En "Sådan gør du"-guide til kundekampagneforløb og agentisk AI

Året har bygget sig op med stor fart. Jeg tilbragte den sidste uge i Amsterdam på det første Institute 4 Journey Management, hvor jeg gik i dialog med andre eksperter i Journey Space. Det var en mulighed for at se, hvad de førende virksomheder har travlt med, og de succeser, de opnår. Feedback fra vigtige brancheanalytikere er, at de aldrig har oplevet større interesse for Customer Journey Management. Mange virksomheder kæmper dog stadig med, hvordan de skal omfavne Customer Journey Management.

Hvad der lige så har været et vigtigt diskussionspunkt i erhvervslivets sociale medier (og specifikt LinkedIn) er en omfattende diskussion om agentisk AI og for nylig MCP – Model Context Protocol.

Jeg vil hurtigt starte med at positionere AI-agenter. Dette vil være mere en lægmandsforklaring, og derfor vil min tekniske forklaring måske ikke opfylde kravene.

En AI-agent er en kombination af en LLM-model (f.eks. ChatGPT), kombineret med et sæt instruktioner og et sæt værktøjer, der kan noget. Du kan f.eks. have en helpdesk-medarbejder, der kan:

• Søg på nettet efter tilbud på bilforsikring
• En anden, der kan samle alle de søgte oplysninger i sammenlignelige muligheder
• En anden, der har et sæt værktøjer, der potentielt kan udfylde tilbudsformularer og hente de tilbudte priser
• En anden end kan give vejledning om fordele og ulemper ved forskellige bilforsikringsmuligheder

Hver af disse midler (bestående af en LLM, et sæt instruktioner, værktøjer til at interagere med miljøet (For eksempel citater) kan derefter styres af en anden agent for at få et job gjort.

En af de seneste udviklinger på dette område er en standard kaldet "Model Context Protocol". Det, der virkelig er vigtigt ved MCP-protokollen, er, at den er udviklet og offentliggjort af tjenesteudbyderen (For eksempel et forsikringsselskab, der giver tilbud) så agenten kan interagere med eksterne tjenester på en standard måde. Tænk på det som en Appstore for værktøjer, som agenter kan bruge.

Andre eksempler på MCP-værktøjer kan omfatte:

• Muligheden for at vise tilgængelighed på et hotel
• Muligheden for at specificere, hvordan en ansøgning skal indgives, og for at indsamle disse oplysninger
• Evnen til at vise de bedste mobiltelefonkontrakter mellem bestemte prisklasser

MCP giver AI-agenter adgang til rigtige tjenester, så agenterne kan udføre deres opgaver. MCP bliver støttet af mange sektorer af AI-fællesskabet og de store spillere som OpenAI og Anthropic.

Når du udvikler en AI-løsning (består af flere agenter som ovenfor), er det muligt at håndkode disse agenter, men der er virkelig fremragende rammer som Langchain og Semantic Kernal, der fremskynder udviklingen af agenter, og så er der visuelle værktøjer, der bruger AI-frameworks til at give ikke-tekniske mennesker mulighed for at udvikle agentløsninger. Udviklingen på dette område sker med lynets hast!

I betragtning af vores fokus på kampagneforløb er det vigtigste interessepunkt, hvordan du tilslutter en helpdesk-medarbejderløsning til en kampagneforløbsstruktur, og hvad en kampagnekampagnestruktur tilbyder for at forbedre helpdesk-medarbejdernes muligheder. Jeg vil gerne gå videre til det næste.

Når vi leverer en løsning til orkestrering og analyse af kampagneforløb, har alle rejser:

• En begyndelse
• Et mål
• Sporing af fremskridt mod målet
• I tilfælde af en fejl, afleveringer
• Evnen til at indsamle indsigt om kunden undervejs i rejsen

En vidunderlig mulighed opstår, når agenternes og rejsens verden mødes af disse grunde:

• Agenter fungerer bedst, når der er et mål. De er relativt intelligente, men i betragtning af at generel AI ikke er opnået (og vil sandsynligvis ikke være det i nogen tid), at have et klart mål optimerer brugen af agenser
• Agenter kan forbedres dramatisk, når de har bedre kontekst. I eksemplet ovenfor gælder det, at jo mere agenten ved om behovene hos den kunde, der køber forsikring, jo bedre er tilpasningen mellem det, der tilbydes, og det, kunden har brug for
• Udtrækning af data fra virksomhedssystemer kan være udfordrende, men løsninger til analyse af kampagneforløb og orkestrering af rejseforløb er optimeret til at gøre det, og de har veludviklede funktioner til dataudtrækning og kortlægning for at muliggøre visualisering og analyse af kampagneforløb
• Helpdesk-medarbejderløsninger mangler typisk en effektivitets- og måleramme, og kunderejser giver præcis det.

Nedenstående billede giver et overblik over, hvordan dette gøres:

Kundekampagneforløb giver agenter et unikt perspektiv, idet begrebet tid introduceres. Agenten venter ikke længere kun på kunden, det er en guide og plejer kunden undervejs, fordi der er en ramme for at vurdere fremskridt på plads. Det kan således skubbe kunden, når de sidder fast, og sikre, at agenten både opfylder kundens behov, men også holder momentum på rejsen (med mange kundekampagneforløb, der strækker sig over dage)

Fremtiden for kunderejser og kundeoplevelser vil blive gennemsyret af AI-agenter. Al teknologien til at gøre ovenstående er på plads, og vi kommer til at se en massiv grundbølge i løbet af de næste par måneder. Jeg håber, at ovenstående nyhedsbrev giver lidt mere indsigt i "hvordan", hvor meget af det, jeg har læst, er langt bredere og mangler detaljerne.

Jeg ser frem til feedback og debat om emnet.

Hav en strålende uge foran dig og nyd som altid rejsen

Trent