Transformacja z użyciem AI

W świecie contact center jakość od zawsze miała ogromne znaczenie. To ona decyduje o doświadczeniu Klienta, skuteczności sprzedaży i reputacji marki. Przez lata fundamentem pracy Działu Kontroli Jakości było ręczne odsłuchiwanie rozmów i analiza interakcji. Dziś coraz częściej tę rolę wspiera – a w wielu obszarach redefiniuje – sztuczna inteligencja.

O transformacji, jaka dokonała się w CCIG Group po wdrożeniu autorskiego narzędzia QCS (Quality Control System), opowiada Marcjanna Żeberska, Operations Manager DKJ.

Od 2% do 100%. Rewolucja skali

Jeszcze niedawno praca specjalisty ds. jakości polegała na żmudnym odsłuchiwaniu rozmów telefonicznych oraz analizie maili i czatów pod kątem poprawności merytorycznej, językowej i zgodności ze standardami.

Jak wspomina Marcjanna Żeberska: „Największym wyzwaniem było osiągnięcie wymaganego wolumenu odsłuchów, niezbędnego do pozyskania reprezentatywnego zakresu informacji. Dodatkową trudnością było ryzyko subiektywności w ocenie, wynikające z indywidualnego podejścia każdego specjalisty.”

W tradycyjnym modelu weryfikowano średnio około 2% rozmów. Był to kompromis między możliwościami czasowymi zespołu a potrzebą monitorowania jakości. System QCS daje możliwość weryfikacji nawet do 100% rozmów – czego wcześniej nie zapewniało żadne dostępne narzędzie. To zmiana fundamentalna – nie tylko ilościowa, ale przede wszystkim jakościowa. Zamiast opierać się na próbkach, Dział Kontroli Jakości pracuje na pełnych danych.

Pomysł, który wyprzedzał technologię

Co ciekawe, koncepcja wykorzystania AI w kontroli jakości nie jest nowa. „Sam pomysł narodził się w naszej firmie już kilkanaście lat temu. Wtedy jednak poziom rozwoju modeli AI w zakresie rozumienia i przetwarzania języka polskiego był niewystarczający do zastosowania w praktyce” – wspomina Marcjanna Żeberska.

Największą barierą była dojrzałość modeli NLP dla języka polskiego. Organizacja przez lata monitorowała rynek i testowała dostępne rozwiązania, czekając na moment, gdy technologia osiągnie odpowiedni poziom precyzji i stabilności. Ten moment w końcu nadszedł.

Nowa rola kontrolera jakości: od odsłuchu do analizy

Wdrożenie QCS nie oznaczało zastąpienia człowieka algorytmem. Oznaczało zmianę jego roli. Rola kontrolera przesunęła się w stronę analityka danych jakościowych – nie szuka już błędów w losowo wybranych próbkach, ale weryfikuje zdarzenia wskazane przez sztuczną inteligencję.

Automatyzacja przejęła mechaniczny etap selekcji i wstępnej analizy. Uwolniony czas specjaliści przeznaczają na weryfikację alertów AI, analizę przyczyn błędów, kalibrację i doskonalenie modeli, a także pracę z konsultantami – czyli feedbacki i coachingi.

Ważnym zadaniem w rękach człowieka pozostaje nadzór nad skutecznością systemu. AI nie działa w próżni – wymaga ciągłej informacji zwrotnej. Specjaliści na bieżąco weryfikują trafność wskazań AI, analizują fałszywe alarmy i wprowadzają korekty, dzięki czemu modele stale się doskonalą.

Proces weryfikacji w systemach AI: jak minimalizować błędy modeli

Jednym z najczęściej podnoszonych wyzwań w kontekście AI są tzw. halucynacje – czyli generowanie błędnych lub nieprecyzyjnych interpretacji.

