ปัญญาประดิษฐ์ (AI) มักถูกมองว่าเป็นเทคโนโลยีที่ปฏิวัติ, สามารถให้ประสิทธิภาพ, ความแม่นยำและการเปิดโอกาสทางยุทธศาสตร์ใหม่. อย่างไรก็ตาม, ในขณะที่บริษัทต่างๆ ได้รับประโยชน์จากข้อดีของปัญญาประดิษฐ์, เกิดความท้าทายที่สำคัญขึ้นด้วย, บางครั้ง, ถูกละเลย: ความเท่าเทียมของอัลกอริธึม. อคติที่ซ่อนอยู่ในระบบเหล่านี้อาจทำให้ประสิทธิภาพในการตัดสินใจทางธุรกิจลดลง, แต่จะก่อให้เกิดผลทางกฎหมาย, จริยธรรมและสังคมที่มีความหมาย. 

การมีอคติในอัลกอริธึมสามารถอธิบายได้จากธรรมชาติของปัญญาประดิษฐ์เอง, โดยเฉพาะในด้านการเรียนรู้ของเครื่อง. โมเดลถูกฝึกด้วยข้อมูลประวัติศาสตร์, และเมื่อข้อมูลเหล่านี้สะท้อนให้เห็นถึงอคติหรือการบิดเบือนทางสังคม, อัลกอริธึมโดยธรรมชาติจึงทำให้ความเอนเอียงเหล่านี้ยังคงอยู่. นอกจากอคติในข้อมูล, อัลกอริธึมเองอาจทำให้เกิดความไม่สมดุลในการชั่งน้ำหนักปัจจัยที่ทำไว้, หรือในข้อมูลที่ใช้เป็นพร็อกซี, นั่นคือ, ข้อมูลที่แทนที่ข้อมูลต้นฉบับ, แต่ไม่ใช่สิ่งที่เหมาะสมสำหรับการวิเคราะห์นั้น. 

ตัวอย่างที่เด่นชัดของปรากฏการณ์นี้พบได้ในการใช้การจดจำใบหน้า, โดยเฉพาะในบริบทที่ละเอียดอ่อนเช่นความปลอดภัยสาธารณะ. หลายเมืองในบราซิลได้นำระบบอัตโนมัติมาใช้เพื่อเพิ่มประสิทธิภาพของการปฏิบัติการตำรวจ, แต่การวิเคราะห์อื่น ๆ แสดงให้เห็นว่าอัลกอริธึมเหล่านี้มักทำผิดพลาดที่สำคัญ, โดยเฉพาะเมื่อระบุบุคคลจากกลุ่มชาติพันธุ์เฉพาะ, เหมือนกับคนผิวดำ. การศึกษาของนักวิจัย Joy Buolamwini, ทำ MIT, มีการชี้ให้เห็นว่าอัลกอริธึมเชิงพาณิชย์มีอัตราความผิดพลาดสูงกว่า 30% สำหรับผู้หญิงผิวดำ, ในขณะที่สำหรับผู้ชายผิวขาว, อัตราลดลงอย่างมากเหลือน้อยกว่า 1%

กฎหมายบราซิล: ความเข้มงวดมากขึ้นในอนาคต

ในบราซิล, além da Lei Geral de Proteção de Dados (LGPD) também está em tramitação o Marco Legal da IA (PL nº 2338/2023), ที่กำหนดแนวทางทั่วไปสำหรับการพัฒนาและการใช้ปัญญาประดิษฐ์ในประเทศ. 

แม้ว่ายังไม่ได้รับการอนุมัติ, โครงการกฎหมายนี้ได้แสดงถึงสิทธิที่บริษัทต่างๆ จะต้องเคารพ, สิทธิในการได้รับข้อมูลล่วงหน้า (แจ้งเมื่อผู้ใช้กำลังมีปฏิสัมพันธ์กับระบบปัญญาประดิษฐ์), สิทธิในการขอคำอธิบายเกี่ยวกับการตัดสินใจที่ทำโดยอัตโนมัติ, สิทธิในการโต้แย้งการตัดสินใจของอัลกอริธึมและสิทธิในการไม่ถูกเลือกปฏิบัติโดยอคติของอัลกอริธึม. 

