Wie Unternehmen Conversational AI erfolgreich nutzen

Conversational AI überzeugt mit gewichtigen Vorteilen wie hohe Verfügbarkeit und bessere Service-Qualität. Die Technologie ist ein Schlüsselelement für Contact Center jeglicher Unternehmen. Damit sie ihre Wirkung voll entfaltet, ist eine sorgfältige Einführung unabdingbar.

Erfahren Sie im Detail, welche organisatorischen, technischen und personellen Voraussetzungen ein Unternehmen erfüllen muss, um Conversational AI nahtlos zu integrieren und so den digitalen Wandel kraftvoll voranzutreiben.

Selbstverständlich bringen wir auch die Risiken aufs Tapet und verraten, ob sich die Einführung von Conversational AI unter dem Strich lohnt.

Welchen Nutzen bringt Conversational AI einem Unternehmen?

Unternehmen, die Conversational AI in ihrem Kundenservice einsetzen, profitieren ganz konkret. Denn Conversational AI erhöht:

• die Service-Verfügbarkeit
• die Service-Qualität
• die Effizienz bei gleichzeitig sinkenden Kosten

Last but not least macht sie den Job von Contact-Center-Mitarbeitern und Kundenberaterinnen attraktiver. 

Die wichtigsten Schritte zur Einführung von Conversational AI

Hier folgen zusammengefasst nochmals die wichtigsten Schritte bzw. Best Practices zur Einführung von Conversational AI, wie wir sie in unserem ersten Blog detailliert beschrieben haben:

1. Vision definieren und auf die Unternehmensstrategie abstimmen.
2. Anwendungsfälle entlang der Customer Journey ermitteln sowie den ökonomischen (z.B. höhere Effizienz) und den qualitativen Mehrwert (z.B. bequemere und schnellere Problemlösung für Kunden) abschätzen. Roadmap erstellen.
3. Stakeholder in den Designprozess einbinden und bedarfsgerechte Lösung entwickeln.
4. KI-Plattform auswählen, mit der sich einzelne Anwendungsfälle separat implementieren lassen und die zugleich skalierbar ist.
5. Die notwendigen Fähigkeiten entwickeln und ein multidisziplinäres Kernteam bilden, das die Anwendungsfälle systematisch implementiert. 
6. Einen klaren Zyklus für das Lernen entwickeln und die Lösung laufend optimieren.

Voraussetzungen für Conversational AI 

Die Einführung einzelner Conversational-AI-Lösungen ist mit der raschen Entwicklung der Technologie in den letzten Jahren und dem Aufkommen einer Vielzahl von SaaS-Lösungen einfacher geworden. Viele Anbieter und Produktentwickler heben die Möglichkeit hervor, einen Voicebot innerhalb weniger Wochen oder sogar Tage zu implementieren. Das ist durchaus möglich. Allerdings stellt sich die Frage, ob diese Lösungen skalierbar, nachhaltig und gut in die organisatorische und technische Umgebung des Unternehmens integrierbar sind. 

Unsere Erfahrung bei Conversational-AI-Projekten im Enterprise-Umfeld zeigt, dass Skalierbarkeit und Nachhaltigkeit nur erreicht werden können, wenn ein systematischer Ansatz verfolgt wird, um die technischen und organisatorischen Voraussetzungen von Conversational AI zu erfüllen.

Die Voraussetzungen, die für die Planung, Implementierung, den Betrieb und die Weiterentwicklung kohärenter, ergänzender und nachhaltiger Conversational-AI-Services erfüllt werden müssen, sind im folgenden Eisberg-Bild dargestellt und in den nachfolgenden Kapiteln beschrieben.

1. Strategie und Roadmap sowie Menschen und Prozesse

Zu Beginn der Implementierung von Conversational AI sind eine klare Vision, eine robuste Strategie und eine zuverlässige Roadmap unerlässlich. Angesichts der aktuellen Herausforderungen im Kundenservice – sprich überlastetes Personal, zunehmendes und verteiltes Wissen, steigende Kosten sowie sinkende Kundenzufriedenheit – ist es für ein Unternehmen entscheidend, die wichtigsten Conversational-AI-Use-Cases zu ermitteln und basierend auf Business Cases zu priorisieren. 

