Forbedre støtte med hver samhandling hos OpenAI

Dette er en del av serien om hvordan OpenAI utvikler sine egne løsninger med vår egen teknologi.

Støtte har historisk sett ment køer, henvendelser og gjennomstrømming. Men hos OpenAI var det ikke nok. Vi betjener hundrevis av millioner brukere, håndterer millioner av forespørsler hvert år og ser at volum mangedobles årlig.

Mange organisasjoner håndterer skala. Færre håndterer skala og ekstrem vekst. Nesten ingen har begge deler – mens de samtidig bygger teknologien som kan endre forholdene. Den kombinasjonen ga oss en unik posisjon til å revurdere støtte fra bunnen av.

Støtte er ikke en volumendring. Det er en utfordring for teknisk arbeid og operasjoner. Så vi bygget noe annerledes: en operasjonsmodell der alle samhandlinger forbedrer den neste.

Operasjonsteamet ville gå langt utover bruk av en chatbot for å avlede støttespørsmål. Teamet har et mål: transformere støtte som en AI-operasjonsmodell som kontinuerlig lærer og forbedrer seg.

Sentralt er tre byggeklosser:

• Plattformer. Der man samhandler med støttesystemene. Chat, e-post og telefon, men i økende grad er hjelp integrert direkte i produktet.
• Kunnskap. Ikke bare statiske dokumenter, men veiledning som er levende og kontinuerlig forbedres fra ekte samtaler, retningslinjer og kontekst.
• Evalueringer og klassifikatorer. Delte definisjoner om kvalitet bygd av programvare og mennesker i samarbeid, pluss verktøy for å måle, forbedre og fremheve tilbakemelding.

Disse delene er ikke isolert. De danner en sløyfe. Et mønster som oppdages i en konsernsamtale, kan informere spørsmål og svar for en utvikler. En evaluering som skrives for én sak, styrker modellen for flere tusen andre. Og siden de samme elementene driver alle plattformer – chat, e-post, tale – skaleres forbedringer automatisk mellom kanaler.

Rollen til en støtterepresentant endres. Målet vårt er å endre modellen fra å primært fokusere på behandling av transaksjonsarbeid til å være en del av den samlede versjonen. De styrkes til å bidra til selve arkitekturen, både direkte via levering av endringer nedenfra og indirekte via den naturlige flyten i det daglige arbeidet deres.

Representanter flagger samhandlinger som bør bli testsaker, foreslår og sender klassifikatorer når de ser nye mønstre, og lager til og med prototyper til små automatiseringer for å dekke hull i arbeidsflyter i løpet av dager. Opplæring endres også. Det handler ikke bare om retningslinjer, men om å evaluere samhandlinger, identifisere strukturelle hull og gi tilbakemeldinger på forbedringer.

Den nye tilnærmingen har mål om å sikre at støtterepresentanter er byggere i like stor grad som respondenter.

Resultatet er en støtteorganisasjon som defineres mindre av gjennomstrømming og mer av evnen sin til å utvikle seg. Hver person betjener ikke bare brukere, men forbedrer også aktivt maskineriet som betjener alle brukere.

Å bygge støtte på denne måten er bare mulig fordi vi bygger på OpenAIs struktur.

• Agents SDK gir sporing og observerbarhet på trinnivå som standard. Vi kan gjenta kjøringer, inspisere verktøykall og feilsøke rotårsaker umiddelbart.
• Responses API driver klassifikatorer for tone, korrekthet og følging av retningslinjer.
• Realtime API gjør talestøtte mulig.
• OpenAIs instrumentpanel for evalueringer gjør kvalitet målbar og enkel å visualisere over tid.

Siden plattformelementene kommer ferdig laget, bruker vi mindre tid på å sette sammen systemer og mer tid på å fokusere på arbeidet som er viktig: definere hva «bra» ser ut som, måle det og forbedre det.

Vi startet med en enkel besvarer for spørsmål og svar, som fungerte godt. Med Agents SDK utvidet vi raskt til dynamiske handlinger for ting som refusjoner, fakturaer og hendelsessøk. Når modeller fortsetter å utvikles med større kontekstvinduer, grundig research og sterkere agentfunksjonalitet, kan vi ta i bruk disse fremskrittene umiddelbart.

Evalueringer gjør samtaler i hverdagen om til produksjonstester. De kodifiserer hva «utmerket» betyr – ikke bare å løse problemet, men å gjøre det høflig, tydelig og konsekvent. Representanter har en direkte rolle her og flagger sterke og svake eksempler som blir evalueringer, og disse evalueringene kjøres kontinuerlig i produksjon for å styre modellatferd.

«Når du har et problem, ønsker du vanligvis bare å få hjelp så fort som mulig. Ved å bruke AI-verktøyene våre kan vi få disse svarene mye raskere, og like viktig er det at vi vet når modellen ikke skal svare», sier Jay Patel, Software Engineer, Support Automation.

Læring stopper ikke med løsning Mønstre mater tilbake til kunnskap, automatisering og produktdesign Systemet kompilerer: raskere svar for brukere, tettere tilbakemeldingssløyfer for byggere og en konsekvent høyere standard for kvalitet på alle plattformer.

Og det er ikke bare AI som lærer. Organisasjonen lærer sammen med den. Spesialister ser hvor modeller svikter, former nye klassifikatorer og bidrar med datasett for finjustering. Instrumentpanel for observerbarhet gjør kvalitet målbar og viser hvordan ytelse forbedres over tid.

Den dypeste endringen er ikke verktøybruken, men folkene og hvordan organisasjonen måler suksess. Støttespesialister anerkjennes ikke bare for å løse problemer, men for å finjustere kunnskap, forbedre modeller og utvide selve systemet. Ledere ser etter en ny type teammedlem: noen som kombinerer frontlinjeempati med designinstinkt, og dermed kombinerer støtteevne med nysgjerrighet for å forbedre systemet.

Og målet vårt er at støtte slutter å være en destinasjon du går til. Den blir en handling som er vevd inn i hver produktoverflate. Brukere «åpner ikke en henvendelse». De får enkelt og greit det de trenger, der de er.

Det som startet som et svar på skalering, har blitt en kjøreplan for hvordan folk og AI kan jobbe sammen: samarbeidsbasert, tilpassbar og kontinuerlig forbedring.