5 problemer med AI-chatbot som koster deg kunder
Problemer med AI-chatbot kan stille og rolig koste deg kunder. Fem advarselstegn på at roboten din skader konverteringer i kundeservice, og hvordan du løser hve...
7 min lesing
AI
Chatbots
+2
En AI-kundestøttechatbot som stadig ikke treffer målet, skyldes nesten alltid én av seks løsbare årsaker: en utdatert kunnskapskilde, en uprøvd Flow, en feilinnstilt overføringsterskel, en underdimensjonert modell, en språkmismatch, eller at ingen gjennomgår hva den faktisk gjør feil. Slik diagnostiserer du hvilken du har, og fikser den uten å måtte bygge alt på nytt.
I denne artikkelen:
- Løsning 1: AI-kundestøttechatbotens kunnskapskilde er ufullstendig eller utdatert
- Løsning 2: Flow ble aldri testet mot virkelige formuleringer
- Løsning 3: Overføringsterskelen er feilinnstilt
- Løsning 4: AI-modellen er underdimensjonert for spørsmålene du får
- Løsning 5: Språkdekningen samsvarer ikke med kundene dine
- Løsning 6: Ingen gjennomgår hva den gjør feil
De fleste team setter opp en AI-kundestøttechatbot én gang, ser at den fungerer fint de første ukene, og slutter å følge med. Så sniker eskaleringsgraden seg oppover, kunder begynner å gjenta seg selv, og ingen kan si nøyaktig hvorfor, fordi ingen har sett på hva som faktisk feiler.
Løsning 1: AI-kundestøttechatbotens kunnskapskilde er ufullstendig eller utdatert
Dette er den aller vanligste årsaken, og den enkleste å sjekke. En chatbot vet bare hva dens tilkoblede kunnskapskilder inneholder. Hvis et produkt endret seg, en retningslinje ble oppdatert, eller en ny funksjon ble lansert uten at kildeinnholdet ble oppdatert, vil boten selvsikkert gi det gamle svaret.
Trekk ut listen over spørsmål boten oftest får feil på, og sjekk hvert enkelt mot det faktiske kildeinnholdet. Hvis kilden mangler informasjonen helt, er det et omfangshull. Hvis kilden har det, men boten fortsatt tar feil, kan innholdet i seg selv være dårlig strukturert, gjemt bort, eller motsagt andre steder i samme kilde.
For eksempel vil en oppdatering av prissiden som endrer antall inkluderte seter i en plan, stille og rolig ødelegge alle chatbotsvar om den planen inntil noen oppdaterer kunnskapskilden.
Løsning 2: Flow ble aldri testet mot virkelige formuleringer
En Flow bygget og testet kun med pene, velformulerte testspørsmål, oppfører seg annerledes enn en testet mot hvordan kunder faktisk skriver. Virkelige spørsmål er kortere, mindre formelle, og mangler ofte kontekst et pent testspørsmål ville inneholdt.
Hent tjue ekte kundemeldinger fra billettarkivet ditt – jo rotete, desto bedre – og kjør dem manuelt gjennom Flow. Noter hvert sted der svaret er feil, ufullstendig, eller teknisk korrekt, men forvirrende. Denne ene øvelsen avdekker som regel flere reelle problemer enn en uke med aggregerte målinger.
Hvis teamet ditt også bruker et AI Answer Assistant til å utforme agentsvar, vil de samme kunnskapskildeproblemene som ødelegger chatboten dukke opp der også, siden begge funksjonene henter fra samme underliggende innhold.
Klar for å ta kundeservicen til neste nivå?
Prøv LiveAgent gratis og se forskjellen selv.
Løsning 3: Overføringsterskelen er feilinnstilt
LiveAgents chatbot lar deg angi et minimum antall AI-svar før en overføring til en person blir tilgjengelig, eller la AI-agenten selv bestemme når den skal overføre. Få denne innstillingen feil i begge retninger, og det ser ut som et ytelsesproblem når det egentlig er et konfigurasjonsproblem.
Sett terskelen for høyt, og kunder blir sittende fast i en loop med uhensiktsmessige botsvar før de kan nå en person. Sett den for lavt, og boten eskalerer spørsmål den kunne ha håndtert, noe som blåser opp eskaleringsgraden og kaster bort agenttid på henvendelser som aldri trengte en person i utgangspunktet.
