Bezero-arreta da IAk emaitzarik berehalakoena eta ikusgarriena sortzen duen arloa: pertsona batek galdera bat du, sistema batek erantzun diezaioke, eta argi dago zenbat galdera ebazten diren eta zenbat denboran. Inpaktua zuzenean neurtzen da bezeroaren asebetetzean, erantzun-denboran eta kostu operatiboan.
Gida honek IA bidezko bezeroarentzako arretaren hiru zutabeak biltzen ditu: chatbots elkarrizketazkoak, voice agents eta email laguntzaren automatizazioa.
Zergatik huts egin zuten aurreko belaunaldietako chatbot-ek
Chatbot enpresarialen lehen belaunaldiak —erabaki-zuhaitzetan eta aurrez definitutako erantzunetan oinarritutakoak— asko agindu eta gutxi eman zuten. Esperientzia tipikoa: erabiltzaileak bere galdera idazten du, chatbotak ez du ulertzen eta erabiltzaileak behar duenarekin bat ez datorren aukera-menu bat eskaintzen du; erabiltzaileak frustratu egiten da eta utzi egiten du.
Arazoa ez zen ideia. Teknologia zen. Erabaki-zuhaitzek funtzionatzen dute soilik erabiltzailearen galdera aurreikusitako bideetan zehaztasunez sartzen bada. Eta pertsonek ez dute hori egiten: mila era desberdinetan galdetzen dute, galderak esaldi bakarrean nahasten dituzte eta sistemak testuingurua ulertzea espero dute.
LLMetan oinarritutako chatbot-ek hori konpontzen dute: galdera nola formulatuta egon ere, atzean dagoen asmoa ulertzen dute, elkarrizketaren testuingurua mantentzen dute eta konfigurazioan aurreikusten ez ziren galderak erantzun ditzakete. Lehen belaunaldiarekiko kalitate-jauzia kualitatiboa da.
Chatbot elkarrizketatzaileak: benetako metrikak
LLMetan oinarritutako chatboten ezarpen tipikoetan, ondo eraikitako ezagutza-oinarri batekin:
- Ebazpen-tasa autonomoa: kontsulten 65–80% giza esku-hartzerik gabe ebazten dira
- Erantzun-denbora: minutuetatik edo ordutatik segundoetara
- Erabilgarritasuna: 24/7 hedatuta dagoen kanal guztietan
- Erabiltzaileen asebetetzea: informazio-kontsultetarako giza kanalarekin alderagarria edo hori baino hobea
Emaitzarik onenak chatbotak enpresako sistemetako datu errealak eskuragarri dituenean lortzen dira (eskaeren egoera, erabilgarritasuna, kontu-datuak), eta ez soilik ezagutza-base estatiko batera. "Zure #12345eskaera bidean dago eta bihar 9:00eta 14:00artean iritsiko da" esan dezakeen chatbot batek askoz arazo gehiago konpontzen ditu soilik "egoera web-ean kontsulta dezakezu" esan dezakeenak baino.
Gure Chatbot elkarrizketatzaileak bezeroaren sistemekin egindako integrazio hau setup estandarraren parte gisa barne hartzen dute.
Voice agents: noiz du zentzua ahotsak
Ahots-agenteak zentzua du arreta-kanal nagusia telefonoa denean eta dei-ehuneko esanguratsu bat galtzen denean, edo sistema automatizatu batek ebatzi litzakeen galderetan taldearen denbora kontsumitzen denean.
Voice agents-ek etekin handiena sortzen duten kasuak:
- Klinikak eta mediku-kontsultak: hitzorduak, ordutegiak, eskuragarritasuna, gogorarazpenak
- Jatetxeak: erreserbak, ordutegiak, mahaien eskuragarritasuna
- Tailerrak eta zerbitzuak: hitzorduak, oinarrizko aurrekontuak, lanen egoera
- Higiezinen agentziak: propietateen informazioa, bisiten eskuragarritasuna
- Larrialdietako zerbitzuak: deiaren lehen filtroa, datuen bilketa
Kasu guztietan, deialdien 60-70% voice agent-ak erabat konpon ditzakeen kontsulta estandarrak dira. Gainerako 30-40% gizakiari eskalatzen zaio, elkarrizketaren laburpenarekin batera.
Inplementazioaren xehetasun teknikoak gure IA duten ahots-agenteei buruzko artikuluan jorratzen ditugu.
Email laguntzaren automatizazioa: 80%a ukitu gabe
Emaileko laguntzak eskalaren arazo bat dauka. Ticketen bolumena hazten denean, taldea ere handitzen da erantzunaren SLA mantentzeko. IA bidezko automatizazioak korrelazioa apurtzen du.
Email laguntza-sistema automatizatuaren arkitektura:
1. Sailkapena: ticketa sistemara iristen da, ereduak motaren arabera sailkatzen du (fakturaketa, teknikoa, produktua, kexa, baja) eta premia-mailaren arabera (kritikoa, normala, baxua).
2. Ebazpen automatikoa: "ebazpen automatikoa posiblea" gisa sailkatutako ticketentzat (ohiko galderak, egoera kontsultak, informazio eskaerak), sistemak markaren tonuarekin erantzuna sortzen du, konfiguratutako arauen arabera baliozkotzen du eta giza esku-hartzerik gabe bidaltzen du.
3. Eskalazio adimentsua: ticket konplexuetarako, sistemak erantzun-zirriborro bat sortzen du eta egokiena den giza agente-ari esleitzen dio, bezeroaren historiaren testuinguruarekin eta iradokitako erantzunarekin batera.
4. Etengabeko ikaskuntza: sisteman proposatutakoetatik nabarmen desbideratzen diren giza erantzunak modeloa eguneratzeko erabiltzen dira.
Emaitza tipikoa: ticketen 70-80% automatikoki ebazten dira; gainerako 20-30%aren erantzun-denbora murrizten da, giza agenteak ticketa dagoeneko analizatuta eta erantzun-proposamen batekin jasotzen duelako.
BAIren Soporte Email automatizatuak arkitektura hau zehaztasunez ezartzen du.