จุดเหล่านี้จะต้องการให้บริษัทต่างๆ นำความโปร่งใสไปใช้ในระบบ AI ที่สร้างสรรค์, การชี้แจงเมื่อข้อความหรือคำตอบถูกสร้างโดยเครื่อง) และกลไกการตรวจสอบเพื่ออธิบายว่าโมเดลไปถึงผลลัพธ์ที่กำหนดได้อย่างไร

การกำกับดูแลอัลกอริธึม: ทางออกสำหรับอคติ

สำหรับบริษัท, อคติของอัลกอริธึมเกินกว่าขอบเขตทางจริยธรรม, กลายเป็นปัญหาทางยุทธศาสตร์ที่สำคัญ. อัลกอริธึมที่มีอคติสามารถบิดเบือนการตัดสินใจที่สำคัญในกระบวนการภายในเช่นการสรรหา, การอนุมัติสินเชื่อและการวิเคราะห์ตลาด. ตัวอย่างเช่น, อัลกอริธึมการวิเคราะห์ประสิทธิภาพของสาขาที่ประเมินค่าสูงเกินไปในเขตเมืองโดยไม่คำนึงถึงเขตชานเมือง (เนื่องจากข้อมูลไม่ครบถ้วนหรืออคติ) อาจนำไปสู่การลงทุนที่ไม่ถูกต้อง. ดังนั้น, ความลับที่ซ่อนเร้นทำให้ประสิทธิภาพของกลยุทธ์ที่ขับเคลื่อนด้วยข้อมูลลดลง, ทำให้ผู้บริหารตัดสินใจโดยอิงจากข้อมูลที่ผิดพลาดบางส่วน

อคติเหล่านี้สามารถแก้ไขได้, แต่จะขึ้นอยู่กับโครงสร้างการกำกับดูแลที่ใช้การคำนวณ, มุ่งเน้นที่ความหลากหลายของข้อมูลที่ใช้, ความโปร่งใสของกระบวนการและการรวมทีมที่หลากหลายและหลายสาขาในการพัฒนาเทคโนโลยี. เมื่อลงทุนในความหลากหลายของทีมเทคนิค, ตัวอย่างเช่น, บริษัทต่างๆ สามารถระบุแหล่งที่มาของอคติได้อย่างรวดเร็วมากขึ้น, การรับประกันว่ามุมมองที่แตกต่างกันจะถูกพิจารณาและข้อบกพร่องจะถูกตรวจพบแต่เนิ่นๆ

นอกจากนี้, การใช้เครื่องมือการติดตามอย่างต่อเนื่องเป็นสิ่งสำคัญ. ระบบเหล่านี้ช่วยตรวจจับการเบี่ยงเบนของอคติทางอัลกอริธึมแบบเรียลไทม์, ทำให้สามารถปรับเปลี่ยนได้อย่างรวดเร็วและลดผลกระทบเชิงลบ. 

ความโปร่งใสเป็นอีกหนึ่งแนวปฏิบัติที่สำคัญในการลดอคติ. อัลกอริธึมไม่ควรทำงานเหมือนกล่องดำ, แต่เป็นระบบที่ชัดเจนและสามารถอธิบายได้. เมื่อบริษัทเลือกความโปร่งใส, ได้รับความไว้วางใจจากลูกค้า, นักลงทุนและผู้ควบคุม. ความโปร่งใสช่วยให้การตรวจสอบภายนอกเป็นไปได้ง่ายขึ้น, ส่งเสริมวัฒนธรรมของความรับผิดชอบร่วมกันในการจัดการ AI

