Triage i kundeservice med AI: routing, svarudkast og hvornår et menneske skal tage over

En fælles supportindbakke blander det hele: spørgsmål om ordrer, klager, fakturaer sendt til den forkerte adresse, nulstilling af adgangskoder, opsigelser og en gang imellem en juridisk trussel. Nogen skal læse hver besked, finde ud af, hvad den handler om, og sende den videre, før nogen kan svare på den. Det er typisk i den sortering, AI hjælper først, og nogle få klare regler afgør, om den hjælper eller skader.

Denne artikel behandler routing, svarudkast og eskalering hver for sig, fordi de indebærer forskellige risici.

Routing: lad modellen læse og reglerne bestemme

Routing er det sikreste sted at starte, fordi en forkert etiket koster en overflytning mellem køer, ikke et forkert løfte til en kunde. En sprogmodel læser beskeden og returnerer nogle få strukturerede felter: emnet, sproget, produktet, hvor hastende det lyder, og om kunden beder om et menneske. Oplysninger, som modellen ikke kan se i teksten, for eksempel kundens kontrakt eller åbne ordrer, kommer fra jeres CRM- eller ordresystem, ikke fra et gæt.

Hold listen over emner kort, og knyt hvert emne til dem, der håndterer det. Hvis to kategorier altid går til det samme team, er de én kategori. Byg den første version på nogle måneders rigtige sager, og bed de medarbejdere, der besvarer dem i dag, om at mærke en stikprøve manuelt. Den stikprøve bliver jeres testsæt: routingen virker, når modellen er enig med jeres team om den, ikke når den ser overbevisende ud i en demo. Beskeder, modellen er usikker på, går til et menneske, ligesom i dag.

Svarudkast: forankret i jeres egne kilder

Det er svarene, der tager mest tid, og det er her, størstedelen af risikoen ligger. En model kan skrive et flydende svar på næsten alt, og det er netop problemet: et selvsikkert svar om en refusionspolitik, I ikke har, er værre end intet svar. Byg kun udkast på godkendt materiale, for eksempel jeres hjælpecenter, gældende politikker og kundens ordredata, og vis medarbejderen, hvilken kilde hvert udkast bygger på, så det kan tjekkes på få sekunder. Fine-tuning vs. RAG forklarer, hvordan den slags forankring fungerer.

Udkast, som et menneske godkender, er også der, hvor dokumentationen er stærkest. Et studie af 5.179 kundeservicemedarbejdere viste, at adgang til en generativ AI-assistent øgede antallet af løste sager i timen med 14 % i gennemsnit, med en forbedring på 34 % for nye og mindre erfarne medarbejdere og minimal effekt for de mest erfarne og dygtige. Forfatterne peger på, at assistenten bragte de bedste medarbejderes praksis videre til nyere kolleger.

At lade svar gå ud uden gennemgang er en separat beslutning. I 2024 fik en kunde medhold mod Air Canada ved et tribunal i British Columbia i Canada, efter at chatbotten på selskabets hjemmeside havde antydet, at en særlig billetpris ved dødsfald i familien kunne søges med tilbagevirkende kraft, hvilket flyselskabet ikke tillod. Selskabet hævdede, at det ikke kunne holdes ansvarligt for, hvad chatbotten sagde. Tribunalet kaldte det et bemærkelsesværdigt argument og fastslog, at virksomheden er ansvarlig for alle oplysninger på sin hjemmeside, uanset om de kommer fra en statisk side eller en chatbot. Det, jeres system siger til en kunde, har jeres virksomhed sagt.

Hvornår et menneske skal tage over

Skriv eskaleringsreglerne ned før lanceringen, og håndhæv dem i koden, ikke i modellens skøn. Det er de signaler, vi tager udgangspunkt i i vores projekter.

Penge er den klareste grænse. Efter GDPR har man ret til ikke at være genstand for en afgørelse, der alene er baseret på automatisk behandling, og som har retsvirkning eller på tilsvarende vis betydeligt påvirker en. Ikke alle afgørelser om refusion når den tærskel, men det betaler sig sjældent at diskutere, hvilke der gør. Hvor reglen gælder, kommer undtagelserne med garantier, herunder retten til menneskelig indgriben og til at bestride afgørelsen. En model kan forberede en refusion eller et afslag. Et menneske træffer beslutningen.

Vær åbne over for kunderne, og overdrag ordentligt

Siden 2. august 2026 har EU's AI-forordning krævet, at AI-systemer, der interagerer direkte med mennesker, er udformet, så de pågældende får at vide, at de interagerer med et AI-system, medmindre det er indlysende ud fra sammenhængen. I kundeservice er den enkleste måde at gøre det på en tydelig linje i starten af en chat eller i et automatisk svar.

Overdragelsen er det øjeblik, kunderne lægger mest mærke til. Når en sag går videre til et menneske, skal den have et kort resumé med: hvad kunden spurgte om, hvad systemet fandt, hvad det allerede har sagt, og hvorfor det eskalerede. Ingen bør skulle forklare problemet to gange.

Sådan kommer I i gang

1. Mål udgangspunktet. Tæl sager pr. uge fordelt på kanal og emne, tiden til første svar, og hvor ofte en sag flyttes mellem teams.
2. Kør routingen i skyggedrift. Modellen mærker hver sag, mens medarbejderne router som hidtil. Sammenlign de to i nogle uger, før modellen router på egen hånd.
3. Tilføj udkast til de mest almindelige emner. En medarbejder godkender eller retter hvert udkast. Følg med i, hvor ofte udkast sendes uændret, rettes eller kasseres.
4. Tillad kun automatiske svar på snævre emner med lav risiko, for eksempel ordrestatus eller åbningstider, og først når gennemgangen viser en lav fejlrate.
5. Gennemgå en tilfældig stikprøve hver uge, også af sager, der aldrig blev eskaleret. Det er der, I finder de fejl, systemet var sikker på.

Vil I vurdere, hvad det kan spare jeres supportteam, så beskriv arbejdsgangen i ROI-beregneren. Overvejer I en agent, der også udfører handlinger, for eksempel at udbetale refusioner, så læs først AI-agenter forklaret, eller se typiske workflows fordelt på forretningsområder.