گزارش Talkdesk: گلوگاه هوش مصنوعی در تجربه مشتری، هماهنگی سامانه‌هاست

هوش مصنوعی تجربه مشتری در بیشتر سازمان‌ها جا افتاده، اما استفاده از آن هنوز به حل سریع‌تر و کامل‌تر درخواست‌های مشتریان منجر نشده است. نظرسنجی Talkdesk و شرکت پژوهشی NewtonX از ۲۵۲ مدیر ارشد نشان می‌دهد که تنها ۱۵ درصد سازمان‌ها عامل‌های هوش مصنوعی را با سازوکار هماهنگی لازم برای رسیدگی خودکار به یک درخواست از ابتدا تا انتها به کار می‌گیرند؛ یافته‌ای که بنا بر گزارشی منتشرشده در ۲ اکتبر ۲۰۲۶، توجه را از «پذیرش فناوری» به اتصال سامانه‌ها، داده‌ها و گردش‌کارها معطوف می‌کند.

هوش مصنوعی تجربه مشتری؛ فاصله میان استفاده و نتیجه

شرکت‌کنندگان نظرسنجی از میان مدیران ارشد حوزه‌های تجربه مشتری، فناوری اطلاعات، عملیات و راهبرد هوش مصنوعی در سازمان‌های متوسط و بزرگ انتخاب شده‌اند و در چهار منطقه حضور داشته‌اند. گزارش Talkdesk با عنوان «وضعیت خودکارسازی عامل‌محور در تجربه مشتری» می‌گوید ۹۸ درصد سازمان‌های بررسی‌شده از دست‌کم یک نوع هوش مصنوعی در تجربه مشتری استفاده می‌کنند. این میزان برای هوش مصنوعی مولد ۷۴ درصد و برای سامانه‌های مبتنی بر قواعد از پیش تعیین‌شده ۶۵ درصد است.

با این حال، استفاده از عامل‌های هوش مصنوعی به‌مراتب محدودتر است: ۲۴ درصد سازمان‌ها گفته‌اند از این فناوری استفاده می‌کنند. عامل هوش مصنوعی سامانه‌ای است که می‌تواند هدفی را دریافت کند، برای رسیدن به آن گام‌هایی را در نظر بگیرد و در سامانه‌های مختلف دست به اقدام بزند؛ برای نمونه، نه‌فقط پاسخ‌گویی به پرسش مشتری، بلکه پیگیری مراحلی که برای رفع مشکل او لازم است.

گزارش میان داشتن چنین عامل‌هایی و توانایی هماهنگ‌کردن کار آن‌ها تفاوت می‌گذارد. فقط ۱۵ درصد سازمان‌ها هم عامل‌های هوش مصنوعی دارند و هم می‌توانند آن‌ها را در فرایندی هماهنگ به کار بگیرند تا درخواست مشتری را سرتاسری حل کنند. در همین حال، ۸۱ درصد شرکت‌کنندگان گفته‌اند در مرحله آزمایش یا استقرار عامل‌های هوش مصنوعی هستند، اما تنها ۱۹ درصد استفاده از این فناوری را فراتر از یک مورد کاربرد گسترش داده‌اند. نزدیک به ۸۰ درصد نیز کمتر از ۱۰ خودکارسازی هوش مصنوعی را در محیط عملیاتی خود دارند.

پدرو آندراده، معاون هوش مصنوعی Talkdesk، در جلسه‌ای برای تحلیلگران گفت پرسش اصلی دیگر این نیست که آیا سازمان‌ها هوش مصنوعی را به کار می‌گیرند یا نه؛ مسئله این است که آیا می‌توانند عامل‌ها، کارکنان انسانی، داده‌ها، دانش، فرایندها و سازوکارهای نظارتی را برای دستیابی به نتیجه‌ای قابل‌اندازه‌گیری کنار هم قرار دهند.

از مسیردهی درخواست تا حل واقعی آن

یکی از نکته‌های اصلی گزارش، تفاوت میان هدایت درخواست به بخش مناسب و حل کامل آن است. ۶۴ درصد سازمان‌ها از عامل‌های تخصصی برای کارهایی مانند تأیید هویت، امور مالی یا پشتیبانی فنی استفاده می‌کنند. اما فقط ۳۵ درصد سامانه‌هایی دارند که بتوانند زمینه تعامل با مشتری را حفظ کنند و در چند سامانه اقدام کنند تا به نتیجه‌ای واقعی برسند.

اگر با هر جابه‌جایی میان بخش‌ها، سابقه مشتری و اطلاعات لازم دوباره از نو گردآوری شود، خودکارسازی ممکن است فقط نقش مرکز مسیردهی هوشمندتری را بازی کند. آندراده برای توضیح این تفاوت به تصادف خودرو اشاره کرده است: یک حادثه می‌تواند هم‌زمان پیگیری امداد خودرو، ثبت خسارت، تعمیر خودرو و فراهم‌کردن وسیله جایگزین را لازم کند. از دید مشتری، این‌ها مراحل جداگانه نیستند؛ همگی بخشی از انتظار او برای رسیدگی به یک مسئله‌اند. گزارش می‌گوید تنها ۱۵ درصد شرکت‌ها قادرند چنین مسیرهایی را از ابتدا تا انتها خودکار کنند.

