فقدان لایهٔ زمینهٔ مشتری؛ علت شکست مقیاس‌پذیری عامل‌های هوش مصنوعی

تصور کنید مشتری شما برای سومین بار در یک تماس، مجبور شود شماره سفارش خود را تکرار کند؛ در این لحظه، تمام وعده‌های بهره‌وری هوش مصنوعی به یک توهم تبدیل می‌شود. اگر سازمان شما هنوز در مرحلهٔ اجرای پروژه‌های آزمایشی (Pilot) است، باید بدانید که شکاف میان یک دموی موفق و یک سیستم عملیاتی، در مفهومی به نام «لایهٔ زمینهٔ مشتری» (Customer Context Layer) نهفته است.

به گزارش unite.ai، رگی اسکیلز (Reggie Scales)، رئیس بخش کاربردهای تجاری در شرکت Vonage، استدلال می‌کند که بسیاری از شرکت‌ها در حال حاضر با هوش مصنوعی مانند یک ابزار مجزا برخورد می‌کنند، نه یک جریان کاری تعبیه شده در دل سازمان. این رویکرد باعث ایجاد یک نقطه اصطکاک شدید می‌شود؛ یعنی وقتی مشتری از یک عامل (Agent) — شبیه به یک دستیار دیجیتال که می‌تواند به‌جای انسان تصمیم بگیرد و عمل کند — به یک اپراتور انسانی منتقل می‌شود، تمام پیشرفت‌های زمانی حذف شده و مشتری باید دوباره مشکل خود را توضیح دهد. این اتفاق دقیقاً همان بهره‌وری است که هوش مصنوعی قرار بود از بین ببرد.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت و مدیریت عامل‌های هوش مصنوعی اشاره کردیم، وضعیت فعلی صنعت در حال گذار به سمت «هوش مصنوعی عامل‌محور» (Agentic AI) است. این‌ها سیستم‌هایی هستند که فراتر از پاسخ به سؤالات، اقدامات مستقلی را برای حل مشکل انجام می‌دهند. با این حال، اسکیلز هشدار می‌دهد که این تغییر مسیر بدون وجود زیرساختی از داده‌های دقیق و نظارت انسانی شفاف، بسیار خطرناک است.

زمینه‌ای از تکامل ارتباطات

دیدگاه رگی اسکیلز حاصل بیش از دو دهه تجربه عمیق در صنعت ارتباطات است. او که از سال ۲۰۱۸ به Vonage پیوسته است، چشم‌اندازی دارد که کل تکامل ارتباطات مدرن را در بر می‌گیرد. مسیر شغلی او از فروش خدمات تماس‌های بین‌شهری آغاز شد، سپس به سراغ ارتباطات محلی رفت و در نهایت با شبکه‌های داده و رایانش ابری پیش رفت.

سوابق مدیریتی او بسیار گسترده است؛ او پیش از این به عنوان نایب‌رئیس ارشد بخش غرب ایالات متحده در شرکت Masergy و همچنین نایب‌رئیس و مدیر کل منطقه مرکزی در Comcast Business فعالیت کرده است. علاوه بر این، او سابقه مدیریت فروش و بازاریابی در شرکت Wilcon را در کارنامه دارد. یکی از برجسته‌ترین دوران کاری او، گذراندن بیش از ۱۲ سال در شرکت PAETEC بود که در نهایت به مقام ریاست فروش و خدمات رسید و در آنجا مدیریت منطقه‌ای با بودجه یک میلیارد دلاری و حدود ۵۰۰ کارمند را بر عهده داشت.

مسئولیت‌های فعلی اسکیلز در Vonage بسیار جامع است و حوزه‌های محصول، مهندسی، فروش، مشارکت‌های استراتژیک و پشتیبانی مشتری را شامل می‌شود. این دیدگاه چندجانبه باعث شده است که او در پذیرش هوش مصنوعی رویکردی واقع‌بینانه داشته باشد. او معتقد است یک قابلیت فنی ممکن است از نظر مهندسی خیره‌کننده باشد، اما سازمان‌ها باید ابتدا تعیین کنند که این قابلیت چگونه در عملیات موجود جای می‌گیرد و کارکنان و مشتریان در دنیای واقعی چگونه از آن استفاده خواهند کرد.

