वेबिनार रिकैप: Admiral AI एजेंट्स के साथ इंश्योरेंस कॉल्स कैसे संभालता है

Admiral दुनिया भर में कई भाषाओं में हर साल लाखों ग्राहक इंटरैक्शन संभालता है (जिसमें UK, इटली, फ्रांस और स्पेन शामिल हैं)

हमारे हालिया वेबिनार बिहाइंड द एजेंट: Admiral AI एजेंट्स के साथ इंश्योरेंस कॉल्स कैसे संभालता है में, Admiral की ग्रुप हेड ऑफ जेनरेटिव AI, Dominika Kampa ने बताया कि उनकी टीम इतनी बड़ी मात्रा में कॉल्स संभालने के लिए AI लेयर कैसे बना रही है—जिसमें आर्किटेक्चर, टेस्टिंग मानक और इसके पीछे का संगठनात्मक काम शामिल है।

Admiral का मुख्य लक्ष्य इंश्योरेंस में सबसे भरोसेमंद ग्राहक अनुभव बनाना था

Admiral का लक्ष्य ग्राहक अनुभव की एक अलग श्रेणी बनाना था।

ऐसा एजेंट बनाना आसान है जो ग्राहक की समस्या हल किए बिना बातचीत को जल्दी खत्म कर दे।

उनका अंतिम लक्ष्य है कि हर ग्राहक की हर ज़रूरी बात, हर चैनल पर तुरंत हल हो जाए या उसे ऐसे इंसान को सौंप दिया जाए जो ग्राहक, संदर्भ और उसकी समस्या को समझता हो।

उनका मुख्य मेट्रिक 90% फर्स्ट कॉन्टैक्ट रिज़ॉल्यूशन हासिल करना था, साथ ही 24/7 उपलब्ध सेवा, संक्षिप्त इंटरैक्शन और NPS में ठोस सुधार।

कंटेनमेंट एक द्वितीयक मेट्रिक था। अपने पहले वॉइस यूज़ केस में, ग्राहकों को एजेंट के तेज़ होने का पता चलने पर टीम ने इसमें काफी सुधार किया।

लेकिन रिज़ॉल्यूशन उनका मुख्य आधार था। Admiral यह अलग मेट्रिक के रूप में ट्रैक करता है कि ग्राहक को कॉल करने का असली कारण हल हुआ या नहीं, भले ही कॉल एस्केलेट हुई हो। इसलिए किसी इंसान को सोच-समझकर ट्रांसफर करना कभी विफलता नहीं माना जाता।

नियमित उद्योग में “अच्छा” कैसा होना चाहिए

प्रोडक्शन के लिए Admiral का मानक ऊंचा था। लाइव होने से पहले वे चाहते हैं कि उनका एजेंटिक समाधान उनके मौजूदा मानव एजेंट्स जितना अच्छा या उनसे बेहतर हो।

हम वैलिडेशन का मानक ऊंचा करना चाहते हैं, लेकिन कंप्लायंस का मानक कम नहीं करना चाहते।

जो एज केस की जानकारी पहले सबसे अनुभवी एजेंट्स की सहज समझ में होती थी, अब हर यूज़ केस के लिए उसकी स्पष्ट रूप से टेस्टिंग करनी होगी।

व्यवहार में, टीम ने दायरे की स्पष्ट सीमाएं तय कीं। उदाहरण के लिए, जब तक टीम यूज़ केस से जुड़े और एज केस सीख रही है, वल्नरेबिलिटी और बकाया भुगतान वाले मामलों को इंसान के पास ही भेजा जाता है।

ज़्यादातर इंश्योरेंस नियम नतीजों पर आधारित हैं, इसलिए Dom का व्यावहारिक दृष्टिकोण है कि तरीका लचीला हो सकता है, बशर्ते ग्राहक और बिज़नेस के लिए नतीजा बिल्कुल वैसा ही हो जैसा अपेक्षित है।

समर्थन किसी आदेश से नहीं मिलता

कोई नियमित संगठन सिर्फ कहे जाने पर AI नहीं अपनाता।

Admiral से जुड़ने से पहले Dom ने McKinsey में चेंज मैनेजमेंट प्रोग्राम्स पर कई साल काम किया था। आज किसी सहकर्मी को एजेंटिक AI अपनाने का तर्क देने के बारे में पूछे जाने पर, उन्होंने उसी प्लेबुक के तीन सिद्धांत बताए।

