Winst:
- Mogelijkheid om automatische tagging te produceren op basis van een gesloten taxonomie met gestructureerde en korte oproepsamenvattingen
- Mogelijkheid om verzonnen informatie te elimineren door de samenvatting en tags automatisch door te geven via goedkeuring door een vertegenwoordiger en deze te vergelijken met de brontekst
- Mogelijkheid om de afrondingstijd te verkorten door samenvattingen over te dragen zonder persoonlijke/kaartgegevens te bewaren en zonder verplichtingen te interpreteren
Het werk van een vertegenwoordiger houdt niet op bij het praten met de klant. Na elk gesprek moet er een verslag worden gemaakt van "waarover werd gesproken, wat er werd gedaan, wat het onderwerp was". Dit wordt afrondings- of nagesprekswerk / ACW genoemd: de vertegenwoordiger vat het gesprek samen, selecteert een beëindigingscode in het systeem (beschikkingscode - de categorie die het onderwerp/resultaat van het gesprek aangeeft, bijvoorbeeld "retour goedgekeurd", "technisch defect") en schrijft de nodige aantekeningen. Deze taak lijkt klein, maar is enorm: als een agent die 60 telefoongesprekken per dag voert, 2 minuten besteedt aan elk gesprek, zal hij 2 uur van de dag besteden aan het schrijven van aantekeningen. Bovendien schrijft de vermoeide vertegenwoordiger het briefje slordig; de gegevens zullen inconsistent zijn en de volgende agent of manager zal de geschiedenis niet kunnen begrijpen.
Kunstmatige intelligentie zorgt voor een revolutie in deze taak: het leest de tekst (transcriptie) van het gesprek en produceert binnen enkele seconden een nette samenvatting, nauwkeurige tags en suggesties voor de volgende stap. In plaats van te schrijven, beoordeelt en keurt de agent het goed. In dit onderdeel zullen we zien hoe u oproepsamenvatting en automatische tagging instelt, waar u op moet letten en welke verificatiediscipline u moet hanteren.
Wat houdt een goed gespreksoverzicht in?
Een gespreksoverzicht moet zo duidelijk zijn dat iemand die het gesprek nog nooit heeft gehoord (de volgende agent, manager, supervisor) het binnen 15 seconden kan begrijpen. Een goede samenvatting omvat: waarom de klant heeft gebeld (waarom ze hebben gebeld), wat er is gedaan (wat de vertegenwoordiger heeft gedaan), resultaat (is het opgelost, wat is beloofd), open business (wat, indien van toepassing, follow-up vereist). Een slechte samenvatting is óf te lang (regel voor regel uitsplitsing van het gesprek) óf te kort (‘klant heeft gebeld, het is afgehandeld’). AI kan daar heel goed tussenin: gestructureerd, beknopt en compleet.
Autotagging/dispositie is wanneer de AI de beëindigingscode en onderwerptags van het gesprek voorstelt. AI bestempelt een gesprek bijvoorbeeld als "onderwerp: rekening, subonderwerp: bezwaar tegen hoge rekening, resultaat: bezwaar-record geopend, emotie: boos". Deze tags genereren in de toekomst enorme waarde: de manager beantwoordt binnen enkele seconden de vragen "welk onderwerp heeft de meeste verzoeken ontvangen deze maand" en "welk onderwerp heeft het laagste oplossingspercentage". Maar om tags te laten werken, hebben ze een samenhangend tagvocabulaire nodig (taxonomie – een vooraf gedefinieerde, beperkte en duidelijke lijst met categorieën); Als de bot gratis labels genereert, verschijnen er drie verschillende labels zoals "factuur", "facturering", "factuurprobleem" en wordt de analyse verstoord.
De volgende tabel vergelijkt handmatige en AI-ondersteunde afwerking:
Grootte
Manuel (representatief schrijver)
AI-aangedreven (goedkeuringen van agenten)
Duur (per gesprek)
90-150 seconden
15-30 seconden
Consistentie
Varieert afhankelijk van persoon
Hoog, afhankelijk van het woordenboek
volledigheid
valt in vermoeidheid
stabiel
Etiketkwaliteit
gratis, rommelig
vaste taxonomie
Risico
Tijdverlies, inconsistentie
Onjuiste samenvatting (moet worden geverifieerd)
Tip: Zorg ervoor dat u een taxonomie (gesloten taglijst) definieert voordat u overgaat tot automatisch taggen. De AI vertellen “kies de juiste uit deze 20 tags” is veel betrouwbaarder dan zeggen “tag het onderwerp”.
