Tässä blogissa keskitymme tarkastelemaan tekoälyagenttien vaikutusta asiakaspalvelussa. Oman työkokemukseni ja substanssiosaamiseni johdosta tarkastelemme blogin konkreettisia esimerkkejä IT-palveluntarjoajan näkökannalta. Valitusta näkökulmasta huolimatta lähes kaikki esitetyt seikat ovat yleistettävissä laajemminkin asiakaspalvelua tuottaviin organisaatioihin. Hyvän asiakaskokemuksen ja kulmakivet ovat yhtenevät toimialasta riippumatta.
Minuuteista henkilötyövuosiksi
Ajattele, että asiakaspalvelutiimissäsi on kahdeksan täysipäiväistä työntekijää, jotka käsittelevät vuodessa yhteensä noin 28 800 työpyyntöä (noin 300 tikettiä per työntekijä kuukaudessa). Jos jokaisen tiketin käsittelyaikaa voidaan lyhentää keskimäärin viidellä minuutilla tekoälyagenttien avulla, tämä tarkoittaa yhteensä 144000 minuutin eli 2400 tunnin vuotuista ajansäästöä. Tämä esimerkkilaskelman aikavaikutus muodostuu lähes kahdeksi henkilötyövuodeksi, mikä mahdollistaa huomattavasti paremman resurssien kohdentamisen monimutkaisten ja vaativien asiakastapausten hoitamiseen.
Tämä aikasäästö ei synny vain helpoimmista tiketeistä, kuten salasanan resetoinneista, joissa tekoäly voi parhaimmillaan poistaa ihmisen osuuden kokonaan. Säästö syntyy myös monimutkaisemmista keikoista, joissa tekoäly auttaa vähentämään rutiinitehtäviin kuluvaa aikaa (esim. asiakkaan opastaminen, esitietojen kartoitus, tyypillisten korjaustoimenpiteiden kokeileminen ja dokumentointi). Mielestäni arvio on varovaisen realistinen, sillä todellinen vaikutus riippuu aina toimialan erityispiirteistä. Yllä olevaan laskelmaan en arvioinut mukaan esimerkiksi mahdollisen tekoälypohjaisen puhelinautomaation vaikutuksia. Tulevaisuudessa vaikuttavuus kasvaa merkittävästi kun tekoälyn kyvykkyydet ja toisaalta organisaation konfiguraation kypsyys kasvavat.
Agenttien ajankohtaisuus MSP-maailmassa
Markkinatilanne IT-palveluita tuottavilla toimijoilla on muuttunut merkittävästi viimeisen kahden vuoden aikana. Asiakkaat odottavat entistä nopeampaa palvelua ja ratkaisuja ilman turhaa viivettä. Lisäksi varsinkin nuorempi polvi haluaa itse pystyä ratkaisemaan ongelmansa ilman jonotusta tai asiakaspalvelijan kanssa asioimista. Tutkimustiedon mukaan peräti 72% loppukäyttäjistä valitsee itsepalvelun asiakaspalvelijan sijaan silloin, kun se on mahdollista (https://www.businessinsider.com/marc-benioff-says-ai-working-with-93-accuracy-customer-service-2025-6). Yritykset, jotka kykenevät vastaamaan tähän kysyntään, eivät ainoastaan paranna asiakastyytyväisyyttä vaan säästävät myös omia resurssejaan. Nämä resurssit voidaan kohdentaa niihin keikkoihin, joissa ihminen tuottaa vielä merkityksellistä lisäarvoa tekoälyyn verrattuna. Tyytyväisempi asiakas ja resurssitehokkuus ovat kilpailuedun avaintekijöitä nykypäivän palvelumarkkinoilla.