این مسیر شغلی یک درس ثابت به اسکیلز آموخته است: فناوری‌های جدید تنها زمانی ارزش پایدار ایجاد می‌کنند که یک مشکل واقعی را برای مشتری و کسب‌وکار حل کنند. او این منطق را در مورد هوش مصنوعی به کار می‌گیرد و به‌جای تمرکز بر نوآوری‌های فنی صرف، بر نتایج قابل اندازه‌گیری تمرکز می‌کند؛ مانند سرعت بخشیدن به پاسخ‌های روتین، ارائه اطلاعات بهتر به کارکنان در حین گفتگو یا کاهش مراحل غیرضروری در مسیر دریافت خدمات.

چهار ستون مقیاس‌پذیری هوش مصنوعی

به باور اسکیلز، برای اینکه هوش مصنوعی از محیط کنترل‌شدهٔ آزمایشگاه (که داده‌ها محدود و جریان‌های کاری ساده هستند) به مقیاس سازمانی برسد، چهار رکن اساسی باید پی‌ریزی شوند. مقیاس‌پذیری به معنای اتصال هوش مصنوعی به سیستم‌های بیشتر، اطلاعات گسترده‌تر مشتریان و بخش‌های مختلف سازمان است که پیچیدگی را به شدت افزایش می‌دهد:

• یکپارچگی داده‌ها (Data Integrity): سازمان‌ها باید دقیقاً شناسایی کنند که اطلاعات مشتری در کجا ذخیره شده است و اطمینان حاصل کنند که این داده‌ها به‌روز هستند. هوش مصنوعی نمی‌تواند بر اساس سوابق قدیمی CRM عمل کند. شرکت‌ها باید تعیین کنند چه کسی اجازه دسترسی به مجموعه‌داده‌های خاص را دارد و دقت اطلاعات را تضمین کنند.
• طراحی جریان کاری (Workflow Design): باید نقشه‌ای دقیق از فرآیندی که هوش مصنوعی وارد آن می‌شود رسم شود. این یعنی تعریف دقیق اینکه عامل هوش مصنوعی چه تصمیماتی می‌تواند بگیرد و در چه نقطه‌ای مداخله انسان ضروری است. این کار مانع از آن می‌شود که هوش مصنوعی وارد فرآیندی شود که استراتژی خروج یا مرزهای تعریف‌شده‌ای ندارد.
• یکپارچگی سیستم‌ها (Systems Integration): هوش مصنوعی باید کانال‌های صوتی، پیام‌رسانی و ویدئویی را به هم متصل کند. اگر این کانال‌ها جدا بمانند، هوش مصنوعی صرفاً یک لایه دیگر از تکه‌تکگی (Fragmentation) ایجاد می‌کند. کارکنان اغلب از چندین سیستم در پشت صحنه استفاده می‌کنند؛ این سیستم‌ها باید یکپارچه شوند تا تجربه کاربر گسسته نباشد.
• حکمرانی (Governance): قوانین حریم خصوصی، امنیت و دسترسی باید از روز اول تعریف شوند تا با افزایش حجم تعاملات، عملکرد سیستم پایدار بماند. این شامل تعریف نحوه ارزیابی هوش مصنوعی در طول زمان و ایجاد قوانین شفاف برای نظارت انسانی است.

حل معضل تکه‌تکگی زمینه

اطلاعات مشتری معمولاً در سیستم‌های CRM، متن تماس‌ها، تاریخچه پیام‌ها و سایر پلتفرم‌های سازمانی پراکنده است. یک لایهٔ زمینهٔ واقعاً یکپارچه، هویت مشتری، تاریخچه سفر او در سازمان و هدف فعلی‌اش را به هم متصل می‌کند. این لایه باید شامل جزئیات حساب کاربری و تمام تعاملات خدماتی قبلی باشد.

بدون این زیرساخت، عامل‌های هوش مصنوعی بر اساس اطلاعات ناقص عمل می‌کنند. این تکه‌تکگی حتی بدون هوش مصنوعی هم یک مشکل است؛ برای مثال، مشتری وقتی از یک کانال به کانال دیگر می‌رود، مجبور است اطلاعات را تکرار کند چون سیستم دوم تاریخچه سیستم اول را ندارد. هوش مصنوعی حل این مشکل را ضروری‌تر می‌کند، زیرا یک عامل تنها زمانی می‌تواند توصیه مفیدی ارائه دهد یا اقدام مناسبی انجام دهد که به «زمینه» (Context) قابل اعتمادی دسترسی داشته باشد.