Talkdesk سطح بلوغ سازمان‌ها را در پنج مرحله دسته‌بندی می‌کند و دو شکاف مهم را در این مسیر می‌بیند. شکاف نخست عبور از هوش مصنوعی قاعده‌محور و مولد به سامانه‌هایی است که توان اقدام دارند؛ ۵۶ درصد سازمان‌ها هنوز پایین‌تر از این آستانه قرار دارند. شکاف بعدی، حرکت از عامل‌های جداافتاده به اجرای خودکار و هماهنگ در سامانه‌های مختلف است. طبق گزارش، ۲۹ درصد سازمان‌ها در گروهی قرار می‌گیرند که دست‌کم یکی از این دو قابلیت را دارند، در حالی که ۱۵ درصد در گروه رهبران تجربه مشتریِ عامل‌محور قرار گرفته‌اند و هر دو قابلیت را دارند.

این تفاوت در شاخص‌های گزارش‌شده نیز دیده می‌شود. رهبران این حوزه حدود چهار برابر بیشتر از گروه پیشروِ دارای یکی از قابلیت‌ها، از بهبود چشمگیر رضایت مشتری یا شاخص خالص ترویج‌کنندگان خبر داده‌اند: ۲۲ درصد در برابر ۵ درصد. شاخص خالص ترویج‌کنندگان، سنجه‌ای برای ارزیابی تمایل مشتری به توصیه یک شرکت یا محصول است. همچنین ۳۸ درصد رهبران می‌گویند بیش از ۴۰ درصد مسائل مشتریان را به‌طور خودکار حل می‌کنند؛ در مقابل، ۶۰ درصد گروه پیشرو هنوز کمتر از ۲۰ درصد مسائل را به این شکل حل می‌کند.

موانع اصلی در زیرساخت و داده‌هاست

در پاسخ به این پرسش که چه چیزی خودکارسازی تجربه مشتری را محدود می‌کند، شرکت‌کنندگان بیش از همه از مسائل اجرایی و زیرساختی نام بردند: انطباق با مقررات و الزامات سازمانی با ۵۰ درصد، امنیت با ۴۸ درصد، جداافتادگی سامانه‌ها با ۴۵ درصد و زیرساخت‌های قدیمی با ۴۴ درصد. کمبود مهارت با ۴۱ درصد و داده‌های غیریکپارچه یا نامناسب با ۴۰ درصد نیز در میان موانع پرتکرار بودند. به این ترتیب، بنا بر یافته‌های نظرسنجی، مهم‌ترین سدهای توسعه از ضعف مدل‌های هوش مصنوعی ناشی نمی‌شوند.

ناهماهنگی سامانه‌ها برای کارکنان انسانی نیز هزینه دارد. پاسخ‌دهندگان برآورد کرده‌اند که کارکنان بخش خدمات به‌طور متوسط ۲۸ درصد زمان خود را صرف جابه‌جایی میان سامانه‌ها، ورود دوباره داده‌ها و یافتن زمینه تعامل با مشتری می‌کنند. این سهم در سازمان‌های کم‌بلوغ‌تر به حدود ۳۵ درصد می‌رسد و در سازمان‌های بالغ‌تر به حدود ۲۵ درصد کاهش می‌یابد؛ تفاوتی که به معنای آزادشدن حدود ۱۰ درصد ظرفیت کارکنان در گروه بالغ‌تر است.

گزارش همچنین برآورد می‌کند که کمبود اطلاعات کامل، توضیح دوباره مسئله از سوی مشتری و ارجاع دستی، تقریباً یک‌چهارم تعاملات را تحت‌تأثیر قرار می‌دهد. مدیریت دانش نیز نقطه‌ضعف مهمی است: ۹۴ درصد سازمان‌ها گفته‌اند مدیریت دانشِ کمک‌گرفته از هوش مصنوعی ندارند. منظور از مدیریت دانش، سازمان‌دهی اطلاعات و پاسخ‌های موردنیاز کارکنان و سامانه‌هاست تا هنگام رسیدگی به درخواست، به‌سرعت و در بستر کار در دسترس باشد.

آندراده گفته است چالش فقط داشتن اطلاعات نیست؛ سازمان‌ها باید محتوای خود را به شکلی آماده کنند که هوش مصنوعی بتواند آن را به‌درستی استفاده کند. حتی در میان رهبران تجربه مشتری نیز فقط ۶۴ درصد دانش را در گردش‌کارها جای داده‌اند یا آن را با کمک هوش مصنوعی در دسترس قرار داده‌اند. گزارش نتیجه می‌گیرد محیطی که در آن کارکنان برای یافتن اطلاعات و کار میان سامانه‌ها با مشکل روبه‌رو هستند، برای فعالیت امن عامل‌های هوش مصنوعی نیز آماده نیست.

