Η Τεχνητή Νοημοσύνη στην Εξυπηρέτηση Πελατών Συναντά Ένα Ανθρώπινο Πρόβλημα
Επιβάτες της Norse Atlantic Airways ανέφεραν στις 31 Μαρτίου ότι ακυρωμένες πτήσεις, σελίδες επιστροφής χρημάτων που δεν λειτουργούσαν και δυσκολία στην εύρεση ανθρώπινης βοήθειας μετέτρεψαν ρουτινιάρικα θέματα εξυπηρέτησης σε ακριβές δοκιμασίες. Η υπόθεση έχει σημασία επειδή η τεχνητή νοημοσύνη στην εξυπηρέτηση πελατών μπορεί να αυξήσει τη διαθεσιμότητα και να μειώσει το κόστος διαχείρισης, αλλά μπορεί επίσης να αυξήσει την έκθεση σε απάτες και τη ζημιά στην εμπιστοσύνη όταν οι διαδρομές κλιμάκωσης εξαφανίζονται. Σύμφωνα με την έκθεση του WIRED για τις καταγγελίες κατά της Norse, το πρότυπο εμφανίστηκε σε αναφορές επιβατών, αρχεία καταγγελιών της Federal Trade Commission και δηλώσεις της αεροπορικής εταιρείας και των προμηθευτών της.
Το σύστημα τεχνητής νοημοσύνης της Norse αντιμετώπισε πρόβλημα εμπιστοσύνης
Η έκθεση ξεκινά με έναν απλό τρόπο αποτυχίας: ένας επιβάτης λαμβάνει ειδοποίηση ότι η κράτηση αξίας 940 δολαρίων για τη Ρώμη ακυρώθηκε, αλλά δεν μπορεί να φορτώσει τη διαδικασία επιστροφής χρημάτων σε πολλαπλά προγράμματα περιήγησης και συσκευές. Αυτό από μόνο του δεν είναι ασυνήθιστο στις ψηφιακές λειτουργίες εξυπηρέτησης. Αυτό που έκανε το περιστατικό αξιοσημείωτο ήταν η απουσία μιας προφανούς ανθρώπινης εναλλακτικής λύσης.
Το WIRED συνέλεξε περίπου 75 καταγγελίες μέσω αιτήματος δημοσίων εγγράφων προς την Federal Trade Commission, με 41 από αυτές να αναφέρουν χρηματικό ποσό και 21 να ισχυρίζονται απώλειες άνω των 1.000 δολαρίων. Λειτουργικά, αυτό είναι το σημείο όπου η τεχνητή νοημοσύνη στην εξυπηρέτηση πελατών σταματά να μετριέται με βάση την ανακατεύθυνση εισιτηρίων και αρχίζει να μετριέται με βάση την περιορισμό αποτυχιών. Ένα ταξίδι εξυπηρέτησης που λειτουργεί για ρουτινάριες ερωτήσεις αλλά χαλάει σε επιστροφές χρημάτων, αλλαγές και εξαιρέσεις δημιουργεί ένα πολύ διαφορετικό προφίλ κινδύνου.
Η Norse δήλωσε στο WIRED ότι η τεχνολογία θα βοηθήσει στην παροχή υψηλότερου επιπέδου διαθεσιμότητας διατηρώντας παράλληλα χαμηλές τιμές. Αυτή η λογική είναι τυπική σε αεροπορικές εταιρείες και άλλους φορείς υψηλού όγκου. Το ζήτημα είναι ότι η διαθεσιμότητα δεν είναι το ίδιο με την επίλυση, ειδικά όταν οι επιβάτες χρειάζονται άμεση απόφαση για χρήματα, αλλαγές προγράμματος ή επαλήθευση ταυτότητας.
Γιατί ένα μοντέλο εξυπηρέτησης με προτεραιότητα στην τεχνητή νοημοσύνη μπορεί να δημιουργήσει κενό
Η αγορά έχει σε μεγάλο βαθμό αποδεχτεί τους πράκτορες τεχνητής νοημοσύνης ως το πρώτο επίπεδο εξυπηρέτησης. Το άλυτο ερώτημα είναι τι συμβαίνει όταν οι χρήστες δεν μπορούν να δουν το δεύτερο επίπεδο.