Gå gjennom denne innstillingen sammen med dine faktiske eskaleringsdata, ikke bare én gang under oppsett. Det som var riktig for et mindre billettvolum eller et smalere sett med spørsmål, kan trenge justering etter hvert som chatbotens omfang vokser.
Løsning 4: AI-modellen er underdimensjonert for spørsmålene du får
Ikke alle AI-modeller resonnerer like godt gjennom spørsmål med flere deler eller tvetydige spørsmål. En modell som håndterer enkle FAQ-oppslag fint, kan begynne å feile når kunder stiller sammensatte spørsmål som krever å koble sammen to eller tre informasjonsbiter.
Dette bør sjekkes sist, ikke først. En modelloppgradering fikser ikke en ufullstendig kunnskapskilde eller en uprøvd Flow, og team som hopper rett til en modellendring opplever ofte at de samme feilene vedvarer fordi det virkelige problemet aldri var modellen. Når kunnskapskilden og Flow er solide, og komplekse resonneringsspørsmål fortsatt feiler, da er det på tide med en sterkere modell. Modelltjenesteleverandører publiserer sine egne resonnerings- og instruksjonsfølgingsreferanser for akkurat denne sammenligningen – verdt å sjekke før du antar at alle modeller håndterer flerdelte spørsmål på samme måte.
Abonner på nyhetsbrevet
De siste tipsene og tilbudene rett i innboksen din.
Løsning 5: Språkdekningen samsvarer ikke med kundene dine
Chatboten kan svare på over 100 språk avhengig av AI-modellen den er tilkoblet, men språkstøtte fungerer bare like godt som den underliggende kunnskapskilden gjør på det språket. En kunnskapskilde som kun er skrevet og vedlikeholdt på engelsk, vil gi tynnere og mindre nøyaktige svar til kunder som skriver på andre språk, selv om boten teknisk sett «støtter» dem.
Sjekk billettvolumet ditt fordelt på språk mot hvor mye av kunnskapskilden din som faktisk finnes på hvert språk. En mismatch her ser akkurat ut som et generelt ytelsesproblem, men løsningen er å oversette kildematerialet, ikke å endre Flow eller modell.
Løsning 6: Ingen gjennomgår hva den gjør feil
En chatbot som var godt innstilt ved lansering, forblir ikke slik av seg selv. Produkter endres, kunder begynner å stille nye typer spørsmål, og en Flow som dekket alt for tre måneder siden, slutter stille å dekke det kunder faktisk spør om i dag.
| Tegn å sjekke ukentlig | Hva det vanligvis betyr |
|---|---|
| Eskaleringsgraden øker | Omfanget samsvarer ikke lenger med reelle spørsmål |
| Samme feil svar, gjentatt | Kunnskapskilden er utdatert på det emnet |
| Nye formuleringsmønstre i billetter | Flow må testes på nytt mot nåværende språk |
| CSAT synker på bot-løste billetter | Boten «løser» billetter kunder ikke var fornøyde med |
Sett opp en fast ukentlig gjennomgang av mislykkede og eskalerte samtaler den første måneden etter enhver endring, og gå deretter over til månedlig når tallene holder seg stabile. Dette er den eneste løsningen på denne listen som ikke er en engangsendring. Det er vanen som fanger opp de andre fem før de blir et mønster kundene legger merke til.
Hvis du fortsatt velger mellom plattformer i stedet for å fikse en eksisterende, dekker guiden vår om hvordan du velger en AI-chatbot de samme seks områdene fra en kjøpers perspektiv, før du forplikter deg til et oppsett.
Gå gjennom disse seks årsakene i rekkefølge før du antar at hele oppsettet må byttes ut. De fleste team oppdager at det virkelige problemet er ett spesifikt, løsbart gap, ikke en grunnleggende feil ved chatboten i seg selv. LiveAgents AI-chatbot gjør de fleste av disse hendlene – kunnskapskilder, overføringsterskler og modellvalg – direkte konfigurerbare, så å fikse én av disse årsakene tar vanligvis en ettermiddag, ikke en ombygging.
