Forbedring af support med hver enkelt interaktion hos OpenAI

Dette er en del af vores serie om, hvordan OpenAI bygger sine egne løsninger på vores teknologi.

Support har historisk set betydet køer, billetter og gennemløb. Men hos OpenAI var det ikke nok. Vi tjener hundredvis af millioner brugere, håndterer millioner af anmodninger hvert år og ser, at denne volumen mangedobles hvert år.

Masser af organisationer håndterer skala. Færre håndterer skala og hypervækst. Næsten ingen håndterer begge – mens de også bygger den selvsamme teknologi, der kan ændre ligningen. Denne kombination placerede os i en unik situation til at gentænke support fra bunden af.

Support er ikke en volumenudfordring. Det er en teknisk udfordring og en udfordring, hvad angår operationelt design. Så vi har bygget noget andet: en operativ model, hvor hver interaktion forbedrer den næste.

Driftsteamet ville gøre mere end blot bruge en chatbot til at sende supportspørgsmål videre. Teamet har en vision: at gentænke support som en AI-driftsmodel, der hele tiden lærer og bliver bedre.

I midten er der tre byggeklodser:

• Overflader. Hvor der interageres med supportsystemer Chat, e-mail og telefon, men i stigende grad, hjælp indlejret direkte i produktet.
• Viden. Ikke kun statistikdokumenter, men levende og kontinuerligt forbedret vejledning taget fra virkelige samtaler, politikker og kontekst.
• Evalueringer og klassifikatorer. Delte definitioner af kvalitet bygget af software og mennesker i fællesskab plus værktøjer til at måle, forbedre og fremhæve feedback.

Disse elementer fungerer ikke isoleret. De danner en sløjfe. Et mønster registreret i en samtale med en virksomhed, kan give anledning til et ofte stillet spørgsmål til udviklere. En evaluering skrevet for én sag styrker modellen for tusind andre. Og eftersom de samme primitiver driver hver overflade – chat, e-mail, stemme – så skaleres forbedringer på tværs af kanaler automatisk.

Supportmedarbejderens rolle ændrer sig. Vores mål er at ændre modellen fra primært at fokusere på behandling af transaktionsarbejde til at være en del af den overordnede konstruktion. De har kapacitet til at bidrage til selve arkitekturen, både direkte gennem implementering af ændringer nedefra såvel som indirekte gennem de naturlige transaktioner i deres daglige arbejde.

Supportmedarbejdere markerer interaktioner, der bør blive testsager, foreslår og opretter klassifikatorer, når de ser nye mønstre og laver sågar prototyper af lette automatiseringer for at lukke kløfter i arbejdsprocessen på få dage. Oplæring ændres også. Det handler ikke længere kun om politikker, men om at evaluere interaktioner, identificere strukturelle kløfter og inkorporere forbedringer.

Den nye tilgang stræber efter at sikre, at supportmedarbejderne er lige så meget builders som supportgivere.

Resultatet er en supportorganisation, der er defineret mindre af gennemløb og mere af dens evne til udvikling. Hver person tjener ikke kun brugere, men forbedrer også aktivt maskineriet, der tjener alle brugere.

Det er kun muligt at bygge support på denne måde, eftersom vi er bygget på OpenAI's teknologi.

• Agents SDK giver os spor trin for trin og observerbarhed som standard. Vi kan genafspille kørsler, inspicere værktøjskald og fejlsøge rodårsager med det samme.
• Responses API driver klassifikatorer for tone, korrekthed og politikoverholdelse.
• Realtime API gør stemmesupport muligt.
• OpenAI’s dashboard for evalueringer gør kvalitet målelig og nem at visualisere over tid.

Eftersom platformens primitiver allerede er klar til brug, bruger vi mindre tid på at samle systemer og mere tid på det arbejde, der er vigtigt: at definere, hvad der er godt, måle det og forbedre det.

Vi startede med et simpelt system af spørgsmål og svar, der fungerede godt Med Agents SDK udvidede vi hurtigt til dynamiske handlinger for ting som f.eks. refunderinger, fakturaer og hændelsessøgning. Efterhånden som modeller fortsætter med at blive bedre med større kontekstvinduer, grundig research og stærkere agentfunktioner, kan vi implementere disse fremskridt med det samme.

Evalueringer gør hverdagssamtaler til produktionstests. De kodificerer, hvad "fortrinlig" betyder – løser ikke bare problemet, men gør det høfligt, klart og sammenhængende. Supportmedarbejdere spiller en direkte rolle her ved at markere stærke og svage eksempler, der bliver evalueringer, og disse evalueringer kører hele tiden i produktionen for at styre modeladfærden.

"Normalt, når du har et problem, vil du bare have hjælp så hurtigt som muligt. Ved at bruge vores AI-værktøjer kan vi få disse svar meget hurtigere – og lige så vigtigt, så ved vi, hvornår modellen ikke bør svare," siger Jay Patel, Software Engineer, Support Automation.

Læring stopper ikke ved løsning. Mønstre fødes tilbage ind i viden, automatisering og produktdesign. Systemet vokser: Hurtigere svar til brugere, kortere feedbackloops til builders og en konsekvent højere standard for kvalitet på tværs af alle overflader.

Og det er ikke kun AI'en, der lærer. Organisationen lærer også sammen med den. Specialister ser, hvor modellen har mangler, former nye klassifikatorer og bidrager med datasæt til finjustering. Dashboards for observerbarhed gør kvalitet målelig og viser, hvordan ydeevnen forbedres med tiden.

Det dybeste skift ligger ikke i værktøjet, men derimod i personerne, og hvordan organisationen måler succes. Supportspecialister er ikke kun anerkendt for at løse problemer, men for at finjustere viden, forbedre modeller og udvide selve systemet. Ledere kigger efter en ny slags holdkammerat: nogen, der kombinerer empati i første linje med designinstinkter, og som forener supportrollen med nysgerrighed efter at forbedre systemet.

Og vores vision er, at support stopper med at være en destination, man henvender sig til. Det bliver en handling, der er vævet ind i hver enkelt produktoverflade. Brugere "åbner ikke en billet". De får simpelthen det, de behøver, hvor de er.

Det, der startede som en løsning på skala, er blevet et blueprint for, hvordan personer og AI kan samarbejde: gennem samarbejde og tilpasning og gennem kontinuerlig forbedring.