Teknologian kypsyys on myös tärkeä osa tätä kehitystä. Aikoinaan itsepalveluportaalit ja ratkaisupankit edustivat innovatiivisia ratkaisuja, jotka tarjosivat asiakkaille mahdollisuuden hakea tietoa ja ratkaista ongelmia itsenäisesti. Nykyään helppokäyttöiset tekoälyagentit ovat nostaneet tämän toiminnallisuuden uudelle tasolle. Agentit eivät vain tarjoa tietoa helposti ja nopeasti, vaan auttavat asiakkaita aktiivisessa roolissa, tukevat monimutkaisempia prosesseja ja ovat käytettävissä ympäri vuorokauden ilman merkittäviä lisäkustannuksia.
Edellä mainittu kellon ympäri tarjottava asiakaspalvelu on kustannusrakenteensa puolesta ollut yleensä palveluntarjoajan kannalta haasteellinen yhtälö ratkaistavaksi. Mitä pidemmälle tekoälypohjaiset puheagentit yleistyvät, sitä oletusarvoisemmaksi myös 24/7 tuotettava palvelu muuttuu. On hyvä muistaa, että markkina asettaa vaatimustason, palvelun tarjoaja valitsee tavan toteuttaa ostajan vaatimukset.
Viimeisen vuoden aika otetut teknologiset kehitysaskeleet ovat tehneet selväksi, että tekoälyagenttien rooli asiakaspalvelussa on tullut jäädäkseen. Ne eivät ainoastaan paranna tehokkuutta ja vapauta resursseja, vaan myös vastaavat asiakkaiden kasvaviin vaatimuksiin tarkemmin ja nopeammin kuin perinteiset ratkaisut.
Monen eri kerroksen agentteja
Microsoftin agenttimallin mukasesti tekoälyagentit voidaan jakaa kolmeen ryhmään, jotka auttavat organisaatioita hyödyntämään tekoälyä tehokkaasti:
Prompt-and-response agents (keskustelulähtöiset agentit):
Agentti tuottaa vastauksen välittömästi käyttäjän antamaan kehotteeseen. Tyypillisiä esimerkkejä ovat asiakaspalveluchatbotit ja virtuaaliassistentit, jotka hakevat tietoja, vastaavat kysymyksiin tai auttavat esimerkiksi työpyynnön avaamisessa.
Task agents (tehtäväagentit):
Task-agentit pystyvät oppimaan käyttäjästä, soveltavat koneoppimista ja NLP-menetelmiä ja suorittavat toistuvia, mutta hieman monimutkaisempia tehtäviä itsenäisesti. Esimerkkinä IT-palvelupyyntöjen automaattinen käsittely, jossa agentti luokittelee tiketin, hakee historiatietoja aiemmista vastaavista tapauksista ja ehdottaa ratkaisua.
Autonomous agents (autonomiset agentit):
Autonomiset agentit toimivat pitkälti omavaraisesti, tekevät päätöksiä ja monesti tehtävät myös yhteistyötä muiden agenttien kanssa. Niillä voidaan esimerkiksi orkestroida koko toimitusketju, hallita varastotasoja, seurata lähetysten sijaintia ja optimoida resurssien allokointi ilman jatkuvaa ihmisen ohjausta.
Näiden kolmen tekoälymallin tunnistaminen auttaa organisaatioita suunnittelemaan ja vaiheistamaan tekoälyn käyttöönottoa. On oleellista tunnistaa prosessista ne palat, jotka voidaan siirtää tekoälylle, ja toisaalta missä ihminen vielä pystyy tuottamaan kustannustehokkaasti lisäarvoa. Kun tekoälylle soveltuvat (tarpeelliset) prosessivaiheet on tunnistettu, voidaan käyttöönottoa suunnitella hallittavana kokonaisuutena. Koska todennäköinen ratkaisu on ihmisen ja tekoälyn yhteistyöhön perustuva hybriditoteutus, korostuu kokonaisuuden hallinnan ja jatkuvan kehityksen merkitys.
