AI 기반 초자동화가 비즈니스 효율성을 향상시키는 방법

사람들은 이유 없이 AI와 초자동화에 열광합니다. 사람들은 기업 업무를 자동화하고 인간의 사고와 행동의 복잡성을 포함하는 AI의 잠재력에 대해 열광하고 있습니다.

AI 기술은 자율주행차의 발전과 마찬가지로 초고도 자동화를 달성하기 위한 기업의 발전을 촉진합니다. Tesla는 필요에 따라 사람들을 목적지까지 데려다주고, Waymo는 운전자 없이 샌프란시스코와 피닉스의 거리를 배회합니다. 이는 자율주행 기술의 엄청난 잠재력을 보여주지만, 완전 자율주행을 실현하려면 아직 해야 할 일이 많습니다. 완전자율주행을 실현하기 위해서는 시스템이 다양하고 복잡한 환경에서 정상적으로 작동할 수 있도록 시스템의 안전성, 신뢰성, 적응성을 개선하는 등 많은 과제와 문제점을 해결해야 합니다. 동시에 자율주행 기술의 홍보와 적용이 불완전한 데이터 지도 버전, 다양하고 변화하는 도로 상황, 운전 문화 등 법적, 윤리적 문제를 해결할 수 있도록 보다 완전한 법률 및 규제 프레임워크를 개발해야 합니다. , 장애물 및 기타 여러 변수로 인해 시스템은 모든 도로, 도시 및 위치에서 작동하지 않으며 더 크고 혼잡한 도시에서는 작동하지 않으며 모든 경우에 여전히 사람의 감독이 필요합니다.

엔터프라이즈 자동화도 마찬가지입니다. 일부 자동화가 존재하지만 기업에서 효과적인 초자동화를 구현하려면 먼저 해야 할 일이 많습니다. 구체적으로 말하면 자동화가 기업의 과제에 적응할 수 있도록 보장하는 "학습 단계"입니다. 여기에는 모든 유형의 시스템에 있는 수천 개의 프로세스가 포함되며 각 프로세스에는 미묘한 정책과 작업이 지식을 완료하는 방법에 포함된 다양한 팀이 포함됩니다.

인공지능을 사용하여 비즈니스 프로세스를 주의 깊게 학습하고 올바른 학습 방법을 적용하면 초자동화를 통해 복잡한 기업 프로세스의 속도를 높일 수 있습니다.

고객 지원

고객 지원은 AI 기반 초자동화의 이점을 누릴 수 있는 인간 집약적인 엔터프라이즈 프로세스입니다. 딜로이트 조사에 따르면 컨택센터의 80%가 AI 도입 과정을 고려 중이거나 이미 참여한 것으로 나타났다.

18개월 전 GenAI의 등장으로 고객 지원/서비스 세계가 바뀌었습니다. 이제 챗봇은 근본적으로 문제 해결에 더 효과적이며 이전보다 실행 및 구현 비용이 더 저렴합니다. 따라서 Salesforce, Zendesk, ServiceNow 등 기존의 모든 고객 서비스 플랫폼 제공업체가 핵심 플랫폼 기능에 GenAI를 추가하면 해당 시스템 데이터를 기반으로 학습하기 때문에 봇이 기하급수적으로 더 유용하고 강력해질 것입니다.

그러나 벗어날 수 없는 모든 것들은 어떻습니까? 여전히 브로커가 필요한 사람들은 철저한 고객 지원을 위해 초자동화의 가능성이 더 큽니다. 정의에 따르면 모든 고객 거래는 일회성이며 위험이 높습니다. 자동화할 만큼 간단하지 않기 때문입니다.

예를 들어, 제품 배송 문제를 다루는 고객 지원 엔지니어는 내부 및 외부 모두에서 다양한 시스템을 탐색해야 합니다. 스택" 및 도구(예: ServiceNow, Salesforce, SAP, Oracle ERP, 배송 도구 및 자체 개발 애플리케이션)를 사용하고 수많은 컨텍스트를 기반으로 결정을 내립니다. 자동화된 주문 처리 프로세스는 미국과 독일에서 동일할 수 있지만 한 가지(중요한) 예외는 다른 현지 주문 처리 파트너를 선택하는 것입니다.

인지 능력이 필요한 유사한 대용량 고위험 기능에는 청구 처리, 의료 수익 운영, 제공자 온보딩 및 기타 백오피스 기능이 포함됩니다.

