Förbättrad support via alla interaktioner hos OpenAI

Detta är en del av vår serie om hur OpenAI utvecklar sina egna lösningar på vår teknik.

Historiskt har support handlat om köer, ärenden och effektiva lösningar. Men för OpenAI var det inte tillräckligt. Vi hanterar hundratals miljoner användarförfrågningar varje år och ser att volymerna hela tiden mångdubblas.

Många organisationer måste skala upp. Färre behöver hantera både uppskalning och snabb utveckling. Nästan inga organisationer behöver göra det samtidigt som de också utvecklar just den teknik som skulle kunna förändra hela ekvationen. Den kombinationen gav oss en unik utgångspunkt för att kunna tänka nytt kring support från grunden.

Support är inte en utmaning som handlar om volymer. Det är istället en utmaning som rör teknik och operativ design. Därför utvecklade vi något helt annat: en operativ modell där varje interaktion förbättrar nästa interaktion.

Ops-teamet ville göra mer än att bara använda en chattbot för att skicka vidare supportfrågor. Teamet har en vision: att se support som en AI-operativmodell som hela tiden lär sig och förbättras.

I centrum finns tre byggstenar:

• Gränssnitt. Här interagerar man med supportsystemen. Chatt, e-post och telefon, men i allt större utsträckning är hjälpfunktioner integrerade direkt i produkten.
• Kunskap. Inte bara statisk dokumentation, utan levande och kontinuerligt förbättrad vägledning som hämtas från riktiga samtal, policyer och kontext.
• Utvärderingar och klassificerare. Gemensamma definitioner av kvalitet utvecklade i samarbete mellan programvara och människor plus verktyg för att mäta, förbättra och lyfta fram feedback.

De här delarna är inte isolerade från varandra. De bildar ett cirkulärt flöde. Ett mönster som upptäcks i ett företagssamtal kan ligga till grund för vanliga utvecklarfrågor. En utvärdering som skrivs för ett fall stärker modellen för tusentals andra fall. Och eftersom samma primitiver driver alla gränssnitt – chatt, e-post, röstsamtal – skalas förbättringar automatiskt upp mellan olika kanaler.

Supportmedarbetarens roll håller på att förändras. Vårt mål är att förändra modellen från att tidigare främst ha haft fokus på att behandla transaktionella uppgifter till att vara en del av den övergripande konstruktionen. De får möjlighet att bidra till själva arkitekturen, både direkt genom att leverera ändringar underifrån och indirekt genom de naturliga transaktionerna i deras arbete i vardagen.

Supportmedarbetarna flaggar interaktioner som borde bli testfall, föreslår och levererar klassificerare när de ser nya mönster och tar även fram prototyper för enkla automatiseringar som syftar till att åtgärda luckor i arbetsflödet på bara några dagar. Träningen förändras också och det handlar inte bara om policyer, utan om att utvärdera interaktioner, identifiera strukturella brister och införa förbättringar.

Det nya arbetssättet syftar till att säkerställa att supportmedarbetarna både är konstruktörer och supportstöd.

Detta skapar en supportorganisation som i mindre utsträckning definieras av sin kapacitet och mer av sin förmåga att utveckla. Varje enskild medarbetare betjänar både användaren och förbättrar aktivt det maskineri som betjänar alla användare.

Att vi kan utveckla supporten på det här sättet beror på att vi bygger på OpenAI:s stack.

• Agents SDK ger oss spår och observerbarhet på stegnivå som standard. Vi kan spela upp körningar på nytt, inspektera verktygsanrop och felsöka grundorsaker direkt.
• Svar-API driver klassificerare för ton, riktighet och efterlevnad av policyer.
• Realtime API möjliggör röststöd.
• OpenAI:s infopanel för utvärderingar gör att kvaliteten kan mätas och på ett enkelt sätt visualiseras över tid.

Eftersom plattformens primitiver är färdiga lägger vi mindre tid på att sammanfoga system och ägnar mer tid åt att fokusera på det arbete som är viktigt: att definiera vad som är bra, mäta det och förbättra det.

Vi började med enkla frågor och svar som fungerade bra. Med Agents SDK gick vi snabbt vidare med dynamiska åtgärder för sådant som återbetalningar, fakturor och kontroll av incidenter. Allt eftersom modellen fortsätter att förbättras med större kontextfönster, djup research och starkare agentfunktioner kan vi införa dessa framsteg direkt.

Utvärderingar omvandlar vanliga samtal till produktionstester. De kodifierar vad ”mycket bra” innebär – att inte bara lösa problemet, utan göra det på ett vänligt, tydligt och enhetligt sätt. Här spelar supportmedarbetarna en direkt roll, då de flaggar starka och svaga exempel som blir utvärderingar. Dessa utvärderingar körs kontinuerligt i produktion för att styra modellens beteende.

”När man har ett problem vill man i normalfallet bara få hjälp så snabbt som möjligt. Genom att använda våra AI-verktyg kan vi få de svaren mycket snabbare. Minst lika viktigt är att vi vet när modellen inte borde svara”, säger Jay Patel, Software Engineer, Support Automation.

Lärandet slutar inte när problemet är löst. Mönster återförs till kunskap, automatisering och produktdesign. Systemet växer: snabbare svar för användarna, kortare återkopplingsflöden för utvecklarna och en konsekvent högre ribba för kvalitet i alla gränssnitt.

Och det är inte bara AI som lär sig. Det gör även organisationen. Specialister ser var modellen har brister, tar fram nya klassificerare och bidrar med dataset för finjustering. Infopanelen för observerbarhet gör att kvaliteten kan mätas och visar hur resultatet förbättras över tid.

Den mest genomgripande förändringen gäller inte verktygen, utan hur medarbetarna och organisationen mäter framgång. Supportspecialister uppmärksammas inte bara för att de löser problem, utan också för att de finjusterar kunskap, förbättrar modeller och utvecklar själva systemet. Chefer söker en ny typ av medarbetare: personer som kombinerar empatiskt bemötande i frontlinjen med designkänsla och supporthantverket med nyfikenhet så att systemet kan förbättras.

Och vår vision är att supporten inte ska vara en plats man vänder sig till. Det blir istället en handling som är en del av varje produktgränssnitt. Användarna ”startar inte ett supportärende”. De får helt enkelt det de behöver, där de befinner sig.

Vad som började som en reaktion på hur man kan växa har blivit en färdplan för hur människor och AI kan samverka: genom samarbete och anpassning och genom ständiga förbättringar.