Asiakaspalvelijan rooli muuroksessa
Mitä edellisessa kappaleessa kuvaamamme agenttitasot sitten käytännössä tarkoittavat, jos mietitään asiakaspalvelijan työtehtäviä? Oheisessa taulukossa kuvattuna merkityksellisimpiä muutoksia:
| AI-vaihe | Mikä automatisoituu | Mihin ihminen keskittyy | Mittaustuloksia |
| 1. Keskustelulähtöiset agentit | FAQ-vastaukset, valmiiden vastauspohjien luonti, muistiinpanojen ja tiketin yhteenvedon generointi | Laadunvarmistus, empaattinen viestintä, hyvän promptin muotoilu | Microsoftin omassa tukikeskuksessa keskim. 12 % lyhyempi käsittelyaika matalan prioriteetin chateissa (news.microsoft.com) |
| 2. Tehtäväagentit | Tikettien luokittelu & priorisointi, salasananollaukset, historian kaivaminen, vianmäärityksen ehdotukset | Poikkeusten ratkominen, prosessien hiominen, datan tulkinta | Service desk käyttää jopa 30 % ajastaan triageen – agenttiset triage-botit poistavat tämän manuaalityön (zofiq.ai) |
| 3. Autonomiset agentit | Käyttöoikeuksien provisiointi, vikojen ennakoiva korjaus, asiakkaan status-päivitykset | Agent boss -rooli, KPI-valvonta, eettinen valvonta, asiakassuhteen kehitys | Esimerkkiorganisaatiossa agentit säästävät tuhansia työtunteja/kk vapauttaen teknikoita katteellisempaan työhön (getthread.com) |
Kun tarkastellaan muutosta taulukon sijaan asiakaspalvelijan tyypillisten työtehtävien kannalta, tunnistetaan seuraavaa:
Ennen AI-agentteja
- Uusi tiketti jonossa → manuaalinen luokittelu ja SLA-priorisointi
- Esitietojen täydentäminen ja dokumentointi, asiakkaan kontaktointi ja tyypillisten, yleensä toistuvien ratkaisumallien kokeileminen
- Työpyynnön ratkaiseminen tai eskalointi seuraavalle tasolle. Tähän liittyvien tietojen kirjaaminen.
Uusien kirjallisten työpyyntöjen lomassa asiakaspalvelija vastaanottaa tehtäviä myös puhelimitse. Suhteellisen merkittävä osa työkuormasta generoituu myös odottavien työpyyntöjen aiheuttaman häiriökysynnän tyydyttämisestä, eli statuskyselyistä ja tietojen välittämisestä.
Agenttien myötä (erityisesti vaiheet 2 ja 3)
- Agentti ottaa tiketin käsittelyyn, pyytää automaattisesti tarvittavat lisätiedot ja kategorisoi työpyynnön itsenäisesti
- Asiakaspalvelija näkee työpyynnöllä agentin suorittamat toimet samaan tapaan kuin kirjaajana olisi hänen kollegansa.
- Kehitysvaiheesta riippuen autonominen agentti joko ehdottaa ratkaisutapoja, jotka ihminen hyväksyy, tai täysin autonomisesti pyrkii ratkaisemaan loppukäyttäjän pyynnön.
- Vaikeammat tapaukset tekoäly eskaloi ihmiselle
Edistyneemmissä agenttitoteutuksien tekoäly kykenee hoitamaan myös valtaosan puhelinkeskusteluista asiakkaiden kanssa.
Työjonoja seuraa ympäristön yleiskuvaa seuraava agentti, joka pyrkii tunnistamaan toisiinsa liittyviä tapauksia, jotta päästään nopeammin juurisyyn äärelle (ITIL:n ongelmien liputtaminen). Samalla agentti seuraa työpyyntöjen SLA-tasoja, ja auttaa ihmisiä työnohjauksessa sekä asiakaslupauksen lunastamisessa. Kyse ei ole enää aika- ja resurssisäästöstä, vaan asiakkaan kokemasta lisäarvosta.