Vonage پیشنهاد می‌کند سازمان‌ها باید سیستم‌های «مرجع» (Authoritative Systems) را برای هر نوع اطلاعات شناسایی کنند و فرآیندهایی را برای به‌روز نگه داشتن این داده‌ها اجرا کنند. همچنین، هوش مصنوعی باید طوری طراحی شود که محدودیت‌های خود را بشناسد. اگر اطلاعاتی مفقود، متناقض یا قدیمی بود، هوش مصنوعی باید به‌جای پیشروی بر اساس فرض‌های unsupported، مکث کرده و برای شفاف‌سازی سؤال کند یا یک انسان را وارد گفتگو کند. این موضوع زمانی که هوش مصنوعی از پاسخ به سؤالات به سمت «انجام اقدامات واقعی» برای مشتری می‌رود، حیاتی است.

مکانیسم انتقال بدون اصطکاک

بزرگ‌ترین عامل نارضایتی مشتریان، پدیده «شروع مجدد» (Restart) است؛ یعنی مجبور شدن به توضیح دوباره مشکل پس از انتقال به یک اپراتور انسانی. یک انتقال (Handoff) مؤثر باید ادامهٔ یک گفتگوی واحد باشد، به‌طوری که مشاور انسانی در حالی وارد تعامل شود که از پیش تمام زمینه را درک کرده است.

طبق استانداردهای Vonage، انتقال از عامل مجازی به انسان باید حداقل شامل موارد زیر باشد:

۱. قصد دقیق مشتری (Specific Intent): چرا مشتری با سازمان تماس گرفته است؟
۲. تاریخچه کامل گفتگو: تا این لحظه چه چیزهایی بحث شده است؟
۳. اطلاعات ضروری حساب کاربری: داده‌های مورد نیاز برای آن تعامل خاص.
۴. مراحل احراز هویت: هرگونه بررسی هویت که قبلاً توسط هوش مصنوعی انجام شده است.
۵. دلیل دقیق ارجاع (Escalation Reason): چرا عامل مجازی نتوانست مشکل را حل کند و نیاز به انسان است؟

هرچه عامل‌های مجازی تعاملات روتین بیشتری را مدیریت کنند، کیفیت این انتقال حیاتی‌تر می‌شود. انسان‌ها همچنان برای موقعیت‌هایی که نیاز به همدلی، قضاوت، خلاقیت یا حل مسائل پیچیده و ظریف دارند، ضروری هستند. شرکت‌ها باید این لحظات انسان‌محور را از ابتدا طراحی کنند و مطمئن شوند کارکنان زمینه کافی برای ادامه مؤثر گفتگو را دارند.

تخصص عمودی و منطق صنعتی

عامل‌های هوش مصنوعی با کاربرد عمومی معمولاً در درک ظرافت‌های بخش‌های خاص شکست می‌خورند. به همین دلیل Vonage عامل‌های تخصصی برای بهداشت، خدمات مالی و خرده‌فروشی معرفی کرده است، زیرا زبان، جریان‌های کاری و انتظارات مشتریان در این صنایع کاملاً متفاوت است. نحوه تعامل یک مشتری با یک ارائه‌دهنده خدمات بهداشتی اساساً با تعامل با یک فروشگاه خرده‌فروشی فرق دارد.

یک عامل در حوزه بهداشت باید اصطلاحات و مرزهای رگولاتوری متفاوتی را نسبت به حوزه خرده‌فروشی درک کند. برای اینکه سازمان‌ها بفهمند آیا یک عامل واقعاً یک صنعت را می‌شناسد یا خیر، باید این سه مورد را بررسی کنند:

• تست سناریوهای واقعی: استفاده از داده‌های عملیاتی واقعی، شامل درخواست‌های رایج و استثنائات پیچیده، برای بررسی اینکه آیا عامل از جریان کاری مورد انتظار پیروی می‌کند یا خیر.
• ارزیابی پایبندی به جریان کاری: اطمینان از اینکه عامل زبان خاصی که مشتریان به کار می‌برند را می‌فهمد و دقیقاً می‌داند چه زمانی باید یک انسان را دخالت دهد.
• سنجش انطباق رگولاتوری: ادغام الزامات حریم خصوصی، امنیت و قوانین نظارتی در مرحله طراحی، به‌جای اینکه پس از استقرار به آن‌ها پرداخته شود.

