บริษัทส่วนใหญ่ที่ลองใช้ AI เป็นครั้งแรกมักจะข้ามขั้นตอนไปเลือกใช้เครื่องมือทันที ซึ่งโดยปกติแล้วเป็นความผิดพลาด ธุรกิจที่ได้รับประโยชน์อย่างแท้จริงมักจะเริ่มต้นจากจุดที่ไม่น่าตื่นเต้นนัก นั่นคือ การค้นหาว่าปัญหาที่พวกเขากำลังแก้ไขคืออะไรอย่างแน่ชัด ก่อนที่จะเริ่มใช้แพลตฟอร์มใดๆ
แผนงานนี้อธิบายถึงสี่ขั้นตอนที่แยกตัวแทน AI ที่ใช้งานได้จริงออกจากโครงการทดลองที่มีราคาแพง โดยเริ่มต้นจากการกำหนดกรณีการใช้งานและจบลงด้วยสิ่งที่เกิดขึ้นหลังจากการเปิดตัว
โปรดอ่านต่อเพื่อดูว่าแต่ละขั้นตอนต่อยอดจากขั้นตอนก่อนหน้าอย่างไร
การกำหนดกรณีการใช้งานที่เหมาะสมสำหรับเอージェนต์ AI ตัวแรกของคุณ
การเลือกจุดเริ่มต้นที่เหมาะสมมีความสำคัญมากกว่าที่ทีมส่วนใหญ่คาดคิด เพราะมันเป็นตัวกำหนดว่าเอเจนต์จะรู้สึกมีประโยชน์หรือถูกทิ้งไว้เงียบๆ หลายคนมักอยากตั้งเป้าหมายใหญ่ แต่การเริ่มต้นจากจุดเล็กๆ และเฉพาะเจาะจงมักจะได้ผลดีกว่าสำหรับการใช้งานครั้งแรก
ต่อไปนี้คือข้อควรพิจารณาบางประการที่ช่วยสร้างกรณีการใช้งานเริ่มต้นที่แข็งแกร่ง:
ความสามารถในการทำซ้ำของงาน
กรณีการใช้งานแรกที่ดีนั้นเกิดขึ้นบ่อยครั้งพอที่จะสร้างข้อมูลที่มีความหมายได้ภายในไม่กี่สัปดาห์ ไม่ใช่หลายเดือน พนักงานที่ตอบคำถามลูกค้าวันละห้าคำถามจะไม่เปิดเผยจุดแข็งหรือจุดอ่อนมากนัก แต่กรณีอย่างเช่น คำขอรีเซ็ต mật รหัสผ่าน หรือการตรวจสอบสถานะคำสั่งซื้อ ซึ่งอาจเข้ามาหลายสิบครั้งต่อวัน จะทำให้ทีมมีปริมาณมากพอที่จะประเมินประสิทธิภาพได้อย่างรวดเร็ว
เกณฑ์ความสำเร็จที่ชัดเจน
ก่อนที่จะสร้างอะไรก็ตาม ทีมงานจำเป็นต้องมีวิธีตรวจสอบว่าเอเจนต์ทำงานได้ถูกต้องหรือไม่ บริษัทโลจิสติกส์อาจติดตามจำนวนคำถามเกี่ยวกับการขนส่งที่ได้รับการแก้ไขโดยไม่ต้องมีการส่งต่อให้มนุษย์ ตัวเลขนั้นจะกลายเป็นเกณฑ์พื้นฐานในการตัดสินใจว่าเอเจนต์จะได้รับบทบาทที่ใหญ่ขึ้นในภายหลังหรือไม่
ผลกระทบจากความล้มเหลวที่ถูกจำกัด
พนักงานใหม่ ๆ อาจทำผิดพลาดได้ ดังนั้นกรณีการใช้งานควรจำกัดขอบเขตความเสียหายที่เกิดจากความผิดพลาดนั้น พนักงานที่ร่างสรุปการประชุมภายในมีความเสี่ยงน้อยกว่าพนักงานที่ออกเงินคืนโดยอัตโนมัติ การเริ่มต้นด้วยงานที่มีความเสี่ยงต่ำจะช่วยให้ทีมมีเวลาแก้ไขปัญหาได้ก่อนที่จะถึงมือลูกค้า
การเลือกโครงสร้างพื้นฐานและเครื่องมือที่เหมาะสม
