Zendesk bruker OpenAI til å bygge adaptive serviceagenter med fokus på løsninger

Zendesk har hjulpet bedrifter med å levere gode kundeopplevelser i over ti år. Plattformen deres står for mer enn 4,6 milliarder løsninger hvert år.

I begynnelsen av 2023 begynte Zendesk å samarbeide tett med OpenAI for å utforske hvordan AI kunne endre service og produktutvikling. I dag prøver de ut en ny klasse AI-agenter⁠(åpnes i et nytt vindu), drevet av OpenAI-modeller, som ikke bare håndterer hele samtaler, men også planlegger og svarer autonomt: 

• Reduserer oppsettstiden fra dager til minutter
• Øker automatiseringsgraden til nærmere 80 %
• Gir team full kontroll over hvordan AI-en oppfører seg

Selv de mest sofistikerte serviceplattformene møter begrensninger når det gjelder tradisjonell automatisering. Standardmodellen bygget på intensjonsklassifisering: forutsi en intensjon, utløse en forhåndsdefinert dialog eller arbeidsflyt, og håpe at kunden følger manuset.

Dette oppsettet fungerte for strukturerte interaksjoner, men brøt raskt sammen ved nyanser, oppfølgingsspørsmål eller uvanlige tilfeller.

«Den gamle verdenen var melding inn, svar ut», sier Adrian McDermott, teknologidirektør i Zendesk. «Virkelige kunder ombestemmer seg, stiller oppklarende spørsmål og forventer at AI-en følger med på en naturlig måte. I service er løsning det eneste utfallet som betyr noe, og frem til nå har botenes evne til å oppnå dette vært noe begrenset.»

Zendesk begynte å samarbeide med OpenAI for å ta i bruk en generativ tilnærming med Retrieval-Augmented generation (RAG) (generering basert på innhentet informasjon) for grunnleggende interaksjoner med vanlige spørsmål. I dag har fokuset flyttet seg til generativ resonnering som gjør AI-agenter i stand til å planlegge og utføre oppgaver selvstendig.

Zendesks nye klasse agentiske AI-agenter er spesialbygd for service. Agentene er drevet av OpenAl-modeller som GPT‑4o, og ikke bare svarer på spørsmål – de leder samtaler, resonnerer gjennom kontekst og jobber mot en løsning.

Plattformen benytter en multiagentarkitektur som består av spesialiserte agenter som:

• Agent for oppgaveidentifisering: I stedet for å basere seg på manuell trening har denne AI-agenten en ekte samtale for å forstå hva brukeren trenger, ved å stille oppklarende spørsmål og skille mellom lignende problemer.
• Samtalebasert RAG-agent: Utvider tradisjonell RAG ved å forankre i samtaler med flere runder. Når en bruker for eksempel spør om betalingsalternativer, kan agenten følge opp og spørre hvor brukeren befinner seg før den henter regionspesifikke retningslinjer.
• Agent for prosedyresammenstilling: Ved å balansere handlefrihet med kontroll konverterer Zendesks agent for prosedyreetterlevelse forretningsregler fra naturlig språk til en strukturert flyt, slik at AI-en forstår og visuelt gjenspeiler hvordan selskapets prosedyrer skal utføres.
• Agent for prosedyreutførelse: Utfører handlinger ved å kalle API-er, utløse arbeidsflyter og oppdatere systemer, alt innenfor logikken virksomheten har definert.

Ved å kombinere RAG med resonnering kan Zendesks AI-agenter nå delta i samtaler med flere trinn, stille oppfølgingsspørsmål og tilpasse svar basert på brukerens innspill. Dette gjør at plattformen kan løse komplekse problemer autonomt, uten å være avhengig av rigide dialogflyter.

«Vi har gitt boten mer handlefrihet til å styre samtalen, samtidig som den opererer innenfor Zendesks rammer for kvalitet og nøyaktighet», sier McDermott. «Prosessen startet med å forstå kundens problem med sterkt fokus på å drive mot løsning.»

En av de største endringene i Zendesks utvikling av AI-agenter har vært overgangen til en hybrid utviklingsmodell, der agenter sømløst kan bevege seg mellom dialogflyter og generative prosedyrer i én og samme samtale.

Med den nye AI-agentbyggeren kan bedrifter definere prosedyrer i naturlig språk. AI-agenten planlegger deretter en handlingskurs ved hjelp av adaptiv resonnering og viser en forhåndsvisning av de foreslåtte trinnene før den settes i drift. 

Kontroller for AI-resonnering gir sanntidsinnsikt i hvordan AI-agenter tenker, og sørger for at team kan revidere hver samtale ved å gjennomgå agentens tankerekke (Chain of Thought – CoT) for å forstå hvordan beslutninger ble tatt.

Dette skiftet reduserer oppsettstiden fra dager til minutter, og gjør generativ automatisering tilgjengelig for langt flere Zendesk-kunder.

Bak kulissene kjører Zendesk et grundig, internt benchmarkingprogram for å velge og distribuere de beste modellene og justere prompter for hvert bruksområde. Teamet vurderer latens, kostnad og kvalitet, og tester nye modeller som OpenAIs o3‑mini på mange ulike bruksområder fra RAG til bakgrunnsoppgaver innen resonnering.

Denne prosessen gjør det mulig for Zendesk å evaluere, teste og distribuere nye modeller på under 24 timer.

Zendesk sporer ytelse både før og etter utrulling, ved hjelp av offline-evalueringer og sanntidsmålinger som løsningsrate, redigeringsgrad og latens. Hver modellbeslutning dokumenteres og kan revideres, noe som sikrer transparens og pålitelighet etter hvert som systemet utvikler seg.

I år planlegger Zendesk å gå et skritt videre: å rulle ut en selvbetjent benchmarkingplattform slik at ethvert Zendesk-utviklingsteam kan teste og distribuere modeller uten å trenge praktisk støtte fra maskinlæringseksperter.

Zendesk prøver for tiden ut den nye agentiske AI-plattformen med kunder som er tidlig ute. Plattformen er utviklet for å integreres enkelt med eksisterende oppsett, og fremskynder kundenes vei til 80 % automatisering uten at de må bygge alt opp på nytt.

Mens bredere måltall kommer senere i 2025, har de tidlige tilbakemeldingene vært gode: raskere oppsett, mer presise svar og smidigere brukerreiser i alle kanaler.