Στην υπόθεση Norse, αρκετοί επιβάτες φέρεται να αναζήτησαν στο διαδίκτυο έναν τηλεφωνικό αριθμό αφού τα επίσημα κανάλια απέτυχαν ή φάνηκαν πολύ περιορισμένα. Δεκαοκτώ καταγγελίες στην FTC ισχυρίστηκαν ρητά ότι το άτομο εξαπατήθηκε αφού βρήκε ανεπίσημους αριθμούς υποστήριξης ή σελίδες στα αποτελέσματα αναζήτησης. Αυτό είναι ένα μη προφανές αλλά σημαντικό λειτουργικό μάθημα: όταν μια εταιρεία αφαιρεί ορατές επιλογές ανθρώπινης επικοινωνίας, δεν αφαιρεί τη ζήτηση για αυτές. Μετατοπίζει αυτή τη ζήτηση σε αναζητήσεις, φόρουμ και σελίδες τρίτων, όπου οι απατεώνες μπορούν να την υποκλέψουν.
Αυτός είναι ο λόγος για τον οποίο ο σχεδιασμός εξυπηρέτησης πρέπει να αντιμετωπίζεται εν μέρει ως σχεδιασμός επιφάνειας αναζήτησης. Εάν ο επίσημος ιστότοπος δεν παρουσιάζει σαφή διαδρομή για επείγουσες περιπτώσεις, οι χρήστες θα δημιουργήσουν τη δική τους διαδρομή. Στα ταξίδια, όπου οι αλλαγές δρομολογίων μπορεί να είναι χρονικά κρίσιμες και συναισθηματικά φορτισμένες, αυτός ο αυτοσχεδιασμός συμβαίνει γρήγορα. Τα νήματα συζήτησης στο Reddit και οι ιστοσελίδες καταγγελιών γίνονται τότε ανεπίσημες επεκτάσεις της εμπειρίας εξυπηρέτησης.
Υπάρχει επίσης ένα πρόβλημα μετρικών. Ένα σύστημα μπορεί να αναφέρει υψηλά ποσοστά αυτοματοποίησης ενώ εξακολουθεί να αποτυγχάνει στις περιπτώσεις που έχουν τη μεγαλύτερη σημασία για την εμπιστοσύνη στο εμπορικό σήμα. Ένα ποσοστό 80 ή 99 τοις εκατό αυτοματοποιημένων αιτημάτων ακούγεται αποδοτικό. Λέει πολύ λιγότερα για το 1 έως 20 τοις εκατό των αλληλεπιδράσεων που περιλαμβάνουν επιστροφές χρημάτων, ακυρώσεις, ανησυχίες για απάτες ή περιπτώσεις ακραίας αλλαγής κράτησης.
Οι φορείς που προσπαθούν να αποφύγουν αυτό το κενό συνήθως χρειάζονται δύο πράγματα: έναν ορατό κανόνα ανθρώπινης κλιμάκωσης και ένα λειτουργικό επίπεδο που ελέγχει συνεχώς πού η αυτοματοποίηση βοηθά και πού προσθέτει σιωπηρά τριβή. Αυτός είναι ο πρακτικός ρόλος της αυτοματοποίησης γραφείου βοήθειας με τεχνητή νοημοσύνη όταν υλοποιείται σωστά: όχι η αντικατάσταση της κλιμάκωσης, αλλά η δόμησή της.
Τι αποκαλύπτει το χρονοδιάγραμμα του προμηθευτή της Norse
Η πηγαία έκθεση προσφέρει ένα χρήσιμο χρονοδιάγραμμα για το πώς η τεχνητή νοημοσύνη στην εξυπηρέτηση πελατών εξελίχθηκε μέσα σε ένα αεροπορικό σύστημα. Στα πρώτα στάδια, η Norse χρησιμοποίησε τεχνολογία από τη Sprinklr για την ενοποίηση ερωτημάτων εξυπηρέτησης πελατών. Τον Ιανουάριο του 2025, η Kindly περιέγραψε πώς δημιούργησε το chatbot Odin και δήλωσε ότι η αεροπορική εταιρεία αφαίρεσε το email εξυπηρέτησης πελατών από τη σελίδα υποστήριξης για να καταστήσει το bot το κύριο κανάλι υποστήριξης.
