GUIDE: AI-agenter i kundmötet – det här behöver du veta för att lyckas

Samtidigt pratar många om hur man ska hitta balansen mellan AI-teknik och det mänskliga i framtidens kundmöte. Allt fler börjar inse att det inte spelar någon roll hur modern och kompetent teknik man använder sig av om man inte har gjort förarbetet, eller ens brytt sig om att undersöka vad det egentligen är kunderna vill ha.

Det är dock uppenbart att teknikleverantörerna anser att agentisk AI är framtiden, inte bara i kontaktcentret utan i princip alla delar av en modern verksamhet. Idag ser man inte AI-agenter som ett lager som läggs ovanpå befintliga it-system, utan snarare något som utgör kärnan i deras produkter.

Vad är då viktigt att känna till om man vill lyckas med agentisk AI i kontaktcentret? Techtidningen har ställt några frågor till Joakim Skalberg, som är senior principal solution consultant på Genesys i Sverige.

Har AI-agenter ersatt de traditionella chattbotarna?

– Marknaden rör sig bortom traditionella bottar som endast besvarar frågor, mot mer autonoma AI-agenter som kan förstå avsikt, upprätthålla kontext och utföra arbete över olika system. Kunder förväntar sig i allt högre grad resultat, inte bara svar. Agentisk AI, och specifikt large action models, hjälper till att överbrygga det gapet genom att utöka de konversationsmässiga styrkorna hos virtuella agenter drivna av stora språkmodeller så att de kan resonera, planera och säkert utföra åtgärder inom företagets skyddsräcken.

Hur kan agentisk AI användas i kontaktcenter i praktiken?

– I kontaktcentret kan virtuella agenter drivna av agentisk AI ta ansvar för kundförfrågningar och lösa dem från början till slut genom att resonera, fatta beslut och utföra åtgärder i affärssystem. I praktiken innebär detta att AI kan diagnostisera problem, besluta om lämplig lösning och genomföra den. Till exempel kan den felsöka ett serviceproblem, köra systemkontroller, tillämpa korrigeringar och skicka ut en tekniker utan mänsklig inblandning. I faktureringsscenarier kan den validera en tvist, avgöra berättigande baserat på policy och utfärda krediter eller justeringar direkt.

Hur tränas en AI-agent för att förstå företagets tonalitet och policyer?

– En AI-agent behöver vara förankrad i organisationens betrodda kunskap, policyer, godkända arbetsflöden och systems of record. På Genesys är styrning inbyggd i vår plattform och den agentiska upplevelsen genom design, med kontroller som hjälper till att säkerställa att varje åtgärd är policystyrd, spårbar och ansvarig. AI-drivna åtgärder är konsekvent förankrade i företagspolicy, betrodd kunskap och godkända system för att leverera automatisering som är effektiv, kompatibel, transparent och kontrollerad.

– Organisationer kan använda Genesys Cloud AI Studio och AI Guides för att forma hur AI-agenter beter sig genom att definiera affärsspecifika skyddsräcken, arbetsflöden, tonalitet och eskaleringsvägar med hjälp av naturligt språk och befintlig dokumentation. Detta gör det möjligt för företag att anpassa AI-interaktioner till sitt varumärkes röst, operativa policyer och standarder för kundupplevelse samtidigt som mänsklig tillsyn och styrning bibehålls.

På Genesys lyfter ni fram LAM, stora large action models, som ett komplement till LLM:er. På vilket sätt gör LAM:er skillnad?

– LLM:er är mycket bra på att förstå avsikt och generera språk, men på egen hand slutför de inte tillförlitligt komplexa arbetsflöden i flera steg över företagsystem. Det är där Large Action Models (LAM:er) gör skillnad. De är utformade för att planera och utföra åtgärder, inte bara generera svar. I praktiken innebär detta att AI faktiskt utför arbetet, som att validera en förfrågan, kontrollera berättigande, uppdatera register, utfärda en kredit och bekräfta resultatet.

– Eftersom LAM:er arbetar inom definierade policyer och arbetsflöden gör de automatisering mer förutsägbar, granskningsbar och kontrollerad. Det minskar risken för ofullständiga åtgärder, förlorad kontext eller svar som låter korrekta men inte leder till verkliga resultat. Tillsammans kompletterar LLM:er och LAM:er varandra. LLM:en förstår och kommunicerar medan LAM:en möjliggör korrekt, kompatibel och fullständig exekvering.

Finns det några användningsområden där agentisk AI ännu inte är lämplig?