Asiakaspalvelijan rooli painottuu entistä enemmän laatukokemuksen varmistamiseen. Yhdistettynä jäljelle jäävien työpyyntöjen monimutkaisempaan luonteeseen, vaatimustaso asiakaspalvelijoiden osaamista kohtaa muuttuu ja kasvaa merkittävästi. Viime kädessä ihmisen kyky kohdata asiakas haastavassa tai pieleen menneessä asiakaskontaktissa on ensiarvioisen tärkeää. Yksinkertaisesti siitä syystä, että asiakkaan laatukokemuksessa ylipainottuu Peak-end rulen mukaisesti kokemuksen tunnehuippu sekä lopetus.
Asiakas arvovirran keskiössä
Tekoälyagentit tehostavat ja muuttavat juuri asiakkaalle tärkeimpiin asioihin: palvelun nopeus, tavoitettavuus ja ratkaisujen laatu. Autonomiset agentit ottavat yhä useammin ensimmäisen kontaktin asiakkaan kanssa, ratkaisten osan tapauksista itsenäisesti tai valmistellen tiketin käsittelyä ennen ihmisen väliintuloa.
Vaikutus asiakaskokemuksen nopeuteen on huomattava – eräässä tutkimuksessa (https://www.ijsat.org/papers/2025/1/2600.pdf) tekoälyavusteinen asiakaspalvelu lyhensi käsittelyaikoja perinteiseen verrattuna lähes neljänneksellä.
Tehokkaamman ja nopeamman asiakaspalvelun rinnalla myös hyperpersonointi tulee yleistymään. Asiakkaan kontaktoidessa asiakaspalvelua, on agentilla ensimmäisestä sekunnista alkaen tiedossaan esimerkiksi koko asiakkaan tapaushistoria, voimassa olevat palvelusopimukset, sekä mahdolliset asiakaskohtaiset preferenssit.
Tavoitettavuuden osalta tekoälyagentit mahdollistavat äärettömän kustannustehokkaan tavan toteuttaa ympärivuorokautinen asiakaspalvelu. Asiakas voi ottaa yhteyttä mihin tahansa aikaan ja saa usein vastauksen välittömästi. Kun asiakaspalvelun rinnalla huomioidaan muut autonomiset järjestelmät, jotka esimerkiksi valvontadatan perusteella suorittavat ennakoivia automaattisia korjaustoimenpiteitä ennen kuin vikatilanne edes realisoituu, kasvaa asiakaskokemuksen laatu merkittävästi.
Täysin automatisoitua kokemusta tulee kuitenkin lähestyä realismi edellä. Vaikka autonomisten agenttien nopeus ja saavutettavuus ovat vertaansa vailla, hallusinoitu ratkaisuehdotus voi turhauttaa asiakasta enemmän kuin perinteinen odottelu. Vaadittu osumatarkkuus riippuu käyttöskenaariosta, mikä on mahdollisen virhetulkinnan vaikutus ja millaisella virhemarginaalilla ihmisagentit tällä hetkellä toimivat.
On tärkeää tunnistaa ja pyrkiä vaikuttamaan myös mahdollinen muutosvastarintaan organisaatiossa. Kokemuksien mukaan asiakas saattaa omata tekoälyagenttia kohtaan kylmemmän suhtautumistavan ja jättää oleellisia asioita tietoisesti kertomatta pelatakseen systeemiä. Kun muutosta lähdetään toteuttamaan kannattaa varata asiakkaalle mahdollisuus siirtyä ihmiskontaktiin. Lisäksi on syytä varmistua, että agentti kykenee perustelemaan toimintansa ja ratkaisunsa luontevasti.
Hyvin suunnitellut tekoälyagentit skaalautuvat niin, että palvelun laatu säilyy ja jopa paranee, vaikka volyymi kasvaisi. Tämä tekee niistä houkuttelevan ratkaisun sekä MSP:lle että heidän asiakkailleen.