برای سنجش اثر، باید فرایندها را از نو طراحی کرد

گزارش به سازمان‌ها پیشنهاد می‌کند به‌جای شمردن عامل‌های مستقرشده، میزان حل واقعی درخواست‌ها را بسنجند: چند مسئله بدون دخالت انسان بسته می‌شود و چند مورد به بازسازی زمینه یا ارجاع دوباره نیاز دارد؟ از این نگاه، تعداد ابزارها به‌تنهایی معیار پیشرفت نیست؛ عامل‌هایی که میان بخش‌ها درخواست را منتقل می‌کنند اما آن را حل نمی‌کنند، لزوماً ارزش عملیاتی ایجاد نمی‌کنند.

Talkdesk همچنین بر آماده‌سازی داده‌ها و دانش پیش از افزودن عامل‌های بیشتر تأکید می‌کند. فقط ۲ درصد سازمان‌ها گفته‌اند داده‌های کاملاً یکپارچه دارند. برای شروع، گزارش پیشنهاد می‌کند شرکت‌ها چند مسیر پرتکرار مشتری را انتخاب و سامانه‌ها، تأییدها و استثناهای موجود در هر مسیر را بررسی کنند. چنین نقشه‌ای می‌تواند مشکلات مربوط به زیرساخت قدیمی و انطباق را پیش از گسترش پروژه آشکار کند.

اندازه‌گیری نیز باید از آغاز طراحی شود. فقط ۵ درصد سازمان‌ها قادرند اثر تجاری هوش مصنوعی را به‌روشنی محاسبه کنند. آندراده این مسئله را یکی از کاستی‌های مهم گزارش می‌داند و بر تعیین شاخص‌هایی مانند حل مسئله در نخستین تماس، نرخ حل خودکار، هزینه هر تماس و رضایت مشتری پیش از راه‌اندازی تأکید می‌کند؛ در غیر این صورت، شرکت‌ها ممکن است نتوانند تشخیص دهند سرمایه‌گذاری‌شان چه نتیجه‌ای داشته است.

اعتماد و نظارت نیز با افزایش نقش عامل‌ها اهمیت پیدا می‌کند. ۵۲ درصد پاسخ‌دهندگان کیفیت تصمیم‌گیری هوش مصنوعی را یکی از نگرانی‌های اصلی خود دانسته‌اند. در عین حال، ۹۹ درصد معتقدند همکاری نیروی انسانی و هوش مصنوعی سودمند است. گزارش به سازمان‌ها توصیه می‌کند برای عامل‌ها مسیر ارجاع به انسان، سازوکار کنترل کیفیت، نظارت بر عملکرد و مسئولیت‌پذیری تعریف کنند؛ مشابه آنچه برای یک گروه کاری تازه در نظر گرفته می‌شود.

مسیر توسعه نیز در همه صنایع یکسان نیست. طبق گزارش، خرده‌فروشی با سهم ۲۴ درصدی در میان رهبران، برای فرایندهای پرتکرار و پربسامد جلوتر است. سازمان‌های سلامت به اندازه میانگین بازار از هوش مصنوعی استفاده می‌کنند، اما با داده‌های جداافتاده و بازده ضعیف‌تری روبه‌رو هستند. در خدمات مالی، یکپارچگی داده‌ها بهتر گزارش شده، ولی تنها ۹ درصد سازمان‌ها در گروه رهبران قرار دارند؛ زیرساخت‌های قدیمی از موانع این بخش عنوان شده‌اند.

در مجموع، ۸۳ درصد سازمان‌ها انتظار دارند طی دو سال آینده هوش مصنوعی مسائل بیشتری را به‌طور خودکار حل کند. تحقق این انتظار، بر اساس گزارش، به اتصال سامانه‌ها، آماده‌سازی دانش و تعیین حدود و نظارت بر اختیار عامل‌ها وابسته است؛ کارهایی که پیش از گسترش خودکارسازی باید انجام شوند.

این خبر برای چه کسانی اهمیت دارد

یافته‌های این نظرسنجی برای مدیران فناوری اطلاعات، مسئولان تجربه مشتری و تیم‌هایی اهمیت دارد که در حال آزمایش یا استقرار عامل‌های هوش مصنوعی هستند. پیام اصلی گزارش این است که افزودن ابزارهای بیشتر، به‌تنهایی تضمین نمی‌کند مشتری مسئله‌اش را سریع‌تر حل کند. سازمان‌هایی که می‌خواهند از مرحله آزمایش عبور کنند باید بررسی کنند آیا داده‌ها، دانش و سامانه‌هایشان به عامل‌ها اجازه می‌دهد درخواست را با حفظ زمینه و رعایت الزامات، تا رسیدن به نتیجه پیگیری کنند یا نه.