Es geht einerseits darum, das Potenzial der Automatisierung mittels Selfservice-Lösungen wie Chat- und Voicebots auszuschöpfen, z.B. für automatische Antworten oder die Durchführung von Transaktionen. Andererseits will man auch die Effizienz und die Qualität der Kundendialoge durch die Unterstützung von Co-Pilots erhöhen, indem diese virtuellen Assistenten z.B. Aufgaben wie die Informationssuche oder administrative Tätigkeiten übernehmen. Diese Massnahmen müssen entlang einer Roadmap orchestriert werden.

Des Weiteren braucht es ein Bekenntnis zur fachlichen Weiterentwicklung der Mitarbeitenden. Unternehmen müssen in die kontinuierliche Aus- und Weiterbildung investieren, um sicherzustellen, dass ihre Teams über die erforderlichen Fähigkeiten verfügen. Dies betrifft sämtliche Gebiete des Eisbergs. Gleichzeitig ist die Schaffung einer KI-freundlichen Unternehmenskultur eine wichtige Voraussetzung für den digitalen Wandel.

Das ist die Realität von heute: KI wird traditionelle Rollen verändern, neue hervorbringen und die Voraussetzungen für eine dynamische Laufbahn in Contact Centern schaffen. Der Einsatz von KI bedeutet nicht, dass die Menschen aus Contact Centern verschwinden werden.  Stattdessen stellt sie sich der Herausforderung, die Bedürfnisse der Kunden effizienter zu erfüllen. Wenn Unternehmen die Stärken ihrer Mitarbeitenden mit denen der KI kombinieren, können sie ihre Contact Center in einen strategischen Hub verwandeln, der die Kundenzufriedenheit und den Wettbewerbsvorteil stärkt.

2. Conversational User Experience (CUX)

Wie erleben es Anrufende, ein persönliches Anliegen mit einem Voicebot zu besprechen? Wie empfinden und bewerten sie die Interaktionen? Diese sogenannte Conversational User Experience (CUX) ist ein entscheidender Erfolgsfaktor in Conversational-AI-Projekten.

CUX Design beschäftigt sich als Fachdisziplin mit der Frage, wie sich die Interaktion mit einem digitalen Assistenten so intuitiv und natürlich gestalten lässt, dass sie einem Gespräch zwischen zwei Menschen gleicht. Dabei werden verschiedene durch KI unterstützte Kommunikationsformen wie Chat, Sprache, E-Mails und Postsendungen so kombiniert, dass Anliegen von Kunden möglichst angenehm und effizient beantwortet werden. Ein erfreuliches Kundenerlebnis zahlt sich gleich mehrfach aus:

• Es vertieft die Bindung des Kunden zum Unternehmen.
• Es fördert die Kauf- und Zahlungsbereitschaft des Kunden.
• Es senkt die Supportkosten.

CUX Design entwickelt sich aufgrund eines Paradigmenwechsels rasant weiter. Dieser liegt in der Art und Weise, wie wir mit Technologie interagieren. Bisher mussten Nutzende permanent auf die sehr begrenzten technischen Fähigkeiten der Computer Rücksicht nehmen und ihr Verhalten anpassen. Jüngste Entwicklungen auf dem Gebiet der Conversational AI ermöglichen nun, dass Menschen in der ursprünglichsten Form mit Computern kommunizieren, die es gibt: natürliche, gesprochene Sprache. 

Für ein positives Nutzererlebnis ist eine Reihe von bewährten Methoden unerlässlich. Dazu zählt die Verwendung von sogenannten Kontextdaten. So berücksichtigt der Voicebot beispielsweise, was in früheren und im laufenden Gespräch bereits besprochen wurde. Die Gestaltung der Interaktionen zwischen Anrufenden und Voicebot richtet sich konsequent an den Kundenzielen aus, ebenso wie der Dialogverlauf und die Ansagen und Verhaltensweisen des Voicebots. Ein besonderer Fokus liegt dabei auf dem Umgang mit Problemen, das heisst, wie der Voicebot auf ausbleibende, unverständliche oder missverstandene Äusserungen der Anrufenden reagiert. 

