امسال دستیاری منتشر کردیم که تیکتهای پشتیبانی ورودی را میخواند، دستهبندی و اولویت پیشنهاد میدهد و پیشنویس اولین پاسخ را برای تأیید یک انسان آماده میکند. مدل، بخش آسان کار بود. بخش واقعی اینها بود:
با برچسبهای انسانی شروع کنید
پیش از نوشتن حتی یک پرامپت، شش ماه تیکت و نحوهی رسیدگی واقعی تیم پشتیبانی به آنها را استخراج کردیم. همین تاریخچه مجموعهی ارزیابی ما شد. بدون آن، «به نظر خوب کار میکند» فقط یک نظر است؛ با آن، عددی است که میشود بهترش کرد.
میزان اطمینان، مسیر کار را تعیین میکند
دستیار فقط جواب نمیدهد — میگوید چقدر مطمئن است. و ما بر همین اساس مسیر میدهیم:
| اطمینان | چه اتفاقی میافتد | سهم تیکتها |
|---|---|---|
| بالا | دستهبندی و اولویت خودکار اعمال و پاسخ پیشنویس میشود | حدود ۶۲٪ |
| متوسط | پیشنهاد نمایش داده میشود و کارشناس با یک کلیک تأیید میکند | حدود ۲۷٪ |
| پایین | بدون پیشنهاد — به صف عادی میرود | حدود ۱۱٪ |
ردیف آخر مهم است. دستیاری که میداند کی سکوت کند، خیلی بیشتر از دستیاری که همیشه نظر دارد اعتماد میسازد.
انسان در چرخه میماند — و این دیده میشود
- هر پاسخی که هوش مصنوعی مینویسد پیشنویس است؛ هیچ پیامی بدون کارشناس ارسال نمیشود.
- کارشناسها با یک کلیک دستهبندی را اصلاح میکنند و هر اصلاح وارد دور بعدی ارزیابی میشود.
- مشتری هیچوقت مستقیم با مدل حرف نمیزند. مدل برای تیم کار میکند، نه به جای آن.
هدف هیچوقت حذف آدمها از پشتیبانی نبود. هدف حذف آن بخشی از کار بود که هیچکس دوستش نداشت.
چیزی را بسنجید که تیم حس میکند
دقت هفتهبههفته بالا رفت، اما معیاری که برای تیم مهم بود سادهتر بود: زمان تا اولین پاسخ انسانی تقریباً نصف شد. دستهبندی دیگر کار صبحگاهی نبود؛ یک نگاه کافی بود.
اگر به هوش مصنوعی در یک فرایند داخلی فکر میکنید، کوچک شروع کنید، روی هر تصمیمی که به مشتری میرسد یک انسان نگه دارید و بگذارید تاریخچهی خودتان بگوید جواب میدهد یا نه.