produktowego. Pozwoliło to zespołowi udoskonalić prompty, rozszerzyć FAQ i zwalidować wydajność przed rozszerzeniem na bardziej techniczne scenariusze wsparcia.
Automatyczna kategoryzacja była następna, adresując natychmiastowy problem integralności danych, który szkodził analityce wsparcia. Gdy dokładna kategoryzacja została ustanowiona, inne funkcje zależne od odpowiedniego kierowania i priorytetyzacji mogły budować na tym fundamencie.
Asystent odpowiedzi został wdrożony jako ostatni wśród funkcji skierowanych do klienta, po tym jak zespół zbudował pewność w zdolność AI do utrzymania głosu marki i dokładności technicznej poprzez mniej widoczne implementacje.
Każda funkcja przechodziła codzienne monitorowanie podczas początkowego wdrożenia. Zespół udoskonalał prompty systemowe, rozszerzał bazy wiedzy i dostosowywał reguły eskalacji w oparciu o rzeczywiste interakcje z klientami, a nie teoretyczne scenariusze.
Otrzymuj najnowsze wskazówki, trendy i oferty za darmo.
Funkcje AI integrują się bezpośrednio z istniejącą infrastrukturą helpdesk LiveAgent poprzez połączenia API zamiast wymagać całkowitej wymiany systemu. Pozwoliło to na stopniowe wdrażanie bez zakłócania bieżących operacji.
Integracja bazy wiedzy wykorzystuje zatwierdzoną dokumentację firmową jako źródło prawdy zamiast polegać na ogólnym treningu AI. To drastycznie zmniejsza ryzyko halucynacji i zapewnia spójne, dokładne odpowiedzi zgodne z rzeczywistymi politykami i procedurami firmy.
System eskalacji używa zdefiniowanych reguł zamiast probabilistycznego podejmowania decyzji. Gdy występują określone wyzwalacze—klient wyraźnie prosi o pomoc ludzką, pewność AI spada poniżej progu, złożoność rozmowy przekracza zdefiniowane parametry—przekazanie następuje automatycznie z pełnym transferem kontekstu.
Walidacja zapytań działa poprzez dopasowywanie szablonów i sprawdzanie wymaganych pól zamiast próby zrozumienia arbitralnych stylów komunikacji klienta. To pragmatyczne podejście adresuje 90% niekompletnych zgłoszeń bez złożoności rozumienia języka naturalnego.
Zastanawiając się nad implementacją, Štofira identyfikuje również warunki wstępne, które muszą istnieć, zanim AI może dostarczyć te wyniki:
Zorganizowana wiedza: Kompleksowa, dobrze utrzymywana dokumentacja jest kluczowa. AI nie może magicznie zorganizować rozproszonej wiedzy plemiennej. Potrzebuje ustrukturyzowanej, dostępnej informacji do pracy.
Jasna definicja procesu: Reguły eskalacji, schematy kategoryzacji i szablony odpowiedzi musiały być wyraźnie zdefiniowane. AI potrzebuje struktury, w której może działać, a nie niejasnych wytycznych dotyczących “dobrego osądu”.
Zobowiązanie do iteracji: Obecna wydajność wynikała z miesięcy udoskonalania, a nie początkowego wdrożenia. Zespół zobowiązał się do codziennego monitorowania, ciągłego doskonalenia promptów i bieżącego rozszerzania FAQ w oparciu o rzeczywiste interakcje z klientami.
Zdolność integracji: Możliwość połączenia funkcji AI z istniejącymi systemami poprzez API umożliwiła stopniowe wdrażanie. Bez tego zespół stanąłby przed wymianą systemu typu wszystko albo nic, która byłaby zbyt ryzykowna do podjęcia.
Realistyczne oczekiwania: Zarząd rozumiał, że AI będzie wymagało czasu na naukę i nie osiągnie szczytowej wydajności natychmiast. Ta cierpliwość umożliwiła zespołowi odpowiednią optymalizację zamiast porzucania systemów przy pierwszych oznakach niedoskonałości.
Prezentacja zakończyła się krótką wzmianką o przyszłych kierunkach, które jego zespół bada. Obejmują one rozszerzenie możliwości asystenta odpowiedzi AI na zgłoszenia e-mailowe poza czatem, rozwijanie zautomatyzowanych przepływów pracy, które przekształcają rozwiązane interakcje wsparcia w artykuły bazy wiedzy oraz rozszerzanie autonomicznego przetwarzania zgłoszeń na dodatkowe kanały komunikacji, w tym WhatsApp i platformy mediów społecznościowych.
Ta struktura oferuje praktyczne wskazówki dla liderów wsparcia oceniających, od czego zacząć z AI.
Ważne jest, aby zacząć od identyfikacji najbardziej powtarzalnych interakcji wsparcia o największym wolumenie. Reprezentują one najlepsze początkowe cele, ponieważ sukces jest najbardziej osiągalny, a wpływ najbardziej mierzalny. To podejście uchroni cię przed wczesnym wypaleniem. Pamiętaj, aby nie oczekiwać perfekcji od razu, ale monitorować wydajność i znajdować przestrzeń do poprawy. Tylko z jasnymi regułami, wystarczającymi źródłami wiedzy i pętlą uczenia AI może naprawdę zacząć przynosić korzyści twoim operacjom wsparcia.