Huomioitavia riskejä ja rajoitteita
Tekoälyagenttien käyttöönotto herättää tunteita asiakkaiden lisäksi myös palveluntarjoajan puolella. Negatiivisten ajatusten tausta liittyy yleensä riskeihin ja rajoitteisiin, jotka on syytä tunnistaa ja käsitellä asianmukaisesti. Alla muutamia yleisimpiä tekoälyyn liittyviä riski- ja rajoitenäkemyksiä.
Hallusinaatiot -> luottamuspula
Tekoälymallien hallusinaatiot muodostavat merkittävän riskin asiakaspalvelussa. Virheellinen tekoälyagentin vastaus voi rapauttaa asiakkaan luottamusta palveluun. Riskiä voidaan tehokkaimmin hallita datan laatuun pureutuvilla toimenpiteillä, sillä hallusinaatioiden taustalla ovat usein lähtödatan puutteet, sen paikkansapitämättömyys tai käytettävissä olevan kontekstin rajallisuus. Agentille voidaan myös määritellä korkea vaatimus vastauksien varmuusasteelle, mutta heikkolaatuisen tai vajaan lähtödatan tapauksessa tämä rajaaa agentin roolia merkittävästi teknisiä edellytyksiä pienemmäksi.
Tekniset rajoitteet
Edellä mainitun datan laadukkuuden myötä tekoälyratkaisujen onnistuminen riippuu niiden kyvystä integroitua saumattomasti organisaation data- ja työkalujärjestelmiin. Hajanaisuus CRM-, ITSM- ja eri legacy-järjestelmien välillä kasvattaa käyttöönottokustannuksia ja integraatioiden ylläpitotyötä. Mikäli tarvittavia ydinjärjestelmiä ei tuoda yhteen, näkyy tämä asiakaskokemuksessa.
Asiakaspalvelukontekstin sijaan onkin syytä tarkastella organisaation tekoälystrategiaa osana laajempaa kokonaisuutta. Millaisella tekoälyratkaisuiden portfoliolla toiminta on tehokasta ja tarkoituksenmukaista myös tulevaisuudessa? Pirstaloituneet, jokaisen osaston itsenäisesti omistamat spesifit ratkaisut kasvattavat ylläpitokustannuksia sekä lisäävät datan siiloutumisriskiä. Ongelmaa voidaan lähestyä esimerkiksi Microsoftin suositteleman Center of Excellence -mallin kautta, millä pyritään varmistumaan tekoälyratkaisuiden kokonaiskuvasta ja yhtenäisyydestä.
Tietosuoja ja datariskit
Tekoälyagenttien käyttö tuo mukanaan merkittäviä tietosuojahaasteita, erityisesti jos näihin ei konfiguroidessa tietoisesti kiinnitetä huomiota. Asiakaslisäarvon tuottamiseksi agentilla on monesti pääsy laajasti organisaation eri tietoihin, mikä voi johtaa tietovuotoihin tai tietojen väärinkäyttöön. On kriittistä varmistaa, että agentit toimivat tarkasti määriteltyjen reunaehtojen mukaan ja että niille asetetaan selkeät rajat siitä, mitä tietoja ne voivat jakaa ja kenelle. Esimerkiksi työntekijän tunnusten sulkeminen osana offboarding-prosessia löytyy kyllä tikettijärjestelmästä, mutta työpyynnön status tai olemassaolo ei luonnollisesti kuulu rivityöntekijälle. On varmistuttava, että tekoälyagentti toimii ihmiskollegansa tavoin samoissa organisaation linjaamissa rajoissa.
Tekoälyyn liittyvät riskit tulisi hallita samalla hallintamallilla kuin organisaation muut riskit. Riskienhallintamallissa tulee huomioida tekoälyagenttien tuomat erityispiirteet, kuten datan turvaaminen ja sääntelyyn liittyvät vastuut. Selkeät prosessit ja valvonta mahdollistavat turvallisen ja tehokkaan tekoälyn käytön liiketoiminnan tavoitteiden saavuttamiseksi.