1) लोग उसी का समर्थन करते हैं जिसे बनाने में वे मदद करते हैं

संदेह का Admiral का जवाब था कि टूल को सीधे संदेह करने वालों के सामने रखा जाए।

टीम ने पूरे संगठन में डेमो और शैक्षिक सेशन किए—जिसमें ग्रुप के शीर्ष 50 लीडर्स भी शामिल थे—ताकि एजेंटिक AI को समझना आसान हो सके। ElevenLabs और Dom ने एक ट्रेनिंग डे आयोजित किया, जिसमें ग्रुप CEO Milena Mondini de Focatiis समेत लीडरशिप टीम ने शुरू से एजेंट्स बनाए। Dom के शब्दों में, उन्हें “वास्तव में… यह अनुभव पसंद आया।”

2) बात सिर्फ टेक्नोलॉजी की नहीं होती

विज़न P&L में बदलाव, ग्राहक अनुभव में बदलाव और कर्मचारी अनुभव में बदलाव का है।

जब लोग नतीजे पर सहमत हो जाते हैं, तो टेक्नोलॉजी के विकल्प तय हो जाते हैं। Dom की सलाह थी कि शुरुआत टेक्नोलॉजी से न करें।

3) गवर्नेंस जल्दी बनाएं

शुरुआत से सही टचपॉइंट्स, सही KPIs और सही डेटा होने पर फैसले लेना बहुत आसान हो जाता है। उनके शब्दों में गलत तरीका यह है कि केवल अनुमान पर भरोसा किया जाए और अंत में “एक बहुत अच्छा आर्टिफैक्ट” बन जाए, जिसे कोई इस्तेमाल न करे और जो आपके किसी महत्वपूर्ण मेट्रिक में सुधार न लाए।

रोलआउट मॉडल भी अहम था। Admiral ने पहले ग्रुप के एक हिस्से में किसी एक विषय पर गहराई से प्रयोग किया और फिर सीख को बाकी जगह लागू किया।

वे पहले तेज़ी से सीख लागू करते हैं और फिर पूरा रोलआउट करते हैं। Dom के अनुसार, एक डोमेन में सिर्फ एक यूज़ केस पर काम करने से वे बहुत धीमे हो जाते। इसके बजाय, वे एक ही चीज़ को दस बार दोबारा न बनाने का अनुशासन रखते हैं।

डेमो 1: सेटलमेंट कोट्स (Admiral Money)

परिस्थिति: एक ग्राहक अपना लोन समय से पहले चुकाना चाहती है। उसकी ज़रूरत सरल है—उसे केवल सेटलमेंट के लिए देय राशि जाननी है।

पहले यह राशि जानने के लिए IVR के कई विकल्पों से गुजरना पड़ता था, मानव एजेंट से पहचान सत्यापित करनी पड़ती थी, बैकएंड सिस्टम के कैलकुलेशन और स्क्रीन लोड होने का इंतज़ार करना पड़ता था, और फिर इनबॉक्स में PDF आने का इंतज़ार करना पड़ता था। एक जवाब वाले सवाल के लिए पांच मिनट की प्रक्रिया।

Admiral के ग्रुप हेड ऑफ जेनरेटिव AI, Dan Clark ने बताया कि टीम ने क्या बनाया।

क्या दिखाया गया:

• वर्कफ़्लो में कुछ और चलने से पहले, शुरुआत में ऑथेंटिकेशन अपने अलग सब-एजेंट के रूप में चलता है
• सेंट्री सब-एजेंट जांचता है कि कॉलर AI एजेंट से बात करने के योग्य है या नहीं—वल्नरेबल ग्राहक और बकाया भुगतान वाले ग्राहकों को मानव एजेंट वाली प्राथमिकता क्यू में भेज दिया जाता है, जबकि टीम और एज केस सीखती रहती है।
• एजेंट शुरुआत में ही अनुमान के आधार पर जवाब इकट्ठा करता है और पुराने स्क्रीन का इंतज़ार करने के बजाय API-आधारित तरीके से काम करता है। इंसान के साथ करीब पांच मिनट लेने वाली यही प्रक्रिया एजेंट के साथ करीब ढाई मिनट में पूरी होती है
• सफलता को इस लक्ष्य से मापा जाता है कि ग्राहक ने ऑथेंटिकेट होकर अपना सेटलमेंट कोट पाया या नहीं। इसे एस्केलेशन से अलग ट्रैक किया जाता है
• कॉल के अंत में, एक फीडबैक एजेंट ग्राहकों से अनुभव को एक से पांच तक रेट करने के लिए कहता है। जिन कॉल्स को एस्केलेट नहीं किया जाता, उनमें लगभग सभी रेटिंग चार या पांच होती हैं