Beim CUX Design werden die Bedürfnisse und Verhaltensweisen aller Beteiligten mit einbezogen. So werden Contact-Center-Mitarbeitende als eigenständige Benutzergruppe anerkannt und an der Konzeption, Erarbeitung und Optimierung von Conversational-AI-Lösungen beteiligt. Die gesammelten Kundendaten ermöglichen es, die Interaktionen mit einem Chatbot, Voicebot oder Co-Pilot auszuwerten. Dieses Abbild authentischer Verhaltensweisen erlaubt es Unternehmen, ihre Conversational-AI-Anwendungen laufend zu optimieren und das Kundenerlebnis immer effizienter und angenehmer zu gestalten. 

3. Conversational-AI-(CAI-)Plattform

Eine Conversational-AI-Plattform bietet eine Vielzahl von Funktionen, um intelligente und interaktive Dialogsysteme zu entwickeln, zu implementieren und zu verwalten. Zu den wichtigsten Funktionen gehören Dialogmanagement, Integrationsschnittstellen, Omnichannel-Fähigkeit und fortgeschrittene Analytik. Anbieter solcher Plattformen variieren von grossen Hyperscalern wie AWS, Google und Azure bis hin zu spezialisierten Anbietern wie Spitch und Enterprise Bot. Oft nutzen Unternehmen einen Best-of-Breed-Ansatz mit einem Portfolio aus Nischenprodukten, das sich historisch entwickelt hat.

Es ist zu erwarten, dass Unternehmen ihre Plattformen konsolidieren, da dies die Unterstützung einer kanalübergreifenden Customer Journey vereinfacht sowie die Verteilung von Daten und Anwendungsfällen erleichtert.

Bei der Auswahl und dem Design einer AI-Plattform sollten die folgenden Aspekte berücksichtigt werden:

• Unterstützung eines intuitiven Dialogs
  Die Nutzung fortschrittlicher NLP-Technologien ist entscheidend, um ein natürliches Gesprächserlebnis zu schaffen. Ein System, das aus Interaktionen lernt und sich kontinuierlich verbessert, trägt massgeblich zur Kundenzufriedenheit bei.
• Skalierbarkeit
  Notwendig ist eine Architektur, die mit der Anzahl Nutzenden und der Erweiterung der Anwendungsfälle skalieren kann. Sie sollte auch die Integration mit bestehenden Systemen und die Unterstützung mehrerer Kommunikationskanäle ermöglichen, dabei aber Sicherheits- und Datenschutzanforderungen nicht ausser Acht lassen.
• Infrastrukturwahl (On-Premises vs. Cloud)
  Die Entscheidung, ob On-Premises oder Cloud, hängt von den spezifischen Bedürfnissen in Bezug auf Flexibilität, Kosten und Datenkontrolle ab. Cloud-Lösungen bieten Skalierbarkeit und niedrigere Anfangskosten, während On-Premise-Lösungen vollständige Datenkontrolle ermöglichen, aber mehr Aufwand im Betrieb verursachen. Auch die Möglichkeiten zur Integration von Umsystemen, die gegebenenfalls On-Premises gehostet sind, können die Wahl der Infrastruktur beeinflussen.
• Auswahl der Conversational-AI-Technologie (Hyperscaler vs. spezialisierte Plattformen)
  Grosse Cloud-Provider bieten umfangreiche, anpassbare Lösungen. Spezialisierte Plattformen bieten eine schnelle Implementierung, können jedoch in Bezug auf Skalierbarkeit und Funktionsumfang begrenzt sein. Auch beim Preismodell unterscheiden sich Cloud-Angebote, die in der Regel auf Benutzungsbasis abrechnen, von spezialisierten Plattformen, deren Preismodell häufig eine Basis-Lizenzgebühr beinhaltet.
• Integrationsmöglichkeiten
  Die Fähigkeit, die AI-Plattform in bestehende Geschäftsprozesse zu integrieren, ist entscheidend für eine nahtlose Benutzererfahrung und effektive Prozesse. Werden Unternehmensdaten unter Einhaltung von Berechtigungen und Datenschutzrichtlinien abteilungsübergreifend genutzt, ist eine relevante und faktenbasierte Unterstützung möglich. Die Verbindung von Enterprise Search mit Generative AI, bekannt als Retrieval-Augmented Generation (RAG), ist hierbei ein wichtiger Aspekt.

