En "How To"-guide för kundresor och Agentic AI

Året har byggts upp med stor fart. Jag tillbringade den sista veckan i Amsterdam på invigningen av Institute 4 Journey Management, där jag träffade andra experter inom Journey Space. Det var en möjlighet att se vad de ledande företagen sysslar med och vilka framgångar de uppnår. Feedback från viktiga branschanalytiker är att de aldrig har sett ett större intresse för Customer Journey Management. Men många företag brottas fortfarande med hur de ska anamma Customer Journey Management.

Vad har också varit en viktig diskussionspunkt i företagens sociala medier (och specifikt LinkedIn) är en omfattande diskussion om agentic AI och på senare tid MCP – Model Context Protocol.

Jag kommer att snabbstarta för att positionera AI-agenter. Detta kommer att bli mer av en lekmannaförklaring och därför kanske min tekniska förklaring inte uppfyller kraven.

En AI-agent är en kombination av en LLM-modell (t.ex. ChatGPT), tillsammans med en uppsättning instruktioner och en uppsättning verktyg som kan göra något. Du kan till exempel ha en agent som kan:

• Sök på webben efter erbjudanden på bilförsäkringar
• En annan som kan sammanställa all sökt information till jämförbara alternativ
• En annan som har en uppsättning verktyg som potentiellt kan fylla i offertformulär och hämta de angivna priserna
• En annan än kan ge vägledning om för- och nackdelar med olika bilförsäkringsalternativ

Var och en av dessa agenter (bestående av en LLM, uppsättning instruktioner, verktyg för att interagera med miljön (Till exempel citat) kan sedan styras av en annan agent för att få ett jobb gjort.

En av de senaste utvecklingarna inom detta område är en standard som kallas "Model Context Protocol". Det som verkligen är viktigt med MCP-protokollet är att det är utvecklat och publicerat av tjänsteleverantören (Till exempel ett försäkringsbolag som ger offerter) så att agenten kan interagera med externa tjänster på ett standardiserat sätt. Se det som en Appstore för verktyg som agenter kan använda.

Andra exempel på MCP-verktyg kan vara:

• Möjligheten att visa tillgänglighet på ett hotell
• Möjligheten att ange hur ett anspråk ska lämnas in och att samla in den informationen
• Möjligheten att visa de bästa mobilabonnemangen i olika prisklasser

MCP gör det möjligt för AI-agenter att få tillgång till riktiga tjänster så att agenterna kan slutföra sina uppgifter. MCP stöds av många sektorer av AI-gemenskapen och de stora aktörerna som OpenAI och Anthropic.

När du utvecklar en AI-lösning (består av flera agenter enligt ovan)är det möjligt att handkoda dessa agenter men det finns riktigt bra ramverk som Langchain och Semantic Kernal som påskyndar utvecklingen av agenter och sedan finns det visuella verktyg som använder AI-ramverken för att tillåta icke-tekniska personer att utveckla agentlösningar. Utvecklingen inom detta område sker med blixtens hastighet!

Med tanke på vårt fokus på resor är den viktigaste punkten av intresse hur man kopplar in en agentlösning i ett reseramverk och vad ett reseramverk erbjuder för att förbättra agenternas kapacitet. Jag skulle vilja gå vidare till det härnäst.

När vi levererar en lösning för reseorkestrering och reseanalys har alla resor:

• En början
• Ett mål
• Uppföljning av framsteg mot målet
• I händelse av ett fel, avlämningar
• Förmågan att samla in insikter om kunden under resans gång

En underbar möjlighet uppstår när en värld av agenter och resor möts av dessa skäl:

• Handläggare arbetar bäst när det finns ett mål. De är relativt intelligenta, men med tanke på att generell AI inte har uppnåtts (och kommer sannolikt inte att vara det på ett tag), med ett tydligt mål optimerar användningen av medel
• Handläggare kan förbättras dramatiskt när de har bättre sammanhang. I exemplet ovan gäller att ju mer agenten vet om kundens behov när han eller hon letar efter försäkringar, desto bättre passar det mellan vad som erbjuds och vad kunden behöver
• Extrahering av data från företagssystem kan vara utmanande, men lösningar för reseanalys och orkestrering av resor är optimerade för att göra det, och de har välutvecklade funktioner för datautvinning och kartläggning för att möjliggöra visualisering och analys av resor
• Agentlösningar saknar vanligtvis ett ramverk för effektivitet och mätning, och kundresor ger exakt det.

Bilden nedan ger en bild av hur detta görs:

Kundresor ger agenter ett unikt perspektiv genom att begreppet tid introduceras. Agenten väntar inte längre bara på kunden, den vägleder och vårdar kunden längs resan eftersom det finns ett ramverk för att bedöma framstegen på plats. Det kan på så sätt knuffa kunden när de fastnar, och se till att agenten både uppfyller kundens behov men också håller farten uppe på resan (med många kundresor som sträcker sig över flera dagar)

Framtiden för kundresor och kundupplevelser kommer att genomsyras av AI-agenter. All teknologi för att göra ovanstående är på plats och vi kommer att se en massiv våg under de närmaste månaderna. Jag hoppas att ovanstående nyhetsbrev ger lite mer insikt i "hur" där mycket av det jag har läst är mycket bredare och saknar detaljer.

Jag ser fram emot feedback och debatt om ämnet.

Ha en lysande vecka framför dig och som alltid njuta av resan

Trent