– Agentisk AI bör inte användas utan noggranna kontroller i arbetsflöden där fel kan skapa betydande skada, regulatorisk exponering eller förlust av förtroende. Vissa processer kan fortfarande kräva mänsklig granskning även när AI kan utföra mycket av arbetet korrekt. Ett relevant exempel är medicinsk förhandsauktorisering, där klinisk granskning fortfarande kan vara lämplig. I dessa scenarier kan AI stödja effektivitet och noggrannhet, men slutliga beslut kan behöva ligga kvar hos en kvalificerad människa.

Finns det några andra risker förknippade med agentisk AI, och i så fall, hur minimerar man dem?

– De huvudsakliga riskerna inkluderar felaktiga åtgärder, hallucinerad information, missbruk av kunddata, dåliga eskaleringsbeslut och brist på spårbarhet. Dessa risker ökar när AI tillåts agera över system utan korrekt styrning. De kan minimeras genom inbyggda skyddsräcken, tydliga behörigheter, beslutskontroller, eskaleringströsklar, granskningsbarhet, förklarbarhet och kontinuerlig testning. För Genesys är styrning inte separerad från autonomi; det är det som gör det möjligt för agentiska system att fungera säkert i stor skala.

Vad händer om AI-agenten har tillgång till kunddata som innehåller felaktigheter eller helt enkelt inte är tillräckligt strukturerad?

– Agentisk AI är beroende av betrodd data och sammankopplade system. Om kunddata är felaktig, ofullständig eller dåligt strukturerad kanske AI-agenten inte har det sammanhang som krävs för att leverera rätt resultat. Det är därför agentisk experience orchestration är viktigt: det kopplar samman människor, data, system och AI genom hela upplevelselivscykeln och hjälper organisationer att skapa en mer komplett bild av kunden. Där datakvaliteten är osäker bör skyddsräcken och eskaleringsvägar hjälpa till att säkerställa att AI inte vidtar olämpliga åtgärder utan validering.

Vilka integrationer är viktigast för att AI-agenten ska kunna lösa ett ärende på egen hand?

– De viktigaste integrationerna är med de system som tillhandahåller kundkontext och möjliggör åtgärder, såsom CRM, fakturering, serviceverksamhet, kunskapshantering och kommunikationsplattformar. Dessa, tillsammans med enhetlig data, ger AI-agenter det sammanhang de behöver för att förstå en förfrågan och slutföra arbetet bakom den.

– Lika viktigt är orkestreringslagret som kopplar samman dessa system och koordinerar åtgärder mellan dem. Med Model Context Protocol (MCP) och agent-till-agent-interaktioner (A2A) kommer AI-agenter att kunna få säker tillgång till rätt kontext och samarbeta över system och domäner på ett mer dynamiskt sätt.

– MCP kommer att bidra till att säkerställa att agenten är förankrad i betrodd företagsdata och verktyg i realtid, så att varje åtgärd baseras på godkänd kunskap, policyer och system-of-record-kontext. A2A kommer att göra det möjligt för agenter att samordna med andra specialiserade agenter. Till exempel att lämna över till en faktureringsagent för att validera en avgift eller en serviceagent för att köra diagnostik samtidigt som kontinuiteten i kundens förfrågan bibehålls.

– Genesys Cloud kompletterar denna framtida funktionalitet med inbyggda integrationer till plattformar som Salesforce och Servicenow, vilket hjälper till att förena data och möjliggöra orkestrering över kundservice-, försäljnings- och it-arbetsflöden. Tillsammans förväntas dessa funktioner flytta AI-agenter bortom enkla integrationer till koordinerad exekvering där agenten kan få tillgång till rätt system, samarbeta vid behov och lösa ärenden från början till slut.

Hur sätter man skyddsräcken kring en AI-agent så att man har kontroll över vilka åtgärder den får utföra?

– Att sätta skyddsräcken kring en AI-agent börjar med att tydligt definiera vad den får göra, vilken data den kan få tillgång till och när mänsklig tillsyn krävs. I Genesys Cloud är dessa kontroller direkt inbyggda i plattformen, så att styrning verkställs som en del av hur agenten fungerar och inte läggs till i efterhand. Detta inkluderar rollbaserade behörigheter, policytillämpning och kontextmedvetna begränsningar som avgör vilka åtgärder en agent kan utföra och under vilka förhållanden.