4. Sicherheit und Datenschutz

Bei Conversational-AI-Projekten, insbesondere bei der Nutzung von Cloud-Lösungen und GenAI, sind die Aspekte Sicherheit und Datenschutz entscheidend. Denn sie gewährleisten sowohl die Integrität der Systeme als auch die Vertraulichkeit und den Schutz persönlicher Daten. Mit dem zunehmenden Angebot an transaktionalen Dienstleistungen über Conversational AI, die direkte Anbindungen an sicherheitsrelevante Subsysteme erfordern, steigt das Risiko von Datenschutzverletzungen und Cyberangriffen. Transaktionale Dienstleistungen verarbeiten oft sensible Informationen wie Zahlungsdaten, persönliche Identifikationsnummern und andere private Daten. Wenn diese kompromittiert werden, können erhebliche finanzielle und reputationsbezogene Schäden entstehen. Deshalb sind die folgenden wichtigen Aspekte sind zu berücksichtigen:

• Identifikation und Authentisierung

  Zur Identifikation und Authentisierung der Nutzenden können ähnliche Merkmale geprüft werden wie in Contact Centern über telefonische Kanäle. Voice- oder Chatbots können beispielsweise zur Identifikation nach einer Kunden- oder AHV-Nummer fragen. Für die Authentifizierung lassen sich kombinierte Informationenabfragen: der Kontosaldo, der Betrag der letzten Rechnung oder Details aus dem Produktportfolio des Kunden, z.B. das Vorhandensein einer Partner-Kreditkarte. Diese Informationen werden dann mit den Daten aus dem CRM oder anderen Drittsystemen abgeglichen. Dieser Authentifizierungsmechanismus sollte die Anzahl der Versuche begrenzen, um Brute-Force-Attacken zu verhindern, bei denen Angreifer systematisch alle möglichen Kombinationen durchprobieren.

  Ein weiteres Verfahren für die Authentifizierungdurch Voicebots ist die Stimmerkennung, die beispielsweise PostFinance und Migrosbank seit Jahren erfolgreich einsetzen. Trotz der Entwicklung von Deepfake-Technologien gilt dieses Verfahren in Kombination mit anderen Authentifizierungsfaktoren als ausreichend sicher für mittlere Sicherheitsanforderungen.

  Die eleganteste und benutzerfreundlichste Authentifizierungslösungist oft jene, die bereits in bestehenden Portalen oder mobilen Anwendungen vorhanden ist. Wenn der Conversational-AI-Service darin integriert ist, können sich Chats und sogar Voicebots darauf stützen. Das macht die Nutzung für die Kund*innen  transparent und nahtlos.

  Bei der Auswahl des Authentifizierungsverfahrens ist es wichtig zu beachten, dass jeder zusätzliche Authentifizierungsschritt die Benutzerakzeptanz beeinträchtigen und die Abbruchrate erhöhen kann. Daher ist nicht immer das sicherste Verfahren die beste Wahl. Die Auswahl der Sicherheitsstufe sollte in Relation zu den Risiken und der Wahrscheinlichkeit eines Missbrauchs stehen. Beispielsweise kann bei der Bestellung eines Versicherungsnachweises eine geringere Sicherheitsstufe ausreichen, da im schlimmsten Fall ein Kunde einen unbestellten Nachweis erhält und die Motivation für einen Missbrauch gering ist.

  Ein wesentliches Element der Sicherheit ist die Verschlüsselung der Daten während der Übertragung und Speicherung. Moderne Verschlüsselungsalgorithmen sorgen dafür, dass die Daten sowohl in Ruhe (at rest) als auch bei der Übertragung (in transit) geschützt sind. Dies verhindert unbefugte Zugriffe und gewährleistet, dass nur berechtigte Parteien die Daten lesen können.

• Datenschutz

Die Implementierung von Conversational-AI-Lösungen erfordert die Einhaltung von Datenschutzgesetzen wie der DSGVO und des DSG sowie eine strenge Handhabung und Sicherung personenbezogener Daten.  

Bei der Gestaltung und Implementierung von Conversational-AI-Lösungen ist es essenziell, den Datenschutz von Beginn an zu berücksichtigen. Es ist wichtig, den gesamten implementierten Geschäftsprozess zu analysieren, um genau zu ermitteln, welche Daten wo und wie verarbeitet, übertragen und gespeichert werden. Daten sollten grundsätzlich nur so lange wie notwendig aufbewahrt werden. Es empfiehlt sich, den Zugang zu diesen Informationen durch technische und organisatorische Massnahmen streng zu regulieren.