Dział Kontroli Jakości podszedł do tego tematu systemowo.
„Zanim narzędzie weszło do użytku, przeszło testy na archiwalnych zestawach danych, gdzie znaliśmy już wyniki. To pozwoliło nam zaprojektować odpowiednie prompty oraz zidentyfikować obszary podwyższonego ryzyka błędu” – mówi Marcjanna Żeberska.

Proces weryfikacji ma charakter wieloetapowy i opiera się na kilku uzupełniających się działaniach. Pierwszym z nich są testy historyczne, polegające na porównaniu wyników generowanych przez AI z ocenami rozmów, które wcześniej zostały przeanalizowane przez specjalistów. Dzięki temu możliwe jest sprawdzenie, w jakim stopniu wskazania systemu pokrywają się z oceną ekspercką.

Kolejnym elementem jest projektowanie oraz optymalizacja promptów, które wpływają na sposób interpretowania danych przez model. Równolegle prowadzone są także regularne audyty człowieka na analizach wykonanych przez QCS. Wybrane rozmowy są ponownie weryfikowane przez doświadczonych specjalistów, aby ocenić trafność wskazań systemu.

Takie podejście pozwala utrzymać wysoką jakość bieżących analiz, a także systematycznie doskonalić i kalibrować narzędzie. Zaufanie do technologii nie wynika więc z samego faktu jej zastosowania, ale z jasno zdefiniowanych procesów kontrolnych, które towarzyszą jej działaniu.

Dane zamiast intuicji

Największa zmiana nie dotyczy jednak samej technologii, lecz sposobu pracy z informacją. W tradycyjnym modelu feedback często opierał się na ograniczonej próbce. Dziś rozmowa z konsultantem zaczyna się od pełnej statystyki. “Jesteśmy teraz w stanie na bardzo dużej, pełnej próbce rozmów powiedzieć konsultantowi, jak dany element standardu jest przez niego realizowany.” – mówi Marcjanna.

Oznacza to większą precyzję w identyfikacji luk kompetencyjnych, bardziej spersonalizowany feedback, szybsze reagowanie na powtarzalne błędy oraz realne wsparcie procesów szkoleniowych.

Czy AI przekłada się na wyniki biznesowe?

Sama technologia nie sprzedaje i nie poprawia wskaźników automatycznie. Kluczowe jest wykorzystanie danych.

„Sam QCS nie generuje wzrostu wskaźników automatycznie, ale jest doskonałym źródłem informacji. To ich umiejętne wykorzystanie pozwala przełożyć dane na realne efekty.”

W praktyce oznacza to kampanie, w których dzięki analizie 100% rozmów zidentyfikowano konkretne obszary do poprawy – co przełożyło się na wzrost sprzedaży o kilka punktów procentowych.

W realiach dużych wolumenów to różnica o strategicznym znaczeniu.

Nowe kompetencje w erze AI

Czy AI zmienia profil kompetencyjny specjalisty ds. jakości? Zdecydowanie tak.

Dociekliwość, skrupulatność, cierpliwość – te cechy pozostają niezbędne. Pojawia się jednak nowy, równie ważny wymiar – myślenie krytyczne.

„Pytanie nie brzmi już tylko: ‘Czy konsultant popełnił błąd?’, ale: ‘Dlaczego AI oznaczyło tę rozmowę jako niepoprawną?’ oraz ‘Co ten alert AI oznacza dla biznesu?’”

Rola kontrolera jakości ewoluuje więc w kierunku analizy danych i interpretacji wyników AI w kontekście operacyjnym.

Transformacja dzięki automatyzacji

Historia wdrożenia QCS pokazuje, że skuteczne wykorzystanie AI w contact center nie polega na zastąpieniu człowieka, lecz na wyposażeniu go w narzędzia, które pozwalają pracować szybciej, trafniej i na większej skali.

Fundament kompetencji pozostaje niezmienny – zmienia się sposób ich wykorzystania. A to właśnie ta zmiana decyduje o przewadze konkurencyjnej organizacji w erze AI.