Stap voor stap: het opzetten van de feed
- Bereid de bron voor: ontvang de tekst van het gesprek (ASR-transcriptie in spraakoproep, ingeblikte tekst in chat). Maskeer eerst persoonlijke/kaartgegevens (gedetailleerd in de volgende unit).
- Geef taxonomie: geef het model een lijst met geldige beëindigingscodes en onderwerptags; Verbied hem om naar buiten te gaan.
- Vraag om gestructureerde output: vraag om veldoutput (reden, acties, resultaat, follow-up, tags, emotie) in plaats van vrije paragrafen; zodat het automatisch naar het systeem kan worden geschreven.
- Goedkeuring vertegenwoordiger: Samenvatting en labels verschijnen op het scherm van de vertegenwoordiger; Laat de vertegenwoordiger het lezen, corrigeren en goedkeuren in 10-20 seconden. Neem niet op zonder toestemming.
- Feedback: Verzamel correcties die door de agent zijn aangebracht en verbeter de taxonomie en prompt.
Vier kopieerbare sjablonen
1) Gestructureerd oproepoverzicht:
Vat het volgende anonieme (zonder naam/kaart) transcriptie van het klantinterview samen. Gebruik alleen wat in het transcript staat; gissingen toevoegen/verzinnen. Uitvoerformaat: - Reden voor zoeken (1 zin): - Wat er is gedaan (item voor item): - Resultaat (opgelost / gedeeltelijk / niet opgelost): - Belofte / toezegging (indien van toepassing, woordelijk): - Uit te voeren werk (indien van toepassing): Interview: <<ontcijfering>>
2) Tagging op basis van taxonomie:
Tag ALLEEN het volgende gesprek door het uit deze lijsten te selecteren: Onderwerp: [factuur, vracht, retour, technisch, lidmaatschap, betaling, klacht, anders]Resultaat: [opgelost, bezwaar_geopend, overgedragen, vervolgafspraak, onopgelost]Emotie: [kalm, tevreden, boos, angstig]Als het niet past in de lijst, selecteer dan "anders" / "onopgelost"; nieuwe tags genereren.Uitvoer JSON: {"topic":", "result":", "emotion":" Gesprek: <<transcriptie>>
3) Volgende stap/vervolgsuggestie:
Genereer een 'volgende stap'-aanbeveling voor de agent op basis van het volgende gesprek. Uitsluitend gebaseerd op de betrokkenheid en het open werk in de tekst. Output: (1) uit te voeren werk, (2) deadline (indien beschikbaar in de tekst), (3) aanbeveling van de verantwoordelijke eenheid. Als er geen verplichting is, schrijf dan "geen follow-up vereist".Interview: <<transcriptie>>
4) Kwaliteits-/inconsistentiecontrole:
Vergelijk de representatieve samenvatting hieronder met het transcript van het interview. Staat er informatie in de samenvatting die NIET in het interview (verzonnen) staat? Staat er BELANGRIJKE informatie in het interview, maar ontbreekt deze in de samenvatting? Vink beide opsommingstekens aan. Voeg geen commentaar toe, maar vergelijk gewoon. Samenvatting: <<samenvatting>> Interview: <<transcriptie>>
Zwakke prompt/sterke prompt
Zwakke prompt:
Vat dit gesprek samen en label het.
Vaag: geen opmaak, geen taxonomie, geen fabricageverbod, geen anonimiteit. De uitvoer is los en rommelig en de labels zien er inconsistent uit.
Krachtige prompt:
Vat het ANONIEM gesprek hieronder samen. Formaat: aanleiding / acties / resultaat / inzet / vervolg. Selecteer ALLEEN de tag uit de volgende lijst: subject=[factuur, verzending, retour, technisch, klacht, anders], resultaat=[opgelost, overgedragen, onopgelost]. Voeg geen informatie toe die niet in de tekst staat; Neem de toezegging woordelijk over.Interview: <<transcriptie>>
Het verschil: formaat, taxonomie, fabricageverbod en anonimiteit zijn duidelijk.
drie minikoffers
Geval 1 — Tijdbesparing. Het belteam van een vrachtbedrijf, bestaande uit 120 mensen, besteedde gemiddeld 110 seconden aan de afhandeling per gesprek. Toen AI-samenvatting + labelconcept werd geactiveerd, werd deze tijd teruggebracht tot 25 seconden. 120 contacten per dag × 60 oproepen × 85 seconden bespaard ≈ ~170 uur per dag, d.w.z. ~21 volledige diensten. Deze capaciteit werd verschoven om de wachttijden en moeilijkere taken te verkorten.
