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 (AI). Šajā rakstā aplūkojam, kā mākslīgais intelekts (AI) 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 izaugsmei ilgtermiņā.

Pareiza, ar mākslīgo intelektu (AI) darbināta pieredzes orkestrēšanas stratēģija ļauj sasniegt abus.

Koordinējot datus, sistēmas, kanālus un lomas, orķestrācija veido pieredzi, kas ir efektīvāka, lietderīgāka un emocionāli inteliģenta gan klientu, gan darbinieku skatījumā. Arvien jauniem risinājumiem ienākot tirgū, mēs virzāmies uz universālu orķestrāciju – tā pārsniedz klientam redzamos procesus un aptver gan front, gan back-office. Tas ļauj organizācijām pārdomāt kontaktu centru lomu, klientu un darbinieku pieredzi, kā arī pārveidot uzņēmējdarbību kopumā.

Tālāk aprakstītie pieredzes orkestrēšanas līmeņi definē attīstības ceļu no pilnībā manuālas līdz pilnībā autonomai orkestrēšana1. Katrs līmenis apraksta būtisku ieskatu 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 telefonoijas sistēmas bez integrētiem rīkiem vai inteliģences. Cilvēk-aģenti paļaujas uz apmācībām un statisku dokumentāciju. Katrs ziņojums ir reaktīvs un nekonsekvents.

Nav vienota skata uz klientu un nav uzdevumu orkestrēšanai starp uzņēmuma 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 cilvēk-aģenta iesaisti.
• Papildināšana: Aģenti strādā bez sistēmas atbalsta. Netiek kontekstualizēti dati vai sniegta uzdevumam specifiska palīdzība.
• Personalizācija: Nav personalizācijas, kas balstīta uz klienta profilu vai vēsturi.
• Optimizācija: Dominē manuālas apmācības un statisks grafiku veidojums. Nav reāllaika skatu, 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: Cilvēk-aģenti apkalpošanas laikā var skatīt statiskus klientu datus, 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 datu ierakstiem, savukārt cilvēk-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 (AI) modeļi tiek izmantoti konkrētiem pielietojumiem (piemēram, maršrutēšanai vai iesaistei), bet vēl netiek vispārināti, lai noteiktu nākamo labāko darbību kopējā pieredzes kontekstā. 

• Automatizācija: Conversational AI 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: Cilvēk-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 individuālām vajadzībām - personalizācija ir ierobežota ar statiskiem ievaddatiem. Ieviešot pamata darbinieku iesaistes pārvaldības funkcionalitāti, tiek uzlabota uzdevumu sadale, ņemot vērā darbinieku prasmes un pieejamību.
• Optimizācija: Pieredzes tiek optimizētas, izmantojot specializētus prediktīvus AI modeļus maršrutēšanai, iesaistei un prognozēšanai. Kvalitātes nodrošināšanu atbalsta runas un teksta analītika.

3. līmenis – sistēmas ģenerētās sarunas

Ģeneratīvais AI (Generative AI) izmanto plaša mēroga valodas modeļus (Large Language Models - LLMs) un transformatoru arhitektūras, lai ģenerētu saturu atbilstoši savu iestatījumu robežām. AI 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 AI līmeņa modelis neizdara apsvērumus vai lēmumus ārpus tam dotajiem norādījumiem - tas vienkārši izpilda savu programmēšanu arvien plašākā un brīvākā formā.

• Automatizācija: Mākslīgā intelekta vadīti virtuālie asistenti spēj automatizēt plašāku un sarežģītāku saziņu, piemēram, palīdzību problēmu risināšanā, pasūtījumu statusa vai produktu informācijas pieprasījumos. Šie asistenti darbojas autonomi, taču tikai noteiktos darbplūsmas un noteikumu ietvaros. Tie nespēj pieņemt lēmumus vai izdarīt secinājumus ārpus iepriekš definētā. Tādas funkcijas kā nolūka atpazīšana un biežāk uzdoto jautājumu apstrāde ļauj tiem risināt niansētākus gadījumus, bet tikai tik tālu, cik to atļauj apmācība un konfigurācija. Virtuālie supervizori palīdz automatizēt operatīvo uzraudzību, informējot atbildīgās personas, balstoties uz iepriekš noteiktiem rādītājiem vai uzvedības signāliem.
• Papildināšana: Aģentu «kopiloti» (co-pilot) uzlabo cilvēka aģentu sniegumu, izgūstot un parādot būtiskus ieskatus - ieteikt nākamo labāko darbību, ģenerēt kopsavilkumus vai atrast datu ierakstus -, 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 zināšanu datus, neizkļūstot ārpus atbildības robežām.
• Personalizācija: Generative AI 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: Klientu ceļa (customer journey) orkestrēšana un pieredzes vadība tiek uzlabota, pateicoties AI 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 AI nav adaptīvs – tas izpilda apmācītās darbības un periodiski tiek pārapmācīts cilvēku vadībā, lai saglabātu aktualitāti. Uzdevumu, paziņojumu un darbplūsmu orķestrēšana starp front un back-office joprojām ir reaktīva, atbildot uz iepriekš definētiem nosacījumiem – nevis balstīta uz proaktīvu lēmumu pieņemšanu.