Vastuu ja etiikka
EU AI Act luokittelee tekoälyjärjestelmät riskiluokkiin ja velvoittaa organisaatiota varmistamaan riittävät hallintakeinot luokituksien perusteella. Sääntely pyrkii vastuulliseen ja kestävään tekoälyn hyödyntämiseen, jossa ihmiskeskeisyys, läpinäkyvyys ja jäljitettävyys ovat rakenteeseen upotettuja oletuksia. Samalla se suojaa organisaatiota maine- ja sanktioriskeiltä.
Tekoälyjärjestelmää koskevan regulaation evaluoimista ei tule sivuuttaa asiakaspalvelun järjestelmäkokonaisuuttakaan suunniteltaessa.
Vastuullisuus ja eettinen harkinta voidaan regulaation lisäksi nähdä myös potentiaalisena kilpailuetuna. Organisaatio, joka lähestyy tekoälyn käyttöönottoa hallintamallin ja yhtenäisen arkkitehtuurin kautta, luo paremmat edellytykset hyötyjen skaalaamiseen, hallinnan keskittämiseen ja sidosryhmien luottamuksen rakentamiseen.
Vastuullisuuden lisäksi myös vastuukysymys tulee järjestelmää käyttöönotettaessa määritellä. Kuka vastaa agenttipohjaisen ratkaisun tuottamasta asiakaspalvelukokemuksesta, kustannuksista ja mahdollisista tietosuojakysymyksistä?
Miten agentit vähentävät hukkaa asiakaspalvelussa?
Lean-filosofia on syntynyt valmistavan teollisuuden tarpeisiin, mutta sen ydinajatus oikea-aikaisesta arvon tuottamisesta asiakkaalle ilman hukkaa toimii erinomaisesti myös asiakaspalvelussa. Tehdastuotteiden sijaan näemme tarkastelussa tukipyyntöjä, käyttäjäohjeistuksia, erilaisia tilannepäivityksiä ja päätöksiä. Kun asiakaspalvelua tarkastelee Lean-lasien läpi, on helppo huomata tekoälyagenttien mahdollisuudet. Kyse on nimenomaisesti hukan karsimisesta, virtauksen parantamisesta ja ihmisresurssien vapauttamisesta aidosti arvoa tuottavaan työhön.
Oheisessa taulukossa konkreettinen mäppäys leanin hukka-ajattelun ja asiakaspalvelun tekoälyagenttien välillä.
| Hukan tyyppi | Ilmentymä asiakaspalvelussa | Miten tekoälyagentti auttaa |
| Odottelu (Waiting) | Asiakas odottaa vastausta tai tiketti jää seisomaan jonoon. | Agentti tarjoaa välittömän vastauksen, eskaloi automaattisesti tai hoitaa koko tiketin itsenäisesti. |
| Liike (Motion) | Tikettejä siirrellään käsin tiimiltä toiselle tai tiedot haetaan useasta järjestelmästä. | Agentti reitittää tiketin oikeaan paikkaan, samalla rikastaen sen tietoa ilman välikäsiä. |
| Kuljetus (Transportation) | Ihmiset siirtävät dataa käsin järjestelmästä toiseen. | Agentti päivittää automaattisesti kentät, muistiot ja asiakastiedot integroiduista järjestelmistä. |
| Varasto (Inventory) | Ratkaisemattomat tiketit kasaantuvat jonoksi, jolle ei ole heti käsittelykapasiteettia. Asiakas ei maksa ratkaisemattomasta tiketistä. | Agentti ratkaisee osan automaattisesti sekä ohjaa ja priorisoi tiketit fiksusti – keskeneräinen työ ei kasva hallitsemattomaksi. |
| Ylituotanto (Over-production) | Kirjoitetaan uusia ohjeita tai neuvoja, vaikka vastaava KB-artikkeli jo on olemassa. | Agentti ehdottaa suoraan olemassa olevia KB-artikkeleita ja ylläpitää näiden sisältöä. |
| Yliprosessointi (Over-processing) | Toistuvia kirjauksia ja manuaalisia yhteenvetoja. | Agentti tiivistää keskustelut, dokumentoi ja tekee yhteenvedot automaattisesti. |
| Virheet (Defects) | Tiketti luokitellaan väärin, lähetetään väärälle tiimille tai eskaloidaan turhaan. | Agentti tarkistaa tietoonsa ja käytettävissä olevaan historiadataan perustuen, mikä on todennäköisin ratkaisu ja oikea osoite. |
| Hyödyntämätön osaaminen (Skills) | Kokeneet asiantuntijat ratkovat toistuvasti perustapauksia. | Agentti hoitaa rutiinit, jolloin asiantuntijat voivat keskittyä analyyttiseen ongelmanratkaisuun ja kehittämiseen. |
Hukkatasolla tarkasteltuna nähdään tekoälyagenttien vaikutus yksittäisiin prosessin osiin, mutta kyse on ennen kaikkea prosessin kokonaisvirtauksen parantamisesta.