ความคิดริเริ่มอื่น ๆ รวมถึงการเข้าร่วมกรอบงานและการรับรองสำหรับการกำกับดูแล AI อย่างรับผิดชอบ. นี่รวมถึงการสร้างคณะกรรมการจริยธรรมภายในเกี่ยวกับปัญญาประดิษฐ์, กำหนดนโยบายของบริษัทสำหรับการใช้งานของคุณ, และนำมาตรฐานสากลมาใช้. ตัวอย่างเช่น, frameworks como: a ISO/IEC 42001 (gestão de inteligência artificial, a ISO/IEC 27001 (segurança da informação) e ISO/IEC 27701 (privacidade) ajudam a estruturar controles nos processos de dados usados por IA generativa. อีกตัวอย่างหนึ่งคือชุดของแนวปฏิบัติที่แนะนำโดย NIST (National Institute of Standards and Technology) ของสหรัฐอเมริกาที่ชี้แนะแนวทางการจัดการความเสี่ยงทางอัลกอริธึม, การปกป้องการตรวจจับอคติ, การตรวจสอบคุณภาพข้อมูลและการติดตามโมเดลอย่างต่อเนื่อง

การให้คำปรึกษาที่เชี่ยวชาญมีบทบาทเชิงกลยุทธ์ในสถานการณ์นี้. ด้วยความเชี่ยวชาญในด้านปัญญาประดิษฐ์ที่มีความรับผิดชอบ, การกำกับดูแลอัลกอริธึมและการปฏิบัติตามกฎระเบียบ, บริษัทเหล่านี้ช่วยองค์กรไม่เพียงแต่หลีกเลี่ยงความเสี่ยง, แต่การเปลี่ยนความเท่าเทียมให้เป็นข้อได้เปรียบทางการแข่งขัน. การดำเนินงานของที่ปรึกษาเหล่านี้เริ่มตั้งแต่การประเมินความเสี่ยงอย่างละเอียด, จนถึงการพัฒนานโยบายภายใน, เข้าร่วมการฝึกอบรมของบริษัทเกี่ยวกับจริยธรรมในปัญญาประดิษฐ์, การรับประกันว่าทีมงานพร้อมที่จะระบุและบรรเทาอคติทางอัลกอริธึมที่อาจเกิดขึ้น

ด้วยวิธีนี้, การบรรเทาอคติของอัลกอริธึมไม่ใช่เพียงมาตรการป้องกัน, แต่เป็นการเข้าถึงเชิงกลยุทธ์. บริษัทที่ใส่ใจในความเท่าเทียมของอัลกอริธึมแสดงให้เห็นถึงความรับผิดชอบต่อสังคม, เสริมสร้างชื่อเสียงของตนและปกป้องตนเองจากการลงโทษทางกฎหมายและวิกฤตสาธารณะ. อัลกอริธึมที่ไม่ลำเอียงมักจะให้ข้อมูลเชิงลึกที่แม่นยำและสมดุลมากขึ้น, เพิ่มประสิทธิภาพในการตัดสินใจทางธุรกิจและเสริมสร้างตำแหน่งการแข่งขันขององค์กรในตลาด

โดย ซิลวิโอ โซเบรย์รา วีเอร่า, CEO และหัวหน้าที่ปรึกษาของ SVX Consultoria

เรากำลังอยู่ในปี 2025: ศูนย์บริการลูกค้าบางแห่งมีเทคโนโลยีขั้นสูงในการวิเคราะห์ประสบการณ์ของลูกค้า (CX, ในตัวย่อภาษาอังกฤษ) และกระบวนการในการวิเคราะห์เสียงของลูกค้า (VoC) – ในระหว่างนี้, ข้อมูลเหล่านี้, ที่ค่อนข้างรวย, ใช้ไม่บ่อยในการประเมินผลการดำเนินงาน. แทนที่จะเป็นเช่นนั้น, เรายังคงใช้มาตรฐานการรับประกันคุณภาพแบบดั้งเดิมในการวัดผลนี้