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 AI (agentic AI), kas interpretē kontekstu, plāno darbības pa soļiem un pielāgo rīcību, balstoties uz dinamiskiem ievaddatiem. Cilvēka iesaiste, apstiprinājums un uzraudzība joprojām ir būtiska sistēmas sastāvdaļa. Tas nodrošina atbilstību nodomiem un novērš pārmērīgu automatizācijas ietekmi.

• Automatizācija: Virtuālie aģenti, supervizori 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, zināšanu datu ierakstiem 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. Cilvēk-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 izvērtēšana vai politikas interpretācija, piemēram, hipotekāro aizdevumu apstiprināšana vai finanšu korekcijas, mākslīgais intelekts palīdz, sagatavojot visu lēmuma pieņemšanai nepieciešamo kontekstu. Tomēr galīgais lēmums joprojām ir 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.

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

AI 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.

AI 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 virtuālajiem 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 izpildītas automatizēti, pateicoties inteliģentai daudzlīmeņu sadarbībai.
• Papildināšana: Lai gan AI pārvalda lielāko daļu uzdevumu patstāvīgi, cilvēk-resursi joprojām ir būtiski priekš uzraudzības un stratēģiskiem lēmumiem. "Kopiloti" (co-pilot) 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 autonomie aģenti asistenti strādā kopā, daloties ar ieskatiem un starpsecinājumiem, lai efektīvi palīdzētu cilvēkiem. Darbinieki gūst labumu no koordinētas, kontekstam pielāgotas inteliģences, kas pielāgojas viņu lomai un darba plūsmai, ļaujot koncentrēties uz stratēģisku un ietekmīgu lēmumu pieņemšanu..
• Personalizācija: Pieredzi veido virtuālie administratori, supervizori un aģenti, katrs ar savu perspektīvu, kontekstu un funkcionalitāti. Šīs viedās sistēmas izmanto iepriekšējo interakciju datus, uzņēmuma zināšanu bāzi un uzvedības signālus, lai reāllaikā pielāgotu pieredzi. Personalizācija ir dinamiska un sadalīta - tā nav atkarīga no viena aģenta, bet veidojas kolektīvi, sadarbojoties visiem AI elementiem, kas saprot klienta mērķus, vēlmes un klienta ceļa (customer journey) posmu. Neatkarīgi no tā, vai klients komunicē vienā saziņas kanālā vai dažādos - aģenti sinhronizē savas darbības, nodrošinot saskaņotu, nozīmīgu un mērķim atbilstošu pieredzi katrā kontaktpunktā.
• Optimizācija: Optimizācija kļūst autonomāka, sadalīta un mērķorientēta. Katra ar mākslīgo intelektu darbinātā sistēma veicina veiktspējas uzlabošanu nevis atsevišķi, bet kā daļa no nepārtrauktas, sadarbībā balstītas mācīšanās ekosistēmas. 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 klientu pieredzes orķestrēšanas modelis parāda, kā uzņēmumi var pāriet no manuāliem procesiem uz viedām, ar mākslīgo intelektu darbinātām sistēmām, kas patstāvīgi uzlabo klientu un darbinieku pieredzi. Katrs līmenis atspoguļo būtisku AI attīstības soli — no atsevišķu uzdevumu automatizācijas līdz spējai plānot, spriest un rīkoties biznesa mērķu sasniegšanai.

Organizācijas bieži darbojas dažādos līmeņos vienlaikus, atkarībā no prioritātēm, klientu segmentiem un riska tolerances. Dažos gadījumos nepieciešama cieša cilvēka uzraudzība, bet citos — lielāka autonomija un elastība.

Svarīgs attīstības posms ir AI sistēmu savstarpējā sadarbība — aģenti dalās kontekstā, koordinē uzdevumus un pielāgojas klientu ceļā. Inteliģence kļūst izkliedēta un nepārtraukti mācās, dalās un optimizē pieredzi visos saskarsmes punktos..

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 (AI) 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 un pieredzes orķestrēšana.

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