Μέχρι τον Ιανουάριο του 2026, η Delight.ai ανέφερε ότι η Norse είχε αντικαταστήσει αυτό το chatbot με το Freya. Ο προμηθευτής ανέφερε ότι η επίλυση αιτημάτων χωρίς ανθρώπινη παρέμβαση αυξήθηκε από 60 σε 80 τοις εκατό μέσα σε δύο εβδομάδες. Ο επικεφαλής προϊόντος της Norse, Alf Lim, πρόσθεσε στη μελέτη περίπτωσης του προμηθευτή ότι η μελλοντική ομάδα εξυπηρέτησης πελατών θα αποτελείται από διαχειριστές πρακτόρων τεχνητής νοημοσύνης που βελτιστοποιούν και παρεμβαίνουν όταν απαιτείται ανθρώπινη επαφή.
Αυτή είναι μια οικεία κατεύθυνση για τον κλάδο. Η ομάδα υποστήριξης δεν εξαφανίζεται· αλλάζει μορφή. Αλλά το παράδειγμα της Norse υποδεικνύει ένα πρόβλημα ακολουθίας. Εάν το σύστημα κλιμακώνει την αυτοματοποιημένη κάλυψη ταχύτερα από ό,τι κλιμακώνει τους σαφείς κανόνες παράδοσης, οι περιπτώσεις ακραίας συμπεριφοράς γίνονται αποτυχίες που αντιμετωπίζουν οι πελάτες. Η δήλωση του επικεφαλής εξυπηρέτησης πελατών και επικοινωνίας της Norse είναι αποκαλυπτική εδώ: η τεχνολογία, είπε, θα δημιουργούσε υψηλότερο επίπεδο διαθεσιμότητας. Η διαθεσιμότητα βελτιώθηκε. Η διαφωνία αφορά το κατά πόσον αυτή η διαθεσιμότητα παρέμεινε χρηστική όταν η περίπτωση βγήκε εκτός της ιδανικής διαδρομής.
Η επιχειρηματική περίπτωση για την τεχνητή νοημοσύνη στην εξυπηρέτηση είναι πραγματική, αλλά ελλιπής
Τίποτα από αυτά δεν σημαίνει ότι η εξυπηρέτηση πελατών με τεχνητή νοημοσύνη είναι κακό στοίχημα. Στην πραγματικότητα, το εμπορικό σκεπτικό είναι απλό. Οι αεροπορικές εταιρείες δέχονται μεγάλους όγκους επαναλαμβανόμενων ερωτήσεων σχετικά με αποσκευές, επιβίβαση, κατάσταση κράτησης και αναζήτηση πολιτικών. Οι συνομιλητικοί πράκτορες τεχνητής νοημοσύνης είναι κατάλληλοι για αυτές τις εργασίες, ιδιαίτερα όταν η ζήτηση αυξάνεται εκτός ωρών στελέχωσης.
Ο περιορισμός είναι ότι η οικονομική απόδοση της εξυπηρέτησης δεν καθορίζεται μόνο από τον μέσο χρόνο διαχείρισης. Καθορίζεται επίσης από τη διαχείριση εξαιρέσεων. Μια φόρμα επιστροφής χρημάτων που δεν φορτώνει, ένα δρομολόγιο που χρειάζεται χειροκίνητη παρέμβαση ή ένας αγχωμένος ταξιδιώτης που αναζητά επείγουσα βοήθεια μπορούν να εξαλείψουν γρήγορα τα οφέλη αποδοτικότητας εάν το σύστημα τους ωθεί σε επαναλαμβανόμενες επαφές, καταγγελίες, αντιστροφές χρεώσεων ή απάτες.