यह क्यों मायने रखता है: समय की बचत इसलिए होती है क्योंकि वर्कफ़्लो स्क्रीन-आधारित होने के बजाय API-आधारित है, सिर्फ इसलिए नहीं कि AI ने इंसान की जगह जवाब दिया। Dan के शब्दों में, यह कम कॉल समय और उसके परिणामस्वरूप बेहतर ग्राहक अनुभव के बारे में है। मौजूदा एस्केलेशन उन सीमाओं को दिखाते हैं जिन्हें टीम ने सीखने के दौरान जानबूझकर तय किया है, न कि एजेंट की मदद न कर पाने को।

डेमो 2: Olivia (L’Olivier)

परिस्थिति: फ्रांस में एक ग्राहक के पास अपनी पॉलिसी को लेकर सवाल है। वह वेबसाइट पर चैट खोलती है और उसे पुराने ढंग का ट्री-आधारित टूल Ollie Bot मिलता है (“इसके लिए A दबाएं, उसके लिए B दबाएं”)। उसका सवाल न विकल्प A है, न विकल्प B, इसलिए वह बिना जवाब के चली जाती है।

L’Olivier इसी अनुभव को बदलना चाहता था। टीम ने ElevenLabs पर ज्ञान आधार एजेंट Olivia बनाया, जो आज साइट पर लाइव है।

क्या दिखाया गया:

• सिस्टम प्रॉम्प्ट, पहला मैसेज, वर्कफ़्लोज़ और सब-एजेंट—सब कुछ सीधे फ्रेंच में लिखा गया था, अंग्रेज़ी से अनुवाद करके नहीं। Dan शोध का हवाला देते हैं कि ग्राहक की भाषा में प्रॉम्प्ट देने से मॉडल अलग तरह से काम करता है, और टीम को इस तरीके से काफी बेहतर नतीजे मिले। जरूरत पड़ने पर Olivia अपने आप अंग्रेज़ी पहचानती है और उसमें जवाब देती है।
• गैप्स पहचानने के लिए असली ग्राहक बातचीत की ज्ञान आधार के साथ समीक्षा की जाती है। कुछ मामलों में, सुधार एक से दो घंटे के भीतर लाइव एजेंट में दिखने लगते हैं
• बदलावों को एक ब्रांच पर धीरे-धीरे ट्रैफिक बांटकर डिप्लॉय किया जाता है—1%, 2%, 5%, 10%, 25%, 50% और फिर 100%। लाइव ट्रैफिक तक पहुंचने से पहले सिमुलेशन टेस्ट और मैन्युअल प्रीव्यू किए जाते हैं। अगर डेटा बदलाव का समर्थन नहीं करता, तो ट्रैफिक तुरंत शून्य पर वापस चला जाता है और कुछ भी रोल बैक नहीं करना पड़ता।
• शुरू से अंत तक, एक पूरा ब्रांच साइकल कुछ घंटों से लेकर एक दिन तक में पूरा हो जाता है। अब दो हफ्ते के स्प्रिंट और दो हफ्ते के डिप्लॉयमेंट नहीं होते

यह क्यों मायने रखता है: रिलीज़ साइकल का हफ्तों से घटकर घंटों में आना अपने आप में महत्वपूर्ण है, लेकिन बड़ी सीख यह है कि भाषा सिर्फ लोकलाइज़ेशन का पहलू नहीं हो सकती—वह मॉडल के तर्क करने के तरीके को बदल सकती है।

कोई भी प्लेबुक नए बाज़ार की हकीकत में पूरी तरह काम नहीं करती

बारी-बारी से बोलने के तरीके, बीच में टोके जाने की स्वीकार्यता और बातचीत की सामान्य लय, बाज़ारों के बीच काफी अलग होती है।

कोई जादुई समाधान नहीं है। Dom के अनुसार, कारगर तरीका यह है कि प्रॉम्प्टिंग और आर्किटेक्चर समझने वाले इंजीनियर को स्थानीय टीम के ऐसे बिज़नेस ओनर के साथ जोड़ा जाए जो बाज़ार के संदर्भ को समझता हो, और इस जोड़ी को डिप्लॉयमेंट की इकाई माना जाए।

अलग-अलग बाज़ारों में निर्माण का तरीका इतना अलग नहीं होता। अपनाने का तरीका अलग होता है। Dom का मानना है कि यह सिर्फ ग्राहक संचालन नहीं, बल्कि हर AI डिप्लॉयमेंट के लिए सच है।

