Kundtjänstteam: Använder kunder AI innan de kontaktar er? Vi ser en stor förändring i supportförfrågningar

Jennifer, detta händer i hela branschen. Vi har studerat det.

Den nya kundresan:

Förr: Problem → Google → Företagets hjälpcenter → Kontakta supporten
Nu: Problem → ChatGPT → (Kanske) hjälpcenter → Kontakta supporten

Vad detta förändrar:

1. Enkla frågor dirigeras bort – AI svarar på det enkla
2. Komplexa frågor kvarstår – AI klarar inte udda fall
3. Förberedda kunder – De har redan testat saker
4. Felformulerade kunder – AI gav fel info

Vår supports data:

Färre ärenden men varje tar längre tid eftersom de enkla är borta.

Kunskapshanteringens perspektiv på AI-skiftet i kundtjänst:

Ditt hjälpinnehåll tränar nu AI.

Det som finns i hjälpcenter, dokumentation och FAQ är vad AI lär sig om din produkt. Om ditt innehåll är:

• Ofullständigt → AI fyller i luckor med gissningar
• Föråldrat → AI ger gammal information
• Otydligt → AI misstolkar

Lösningen:

Behandla hjälpinnehållet som AI-träningsdata. Det måste vara:

1. Omfattande (täcka alla funktioner)
2. Aktuellt (uppdateras regelbundet)
3. Tydligt (entydigt språk)
4. Korrekt (faktamässigt rätt)
5. Tydlig med begränsningar (vad ni INTE gör)

Vad vi ändrat:

Vi lade till sektioner som:

• “Vad [Produkt] INTE gör”
• “Vanliga missuppfattningar om [Produkt]”
• “Skillnader mellan [Produkt] och [Konkurrent]”

Detta hjälper AI att ge korrekta svar INNAN kunder kontaktar supporten.

Operationsperspektiv på förändringen:

Bemanningskonsekvenser:

Om enkla ärenden minskar och komplexa ökar behövs:

• Färre supportnivå 1-agenter
• Fler specialister nivå 2/3
• Annan utbildning (komplex problemlösning istället för processföljning)
• Längre tid per ärende

Hur vi anpassade oss:

1. Minskat nivå 1-teamet med 20%
2. Befordrat bästa till nivå 2
3. Ändrat framgångsmått (tid per ärende → lösningskvalitet)
4. Skapade “AI-eskalering” för fall med felinformation

Kostnadsverklighet:

Lägre volym men högre komplexitet = ungefär samma totala kostnad
MEN kundnöjdheten ökade eftersom färre enkla frågor innebär mindre kö för de komplexa.

Contentstrategi för att minska AI-felinformation:

Problemet: AI är en black box – du kan inte korrigera den direkt. Men du KAN påverka vad den lär sig.

Vad vi gör:

1. Omfattande FAQ – Alla vanliga frågor besvarade tydligt
2. Tydliga begränsningar – Vad vi INTE gör, tydligt angivet
3. Pris i strukturerad data – Aktuella priser i schema-markup
4. Funktionsbeskrivningar – Tydligt, otvetydigt språk
5. Jämförelseinnehåll – Hur vi skiljer oss från konkurrenter

Övervakning:

Vi använder Am I Cited för att följa vad AI berättar om oss. När vi ser felinformation:

1. Skapa/uppdatera innehåll som adresserar det
2. Lägg till i FAQ om det är vanligt
3. Vänta 4–8 veckor för att AI ska lära sig rättelse
4. Följ upp förbättring

Det är inte omedelbart, men du kan systematiskt förbättra AIs förståelse av din produkt.

Vi har faktiskt byggt in AI i vårt supportflöde. Så här har det påverkat:

AI-assisterad supportmodell:

1. Kund startar chatt
2. AI-bot tar första kontakten
3. Om AI inte kan lösa, eskaleras till människa
4. Mänsklig agent ser AIs försök till lösning

Resultat:

Nyckelinsikten:

När en kund når en människa har de redan:

• Beskrivit sitt problem för AI
• Låtit AI försöka lösa det
• Bekräftat vad som inte fungerar

Agenterna har full kontext från start. Mer komplext, men mer effektivt.

Kundundersökningsperspektiv:

Vi frågade 500 kunder om deras AI-användning innan de kontaktade support:

“AI-först”-kundsegmentet:

De är oftast:

• Teknikvana
• Föredrar självservice
• Mer frustrerade när de VÄL kontaktar support (för att “enkla” lösningar misslyckats)
• Mer specifika i problembeskrivningen

Implikation:

När de når dig är de ofta längre fram i frustration men också bättre på att beskriva problemet.

Utbildningsperspektiv på AI-influerade kunder:

Nya färdigheter våra agenter behöver:

1. AI-medvetenhet – Förstå vad AI kan/inte kan
2. Missuppfattningshantering – Rätta utan att skuldbelägga
3. Informationsinsamling – “Vad har du redan provat?”
4. Dokumentationsskicklighet – Logga AI-relaterade ärenden
5. Eskalering – Veta när AI-fel kräver innehållsuppdatering

Utbildningsmoduler vi lagt till:

• “Förstå AI-först-kunden”
• “Hantera AI-fel smidigt”
• “Vad AI berättar om vår produkt” (baserat på Am I Cited-övervakning)
• “Logga mönster för innehållsförbättring”

Den kulturella förändringen:

Agenter ser sig nu som en del av en återkopplingsloop. Deras observationer om AI-fel går till content-teamet, som uppdaterar dokumentation, vilket förbättrar AI:s noggrannhet.

Denna tråd bekräftade vad jag misstänkte och gav mig konkreta strategier. Viktiga insikter:

Verkligheten:

• AI dirigerar bort enkla frågor (15% färre ärenden)
• Komplexa frågor ökar (+50%)
• Handläggningstiden ökar (de enkla är borta)
• Felinformation skapar nya utmaningar

Strategier att införa:

Kortsiktigt:

1. Skapa “AI-missuppfattningslogg” för agenter
2. Träna teamet på att hantera AI-influerade kunder
3. Justera framgångsmått bort från ren handläggningstid
4. Börja övervaka vad AI säger om oss

Medellång sikt:

1. Uppdatera hjälpinnehållet så det är “AI-träningsvänligt”
2. Lägg till tydligt innehåll om vad vi INTE gör
3. Skapa feedback-loop mellan support och content-team
4. Överväg AI-assisterad supportmodell

Lång sikt:

1. Omstrukturera teamet för komplex frågehantering
2. Styr rekrytering mot problemlösningsförmåga
3. Bygg systematisk AI-informationsövervakning

Undersökningsdatan att 62% använder AI först är betydande. Det här är ingen trend – det är det nya normala.

Tack alla för operationella och strategiska insikter.