Omgaan met verzoeken, problemen en klachten van klanten is altijd een cruciaal onderdeel geweest van het opbouwen en onderhouden van een bloeiend bedrijf. In sommige sectoren is het zelfs het belangrijkste onderdeel. We mogen gerust stellen dat dit al lang algemeen bekend is en dachten zeker geen kunstmatige intelligentie nodig te hebben om te begrijpen hoe goede relaties tussen leverancier en klant in een zakelijke omgeving tot succes leiden. Toch is er een wetenschappelijke tak van sport dat in de nabije toekomst de stand van zaken op het gebied van zakelijke relaties op zijn kop kan zetten, namelijk dat van de Generatieve Kunstmatige Intelligentie.
Zo gezegd klinkt het misschien als een modewoord. Maar wat bedoelen we eigenlijk als we het hebben over Generatieve AI in het bedrijfsleven en bedrijfsverbetering? Heath Ramsey, vice-president bij het Amerikaanse softwareontwikkelingsbedrijf ServiceNow, besprak de kwestie in een presentatie die hij deze week gaf op de High Tech Campus in Eindhoven.
Een driestappenmodel
Hij legde uit dat de technologie – die kan worden gedefinieerd als een model dat tekst, beelden en andere media kan produceren in antwoord op een prompt – ons kan brengen naar een meer en meer geautomatiseerde communicatie en bedrijfsstructuur. Ramsey meent dat de kwestie van wat hij definieert als het “klantenprobleem in generatieve AI” kan worden samengevat in drie belangrijke stappen, die gericht zijn op de automatisering van een deel van de hiërarchische structuur van een bedrijf.
Het proces begint met de intake, waarbij een AI-model een door een gebruiker gegeven vraag opneemt. Vervolgens is er begrip, de stap die een efficiënt begrip van de machine vereist. Met andere woorden, de AI moet voldoende gedetailleerd kunnen herkennen waar de vraag over gaat. Ten slotte de respons: het verfijnen van een pertinent, geval-specifiek antwoord op de oorspronkelijke vraag.
Volgens Ramsey moeten deze drie componenten op hun beurt worden gebruikt om de automatisering, versnelling en vergroting aan te sturen. In deze context betekent acceleratie dat AI de weg van bedrijven naar stabiliteit moet vergemakkelijken, terwijl augmentatie verwijst naar het vermogen van AI om zich in korte tijd aan te passen en te transformeren naar aanleiding van zakelijke behoeften, legt Forbes uit.
De uitdagingen
Nu zou het geweldig zijn als alles eenvoudig zou verlopen, maar dat is niet het geval. De uitdagingen waarmee rekening moet worden gehouden zijn talrijk en vrij complex. Allereerst het gebruikelijke probleem: afzonderlijke transacties die door AI worden uitgevoerd, zijn momenteel relatief duur. Het “getal op het etiket” kan variëren, maar over het algemeen vormen de kosten een probleem. Ten tweede wordt men zich nu meer dan ooit bewust van en bezorgd over het bewaren van gegevens. Waar blijven de gegevens die aan AI worden toegevoerd? Zijn ze traceerbaar? Zijn ze veilig? Samen met merkreputatie, mogelijke problemen met het vertrouwen van het publiek in machines, slechte responskwaliteit en slechte afstemming op workflows zijn dit aandachtspunten die niet kunnen worden genegeerd.
Van generiek naar specifiek
Ook is generaliseerbaarheid een aandachtspunt. Stel bijvoorbeeld dat een klant een strikt niet-restitueerbaar verblijf in een hotel moet annuleren vanwege een onvoorspelbare gebeurtenis, zoals het plotselinge overlijden van een dierbare. In het geval van menselijke interactie zou een mens uit puur medeleven kunnen besluiten een uitzondering op het beleid toe te passen en de klant zijn geld terug te geven. Waarschijnlijk kan deze “suboptimale” beslissing die tegen het beleid ingaat op lange termijn optimale resultaten opleveren, waarbij mensen het hotel vertrouwen. Dus, hoe kan een AI een situatie beoordelen en beslissen wanneer uitzonderingen op het algemene beleid moeten worden toegepast?
“Het komt allemaal neer op augmentatie”, aldus Ramsey, die uitlegt dat een AI met een betere afstemming van de responsmogelijkheden op termijn in een groot aantal gevallen de juiste beslissingen kan nemen. Er ontstaat echter een consequent probleem. Als er uitzonderingen op het beleid kunnen worden gemaakt, kan de mens binnen de werking van een dienst uitbuitingspatronen vinden.
Volgens Ramsey is dit in het bedrijfsleven een risico waarmee rekening moet worden gehouden. “Je kunt modellen trainen om op bepaalde manieren te reageren en dan moet je begrijpen hoe groot het verlies is dat met de uitbuiting samenhangt”, zegt hij. Met andere woorden, wanneer uitbuitingspatronen van gebruikers opduiken, moet een bedrijf evalueren of de effectieve verliezen groter zijn dan de kosten van het inzetten van mensen om de uitzonderingen af te handelen. “Kosten versus klantervaring is een belangrijke factor om te overwegen.”
Effectief bestuur en bewustzijn
Voorlopig is volledige automatisering van de workflow die te maken heeft met de directe interactie tussen klant en werknemer, echter niet haalbaar: “Misschien is ongeveer 60 procent of 70 procent haalbaar”, vervolgt Ramsey, “Mensen hebben nog steeds de behoefte om in de lus te zitten en toezicht te houden op wat niet altijd lukt.” Bovendien is uitgebreide kennis van AI-systemen noodzakelijk en van het grootste belang: “We hebben controle over de machine nodig, in die zin dat we altijd moeten begrijpen en weten wat de machine doet.”
Tot slot komt het terug in de wetgevingsbeleid. Ramsey meent dat het verstandig is om nu al te beginnen met de uitvoering van duidelijk beleid, ook al voelen we misschien nog geen zorgwekkende urgentie om dat te doen. “We komen op een punt dat mensen in het bedrijfsleven gaan samenwerken met AI’s van derden. Dat leidt tot zorgen, omdat gegevens de controle van de organisaties gaan verlaten. In termen van governance moeten we proactief zijn.”
Als je dit artikel leuk vindt, lees dan ook:
