Повышение производительности: узнайте, как искусственный интеллект повышает производительность команды обслуживания клиентов на 14 %, согласно исследователям из Стэнфорда и Массачусетского технологического института.

Что происходит, когда генеративный ИИ встречается на рабочем месте? В этом специальном выпуске мы погружаемся в новаторское исследование, когда люди с помощью ИИ переопределяют границы продуктивности.

Генеративный ИИ, возможно, привлек значительное внимание общественности, но на данный момент его реальные экономические последствия остаются в значительной степени неизученными. Несмотря на многообещающие сигналы в тестовых сценариях, любая немедленная выгода с точки зрения бизнеса до сих пор казалась недостижимой.

Исследователи из Стэнфордского университета и Массачусетского технологического института провели годовое исследование, чтобы измерить реальное влияние генеративного ИИ на более чем 5000 агентов по обслуживанию клиентов в компании-разработчике программного обеспечения Fortune 500, и результаты есть. в среднем, с ошеломляющим 35-процентным скачком среди новых или наименее эффективных работников.

Система искусственного интеллекта, которая объединила модель изучения языка OpenAI GPT с алгоритмами машинного обучения, анализировала разговоры между высокоэффективными и сравнивала их с разговорами неэффективных. Затем он в режиме реального времени генерировал предложения о том, как реагировать на клиентов, что в конечном итоге привело к сокращению времени обработки чата, увеличению скорости разрешения чата и повышению удовлетворенности клиентов. Фактически, недавно нанятые агенты по обслуживанию клиентов могли бы с помощью ИИ работать так же хорошо, как агенты с шестимесячным опытом работы без ИИ.

В сегодняшнем выпуске у нас была возможность пообщаться с доктором философии Массачусетского технологического института. Кандидат Линдси Рэймонд, один из исследователей новаторского исследования, о своей работе и преобразующем влиянии ИИ на рабочее место.

Короткий срок? Вот несколько ключевых выводов:

• Генеративный ИИ процветает на обилии данных, что делает службу поддержки клиентов с ее большим количеством текстовых данных основным сектором для разработки инструментов ИИ.
• Разрыв в производительности между самыми эффективными и худшими агентами поддержки, а также растущая зависимость от контакт-центров являются основными факторами улучшения в сфере обслуживания клиентов.
• Низкоквалифицированные работники больше всего выиграли от инструмента ИИ, поскольку он помог им внедрить лучшие практики, которые они еще не освоили самостоятельно.
• Значительный прирост производительности, обеспечиваемый ИИ, например, более эффективное решение проблем и удовлетворенность клиентов, может даже способствовать распространению четырехдневной рабочей недели.

Если вам нравится обсуждение, посмотрите другие выпуски нашего подкаста. Вы можете подписаться на Apple Podcasts, Spotify, YouTube или получить RSS-канал в выбранном вами проигрывателе. Далее следует слегка отредактированная стенограмма эпизода.

Волны в поддержке клиентов

Лиам Герати: Привет и добро пожаловать в Inside Intercom. Я Лиам Джерати. Немного безумно думать, что ChatGPT от Open AI был запущен всего пару месяцев назад. Скорость, с которой ИИ стал частью нашей жизни, никто не мог предсказать. Он уже начинает преобразовывать пространство обслуживания клиентов и поддержки.

«Человек плюс машина лучше машины, которая, в свою очередь, лучше человека. Думаю, это то, что я вижу в этом мире поддержки».

Соучредитель Intercom Дес Трейнор рассказал о том, как он считает, что будущее CS — это автоматизация и совместная работа людей, ботов и мозга, в недавнем выпуске нашего подкаста.

Дес Трейнор: Человек плюс машина лучше машины, которая, в свою очередь, лучше человека. Я думаю, это то, что я вижу в этом мире поддержки. Я думаю, что люди в конечном итоге будут контролировать интеллект, на котором работает ИИ.

Лайам Джерати: Многие руководители службы поддержки сразу же погрузились в ИИ и плавают в его генеративных водах. Но другие, хотя и взволнованы, только опускают пальцы ног, чувствуя себя немного обескураженными.

Что ж, любому из вас, любителям экспериментов, может быть интересно узнать о новом исследовании ученых из Стэнфордского университета и Массачусетского технологического института, посвященном генеративному ИИ в действии, с некоторыми действительно интересными выводами. Исследование провели Эрик Бриньолфссон, Даниэль Ли и Линдси Рэймонд.

Идеи генеративного ИИ на рабочем месте

Линдси Рэймонд: Я Линдси Рэймонд. Я аспирант Массачусетского технологического института.

Лайам Джерати: Линдси и ее коллеги изучают влияние генеративных инструментов искусственного интеллекта на производительность в компании из списка Fortune 500. Впервые влияние этих инструментов на работу было измерено за пределами лаборатории.

Линдси Рэймонд: Сама идея генеративного ИИ довольно нова. С точки зрения того, что люди изучали, была проведена некоторая работа над тем, как эти инструменты работают на таких вещах, как экзамен на адвоката.

Лиам Герати: ИИ провалил экзамен на адвоката.

Линдси Рэймонд: Или экзамены по программированию, очень лабораторные проверки способностей. И наш первый говорит, что происходит, когда вы изучаете, что эти инструменты могут делать на реальном рабочем месте и в течение длительного времени, потому что наше исследование происходит в течение года.

Лайам Джерати: Так о чем именно было исследование?

Линдси Рэймонд: Мы рассматриваем генеративный инструмент на основе искусственного интеллекта, предназначенный для помощи работникам технической поддержки, когда они решают проблемы с технической поддержкой людей.

Лиам Джерати: Звучит знакомо!

Линди Рэймонд: Указание им обоим, что сказать, как решить конкретную проблему технической поддержки, а также руководство о том, как они должны сообщить об этом клиенту.

«Генеративный ИИ нуждается в большом количестве данных, чтобы работать действительно хорошо. Если вы посмотрите на сектор экономики с высоким уровнем проникновения по сравнению со всеми остальными, то поддержка клиентов — это та область».

И мы проводим анализ различий — очень медленное развертывание этого инструмента среди людей с течением времени, чтобы мы могли попытаться понять причинно-следственный эффект инструмента. Мы ищем работников, оказывающих техническую поддержку фирме из списка Fortune 500, которая занимается малым бизнесом и бухгалтерским программным обеспечением, в основном для малого бизнеса в США.

Лайам Герати: Они рассматривали множество различных результатов, например, как быстро люди решали звонки, сколько проблем они могли решить, удовлетворенность клиентов, а также некоторые вещи, которые больше касались организационных изменений.

Линдси Рэймонд: Как это влияет на текучесть кадров? Как это влияет на то, как часто они разговаривают друг с другом или со своими менеджерами?

Лайам Джерати: Вам может быть интересно, почему из всех потенциальных областей генеративного ИИ Линдси и ее коллеги выбрали поддержку клиентов, чтобы сосредоточиться на ней.

«Существует довольно большая разница в производительности между вашими самыми эффективными агентами по обслуживанию клиентов и вашими худшими агентами»

Линдси Рэймонд: Генеративный ИИ нуждается в большом количестве данных, чтобы работать действительно хорошо. Если вы посмотрите на сектор экономики с высоким уровнем проникновения по сравнению со всеми остальными, то поддержка клиентов — это та область. По фактическому развертыванию и разработке этих инструментов было проделано удивительно много работы. И это потому, что в этой области очень много данных, особенно текстовых данных.

Многие из них просто автоматически связаны с результатами — как быстро этот работник решил эту проблему? И есть также много возможностей для улучшения. Общеизвестно, что существует довольно большая разница в производительности между вашими самыми эффективными агентами по обслуживанию клиентов и вашими худшими. Это также область, в которой за последние пару лет произошел огромный сдвиг в сторону расширения возможностей контакт-центров. Итак, это та область, в которой крупному бизнесу необходимо стать лучше.

Из грязи в князи

Лайам Герати: Итак, в течение года они изучали все это, используя данные 5179 агентов службы поддержки. И то, что они нашли, интригует.

Линдси Рэймонд: Заглавная цифра гласит, что в среднем доступ к ИИ повысил производительность на 14%, но за этим скрывается большая неоднородность. Для наименее опытных и низкоквалифицированных рабочих он фактически улучшился на 35%. Наиболее опытные и продуктивные работники почти не видят эффекта.

Лайам Герати: Таким образом, прибыль непропорционально достается менее опытным и низкоквалифицированным работникам. Почему это происходит?

Линдси Рэймонд: Думаю, это самая интересная часть исследования. Любой инструмент, основанный на машинном обучении, использует набор обучающих данных и ищет закономерности в данных. Так что вы, как программист, не говорите: «Ну, я знаю, что эта фраза хорошо работает, так что делайте это, и я знаю, что это обычное решение этой проблемы, и это обычное решение той проблемы», и вы помещаете эту информацию в свою программу. ML работает не так.

«Настоящую пользу от этих предложений получают работники, которые являются новичками или находятся в самом низу рейтинга производительности, потому что это те вещи, которые они еще не поняли, как делать»

В частности, в наших условиях инструмент просматривает разговоры высокоэффективных сотрудников и сравнивает их с разговорами менее результативных. Он ищет различия между тем, что делают высоко- и низкоэффективные работники, которые связаны с успешными результатами. Как они встречают клиентов? Какие решения они предлагают? Как они начинают задавать диагностические вопросы? Затем он берет все эти вещи и превращает их в предложения, которые генерирует для всех. Высококвалифицированные работники предоставляют контент для ИИ — в основном это то, что они уже делают, потому что ИИ научился этому. Когда у вас есть инструмент, предлагающий вам делать то, что вы уже делаете, вы, вероятно, не увидите огромных эффектов производительности от доступа к этому инструменту. Настоящую пользу от этих предложений получают работники, которые являются новичками или находятся в самом низу рейтинга производительности, потому что они еще не придумали, как это делать. Именно низкоквалифицированные работники сильно меняются и начинают приближаться к общению, как высококвалифицированные работники.

Мы думаем, что происходит распространение лучших практик, обеспечиваемых ИИ. И именно поэтому мы видим, что действительно большой рост производительности у низкоквалифицированных и неопытных рабочих и не так много у высококвалифицированных рабочих. И это, как мы думаем, просто функция машинного обучения.

«В любом исследовании, где вы видите увеличение производительности на 35%, это довольно шокирует. Вы можете себе представить, что с такими эффектами можно перейти на четырехдневную рабочую неделю».

Лайам Джерати: Вы были удивлены результатами?

Линдси Рэймонд: Отличный вопрос. В любом исследовании, где вы видите увеличение производительности на 35%, это довольно шокирует. Вы можете представить себе переход на четырехдневную рабочую неделю с такими эффектами. Я думаю, что это было довольно неожиданно с места в карьер. Тот факт, что мы увидели эффекты не только в том, что работники обрабатывают звонки немного быстрее, но и в увеличении доли решаемых ими проблем, что в большей степени является результатом, основанным на знаниях, позволяет им решать проблемы, с которыми они не сталкивались. быть в состоянии решить раньше. И затем мы видим довольно большой рост удовлетворенности клиентов. Это было, я думаю, все удивительно.

Лайам Джерати: Как вы думаете, сможет ли когда-нибудь ИИ вмешиваться и проводить подобные исследования?

Линдси Рэймонд: Наверное, да. Я уверен, что есть генеративный ИИ, который может писать экономические статьи лучше, чем я.

Лайам Джерати: Линдси, большое спасибо за сегодняшний разговор со мной.

Линдси Рэймонд: Да, абсолютно. Это было приятно.