– Beslutskontroller och eskaleringsvägar är inbyggda i arbetsflöden, vilket gör att agenten kan pausa, söka godkännande eller lämna över till en människa när tilliten är låg eller risken är högre. Genesys Cloud erbjuder också fullständig synlighet och kontroll, där varje åtgärd loggas och kopplas till underliggande data, policy och beslutslogik. Detta gör agentens beteende förklarbart och granskningsbart, så att organisationer kan förstå vad som gjordes, varför det gjordes och bekräfta att det överensstämmer med interna policyer och regulatoriska krav.

Vilka beslut kan AI-agenten fatta själv och vilka beslut bör alltid kräva mänskligt godkännande?

– AI-agenter kan ta på sig ett brett spektrum av beslut, och människans ansvar kommer att förändras till att definiera hur dessa beslut fattas och styrs. Människor bör sätta skyddsräcken, etablera beslutströsklar och avgöra under vilka förhållanden AI kan agera självständigt eller när den ska pausa, eskalera eller involvera en människa. Mänsklig involvering blir avgörande i situationer med högre risk, tvetydighet eller bredare påverkan, och när mönster tyder på att systemet inte beter sig som förväntat. I dessa ögonblick bör människor ingripa på systemnivå för att justera policyer, arbetsflöden eller trösklar så att resultaten förbättras framöver. AI-agenter kommer att vara positionerade för att hantera exekvering i stor skala, medan människor förblir ansvariga för hur beslut fattas, hur de utvecklas och för att säkerställa att de fortsätter att vara i linje med affärsavsikter och kundbehov.

Vilken roll tror du att mänskliga kundtjänstmedarbetare kommer att ha när AI-agenten tar över fler ärenden?

– Jag förväntar mig att mänskliga medarbetare kommer att förbli avgörande, men deras roll förändras på ett grundläggande sätt när AI-agenter tar över mer av exekveringen. Människans ansvar kommer att flyttas uppströms och över hela systemet, inte bara inom en enskild konversation. I stället för att enbart lösa individuella ärenden kommer människor att utforma hur AI-agenter beter sig, övervaka resultat över kundresor och ingripa när något inte ser rätt ut. De kommer också att hjälpa till att definiera och förfina de skyddsräcken som avgör när AI agerar autonomt och när mänskligt omdöme krävs. Detta är vad mänskligt vägledd autonomi innebär. AI kan utföra arbetet i realtid, men människor förblir ansvariga för hur dessa beslut fattas och hur systemet anpassar sig över tid. Jag ser framtidens kontaktcenter som mer än bara en blandning av mänsklig och AI-driven insats. Det är ett koordinerat system där AI driver exekveringen och människor vägleder, styr och kontinuerligt förbättrar hur denna exekvering sker.

Om du skulle ge tre råd till en svensk CIO som vill implementera agentbaserad AI i ett kontaktcenter, vilka skulle de vara?

– För det första, börja med affärsresultatet och omforma arbetet utifrån det. Agentisk AI bör inte läggas ovanpå föråldrade processer eller implementeras bara för att tekniken finns tillgänglig. Den verkliga möjligheten är att titta på besluten, överlämningarna, datan och de punkter där mänskligt omdöme tillför värde, och sedan avgöra vad AI ska ta över och vad människor fortsatt ska äga. I kontaktcentret innebär det att använda AI för att eliminera repetitivt arbete med lågt värde samtidigt som mänskliga medarbetare kan fokusera på omdöme, kreativitet och mänsklig kontakt.

– För det andra, gå fram i en medveten takt. Risken är inte att gå för långsamt eller för snabbt, det är att gå fram utan tydlighet. CIO:er bör säkerställa att data, styrning och medarbetarnas förtroende är redo innan de skalar upp. Det inkluderar att tidigt komma överens om vad AI-agenten får göra, sätta tydliga gränser och undvika implementationer som bygger på omogen eller opålitlig data. Ett plattformsbaserat tillvägagångssätt för experience orchestration kan hjälpa till att koppla samman människor, system, data och AI över hela företaget, så att kontaktcentret kan förbättra lojalitet, tillväxt och effektivitet utan att skapa isolerade pilotprojekt.

– För det tredje, behandla införandet som en mänsklig transformation lika mycket som ett teknikprogram. Agentisk AI kräver att människor samarbetar med system som tar på sig mer ansvar, och det fungerar bara när det finns förtroende, förståelse och trygghet på plats. CIO:er bör arbeta nära HR och affärsledare för att bygga tydliga skyddsräcken, förbereda medarbetare och positionera AI som en lagkamrat som förstärker mänskligt omdöme. Jag ser de starkaste resultaten uppstå när AI förbättrar produktivitet och operativ effektivitet samtidigt som empatin och förtroendet som definierar fantastiska kundupplevelser bevaras.