การตัดสินใจด้านโครงสร้างพื้นฐานมักจะถูกเร่งรีบเมื่อมีการกำหนดกรณีการใช้งานแล้ว แต่การตัดสินใจเหล่านี้จะกำหนดปริมาณงานที่เหลือของโครงการ ทีมบางทีมสร้างทุกอย่างภายในองค์กรเอง ในขณะที่ทีมอื่นๆ พึ่งพาพันธมิตรภายนอกในการวางรากฐานทางเทคนิค
ปัจจัยต่อไปนี้เป็นปัจจัยบางส่วนที่มักใช้ในการตัดสินใจ:
ดำเนินการเองภายในองค์กรเทียบกับการว่าจ้างบริษัทภายนอกมาดูแลการก่อสร้าง
การสร้างเอเจนต์ขึ้นมาใหม่ทั้งหมดหมายถึงการรับผิดชอบการผสานรวม การอัปเดต และการแก้ไขข้อผิดพลาดทั้งหมดในอนาคต ในขณะที่ผู้ให้บริการจัดการระบบมักนำโครงสร้างพื้นฐานที่มีอยู่แล้วซึ่งได้รับการทดสอบแล้วในการใช้งานอื่นๆ มาใช้
เรื่องนี้มีความสำคัญอย่างยิ่งสำหรับตัวแทนขายที่ใช้ AI โดยเฉพาะอย่างยิ่ง ในกรณีที่ผู้ให้บริการนำเสนอระบบ CRM และการจัดการลูกค้าเป้าหมายที่สร้างไว้ล่วงหน้า ซึ่งหากพัฒนาเองภายในองค์กรอาจต้องใช้เวลาหลายเดือน ทีมที่กำลังพิจารณาทั้งสองแนวทางควรคำนึงถึงไม่เพียงแค่เวลาในการพัฒนาเท่านั้น แต่ยังรวมถึงการบำรุงรักษาที่จะตามมาด้วย
ความซับซ้อนของการบูรณาการ
ตัวแทนบางคนจำเป็นต้องเชื่อมต่อกับระบบเดียว เช่น แพลตฟอร์มฝ่ายบริการลูกค้า ในขณะที่บางคนเชื่อมต่อกับเครื่องมือหลายอย่างพร้อมกัน ทีมขายอาจต้องการตัวแทนที่ดูแลระบบ CRM แพลตฟอร์มอีเมล และเครื่องมือการจัดตารางนัดหมายพร้อมกัน การเชื่อมต่อที่มากขึ้นมักหมายถึงจุดที่อาจเกิดปัญหาได้มากขึ้น
เกณฑ์การประเมินผู้ขาย
ไม่ใช่ผู้ให้บริการทุกรายที่จะให้การสนับสนุนในระดับเดียวกันเมื่อเอเจนต์เริ่มใช้งานจริง ทีมควรสอบถามว่าผู้ให้บริการจัดการกับปัญหาการหยุดทำงานอย่างไร สามารถปรับแต่งอะไรได้บ้าง และราคาจะเปลี่ยนแปลงอย่างไรตามการใช้งาน คำตอบเหล่านี้มักมีความสำคัญมากกว่าการสาธิตครั้งแรก เนื่องจากเป็นตัวกำหนดว่าความสัมพันธ์จะยั่งยืนหรือไม่ในระยะยาว
การสร้างและทดสอบเอเจนต์ก่อนเปิดตัว
คุณภาพของข้อมูลการฝึกอบรมมีผลต่อทุกสิ่งที่จะเกิดขึ้นในขั้นตอนต่อไป เนื่องจากประสิทธิภาพของเอเจนต์ขึ้นอยู่กับสิ่งที่เรียนรู้จากข้อมูลนั้นๆ ทีมสนับสนุนที่ใช้เอกสารเก่าจะทำให้เอเจนต์ให้คำตอบที่ล้าสมัย การตรวจสอบแหล่งข้อมูลก่อนเริ่มการฝึกอบรมจะช่วยตรวจพบปัญหานี้ได้ตั้งแต่เนิ่นๆ แทนที่จะรอจนลูกค้าพบปัญหา
นอกเหนือจากตัวข้อมูลเองแล้ว การกำหนดขอบเขตที่ชัดเจนจะช่วยป้องกันไม่ให้ตัวแทนก้าวล้ำบทบาทของตน ตัวแทนที่ไม่มีการกำหนดขอบเขตที่ชัดเจนอาจเสนอส่วนลดที่ตนไม่มีอำนาจอนุมัติ เพียงเพราะไม่มีอะไรมาห้าม การกำหนดว่าอะไรคือสิ่งที่ตัวแทนสามารถตัดสินใจได้ด้วยตนเอง และอะไรคือสิ่งที่ต้องได้รับการอนุมัติจากมนุษย์ จะช่วยป้องกันสถานการณ์เหล่านี้ก่อนที่จะเกิดขึ้น