Parhaimmillaan tekoäly toimii näkymättömänä fasilitaattorina: se tasapainottaa kuormaa, purkaa pullonkauloja.
Prosesseja tulisi tarkastella kokonaisuutena tekoälyn myötä. Tekoälyagenttien käyttöönotto tarjoaa perustellun syyn arvioida asiakaspalveluprosesseja kriittisesti ja poistaa tarpeettomat työvaiheet siltä osin kuin se on teknologian valossa mahdollista. Työvaiheet, jotka ovat aiemmin olleet välttämättömiä ihmistyön näkökulmasta, voivat osoittautua tarpeettomiksi tekoälyn hyödyntämisen myötä.
Näin pääset alkuun – tekoälyä asiakaspalveluun
Tuntuuko ajatus koko asiakaspalvelun uudistamisesta vaikealta ja isolta projektilta? Nykyiset järjestelmät ovat kriittisiä, resurssit tiukalla ja vaikutukset näkyvät suoraan asiakkaille. Tuttu tarina, mutta monessa organisaatiossa jo ratkaisu. Tyypillisesti toteutusta kannattaa lähteä rakentamaan hallittavista kokonaisuuksista alla listatun rungon mukaisesti. Samaisella rakenteella on mahdollista skaalata toimintaa myös myöhemminkin.
Analysoi nykytila
Kaikki alkaa näkyvyydestä. Miten asiakaspalvelu tänään toimii? Mitä järjestelmiä käytetään, miten tiketit kulkevat prosessin läpi, missä vaiheessa syntyy pullonkauloja tai toistoa?
Samalla on tärkeää tarkastella dataa: mitä tietoa kerätään, missä järjestelmissä se sijaitsee, kuinka ajantasaista ja yhtenäistä se on? Onko osa datasta siiloutunutta tai puutteellista? Tekoäly ei korjaa huonoa dataa – se vain tekee sen vaikutukset näkyvämmiksi.
Älä aloita konfiguraatiosta, vaan prosesseista
Varmin tapa epäonnistua käyttöönotossa on tuottaa jotain, mitä kukaan ei tarvitse. Vaikka tekninen toteutus olisi priimaa, resurssit hukattiin. Edellä mainitun nykytila-analyysin perusteella tiedämme, mihin keskittymällä saamme aikaan suurimmat vaikutukset. Ennen teknistä ratkaisua on kuitenkin syytä kysyä, onko oikeasti kyse prosessiongelmasta? Entä jos ratkaisemme ongelman tekoälyllä, miten se vaikuttaa muihin prosessin osiin? Saammeko synergiahyötyä muista osista? Tyypillisesti tekoälyn vahvuudet poikkeavat ihmisten työtapoja mukailevista prosesseista, joten tarkastelu on sitä kriittisempää, mitä pidemmälle muutoksessa edetään.
Korkeamman tason tarkastelua ei tule sivuuttaa alkuun pääsyn jälkeenkään.