프로세스 자동화: 학습 기계 구축

AI를 사용하여 상담원의 실제 워크플로를 대규모로 관찰하고 학습함으로써 상담원의 환경에 맞는 모델을 효율적으로 생성하고 훈련할 수 있으므로 상담원이 응답을 예측하고 대응할 수 있습니다.

AI 모델을 인간이 해결한 문제에 고정시킴으로써 모델은 논리가 아닌 통계적 제안에서 파생된 생성적, 모핑 모델이 아닌 실제 워크플로에서 지속적으로 학습하므로 최상의 상태를 달성하는 데 도움이 됩니다.

간단히 말하면 이 새로운 "학습 기계"에는 세 가지 필수 요소가 있습니다.

1. 심층적으로 작업

워크플로 분석을 더 깊이 수행할수록 개별 워크플로를 더 잘 정의할 수 있습니다. 모든 워크플로가 그런 것은 아닙니다. 동일한 프로세스를 실행하더라도 동일하게 생성됩니다. 가치가 높은 단계 및 시간 절약 기회는 개별 워크플로 또는 모호한 단계 조합 내에 숨겨져 있을 수 있습니다.

2. 데이터 듣기

각 워크플로 수준의 프로세스를 자세히 살펴보면 실행의 미묘한 차이를 식별하여 모델링의 최상의 실행 상태를 결정하고 실제 데이터 및 논리를 기반으로 최적화할 수 있습니다. 어떤 가정도 하지 마십시오.

3. 신중하게 훈련하고 예제를 들어보세요

모델은 다양한 시나리오에서 다양한 사용자를 대상으로 훈련할 때 가장 강력합니다. RPA와 달리 모든 경우에 적용되는 일률적인 접근 방식은 없습니다. 도로를 주행하는 다양한 차량이 있고 그 위에 자율 주행 차량을 만들 때 지도를 작성하는 것처럼 모든 것이 올바르고 정확한지 확인하려면 다양한 에이전트 교육 모델이 필요합니다.

예를 들어 두 에이전트가 실행 작업을 수행한다고 상상해 보세요. 솔루션을 찾는 측면에서 한 에이전트는 대부분의 다른 에이전트보다 훨씬 빠르게 프로세스를 수행했으며, 다른 에이전트는 더 긴 워크플로에서 더 많은 단계와 시스템을 사용하여 훨씬 느리게 작업했습니다.

FAST 에이전트가 자동으로 "정확"하다고 생각하기 쉽고 자신의 워크플로가 AI 모델에 최적이라고 선언합니다. 그러나 심층 분석을 통해 FAST 에이전트는 백엔드에서 다시 열리는 많은 사례를 드러냅니다. 문제를 해결하는 방식이 잘못되었습니다.) 대조적으로 "느린" 두 번째 에이전트는 안정적인 100% 해상도를 갖습니다.

또는 작업을 완료하기 위해 두 명의 "동일한" 에이전트가 나란히 작업할 수 있지만 그 중 한 명은 두 번째 계층 파트너보다 추가 시스템에 액세스할 수 있으며(그녀는 첫 번째 계층이기 때문에) 중복될 수 있습니다. 하지만 프로세스를 적절하게 자동화하려면 미묘한 차이를 이해하는 것이 중요합니다. 자동화 계층에는 이 시스템에 대한 추가 액세스가 필요합니까? 왜 계층 2만 액세스할 수 있으며 흐름 측면을 다시 생각해야 합니까?

Deflect and Beyond

AI가 더 많은 비즈니스 기능을 인간에서 로봇 및 기타 스마트하게 전환할 것이라는 데는 의심의 여지가 없습니다. 자율 기술이므로 GenAI와 그 후속 제품에서 더 많은 이탈이 예상됩니다.

AI의 다음 큰 승리는 고객, 재무, 규정 및 이사회의 기대를 충족시키기 위해 점점 더 고도로 자동화된 비즈니스를 따라잡아야 하는 많은 실시간 에이전트를 통해 여러 시스템 및 물리적 단계가 포함된 긴 거래를 위한 자동화된 프로세스를 만드는 것입니다. 워크플로우 분석 및 기타 관점을 기반으로 하는 AI 기반 학습 "머신"은 엔터프라이즈 애플리케이션 격차를 최대한 빨리 줄이는 데 도움이 될 수 있습니다.