Wyniki LiveAgent pokazują, że AI w obsłudze klienta działa, gdy jest wdrażane przemyślanie z jasnymi kryteriami sukcesu i realistycznymi oczekiwaniami. Pytanie nie brzmi, czy AI może poprawić operacje wsparcia, ale raczej, czy zespoły mogą zobowiązać się do systematycznego podejścia funkcja po funkcji, które sprawia, że te ulepszenia są trwałe.
Operacyjna struktura Jozefa pokazuje, jak funkcje AI działają w praktyce, obsługując codzienną rzeczywistość obsługi klienta na dużą skalę. Jeśli jesteś zainteresowany złożoną implementacją AI, sprawdź nasze inne artykuły z serii:
Mapa drogowa implementacji Michala Lichnera ustanowiła fundamenty strategiczne—gdzie skupić wysiłki AI i jak systematycznie przygotować treść i procesy przed wdrożeniem.
Infrastruktura techniczna Viktora Zemana zapewnia, że po zautomatyzowaniu operacji wsparcia klienci mogą cię faktycznie odkryć poprzez wyszukiwanie i protokoły handlowe pośredniczone przez AI.
Razem te trzy perspektywy tworzą kompletny obraz: planowanie strategiczne, wykonanie operacyjne i infrastruktura techniczna dla e-commerce w środowisku handlu pośredniczonego przez AI.
Sześć funkcji to: (1) Chatbot AI do defleksji zapytań poziomu 1, (2) Anty-spam poprzez analizę kontekstową, (3) Automatyczna kategoryzacja dla integralności danych, (4) Walidacja zapytań i sprawdzanie kompletności, (5) Asystent odpowiedzi do przyspieszenia reakcji oraz (6) Inteligentna eskalacja i przekazanie. Każda funkcja celuje w konkretne wąskie gardło operacyjne, zamiast próbować monolitycznej transformacji AI.
Wdrażaj stopniowo, funkcję po funkcji, zaczynając od najbardziej powtarzalnych interakcji o największym wolumenie. Wdrażaj każdą funkcję indywidualnie, waliduj sukces za pomocą mierzalnych wskaźników, a następnie rozszerzaj. Zacznij od obszarów takich jak czaty na stronach blogowych lub automatyczna kategoryzacja, gdzie sukces jest najbardziej osiągalny, budując pewność przed przejściem do scenariuszy wsparcia technicznego. Planuj miesiące optymalizacji, a nie dni wdrożenia.
Niezbędne warunki wstępne obejmują: zorganizowane, dostępne bazy wiedzy z kompleksową dokumentacją; jasne definicje procesów dla reguł eskalacji i schematów kategoryzacji; możliwość integracji API z istniejącymi systemami helpdesk; zobowiązanie do codziennego monitorowania i iteracyjnego doskonalenia; oraz realistyczne oczekiwania, że obecna wydajność wymaga miesięcy udoskonalania, a nie natychmiastowej perfekcji.
Cykl życia integruje wszystkie funkcje: Etap 1 (Inteligentne przyjmowanie) wykorzystuje anty-spam i auto-kategoryzację do filtrowania i kierowania zapytań. Etap 2 (Przyspieszenie agenta) aktywuje asystenta odpowiedzi do szkiców odpowiedzi i automatyzuje rutynowe potwierdzenia. Etap 3 (Hybrydowy czat) łączy obsługę chatbota z inteligentną eskalacją do agentów ludzkich. Etap 4 (Pętla uczenia) przechwytuje luki w wiedzy z interakcji ludzkich, aby rozszerzyć możliwości AI w czasie.
Maria jest copywriterką w FlowHunt. Językowa pasjonatka aktywna w społecznościach literackich, doskonale zdaje sobie sprawę, że AI zmienia sposób, w jaki piszemy. Zamiast się temu opierać, stara się pomóc zdefiniować doskonałą równowagę między procesami opartymi na AI a niezastąpioną wartością ludzkiej kreatywności.
Zbuduj te same sześć funkcji AI, które przekształciły zespół wsparcia LiveAgent—defleksja chatbota, anty-spam, auto-kategoryzacja, walidacja zapytań, asystent odpowiedzi i inteligentna eskalacja.
Dowiedz się, jak zespół wsparcia LiveAgent wdrożył chatbota AI FlowHunt do automatyzacji kategoryzacji zgłoszeń, inteligentnego przekazywania spraw do agentów i...
Przewodnik technicznego założyciela po implementacji protokołów handlu AI (UCP, ACP, AP2), opanowaniu podstaw technicznego SEO i generowaniu treści zoptymalizow...
FlowHunt umożliwia bezproblemową automatyzację AI dzięki platformie no-code, dając użytkownikom możliwość tworzenia własnych narzędzi. Założona przez QualityUni...
Zgoda na Pliki Cookie
Używamy plików cookie, aby poprawić jakość przeglądania i analizować nasz ruch. See our privacy policy.