Erhöhte Aufmerksamkeit erfordern besonders schützenswerte Personendaten wie Stimmabdrücke, Gesundheitsdaten oder Informationen zur sexuellen Orientierung. Diese sollten, wenn möglich, getrennt von Identifikationsmerkmalen wie Telefonnummern gespeichert werden, um eine Verknüpfung mit der betreffenden Person zu vermeiden. Ebenso ist die explizite Einwilligung der Nutzenden einzuholen, bevor Daten für die Qualitätsverbesserung oder Schulungszwecke verwendet werden.

Ebenso ist es empfehlenswert, Informationen zum Datenschutz der verwendeten Voicebots klar und verständlich auf der Website des Anbieters darzustellen, um die Transparenz zu gewährleisten (z.B. Datenschutzerklärung des Voicebot Kanton AG).

Idealerweise fliessen alle genannten Datenschutzaspekte bereits in der Konzeptphase ein, durchgeführt mittels Risikoanalysen und eines Informations- und Datenschutzkonzepts (ISDS). Ist die Lösung implementiert, können externe IT-Sicherheitsexperten abhängig von deren Kritikalität regelmässige Penetrationstests durchführen.

5. MLOps und GenOps

DevOps ist ein etabliertes Fachgebiet der Softwareentwicklung. Es kümmert sich im Wesentlichen um die Bereitstellung und den Betrieb («operations», Ops) von Softwaresystemen («development», Dev). Bei Machine-Learning-(ML-)Systemen kommt mit den Daten eine weitere Komponente dazu, die eine besondere Herausforderung darstellt. Deshalb wurde der Begriff MLOps eingeführt, der jüngst durch GenOps ergänzt wurde. 

Generell degenerieren KI-Modelle schneller als herkömmliche Softwaresysteme und müssen deshalb regelmässiger evaluiert, angepasst und bereitgestellt werden. Bei generativen Modellen wie grossen Sprachmodellen sind die Freiheitsgrade so gross, dass zusätzlich ein besonderes Augenmerk auf Aspekte wie Halluzinationen, Bias und Datenschutz zu legen ist.

GenOps und MLOps vereinen Prozesse, Fähigkeiten, Organisationsstrukturen und Tools gleichermassen. Sie lassen sich in verschiedenen Maturitätsstufen implementieren und kontinuierlich ausbauen. Eine zentrale Herausforderung besteht darin, Entwicklungs- und Betriebsprozesse so zu gestalten, dass sie die Besonderheiten von KI-Modellen berücksichtigen, ohne dabei Agilität und Innovationstempo zu beeinträchtigen. 

Implementieren Unternehmen GenOps- und MLOps-Praktiken, können sie die Vorteile von Conversational AI vollständig ausschöpfen und gleichzeitig operativ eine Top-Qualität sicherstellen. Zu den wichtigsten Aspekten gehören:

• Qualitätssicherung

  Automatisierte Test- und Freigabeprozesse helfen Teams, die Qualität ihrer Conversational-AI-Anwendungen zu sichern, bevor Änderungen live geschaltet werden. Dies umfasst sowohl Funktionstests der Konversationsschnittstellen als auch die Leistungsbewertung der zugrundeliegenden Modelle.

• Operative Effizienz

  Die Überwachung und das Management der Infrastruktur in Echtzeit sind entscheidend. Operative Metriken und Telemetrie ermöglichen es Teams, die Performance ihrer Modelle zu überwachen und bei Bedarf schnell Anpassungen vorzunehmen.

• Lebenszyklusmanagement von Modellen

  GenOps und  MLOps bieten Praktiken für Versionsmanagement und Rückverfolgbarkeit, die für das Lebenszyklusmanagement von KI-Modellen unerlässlich sind. Dies beinhaltet die Verwaltung von Datensätzen, Modellversionen und deren Konfigurationen, um eine nahtlose Anpassung an neue Anforderungen zu gewährleisten.

• Sicherheit und Compliance

  Angesichts der oben erwähnten DSGVO, des DSG und anderer Datenschutzvorschriften ist die Einhaltung von Sicherheits- und Datenschutzstandards unerlässlich. MLOps und GenOps integrieren Sicherheitspraktiken von Beginn an in den Entwicklungsprozess, um sicherzustellen, dass Conversational-AI-Anwendungen diese Anforderungen erfüllen.