Αυτός είναι ο λόγος για τον οποίο οι μετρικές προμηθευτών χρειάζονται ερμηνεία. Μια αναφορόμενη αύξηση από 60 σε 80 τοις εκατό στην αυτόνομη επίλυση μπορεί να είναι λειτουργικά σημαντική. Μπορεί επίσης να κρύβει κίνδυνο συγκέντρωσης εάν το 20 τοις εκατό που δεν επιλύθηκε περιλαμβάνει τα πιο ευαίσθητα ταξίδια. Η εργασία της McKinsey για την τεχνητή νοημοσύνη στην εξυπηρέτηση πελατών έχει επανειλημμένα επισημάνει την αξία της αυτοματοποίησης σε εξυπηρέτηση υψηλού όγκου, αλλά τα ισχυρότερα προγράμματα διατηρούν τους ανθρώπους στο βρόχο για πολύπλοκες εξαιρέσεις αντί να τις αντιμετωπίζουν ως υπολειμματικό επίπεδο.
Η ευρύτερη αγορά διχάζεται κατά μήκος δύο γραμμών. Η μια ομάδα χρησιμοποιεί προσαρμοσμένους πράκτορες τεχνητής νοημοσύνης για να συμπιέσει επιθετικά το κόστος εξυπηρέτησης. Η άλλη ανασχεδιάζει τις λειτουργίες εξυπηρέτησης γύρω από πράκτορες αυτοματοποίησης τεχνητής νοημοσύνης συν εξακριβωμένα ανθρώπινα σημεία ελέγχου. Το δεύτερο μοντέλο τείνει να φαίνεται λιγότερο αποδοτικό στα χαρτιά και πιο ανθεκτικό όταν κάτι χαλάει.
Τι πρέπει να υιοθετήσουν οι φορείς από αυτή την υπόθεση
Τρία πρακτικά μαθήματα ξεχωρίζουν για αεροπορικές εταιρείες, ταξιδιωτικά brands και οποιαδήποτε ομάδα αναπτύσσει πράκτορες τεχνητής νοημοσύνης σε εξυπηρέτηση σε μεγάλη κλίμακα.
Πρώτον, η ανθρώπινη κλιμάκωση πρέπει να είναι προφανής πριν ο πελάτης τη χρειαστεί. Εάν μια περίπτωση περιλαμβάνει κίνηση χρημάτων, ακύρωση, αναντιστοιχία ταυτότητας ή υποψία απάτης, ο χρήστης δεν πρέπει να μαντέψει εάν ένα πρόσωπο είναι προσβάσιμο.
Δεύτερον, οι επικεφαλής εξυπηρέτησης πρέπει να ελέγχουν την έκθεση σε αναζητήσεις, όχι μόνο την περιορισμό του chatbot. Εάν οι πελάτες αναζητούν συνήθως έναν τηλεφωνικό αριθμό ή φράση επείγουσας βοήθειας, η εταιρεία χρειάζεται επίσημες σελίδες που κατατάσσονται και δρομολογούν με ασφάλεια. Διαφορετικά, οι απατεώνες θα καλύψουν το κενό.
Τρίτον, οι εβδομαδιαίες αξιολογήσεις εξυπηρέτησης πρέπει να διαχωρίζουν τα ρουτινάρικα οφέλη αυτοματοποίησης από τις διαδρομές αποτυχίας υψηλής σοβαρότητας. Το να κοιτάζει κανείς μόνο τα ποσοστά αυτοεξυπηρέτησης ή την επιτυχία χωρίς ανθρώπινη παρέμβαση μπορεί να συσκοτίσει τις ακριβείς αλληλεπιδράσεις που οδηγούν σε καταγγελίες και φθορά φήμης.
Αυτό που πρέπει να παρακολουθήσετε στη συνέχεια δεν είναι αν οι αεροπορικές εταιρείες συνεχίσουν να υιοθετούν την τεχνητή νοημοσύνη στην εξυπηρέτηση πελατών· θα το κάνουν. Το πιο σημαντικό ερώτημα είναι αν οι φορείς ανασυγκροτούν την ανθρώπινη παράδοση με την ίδια σοβαρότητα που εφαρμόζουν στα ποσοστά αυτοματοποίησης. Η υπόθεση Norse υποδεικνύει ότι το 2026, η πραγματική ανταγωνιστική διαφορά δεν είναι ποιος έχει την περισσότερη τεχνητή νοημοσύνη στην εξυπηρέτηση, αλλά ποιος κάνει τις περιπτώσεις ακραίας συμπεριφοράς πιο ασφαλείς.
Martin Kuvandzhiev
CEO and Founder of Encorp.io with expertise in AI and business transformation