استبدال الدعم بـ ChatGPT أسقط المبيعات من 20% إلى 3%: ما الذي يعجز عنه الذكاء الاصطناعي

كل مدير دعم يطلق مساعدًا ذكيًا يرى المشهد نفسه. في البداية يخاف الفريق: «سيستبدلونني». ثم يطمئن: «إنه غبي». وعندما يبدأ الروبوت في المساعدة فعلًا، يعود القلق. دعونا نفهم أين يتفوق الذكاء الاصطناعي حقًا على البشر، وأين يفشل، وماذا نفعل بالفريق.

ما استحوذ عليه الذكاء الاصطناعي بالفعل

جزء كبير من عمل الخط الأول ليس التواصل مع العميل، بل التوجيه والبحث عن المعلومات. وهنا تتفوق الآلة بوضوح في السرعة. ففي إحدى كبرى شركات تقنية المعلومات، جمع مساعد ذكي مصادر المعرفة المتفرقة في بحث موحّد. كان المهندسون يقضون ساعات في التنقيب بين الوثائق وأرشيفات التذاكر، أما الآن فيحصلون خلال دقائق على الأقسام المطلوبة وأوصاف المشكلات المشابهة. وانخفض زمن الرد على طلبات البنك العميل بنسبة 29%.

وثمة تفصيل مهم: أعادت الشركة النظر أيضًا في تحفيز الموظفين. فلم يُشجَّعوا على استخدام الأداة فحسب، بل على إثراء قاعدة الحلول النموذجية أيضًا. فبدون ذلك يصطدم البحث سريعًا ببيانات قديمة.

وينطبق الأمر نفسه على تصنيف الطلبات حسب الموضوع والأولوية، وصياغة مسودات الردود على الأسئلة المتكررة (مع مراجعة بشرية)، واستخراج الحقائق من سجل التذاكر. ويمكن للوكيل الذكي أن يلمّح للموظف مباشرة أثناء المحادثة: «كانت هناك حالة مشابهة في مارس، وهذا هو الحل». وإذا كان المختص يقضي 60% من وقته في مثل هذه المهام، فإن الذكاء الاصطناعي لا يسلبه عمله بل يحرر وقته.

أين يفشل الذكاء الاصطناعي

تجربة معبّرة: استبدل فريق منتج خط الدعم الأول بـ ChatGPT. كان نحو 20% من المبيعات يمر عبر الدعم، وكان المديرون يحوّلون المراسلات إلى طلبات شراء. وبعد الأتمتة انخفضت الحصة إلى 3%. كان الروبوت يجيب عن الأسئلة، لكنه لا يلتقط الشكوك، ولا يقترح بدائل، ولا يزيل الاعتراضات. كان يُعلِم ولا يبيع.

أما المشكلة الثانية فيعرفها كل من ربط نموذجًا لغويًا كبيرًا بالدعم: النموذج يختلق الحقائق بثقة ونادرًا ما يقول «لا أعرف». والحل العملي المستخلص من النقاشات: كتابة عبارة صريحة في التعليمات «إن لم تجد الإجابة في السياق فقل إنك لا تعرف»، مع إضافة فحص إلزامي للرد قبل إرساله. لكن هذه القواعد نفسها يضعها إنسان ويراقبها.

وهناك نقاط ضعف أخرى:

• المشاعر. عبارة «أتفهّم خيبة أملك» لا تغيّر نبرة الحديث حين يكون العميل على حافة الانفجار.
• الحكم في ظل عدم اليقين. الخلل لا يمكن إعادة إنتاجه، وقسمان يقولان أمرين مختلفين، ويجب اتخاذ قرار بالتصعيد أو الانتظار. سيقترح الذكاء الاصطناعي خيارات، لكن القرار للإنسان.
• المشكلات البنيوية. الذكاء الاصطناعي يبحث فيما أُعطي له. أما الإنسان فيلاحظ أن هذا هو الطلب الخامس من نوعه خلال أسبوع، فيطلق تحليلًا للأسباب الجذرية.
• الثقة. يغفر العملاء الخطأ للإنسان، أما الروبوت الذي يخطئ ولا يعترف بذلك فيفقد الثقة لفترة طويلة.

ماذا يفعل المدير

الخطر الرئيسي لا يكمن في الذكاء الاصطناعي نفسه، بل في إدارة قررت أن «الذكاء الاصطناعي سينجز كل شيء» وخفّضت عدد الموظفين. وهكذا بالضبط تراجعت المبيعات عبر الدعم ستة أضعاف.

خطوات عملية:

• غيّروا مؤشرات الأداء. إذا كان الموظفون يُقيَّمون بعدد التذاكر المغلقة، فسيقاومون روبوتًا يغلقها أسرع منهم. أضيفوا مقياسَي «جودة قاعدة المعرفة» و«حصة الحالات المحلولة بمساعدة الذكاء الاصطناعي»، وخفّفوا وزن سرعة الرد في الفئات المعقدة.
• خصصوا نحو 10% من الوقت لتحسين القاعدة وتحليل أخطاء الذكاء الاصطناعي.
• اشرحوا للإدارة العليا: الذكاء الاصطناعي يسرّع البحث لكنه لا يحلّ محل الحكم البشري.

يصف الكاتب ثلاثة مسارات للنمو لمن يستحوذ الذكاء الاصطناعي على مهامهم. مهندس المعرفة يكتب التعليمات ويراجع ردود النموذج ويحدّث القاعدة (تأهيل من 3 إلى 6 أشهر). متخصص الحالات المعقدة L2+ يتقصّى الأسباب ويقرأ السجلات ويتفاوض (من 6 إلى 12 شهرًا). محلل جودة الدعم يراقب ما ينجزه الذكاء الاصطناعي وما يفشل فيه، ويكون حلقة وصل مع المنتج (حتى عام).

القيود والخلاصة

يعتمد المقال على حالات منفردة دون الكشف عن الشركات ولا المنهجية، وينبغي التعامل مع الأرقام (29%، و20% ← 3%) بوصفها توضيحات لا معيارًا قياسيًا. كما ينتهي النص بالترويج لدورة وندوة عبر الإنترنت، ما يجعل التركيز على «المهن الجديدة» ذا طابع تسويقي جزئيًا.

غير أن الخلاصة العملية سليمة: لا تقيسوا الدعم بسرعة الرد على التذكرة، ففي هذا السباق لا يمكن الفوز على الآلة. أعطوا الذكاء الاصطناعي البحث والفرز والمسودات، واتركوا للبشر المبيعات والتصعيد والبحث عن الأسباب الجذرية والمسؤولية عمّا يعرفه الروبوت ويقوله. والفائز هو من يبني نظامًا يُضطر فيه إلى الرد بشكل أقل، لأن المشكلة أُغلقت في المنتج نفسه.