6. Daten

Die Verfügbarkeit und die Qualität relevanter Geschäftsdaten sind für die Einführung von Conversational-AI-Systemen zentral. Sie ermöglichen es erst, einen Nutzen für Anwendende zu generieren. Daten bilden das Fundament jeder erfolgreichen Implementierung und spielen eine entscheidende Rolle bei verschiedenen Aspekten:

Data Platform

Eine zentrale und solide Datenplattform, die die Silos einer Organisation aufhebt und trotzdem eine feingranulare Zugriffsberechtigung erlaubt, vereinfacht die Integration von Conversational-AI-Systemen. Data Warehouses, Data Lakes oder Data-Mesh-Architekturen erlauben es, effizient Daten zu verknüpfen, zu transformieren und so das volle Wertepotenzial auszuschöpfen. Unabhängig davon, ob die Verarbeitung in Echtzeit oder als Batch geschieht, muss die Skalierbarkeit bei den heutigen Datenmengen gewährleistet sein. 

Data Analytics

Die Analyse von Interaktionsdaten ermöglicht es, das Kundenverhalten zu verstehen und darauf einzugehen. Fortschrittliche Analysetechniken helfen, Muster zu erkennen und Einblicke zu gewinnen, die die kontinuierliche Verbesserung von Conversational-AI-Systemen ermöglichen. Ein aktuelles und interaktives Reporting kombiniert mit sinnvollen Visualisierungstechniken hilft, komplexe Daten verständlich zu präsentieren und Entscheidungen abzuleiten.

Prozesse

Die Qualität von ML-Systemen hängt stark von der Qualität der Trainingsdaten ab. Daher ist die sorgfältige Auswahl und Aufbereitung von Trainingsdaten entscheidend. Effektive Prozesse zur Datenerfassung, -bereinigung und -validierung gewährleisten, dass Modelle auf verlässlichen und repräsentativen Daten trainiert werden.

Insgesamt sind Daten das Herzstück der Conversational AI. Eine solide Datenplattform, fortschrittliche Analysetechniken und effektive Prozesse sind ausschlaggebend, um hochwertige Conversational-AI-Systeme zu entwickeln, die die Anforderungen der Nutzenden erfüllen.

Risiken in Conversational AI

Als junge Disziplin weist Conversational AI wenig überraschend noch gewisse Schwachstellen und Risiken auf, denen wir bei unseren Kundenprojekten besondere Aufmerksamkeit widmen:

• Geringe Benutzerakzeptanz
  Die Akzeptanz der Nutzenden entscheidet über den Erfolg jeder Conversational-AI-Lösung. Trotz technologischen Fortschritten und der Berücksichtigung von Best Practices ist sie nicht selbstverständlich. Gefördert wird sie durch ein nutzerzentriertes UX Design sowie durch kontinuierliche empirische Optimierungen, insbesondere im Fehlermanagement. Entscheidend ist, dass der Service den Benutzenden einen deutlichen Mehrwert bietet, etwa durch höheren Bedienungskomfort, eine Zeitersparnis oder die Lösung der Anliegen im Sinne einer First Call Resolution (FCR).
• Überforderung der Menschen und der Organisation
  Wird ein neuer Conversational-AI-Service eingeführt, ohne den organisatorischen Einfluss angemessen zu berücksichtigen, kann dies zu geringer Akzeptanz und Ausschöpfung führen. Dies wiederum wirkt sich negativ auf das Kundenerlebnis und den Business Case aus. Eine umfassende Einbindung aller Beteiligten in den Designprozess der Lösung ist daher unerlässlich. Besonders wichtig ist dies in Service Centern, die oft mit Veränderungen (neue Produkte, neue Regel, neue Tools usw.) konfrontiert sind. Damit eine Conversational-AI-Lösung erfolgreich ist, müssen verschiedene Fähigkeiten innerhalb des Unternehmens koordiniert, systematisch entwickelt oder mobilisiert werden. Dies gilt insbesondere in der Betriebsphase mit der fortlaufenden Optimierung der Lösung. 
• Langwierige Integration von Subsystemen
  Conversational AI entfaltet ihr volles Potenzial bei transaktionalen und persönlichen Services – was eine Anbindung an Drittsysteme erfordert. Die Komplexität dieser Integration wird oft unterschätzt, besonders wenn die erforderlichen Schnittstellen noch nicht verfügbar sind und entwickelt oder angepasst werden müssen. Dies verursacht höhere Kosten und verlangsamt die Umsetzung. Dieses Risiko lässt sich durch eine detaillierte Zielarchitektur und den frühzeitigen Einbezug der betroffenen System-Owner innerhalb der Organisation minimieren.
• Unzureichende oder späte Berücksichtigung des Datenschutzes
  Die Anforderungen an den Datenschutz sind in den letzten Jahren gestiegen. Die Vorgaben lassen sich auch mit Cloud- und Generative-AI-Lösungen umsetzen – sofern die Datenschutzbeauftragten und IT-Verantwortlichen frühzeitig in die Analyse- und Designphase eingebunden werden. Geschieht dies zu spät, kann sich die Einführung der Lösung verzögern.
• Der Business Case geht nicht auf 
  Die Entscheidung, Conversational AI für einen Voicebot oder Co-Pilot einzuführen, basiert auf einem Business Case. Dabei kann es um Effizienz gehen wie die Verkürzung der Bearbeitungszeit durch automatische Identifikation der Benutzenden. Oder es kann um die Erhöhung des Net Promoter Score (NPS) gehen dank einem verbesserten Kundenservice, ermöglicht durch erweiterte GenAI-basierte Suchfunktionen über Produkte und Dienstleistungen im Co-Pilot. 
  Es kann jedoch vorkommen, dass der Business Case anfangs nicht aufgeht, weil die erhofften Verbesserungen aus verschiedenen Gründen nicht eintreten. Daher ist es wichtig, die KPIs des Business Case von Beginn an klar zu definieren und systematisch zu überprüfen, wie Verbesserungen durch organisatorische Massnahmen (z.B. Schulungen), Design (z.B. Dialoggestaltung) oder technische Optimierungen (z.B. Feintuning des Modells) möglich sind. Dabei gilt es zu berücksichtigen, dass ein bedeutender Teil des Budgets initialer Conversational-AI-Projekte für den Aufbau der Organisation und das Erlernen von Basiswissen verwendet wird. Diese Ausgaben wirken sich zunächst negativ auf den ersten Business Case aus, können jedoch als Investition betrachtet werden.

Lohnt sich Conversational AI für ein Unternehmen?

Ja!

Conversational AI wird einen starken und dauerhaften Einfluss auf den Kundenservice haben. Dies gilt für die menschliche, organisatorische und technische Ebene. Zu wissen, wie man diese Technologie optimal nutzt und in seine Organisation integriert, wird in den kommenden Jahren eine enorme – wenn nicht die grösste – Herausforderung sein für Contact-Center-Verantwortliche. Deshalb müssen sie verstehen, welchen Mehrwert Conversational AI für die gesamte Customer Journey im Kundenservice bietet, und die Technologie in eine kohärente Strategie und Roadmap integrieren.

Zugegeben: Der Weg ist lang. Und er erfordert die Mobilisierung verschiedener Fähigkeiten und Funktionen, um nachhaltige Lösungen zu gewährleisten.

Als Belohnung winken eine höhere Effizienz, glücklichere Kund*innen, das Erfüllen der immer sportlicheren wirtschaftlichen Ziele und eine attraktivere Tätigkeit für die Mitarbeitenden. 

Wagen Sie den Schritt in die Zukunft

Zeit für ein Gespräch darüber, wie Conversational AI auch Ihr Contact Center verändert

Conversational AI wird morgen ein Schlüsselelement für einen erstklassigen Kundenservice sein.

Hat Sie diese Tatsache schon ins Grübeln gebracht, wie Sie die Technologie am besten in Ihr Unternehmen einbinden? Um eine individuelle Lösung zu erarbeiten, würde es sich anbieten, sich mit einem Unternehmen zusammenzuschliessen, das auf die Integration einer solchen Lösung spezialisiert ist.

Nutzen Sie die Antwort auf obige Frage als Ausgangspunkt. Das Ziel, das Sie erreichen wollen, kennen Sie schon: glücklichere Kund*innen.