虽然人工智能在 CCaaS 环境中的应用进展迅速，但最近对其在公用事业公司运营中的使用情况进行的研究开始让人对其所谓的效率产生怀疑。
最近的研究结果表明，人工智能的理论优势与影响工人使用人工智能的实际挑战之间存在脱节。
虽然大型咨询公司一直预测人工智能自动化将大幅减少劳动力，但这项学术研究的结果表明，这些预测可能过于乐观。
研究的初步证据表明，在联络中心有效整合人工智能的道路比最初预期的要复杂得多。
人工智能实施的问题
中国一家电力公司和几所大学的研究人员在 arXiv 上发表了一项研究，研究了客户服务代表在日常工作中如何与人工智能助手进行实际互动。
其目的是研究人工智能如何被用来提升员工体验，而非提升客户体验。基于对服务代表（包括团队领导、轮班主管以及负责处理电话咨询的人员）进行的13次半结构化访谈，研究结果揭示了人工智能能力与实际表现之间存在显著差距。
该研究的一项重要发现表明，人工智能转录的准确性仍然是一个持续存在的挑战。客服代表反映，人工智能系统经常难以处理来电者的口音、发音差异和语速，导致文本转换不准确。在处理电话号码等关键信息时，这个问题尤为严重，因为人工智能系统经常将这些信息分割成不完整的片段，需要手动重建。
研究还凸显了人工智能处理同音词（发音相同但含义或拼写不同的词）的能力存在问题。此外，人工智能的情绪识别系统表现不佳，将正常的语音模式误认为是负面情绪，并错误地将音量与客户态度联系起来。对于那些试图确定语气以便客服人员更好地模仿客户情绪的人工智能系统来说，这可能会导致与客户互动的方式大相径庭。
这使得研究人员得出结论：虽然人工智能减少了基本的打字任务，但它同时也带来了他们所说的“信息处理效率低下”。代表们报告称，人工智能生成的内容经常需要手动修改或删除，这不仅没有减少工作量，反而增加了工作量。通话文本摘要虽然可能有用，但通常需要大量的编辑，并且无法始终如一地捕捉关键信息。
这个问题至关重要，因为人工智能被宣传为提升座席效率的主要方式之一，就是减少与通话相关的人工管理工作。如果无法准确转录，工作人员可能会不得不重新查看对话以查找错误，从而抵消人工智能所承诺的节省时间的效果。
这使得研究得出结论：人工智能的实施实际上增加了客户服务代表的学习负担，他们必须适应新系统同时保持服务质量，这与人工智能原本应该为员工带来的效率相去甚远。
技术预期与实际实施之间的不匹配反映了技术设计者的一个普遍疏忽，他们高估了效率收益，同时低估了系统适应的人力成本。
人工智能集成的混合结果
当前的行业统计数据揭示了一个复杂的局面，其中人工智能的应用很广泛，但其有效性仍然值得怀疑。
Calabrio 最近的研究表明，98% 的联络中心现在都在某种程度上使用人工智能技术，这表明该技术在整个行业中无处不在。
然而，这种广泛的应用并未带来许多组织所期望的无缝体验。同一项研究还显示，61% 的联络中心负责人表示，自实施人工智能以来，客户对话变得更加具有挑战性。这或许在很大程度上解释了人工智能在中文研究中难以识别语气的原因。
随着现实世界实施挑战的日益凸显，行业预测也发生了显著变化。Gartner 最近的预测修订体现了行业预期的显著变化。
该咨询公司目前预测，到 2027 年，50% 最初计划大幅削减客户服务人员的组织将放弃这些计划。
金融科技公司 Klarna 就是一个例证，该公司曾因推动用人工智能替代大量人力而成为新闻焦点，但在服务质量和客户满意度下降的报道发布后，该公司已开始再次招聘员工。
修订后的展望认为，在许多互动中，人为因素仍然不可替代，这要求组织在技术实施与人类技能之间取得平衡。
尽管面临这些挑战，一些技术提供商仍报告称人工智能应用强劲增长。
NICE CXone Mpower Autopilot 的使用量增长了400% ，凸显了 AI 在联络中心即服务 (CCaaS) 环境中的快速应用。这一增长表明，尽管存在实施挑战，但企业仍在持续投资 AI 解决方案，以提升运营效率和客户服务交付。
平衡创新与现实
最近在 arXiv 上发表的研究虽然已被第 28 届 ACM SIGCHI 计算机支持的协同工作与社会计算（CSCW）会议接受，但在网站上发表无需同行评审。因此，这些结果并不一定代表整个联络中心的人工智能实施情况。不过，它确实为我们提供了一些关于人工智能应用推广的看法与现实的思考。
虽然人工智能在联络中心领域的应用不断加速，但有证据表明，要成功实施人工智能，目前需要采取循序渐进的方法，对每次实施都进行评估。这不仅可以节省资金，还能防止相关的效率损失。
联络中心的领导者不应将人工智能视为应对运营挑战的立竿见影的解决方案，而应将其视为一种不断发展的技术，需要仔细整合、不断完善，并对其当前的局限性抱有现实的期望。
本文来自作者投稿，版权归原作者所有。如需转载，请注明出处：https://www.nxrte.com/zixun/59414.html