در نهایت، دانش صنعتی تنها زمانی ارزشمند است که به تعاملات دقیق‌تر و مناسب‌تر با مشتری تبدیل شود.

حفاظ‌های امنیتی برای اقدامات خودکار

وقتی هوش مصنوعی از پاسخ دادن به سؤالات به سمت تکمیل تراکنش‌ها می‌رود، پروفایل ریسک افزایش می‌یابد. اسکیلز استدلال می‌کند که نظارت باید متناسب با میزان مسئولیت عامل افزایش یابد. تفاوت زیادی بین ارائه اطلاعات کلی و ایجاد تغییر در حساب کاربری یا تکمیل تراکنشی که مستقیماً بر مشتری اثر می‌گذارد، وجود دارد.

حفاظ‌های کلیدی در این زمینه عبارتند از:

• دسترسی‌های سخت‌گیرانه (Strict Permissions): عامل‌ها فقط باید به سیستم‌هایی دسترسی داشته باشند که برای انجام وظیفه مجازشان ضروری است. احراز هویت و کنترل‌های دسترسی اجباری هستند.
• شفافیت (Transparency): مشتریان باید دید واضحی داشته باشند که اطلاعاتشان چگونه توسط هوش مصنوعی پردازش و مدیریت می‌شود.
• قابلیت حسابرسی (Auditability): هر اقدامی که توسط هوش مصنوعی انجام می‌شود باید سندی بر جای بگذارد که نشان دهد از چه اطلاعاتی استفاده شده و چرا آن اقدام صورت گرفته است. این موضوع برای محیط‌های حساس یا تحت نظارت قانونی ضروری است.
• حضور انسان در حلقه (Human-in-the-Loop): تصمیماتی که پیامدهای بزرگی دارند حتماً باید نیاز به بررسی یا تأیید انسانی داشته باشند. هوش مصنوعی باید عدم قطعیت را تشخیص دهد و زمانی که اطلاعات ناقص است یا خارج از مرزهای تعیین‌شده است، مکث کند.

بازتعریف معیارهای موفقیت

بسیاری از مدیران به‌اشتباه موفقیت هوش مصنوعی را بر اساس صرفه‌جویی در هزینه‌ها، کاهش تعداد تماس‌ها (Call Deflection) یا کاهش میانگین زمان رسیدگی (AHT) ارزیابی می‌کنند. اما یک تماس کوتاه اگر منجر به این شود که مشتری به دلیل حل نشدن مشکل دوباره تماس بگیرد، در واقع یک شکست است. معیارهای بهره‌وری در درجه دوم قرار دارند و رابطه کلی با مشتری در اولویت است.

Vonage پیشنهاد می‌کند تمرکز بر این معیارها تغییر یابد:

• حل مشکل در اولین تماس (FCR): اندازه‌گیری اینکه آیا مشکل واقعاً در اولین تلاش حل شد یا خیر.
• نرخ تماس‌های تکراری و ارجاعات: شناسایی اینکه آیا هوش مصنوعی صرفاً مشکل را به جای دیگری منتقل کرده یا باعث افزایش نارضایتی مشتری شده است.
• تجربه کارکنان (Employee Experience): ردیابی اینکه آیا هوش مصنوعی کارهای تکراری را کاهش داده و به کارکنان کمک کرده تا از طریق اطلاعات بهتر، مسائل پیچیده‌تر را حل کنند (بر اساس بازخوردهای کارکنان).
• اعتماد بلندمدت: نظارت بر نرخ حفظ مشتری، رشد حساب‌ها و درآمدی که از طریق تعاملات خدماتی ایجاد یا محافظت شده است.