ตามประเพณี, ศูนย์บริการลูกค้าประเมินการรับประกันคุณภาพผ่านตัวชี้วัดเช่นความเร็วเฉลี่ยในการตอบสนอง, เวลาเฉลี่ยในการให้บริการ, อัตราการแก้ไขในครั้งแรก, ความเป็นไปได้ที่ลูกค้าจะแนะนำบริการ, และคะแนนความพยายามของลูกค้าในการได้รับการบริการ. ข้อมูลที่เกี่ยวข้องสามารถถูกดึงออกจากการวิเคราะห์ CX แต่ไม่ได้ถูกใช้ในการประเมินคุณภาพของบริการ. ทำไม

เพราะแม้จะมีข้อมูลมากมาย, ไม่มีทางออก, วิสัยทัศน์และกลยุทธ์ที่เหมาะสม, ศูนย์บริการลูกค้ากลายเป็น "หลุมดำ" ของข้อมูล

โดยไม่มีการรักษาที่เหมาะสม, ข้อมูลยังคงถูกแยกออกเป็นซิลอส, ทำให้มุมมองแบบองค์รวมเกี่ยวกับประสิทธิภาพและประสบการณ์ของลูกค้าเป็นไปได้ยาก

ข้อมูลที่มาจากหลายช่องทาง, เหมือนการโทรศัพท์, อีเมล, แชทและโซเชียลมีเดีย, บ่อยครั้งไม่ได้มีความสัมพันธ์กันอย่างมีประสิทธิภาพ, ส่งผลให้เกิดการวิเคราะห์ที่ตื้นเขินและไม่เชื่อมโยง. นอกจากนี้, การขาดการมาตรฐานในการเก็บรวบรวมและการจัดการข้อมูลเหล่านี้อาจทำให้เกิดความไม่สอดคล้องและส่งผลกระทบต่อคุณภาพของข้อมูลที่ใช้ในการประเมิน

ตามที่สมาคมบริการทางโทรศัพท์แห่งบราซิล (ABT), ตลาดศูนย์บริการลูกค้าในประเทศจ้างงานผู้คนหลายล้านคนและมีการเคลื่อนไหวของเงินจำนวนมาก, โดยเฉพาะหลังจากการเติบโตของการค้าอิเล็กทรอนิกส์และการดิจิทัลกระบวนการสร้างความสัมพันธ์กับผู้บริโภค. ในความเป็นจริงที่ซับซ้อนนี้, การแสวงหาประสิทธิภาพไม่จำกัดเพียงแค่การลดต้นทุนการดำเนินงาน, แต่เพื่อให้มั่นใจว่าลูกค้าจะได้รับประสบการณ์ที่น่าพอใจมากขึ้นและเพื่อรวบรวมข้อมูลเชิงลึกที่มีค่าในการตัดสินใจเชิงกลยุทธ์

ปัญญาคุณภาพ: วิธีการวัดผล

เมื่อเดือนมิถุนายนที่ผ่านมา, รายงานวิเคราะห์ของ Gartner เสนอการวัดผลที่ใหม่ทั้งหมดสำหรับศูนย์บริการลูกค้า: ปัญญาคุณภาพ

รายงานที่จัดทำโดยบริษัทนำเสนอข้อมูลเชิงลึกที่น่าสนใจบางประการ, ผลลัพธ์จากการสำรวจที่จัดทำโดย Gartner กับผู้นำด้านบริการสนับสนุนและศูนย์บริการลูกค้า. จุดแรกคือมีเพียง 19% ของผู้ตอบแบบสอบถามที่พิจารณาว่าประสิทธิภาพของตัวแทนเป็นปัจจัยหลักในการรับประกันคุณภาพของบริการ, ในขณะที่ 52% เน้นย้ำว่า CX และ VoC เป็นมาตรการที่สำคัญ

นอกจากนี้, กระบวนการวัดคุณภาพในปัจจุบันมักจะมุ่งเน้นไปที่การวิเคราะห์ช่องทางเสียง, ทิ้งการมีปฏิสัมพันธ์ทางดิจิทัลไว้ข้างๆ. เพื่อเติมเต็มฉากนี้, อย่างน้อย 85% ของผู้นำพึ่งพาการประเมินผลด้วยมือเท่านั้น