เมื่อมีการฝึกอบรมและกำหนดขอบเขตแล้ว การทดสอบกับข้อมูลป้อนเข้าที่ซับซ้อนและสถานการณ์จริงมีความสำคัญมากกว่าการทดสอบกับกรณีในอุดมคติ บริษัทค้าปลีกที่ให้บริการลูกค้าผ่านตัวแทนอาจพบว่าตัวแทนสามารถจัดการกับคำถามที่สุภาพและชัดเจนได้ดี แต่มีปัญหาในการจัดการกับข้อความที่แสดงความไม่พอใจและมีข้อผิดพลาดทางไวยากรณ์ การทดลองใช้งานภายในระยะสั้นก่อนเปิดตัวอย่างเต็มรูปแบบจะช่วยให้พบช่องว่างเหล่านี้ในขณะที่ยังแก้ไขได้ง่าย
การติดตาม ตรวจสอบ และปรับขนาดหลังการใช้งานจริง
ช่วงสองสามสัปดาห์แรกหลังการเปิดตัวเผยให้เห็นพฤติกรรมในโลกแห่งความเป็นจริงของเอเจนต์ได้มากกว่าการทดสอบก่อนเปิดตัวใดๆ บริษัทโลจิสติกส์อาจค้นพบว่าลูกค้าสอบถามเกี่ยวกับความล่าช้าในการจัดส่งในรูปแบบที่ข้อมูลการฝึกอบรมไม่เคยคาดคิดมาก่อน การตรวจสอบอย่างใกล้ชิดในช่วงเวลานี้จะช่วยตรวจจับช่องโหว่เหล่านั้นก่อนที่จะส่งผลกระทบต่อปฏิสัมพันธ์จำนวนมาก
จากนั้น การติดตามประสิทธิภาพเทียบกับตัวชี้วัดที่กำหนดไว้ก่อนหน้านี้ จะเปลี่ยนการตรวจสอบให้เป็นสิ่งที่สามารถนำไปปฏิบัติได้จริง อัตราการแก้ไขปัญหาที่ลดลงอาจบ่งชี้ถึงประเภทคำถามเฉพาะที่เจ้าหน้าที่เข้าใจผิดอยู่บ่อยครั้ง การตรวจสอบรูปแบบดังกล่าวทุกสัปดาห์ แทนที่จะรอการตรวจสอบรายไตรมาส จะทำให้ปรับปรุงเจ้าหน้าที่ได้ง่ายขึ้นก่อนที่ปัญหาเล็กๆ จะบานปลาย
เมื่อประสิทธิภาพการทำงานคงที่ในระยะเวลาหนึ่ง การขยายขนาดจึงเป็นขั้นตอนต่อไปที่สมเหตุสมผลมากกว่าการคาดเดา ธุรกิจอาจขยายทีมเจ้าหน้าที่ฝ่ายสนับสนุนเพื่อจัดการกับคำถามเกี่ยวกับการเรียกเก็บเงินหลังจากที่สามารถตอบคำถามเกี่ยวกับการจัดส่งได้อย่างน่าเชื่อถือมาหลายเดือน การเพิ่มบุคลากรใหม่แต่ละครั้งจะได้ผลดีที่สุดเมื่อปฏิบัติตามพื้นฐานเดียวกันกับที่วางไว้ในขั้นตอนก่อนหน้า ตั้งแต่การกำหนดกรณีการใช้งานไปจนถึงการทดสอบอย่างถูกต้อง
ข้อสรุป
การนำระบบ AI ไปใช้งานอย่างประสบความสำเร็จนั้นขึ้นอยู่กับลำดับขั้นตอน การข้ามขั้นตอนหรือเร่งรีบผ่านขั้นตอนหนึ่งไปยังอีกขั้นตอนหนึ่งมักจะทำให้เกิดปัญหาในภายหลังซึ่งแก้ไขได้ยากกว่า ธุรกิจที่ดำเนินการตามแต่ละขั้นตอนอย่างรอบคอบจะได้รับระบบ AI ที่สามารถใช้งานได้จริงในสภาพแวดล้อมจริง