Een "How To"-gids voor klantreizen en agentische AI

Het jaar is met veel vaart aan het opbouwen. De afgelopen week bracht ik door in Amsterdam bij het inaugurele Institute 4 Journey Management, waar ik in gesprek ging met andere experts in de Journey Space. Het was een gelegenheid om te zien waar de toonaangevende bedrijven mee bezig zijn en welke successen ze behalen. Uit feedback van belangrijke brancheanalisten blijkt dat ze nog nooit zoveel interesse hebben gezien in Customer Journey Management. Veel bedrijven worstelen echter nog steeds met de vraag hoe ze Customer Journey Management kunnen omarmen.

Wat ook een belangrijk punt van discussie is geweest in de zakelijke sociale media-ruimte (en specifiek LinkedIn) is een uitgebreide discussie over agentische AI en meer recentelijk MCP – Model Context Protocol.

Ik ga snel beginnen met het positioneren van AI-agenten. Dit zal meer een lekenverklaring zijn en dus voldoet mijn technische uitleg misschien niet.

Een AI-agent is een combinatie van een LLM-model (bijv. ChatGPT), gekoppeld aan een reeks instructies en een reeks instrumenten die iets kunnen doen. U kunt bijvoorbeeld een agent hebben die:

• Zoek op internet naar aanbiedingen voor autoverzekeringen
• Een andere die alle gezochte informatie kan samenvoegen tot vergelijkbare opties
• Een andere die een set tools heeft die mogelijk offerteformulieren kunnen invullen en de vermelde prijzen kunnen ophalen
• Een ander dan kan advies geven over de voor- en nadelen van verschillende autoverzekeringsopties

Elk van deze middelen (bestaande uit een LLM, set instructies, tools voor interactie met de omgeving (Bijvoorbeeld offertes) Kan dan door een andere agent worden bestuurd om een klus te klaren.

Een van de recente ontwikkelingen op dit gebied is een standaard genaamd "Model Context Protocol". Wat echt belangrijk is aan het MCP-protocol, is dat het wordt ontwikkeld en gepubliceerd door de serviceprovider (bijvoorbeeld een verzekeringsmaatschappij die offertes verstrekt) Zodat de agent op een standaard manier kan interageren met externe diensten. Zie het als een Appstore voor tools die agenten kunnen gebruiken.

Andere voorbeelden van MCP-tools kunnen zijn:

• De mogelijkheid om beschikbaarheid in een hotel te tonen
• De mogelijkheid om aan te geven hoe een claim moet worden ingediend en om die informatie te verzamelen
• De mogelijkheid om de beste mobiele telefooncontracten tussen bepaalde prijsklassen te tonen

MCP geeft AI-agenten toegang tot echte services, zodat de agenten hun taken kunnen voltooien. MCP wordt onderschreven door veel sectoren van de AI-gemeenschap en de grote spelers zoals OpenAI en Anthropic.

Bij het ontwikkelen van een AI-oplossing (Bestaande uit verschillende agenten zoals hierboven), is het mogelijk om deze agenten met de hand te coderen, maar er zijn echt uitstekende frameworks zoals Langchain en Semantic Kernal die de ontwikkeling van agents versnellen en dan zijn er visuele tools die de AI-frameworks gebruiken om niet-technische mensen in staat te stellen agentoplossingen te ontwikkelen. De ontwikkeling in deze ruimte gaat razendsnel!

Gezien onze focus op reizen, is het belangrijkste aandachtspunt hoe we een agentoplossing kunnen aansluiten op een reisraamwerk en wat een reisraamwerk biedt om de mogelijkheden van agenten te verbeteren. Daar wil ik nu graag op ingaan.

Wanneer we een oplossing voor reisorkestratie en reisanalyse leveren, hebben alle reizen:

• Een begin
• Een doel
• Volgen van de voortgang naar het doel
• In het geval van een storing, drop-offs
• De mogelijkheid om tijdens het traject inzicht te krijgen in de klant

Een prachtige kans doet zich voor wanneer de wereld van agenten en reizen samenkomt om de volgende redenen:

• Agenten werken het beste als er een doel is. Ze zijn relatief intelligent, maar gezien het feit dat algemene AI niet is bereikt (En dat zal waarschijnlijk nog wel even duren), met een duidelijk doel wordt het gebruik van agenten geoptimaliseerd
• Agenten kunnen drastisch worden verbeterd als ze een betere context hebben. In het bovenstaande voorbeeld geldt: hoe meer de agent weet over de behoeften van de klant die op zoek is naar een verzekering, hoe beter de afstemming tussen wat er wordt aangeboden en wat de klant nodig heeft
• Het extraheren van gegevens uit bedrijfssystemen kan een uitdaging zijn, maar oplossingen voor reisanalyse en reisorkestratie zijn geoptimaliseerd om dat te doen, en ze hebben goed ontwikkelde mogelijkheden voor gegevensextractie en mapping om de visualisatie en analyse van reizen mogelijk te maken
• Agentoplossingen ontbreken meestal, een effectiviteits- en meetkader en customer journeys bieden precies dat.

De onderstaande afbeelding geeft een beeld van hoe dit wordt gedaan:

Customer Journeys bieden agenten een uniek perspectief doordat het concept van tijd wordt geïntroduceerd. De agent wacht niet langer alleen op de klant, maar is een gids en koestert de klant tijdens de reis, omdat er een kader is voor het beoordelen van de voortgang. Het kan de klant dus een duwtje geven als ze vastlopen, zodat de agent zowel aan de behoeften van de klant voldoet, maar ook het momentum van de reis vasthoudt (met veel klantreizen die dagen beslaan)

De toekomst van customer journeys en klantervaringen zal worden doordrenkt met AI-agents. Alle technologie om het bovenstaande te doen is aanwezig en we zullen de komende maanden een enorme vloedgolf zien. Ik hoop dat de bovenstaande nieuwsbrief wat meer inzicht geeft in het "hoe" waar veel van ik heb gelezen veel breder is en de details afwezig.

Ik kijk uit naar feedback en debat over het onderwerp.

Heb een schitterende week voor de boeg en geniet zoals altijd van de reis

Trent