Aloita pienistä, mutta vaikuttavista paloista
Tyypillisesti kun projekti ei etene ja mitään ei valmistu, on valittu läpivientikykyyn nähden liian laaja kokonaisuus työstettäväksi. Valitse sen sijaan yksittäinen käyttötapaus, joka on volyymiltaan suuri mutta riskeiltään hallittavissa. Esimerkiksi automaattinen tikettien luokittelu tai FAQ-pohjainen chat. Onnistuneella aloituksella vähennetään muutosvastarintaa, kerätään teknistä osaamista ja saadaan konkreettisia vaikutuksia. Tärkeintä on, että jo pilotti tuottaa oikeaa arvoa myös PowerPointin ulkopuolella.
Aloita työ integraatioiden ja datan perustan kanssa
Mitä enemmän historiaa organisaatiolla on, sitä todennäköisemmin tekoälyprojektit törmäävät ensimmäiseksi integraatioihin: asiakastiedot ovat yhdessä järjestelmässä, tiketit toisessa ja asiantuntijavastaukset kolmannessa. Eri järjestelmien väliset integraatiot, mahdolliset datan siirtämiset tai järjestelmäuudistukset ovat usein työläitä projekteja. Koska olemme analysoineet nykytilan sekä ymmärrämme prosessitasolla tulevia muutoksia, voimme varmistua, ettemme tee turhaa työtä. Huomioi siis datan elinkaari ja mieti kokonaisarkkitehtuuria.
Pitkällä tähtäimellä tekoäly tarvitsee yhtenäisen ja hyvin jäsennellyn datapohjan.
Mittaa oikeita asioita
Ilman muutoksen vaikutuksien mittaamista emme pysty arvioimaan työmme vaikuttavuutta. Mittareiden lähtökohtana tulee olla asiakkaalle tuotettu arvo. Jonosta toiseen nopeammin odottamaan siirretty työpyyntö ei vielä nopeuttanut arvon tuottoa asiakkaan suuntaan.
Tyypillisesti kannattaa käyttää asiakaspalvelussa jo käytössä olevia mittareita, kuten keskimääräinen työpyynnön keskimääräinen käsittelyaika, työpyynnön läpimenoaika, ensimmäisen kontaktin ratkaisuprosessi tai asiakastyytyväisyys. Näiden ohessa kannattaa tarkastella muun muassa resurssien käyttöastetta sekä efektiivistä kustannusvaikutusta.
Kun mittaristoa seurataan trenditasolla, nähdään muutosten vaikutus käytännössä. Hyvä mittaristo toimii myös sisäisenä perusteluna tekoälyyn liittyvien jatkopanostuksien budjetoimisessa.
Kehitä jatkuvasti
Kertaluonteinen käyttöönotto ei vie vielä maaliin, vaan kyse on iteratiivisesta jatkuvasta työstä. Tekoälyn hyödyntämiseen liittyvä kehitystyö tulee nähdä yhtenevänä palana muun asiakaspalvelun kehittämisen kanssa. Yksinkertainen PDCA-lähestymismalli toimii tässäkin:
Plan: Aseta seuraava tavoiteltava kehitysaskel, sekä miten sinne päästään.
Do: Toteuta muutos hallitusti.
Check: Seuraa vaikutuksia mittareiden kautta.
Act: Skaalaa onnistuneet ratkaisut tai muuta kurssia.
Mitä kiinteämpi osa jatkuva kehittäminen on organisaation kulttuuria, sitä todennäköisemmin myös tekoälymuutos onnistuu.
Lopuksi
Tekoälyagentit eivät ole enää kokeilu, vaan jo tuotantokäytössä oleva muutosvoima asiakaspalvelussa. Agentit parantavat asiakaskokemusta, vapauttavat arvokkaita resursseja ja mahdollistavat uusia liiketoimintamahdollisuuksia. Organisaatio, joka lähestyy tekoälyä systemaattisesti ja vastuullisesti, rakentaa itselleen paitsi kilpailuetua myös joustavamman, skaalautuvan ja asiakaslähtöisen palvelumallin. Nyt on oikea hetki aloittaa.