พื้นฐาน, การวัดผลของคุณภาพปัญญาในศูนย์บริการลูกค้ารวมถึงข้อมูลหลักสามประเภท: ข้อมูลการวิเคราะห์คุณภาพแบบดั้งเดิม; ข้อมูลการวิเคราะห์การพูด, ที่นำเสนอการวิเคราะห์ความรู้สึก, ระบุอารมณ์ของการสนทนา, และช่วยให้บริษัทต่างๆ เข้าใจปฏิกิริยาของลูกค้าได้ดียิ่งขึ้น; และข้อมูล VoC, ที่แสดงถึงข้อเสนอแนะแบบตรงจากลูกค้า

ในแง่นี้, คุณภาพของปัญญาเป็นแนวทางที่เป็นนวัตกรรมซึ่งรวมเทคโนโลยีขั้นสูงและกลยุทธ์แบบองค์รวม, การเปลี่ยนปริมาณข้อมูลขนาดใหญ่จากศูนย์บริการลูกค้าให้เป็นข้อมูลเชิงลึกที่สามารถนำไปใช้ได้ – และสิ่งนี้เกิดขึ้นเพราะว่าเมธอดการวิเคราะห์นี้ไม่เพียงแต่รวมข้อมูลที่มาจากช่องทางการสื่อสารที่แตกต่างกัน, แต่ยังใช้การวิเคราะห์ขั้นสูงเพื่อระบุรูปแบบและแนวโน้มที่สามารถปรับปรุงประสิทธิภาพของบริการโดยรวมได้อย่างมีนัยสำคัญ

นอกจากนี้, การวิเคราะห์ข้อมูลคุณภาพช่วยให้สามารถเชื่อมโยงข้อมูลจากแหล่งต่างๆ ได้, เหมือนการโทรศัพท์, อีเมล, แชทและการมีปฏิสัมพันธ์ในโซเชียลมีเดีย. เมื่อรวมข้อมูลเหล่านี้, สามารถรับมุมมองที่ครบถ้วนและแม่นยำมากขึ้นเกี่ยวกับประสบการณ์ของลูกค้า, อนุญาตให้บริษัทต่างๆ ดำเนินการเชิงรุกเพื่อแก้ไขปัญหาและปรับปรุงความพึงพอใจของลูกค้า. การรวมนี้เป็นไปได้จากการมีมาตรฐานที่ดีขึ้นในการเก็บรวบรวมและการจัดการข้อมูล, ด้วยการกำหนดเกณฑ์ที่เป็นมาตรฐานสำหรับการจับและวิเคราะห์ข้อมูล, การกำจัดความสอดคล้องและการรับประกันว่าข้อมูลทั้งหมดจะถูกพิจารณาในการประเมิน

แพลตฟอร์ม CX สามารถมีส่วนช่วยในกระบวนการได้อย่างไร

สามารถสังเกตได้ว่าการเข้าถึงคุณภาพของปัญญามีรากฐานมาจากความก้าวหน้าทางเทคโนโลยีที่ทำให้การวิเคราะห์ข้อมูลขนาดใหญ่เป็นไปได้อย่างรวดเร็ว

ในอดีตเป็นเรื่องปกติที่จะประเมินตัวแทนบริการลูกค้าผ่านการสุ่มตัวอย่างการโทรหรือการมีปฏิสัมพันธ์ที่น้อย, วันนี้มีเครื่องมือที่ทำการวิเคราะห์ 100% ของการติดต่อ, ให้พวกเขาเป็นเสียง, แชท, อีเมลหรือโซเชียลมีเดีย

