En «hvordan»-veiledning for kundereiser og agentisk AI

Året har bygget seg opp med stor fart. Jeg tilbrakte den siste uken i Amsterdam på det første Institute 4 Journey Management, og engasjerte meg med andre eksperter i Journey Space. Det var en mulighet til å se hva de ledende selskapene er opptatt med og suksessene de oppnår. Tilbakemeldinger fra viktige bransjeanalytikere er at de aldri har sett mer interesse for Customer Journey Management. Imidlertid sliter mange selskaper fortsatt med hvordan de skal omfavne Customer Journey Management.

Det som også har vært et viktig diskusjonspunkt i næringslivets sosiale medier (og spesielt LinkedIn) er omfattende diskusjon om agentisk AI og nylig MCP – Model Context Protocol.

Jeg skal raskt starte for å posisjonere AI-agenter. Dette kommer til å være mer en lekmannsforklaring, og dermed kan det hende at min tekniske forklaring ikke oppfyller kravene.

En AI-agent er en kombinasjon av en LLM-modell (f.eks ChatGPT), kombinert med et sett med instruksjoner og et sett med verktøy som kan gjøre noe. Du kan for eksempel ha en agent som kan:

• Søk på nettet etter tilbud på bilforsikring
• En annen som kan samle all den søkte informasjonen til sammenlignbare alternativer
• En annen som har et sett med verktøy som potensielt kan fylle ut tilbudsskjemaer og hente de oppgitte prisene
• En annen enn kan gi veiledning om fordeler og ulemper med ulike bilforsikringsalternativer

Hver av disse agentene (bestående av en LLM, sett med instruksjoner, verktøy for å samhandle med miljøet (For eksempel sitater) kan deretter kontrolleres av en annen agent for å få en jobb gjort.

En av de siste utviklingene på dette området er en standard kalt "Model Context Protocol". Det som virkelig er viktig med MCP-protokollen er at den er utviklet og publisert av tjenesteleverandøren (for eksempel et forsikringsselskap som gir tilbud) slik at agenten kan samhandle med eksterne tjenester på en standard måte. Tenk på det som en Appstore for verktøy som agenter kan bruke.

Andre eksempler på MCP-verktøy kan være:

• Muligheten til å vise tilgjengelighet på et hotell
• Muligheten til å spesifisere hvordan et krav skal sendes inn og å samle inn denne informasjonen
• Muligheten til å vise de beste mobiltelefonkontraktene mellom visse prisklasser

MCP lar AI-agenter få tilgang til ekte tjenester slik at agentene kan fullføre oppgavene sine. MCP blir støttet av mange sektorer av AI-fellesskapet og de store aktørene som OpenAI og Anthropic.

Når du utvikler en løsning for kunstig intelligens (består av flere agenter som ovenfor), er det mulig å håndkode disse agentene, men det er virkelig utmerkede rammeverk som Langchain og Semantic Kernal som fremskynder utviklingen av agenter, og så er det visuelle verktøy som bruker AI-rammeverkene for å tillate ikke-tekniske personer å utvikle agentløsninger. Utviklingen i dette rommet skjer med lynets hastighet!

Gitt vårt fokus på reiser, er det viktigste interessepunktet hvordan du kobler en agentløsning til et reiserammeverk, og hva et reiserammeverk tilbyr for å forbedre egenskapene til agenter. Jeg vil gjerne gå videre til det neste.

Når vi leverer en løsning for reiseorkestrering og reiseanalyse, har alle reiser:

• En start
• Et mål
• Sporing av fremgang mot målet
• Ved feil, avlevering
• Evnen til å samle innsikt om kunden underveis i reisen

En fantastisk mulighet oppstår når en verden av agenter og reiser kommer sammen av disse grunnene:

• Agenter fungerer best når det er et mål. De er relativt intelligente, men gitt at generell AI ikke er oppnådd (og vil sannsynligvis ikke være det på en stund), å ha et klart mål optimaliserer bruken av midler
• Agenter kan forbedres dramatisk når de har bedre kontekst. I eksemplet ovenfor, jo mer agenten vet om behovene til kunden som handler etter forsikring, jo bedre passer det mellom det som tilbys og det kunden trenger
• Uttrekking av data fra bedriftssystemer kan være utfordrende, men løsninger for reiseanalyse og reiseorkestrering er optimalisert for å gjøre det, og de har velutviklede datautvinnings- og kartleggingsfunksjoner for å muliggjøre visualisering og analyse av reiser
• Agentløsninger mangler vanligvis et effektivitets- og målerammeverk, og kundereiser gir akkurat det.

Bildet nedenfor gir en oversikt over hvordan dette gjøres:

Kundereiser gir agenter et unikt perspektiv ved at begrepet tid introduseres. Agenten venter ikke lenger bare på kunden, det er en guide og pleier kunden langs reisen fordi det er et rammeverk for å vurdere fremdrift på plass. Den kan dermed dytte kunden når de står fast, og sørge for at agenten både oppfyller kundens behov, men også holder farten oppe på reisen (med mange kundereiser som strekker seg over dager)

Fremtiden for kundereiser og kundeopplevelser vil bli fylt med AI-agenter. All teknologien for å gjøre det ovennevnte er på plass, og vi kommer til å se en massiv grunnbølge i løpet av de neste månedene. Jeg håper at nyhetsbrevet ovenfor gir litt mer innsikt i "hvordan" der mye av jeg har lest er langt bredere og fraværende detaljene.

Jeg ser frem til tilbakemeldinger og debatt om temaet.

Ha en strålende uke foran deg, og nyt reisen som alltid

Trent