Geval 2 – De gekunstelde samenvattende valstrik. Bij een verzekeringscentrum schreef de AI een belofte waarin stond dat "de klant binnen drie werkdagen een retourzending werd beloofd", ook al werd dit nooit vermeld in het gesprek (het model "voorspelde" uit soortgelijke gesprekken). Toen de vertegenwoordiger het zonder goedkeuring opstuurde, herinnerde de klant hem aan deze belofte. Oplossing: Maak de stap "4) Kwaliteit/inconsistentie" verplicht en vereis goedkeuring van de delegatie. Daarna daalde het aantal verzonnen toezeggingen tot bijna nul.
Geval 3 — Labelchaos. Sinds de tags bij een bank werden vrijgegeven, werden er in 6 maanden tijd 340 verschillende onderwerptags aangemaakt ("kaart", "creditcard", "kk", "kaartprobleem"...). Het managementrapport was zinloos. Toen er eenmaal een gesloten taxonomie van 22 items was gedefinieerd en de AI gedwongen werd deze te gebruiken, kregen de rapporten betekenis en bleken de ‘top 5-onderwerpen’ voor het eerst betrouwbaar.
Veel voorkomende fouten
- Taggen zonder taxonomie. Gratis etikettering verandert analyse in afval; gebruik altijd een gesloten lijst.
- Goedkeuring van gemachtigden omzeilen. Door de samenvatting en het label rechtstreeks in het systeem te printen, wordt verzonnen informatie een permanent document.
- Persoonlijke gegevens naar het overzicht verplaatsen. Naam, ID, kaart en adres mogen niet in samenvattingen worden bewaard; De samenvatting moet anoniem zijn.
- Veel te lange samenvatting. Het uitschrijven van het gesprek versnelt de afronding niet; Streef naar een beknopte en to-the-point samenvatting.
- Het interpreteren van de verbintenis. AI moet het gedeelte belofte/toezegging letterlijk en zonder commentaar overbrengen; Gevolgtrekkingen als ‘waarschijnlijk beloofd’ zijn gevaarlijk.
Let op: Automatische samenvatting ontheft de agent niet van aansprakelijkheid; het versnelt het. Elk record dat in het systeem wordt ingevoerd, valt onder de verantwoordelijkheid van de vertegenwoordiger die het goedkeurt. Automatische opname zonder goedkeuring = niet-ondertekende minuten.
Samengevat
Oproepsamenvatting en automatisch taggen zijn een van de meest productieve AI-toepassingen die het meest tijdrovende administratieve werk (afronding) van de agent tot enkele seconden terugbrengen. Succes hangt van drie dingen af: een gestructureerd en beknopt samenvattingsformaat, een gesloten tag-taxonomie en verplichte goedkeuring van gedelegeerden. Vergelijk de door de AI geproduceerde samenvatting met de brontekst om verzonnen informatie te elimineren, neem geen persoonlijke gegevens op in de samenvattingen en draag toezeggingen over zonder commentaar. Wanneer het correct is ingesteld, bespaart het enorm veel tijd en verhoogt het de opnamekwaliteit en rapportagemogelijkheden.
Applicatie taak
Ontwerp een gesloten slottaxonomie van 15 tot 20 items (onderwerp + resultaat + emotie) voor uw branche. Neem vervolgens een fictief of geanonimiseerd transcript van het klantinterview en pas de sjablonen “1) Gestructureerde samenvatting” en “2) Op taxonomie gebaseerde tagging” toe. Controleer ten slotte de samenvatting met het sjabloon “4) Kwaliteit/inconsistentie” en rapporteer op verzonnen/ontbrekende informatie.
controlelijst
- [ ] Ik definieer een gesloten terminatie/onderwerptaxonomie en dwing de AI daartoe.
- [ ] Mijn samenvattingen zijn kort, to-the-point (reden/acties/resultaat/betrokkenheid/vervolg) en samenhangend.
- [ ] Elke samenvatting en tag ondergaat representatieve goedkeuring voordat deze naar het systeem wordt geschreven.
- [ ] Er worden geen persoonlijke/kaartgegevens bewaard in de samenvatting en labels (anoniem).
- [ ] Ik vergelijk de AI-samenvatting met de brontekst en verwijder valse informatie.
- [ ] Toezeggingen worden woordelijk geciteerd, zonder interpretatie.