แพลตฟอร์ม CX ที่ทันสมัยที่สุดมีเครื่องมือที่แข็งแกร่งสำหรับการเก็บข้อมูล, การรวมและวิเคราะห์ข้อมูลที่มาจากหลายช่องทางการสื่อสาร. การใช้แพลตฟอร์มอัจฉริยะในการจัดการประสบการณ์ของลูกค้าช่วยให้ศูนย์บริการลูกค้าสามารถกำหนดเกณฑ์ที่สม่ำเสมอและปรับปรุงกระบวนการของตนได้, ส่งผลให้เกิดประสบการณ์ของลูกค้าที่สอดคล้องและน่าพอใจมากขึ้น

โดยทั่วไป, โซลูชัน CX ที่มีความแข็งแกร่งมากขึ้นมีโซลูชันการวิเคราะห์เสียงที่รวมเข้าด้วยกันแล้ว – การวิเคราะห์ข้อความและความรู้สึกสามารถ, ตัวอย่างเช่น, คาดการณ์ว่าลูกค้าใดมีแนวโน้มที่จะยกเลิกบริการมากที่สุดหรือประเภทของตัวแทนใดที่สร้างความพึงพอใจสูงสุดให้กับผู้ติดต่อ. หากรูปแบบการสนทนาหรือวิธีการใดวิธีการหนึ่งแสดงให้เห็นว่ามีประสิทธิภาพมากกว่า, ข้อมูลเชิงลึกเหล่านี้สามารถนำไปใช้ฝึกอบรมทีมงานทั้งหมดได้, ยกระดับระดับการแสดงผลโดยรวม

ดังนั้น, คุณภาพของปัญญาไม่เพียงแต่วัดสิ่งที่เกิดขึ้น, แต่บอกว่ามีการดำเนินการใดบ้างที่สามารถนำไปใช้เพื่อผลลัพธ์ที่ดีกว่า. การแทรกแซงประเภทนี้มีความสำคัญต่อผู้จัดการที่ต้องตัดสินใจในระดับสูงในสภาพแวดล้อมที่มีการแข่งขัน. ในบริบทของบราซิล, ในที่ที่การหมุนเวียนของบุคลากรสูงอย่างเห็นได้ชัด, ประเภทของข้อมูลเชิงลึกนี้ให้การสนับสนุนสำหรับกลยุทธ์การรักษาลูกค้า, การฝึกอบรมและการคัดเลือกบุคลากรที่มีความแม่นยำมากขึ้น

ด้วยการพิจารณาทั้งหมดเหล่านี้, สามารถสรุปได้ว่า คุณภาพของปัญญาแสดงถึงการพัฒนาที่สำคัญในวิธีที่มองเห็นประสิทธิภาพของศูนย์บริการลูกค้า

การวิเคราะห์ไม่มุ่งเน้นเพียงแค่การประเมินเมตริกด้านผลผลิตอีกต่อไป, แต่ในการเข้าใจปัจจัยทางอารมณ์, บริบทและกลยุทธ์ที่มีอยู่ในความสัมพันธ์ระหว่างบริษัทและลูกค้า. ความเข้าใจที่กว้างขวางและลึกซึ้งนี้มีศักยภาพที่จะส่งผลกระทบโดยตรงต่อผลลัพธ์ทางการเงิน, ความพึงพอใจของผู้บริโภคและภาพลักษณ์ของสถาบัน

แม้จะมีความพยายามในช่วงเริ่มต้นในการเปลี่ยนจากโมเดลที่เป็นเชิงปริมาณเพียงอย่างเดียวไปสู่การประเมินข้อมูลและพฤติกรรมอย่างบูรณาการ, ประโยชน์มีความสำคัญและสนับสนุนการตัดสินใจที่มีข้อมูลและแม่นยำ. ด้วยวิธีนี้, ปัญญาคุณภาพมีแนวโน้มที่จะกลายเป็นมาตรฐานสำหรับผู้จัดการที่มองว่าการบริการลูกค้าเป็นเสาหลักของการสร้างความแตกต่างและมูลค่าเพิ่ม, มากกว่าตัวชี้วัดการดำเนินงานแบบดั้งเดิมที่เคยชี้นำกลยุทธ์ของภาคส่วน