Inga produkter i varukorgen.
Därför bygger Genesys AI-agenter med LAM-teknik
AI När alla pratar om stora språkmodeller satsar kontaktcenterleverantören på large action models som låter AI-agenter lösa komplexa kundärenden helt utan mänsklig inblandning.
AI-utvecklingar rusar vidare och det gäller att hänga med i de nya tekniklösningar och förkortningar som hela tiden dyker upp. En ny förkortning som börjat förekomma i kontaktcentersammanhang är LAM, large action models.
Någonting är fel
Du är inloggad som prenumerant hos förlaget Pauser Media, men nånting är fel. På din profilsida ser du vilka av våra produkter som du har tillgång till. Skulle uppgifterna inte stämma på din profilsida – vänligen kontakta vår kundtjänst.
Techtidningen premium
Läs vidare – starta din prenumeration
Redan prenumerant? Logga in och läs vidare.
Till skillnad från de stora språkmodellerna, LLM:er, är en LAM optimerad för att utföra uppgifter istället för att enbart tolka och förstå olika förfrågningar. Det innebär att den kan avgöra vilka olika steg som krävs för att ett kundärende ska lösas och sedan på egen hand utföra dessa i de olika it-system som den har tillgång till.
Nu har kontaktcenterleverantören Genesys lanserat en satsning på just LAM-tekniken i en ny AI-agent, något man hävdar att man är först i branschen med att göra. Agenten, som kallas Genesys Cloud Agentic Virtual Agent, ska säkra regelefterlevnad även i de situationer där den arbetar helt självständigt. AI-agenten ska bland annat ”förstå kundens mål, avgöra nästa steg och utföra komplexa åtgärder över både front- och backoffice-system”.
En av ledarnas viktigaste prioriteringar
Genesys hänvisar till en undersökning från Gartner som visar att förtroendet för självservicelösningar som drivs av AI-botar fortfarande är lågt. Endast 22 procent av alla självserviceärenden betecknas som framgångsrika enligt Gartner. Samtidigt uppger 46 procent av de tillfrågade ledarna att en förbättring av självservicefunktionerna är en av deras viktigaste prioriteringar under 2026.
Enligt kontaktcenterleverantören är ett grundproblem i många av dagens automatiseringslösningar att de inte är byggda utifrån hur människor faktiskt vill interagera med dem, eller hur företag i praktiken organiserar sitt arbete.
AI-agenter som är baserade på stora språkmodeller har visserligen höjt kvaliteten i dialogen med kunderna. Men när ärendena blir mer komplexa räcker språklig förståelse inte hela vägen. LLM-baserade lösningar saknar ofta förmågan att driva processer över flera system och att anpassa sig när kundens behov förändras längs vägen. Resultatet blir lösningar som tappar tråden eller ger inkonsekventa svar.
– Autonomi inom kundupplevelse fungerar bara när den bygger på tillit, transparens och kontroll. Med LAM-teknik kan AI resonera, planera och vidta åtgärder över flera system på ett säkert sätt. Det gör det möjligt att gå bortom samtalet och leverera konsekventa resultat som kunderna faktiskt kan lita på, säger Genesys produktchef Olivier Jouve.
Genesys nya agentiska virtuella agent uppges kombinera LAM-tekniken med styrning på företagsnivå. Det innebär att AI-agenten kan ta ansvar för hela ärendeflöden snarare än att fungera som ett förfinat gränssnitt mot kunskapsdatabaser. Flera stora organisationer inom bank, vård och detaljhandel testar redan tekniken för att se hur automationen kan drivas längre och hur fler kundärenden kan lösas utan mänsklig inblandning.
AI-agenten ska kunna initiera och samordna arbetsflöden över CRM-system, fakturering, serviceplattformar och andra centrala verksamhetssystem och samtidigt justera sitt beteende när förutsättningarna förändras. För att detta ska vara möjligt utan att kontrollen går förlorad bygger lösningen på gemensam data, tydlig beslutslogik och inbyggda skyddsåtgärder som gör varje moment spårbart.
En viktig del av lösningen är Genesys samarbete med företaget Scaled Cognition. Genom att använda AI-modellen APT-1 försöker Genesys eliminera ett av de största problemen med generativ AI i operativa miljöer: oförutsägbarheten. Den LAM-drivna agenten kan förstå sammanhang och behålla kontexten genom hela dialogen och leverera ett konkret resultat i en sammanhållen interaktion med färre återvändsgränder, upprepningar och överlämningar som följd.