ادغام هوش شبکه

Vonage به‌عنوان بخشی از Ericsson، در حال ادغام داده‌های سطح شبکه در جریان کاری هوش مصنوعی است. این امر امکان انجام بررسی‌های امنیتی «نامرئی» را فراهم می‌کند، پیش از آنکه حتی یک انسان تلفن را پاسخ دهد. این رویکرد، APIهای شبکه، CPaaS، CCaaS و UCaaS را در یک تجربه واحد مشتری ادغام می‌کند تا مشتری بتواند بدون اصطکاک از کانالی که برایش راحت‌تر است استفاده کند.

برای مثال، در یک تماس خدمات مالی برای گزارش یک تراکنش مشکوک:

۱. لایه شبکه: APIهای شبکه Vonage که توسط زیرساخت اپراتوری اریکسون پشتیبانی می‌شوند، از «بینش‌های هویتی» (Identity Insights) برای بررسی شماره تلفن تماس‌گیرنده در برابر داده‌های زنده شبکه موبایل استفاده می‌کنند. این سیستم تشخیص می‌دهد که آیا سیم‌کارت به‌تازگی تعویض شده است یا خیر (که سیگنالی قوی برای کلاهبرداری است).
۲. لایه API: این سیگنال اعتماد از طریق APIهای ارتباطی جریان یافته و به‌صورت لحظه‌ای در فضای کاری عامل، مثلاً در Salesforce Agentforce، ظاهر می‌شود. عامل قبل از شروع گفتگو، وضعیت تأیید هویت را می‌بیند.
۳. لایه UCaaS: اگر عامل نیاز به یک متخصص کلاهبرداری داشته باشد، از Vonage Business Communications (VBC) استفاده می‌کند تا ببیند چه کسی در کل سازمان در لحظه در دسترس است و تماس را با تمام زمینه (Context) منتقل کند.

این یکپارچگی تضمین می‌کند که شبکه به مرکز تماس اطلاعات می‌دهد، APIها هوشمندی را به جریان کاری متصل می‌کنند و لایه UCaaS افراد مناسب را در حلقه نگه می‌دارد.

آیندهٔ اپراتور انسانی

در سه تا پنج سال آینده، نقش متخصصان مراکز تماس تغییر خواهد کرد. کارهای روتین با قوانین شفاف و نتایج پیش‌بینی‌پذیر کاملاً خودکار می‌شوند و انسان‌ها برای مدیریت مسائل پیچیده‌ای که نیاز به همدلی، قضاوت و خلاقیت دارد باقی می‌مانند.

کارکنان به «همکاران هوش مصنوعی» تبدیل خواهند شد و از فناوری برای یافتن سریع اطلاعات، خلاصه کردن تاریخچه مشتری و شناسایی گام‌های بعدی استفاده می‌کنند. برای آماده‌سازی این گذار، رهبران باید:

• شفاف‌سازی کنند: توضیح دهند چرا هوش مصنوعی معرفی می‌شود و نقش‌ها چگونه تکامل می‌یابند تا از ایجاد عدم قطعیت و ترس در کارکنان جلوگیری شود.
• آموزش‌های هدفمند اجرا کنند: به کارکنان کمک کنند بفهمند هوش مصنوعی چگونه در مسئولیت‌های روزمره آن‌ها جای می‌گیرد و در کجا باید توصیه‌های هوش مصنوعی را نادیده گرفته و تصمیم انسانی بگیرند.
• کارکنان خط مقدم را مشارکت دهند: متخصصانی که هر روز با شکاف‌های فرآیندی و موارد غیرمعمول مشتریان روبرو هستند را در فرآیند پیاده‌سازی دخالت دهند.

در سال‌های آینده، موفق‌ترین مراکز تماس آن‌هایی خواهند بود که از هوش مصنوعی برای افزایش اثربخشی انسان‌های خود استفاده می‌کنند، در حالی که مسیری شفاف و بدون اصطکاک برای دسترسی به پشتیبانی انسانی حفظ کرده‌اند.

گام بعدی شما

• نقشه‌برداری از تمام نقاط ذخیره داده‌های مشتری در سازمان خود کنید تا نقاط کور لایه زمینه را شناسایی کنید.
• معیارهای موفقیت AI خود را از «کاهش زمان تماس» به «نرخ حل مشکل در اولین تماس» تغییر دهید.
• برای انتقال‌های Agent-to-Human، یک چک‌لیست پنج‌گانه (قصد، تاریخچه، داده‌های حساب، احراز هویت و دلیل ارجاع) تعریف کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.