अगर आपके ग्राहक इस पर भरोसा नहीं करते, अगर वे इसे समझते नहीं हैं, तो वे तुरंत (बातचीत के दूसरे ही सेकंड में) कहेंगे, "कृपया मुझे किसी इंसान से जोड़ दें"

इसीलिए टीम का अनुमान है कि वे नीचे के मॉडल की तुलना में ग्राहक शिक्षा—वेलकम मैसेज, पोज़िशनिंग, IVR मैसेजिंग आदि—पर ज़्यादा समय लगाएंगे।

सभी बाज़ारों में निष्पक्ष व्यवहार

इंश्योरेंस में वल्नरेबिलिटी का पता लगाना एक बुनियादी ज़रूरत है, जो हर बाज़ार, भाषा और चैनल में कायम रहनी चाहिए।

Admiral का तरीका कई माध्यमों से पता लगाना है। वल्नरेबिलिटी के लिए, टीम स्थापित मशीन लर्निंग मॉडल्स को जेनरेटिव AI के साथ जानबूझकर चलाती है, बजाय सिर्फ किसी एक पर भरोसा करने के। इससे वल्नरेबल ग्राहकों की पहचान किसी भी चरण में हो जाती है, चाहे कोई भी सिग्नल पहले मिले, और उन्हें सही तरीके से सेवा मिलती है।

यह मानक तब भी लागू होता है जब टेक्नोलॉजी को मामला संभालने की अनुमति नहीं दी जाती। सेटलमेंट कोट्स एजेंट में, सेंट्री सब-एजेंट हर कॉलर की स्क्रीनिंग करता है और वल्नरेबल ग्राहकों या बकाया भुगतान वाले ग्राहकों को सीधे मानव एजेंट वाली प्राथमिकता क्यू में भेज देता है—जब तक टीम और एज केस सीखती है, तब तक यह एक जानबूझकर तय की गई सीमा है।

और क्योंकि ग्राहक अप्रत्याशित होते हैं (मिसाल के लिए, किसी ने Olivia से प्याज़ का सूप बनाने का तरीका पूछ लिया), टीम गार्डरेल्स के साथ अप्रत्याशित चीज़ों को सक्रिय रूप से फ्लैग करती है। इससे उन्हें हमेशा पता रहता है कि कौन उनके टूल्स के साथ कैसे इंटरैक्ट कर रहा है।

एजेंट्स के पीछे की टीम

Admiral हब और स्पोक मॉडल पर काम करता है, जिसमें ग्रुप-स्तर की विशेषज्ञता “हब” में होती है और स्थानीय विशेषज्ञ “स्पोक्स” में होते हैं, जो बाज़ार, ग्राहकों और कर्मचारियों को समझते हैं।

सेंटर ऑफ एक्सीलेंस दो हिस्सों में बंटा है। पहला, वैल्यू कैप्चर वाला हिस्सा है, जो रणनीति, रोडमैप्स, प्रोडक्ट डिज़ाइन और A/B टेस्टिंग सहित नतीजों की टेस्टिंग संभालता है। दूसरा, इंजीनियर्स, आर्किटेक्ट्स और डिलीवरी सहयोगियों वाला तकनीकी हिस्सा है, जो सुनिश्चित करता है कि बनाई गई हर चीज़ मानकों पर खरी उतरे और बाकी सिस्टम्स के साथ इंटीग्रेट हो।

भविष्य के AI इंजीनियर के बारे में Dom का मानना है कि उसका काम कोड लिखने से कम और जेनरेटिव AI के काम करने के तरीके को समझने, विचारों को सही ढंग से व्यवस्थित करने और डिलीवरी के लिए एजेंटिक कोडिंग इस्तेमाल करने से ज़्यादा जुड़ा होगा।

मुख्य टीम के साथ, प्रोसेस एक्सपर्ट्स और बिज़नेस ओनर्स को प्रोडक्ट और टेक टैलेंट के साथ छोटी पॉड्स में शामिल किया जाता है। उनके शब्दों में, उन्हें “एक कमरे में बंद करके” साथ मिलकर बनाने और टेस्ट करने दिया जाता है, फिर असली ग्राहकों को उसे आज़माने दिया जाता है।

McKinsey में हम कहते थे कि टेक्नोलॉजी पर खर्च किए हर एक पाउंड के लिए, प्रोसेस रीडिज़ाइन पर तीन और चेंज मैनेजमेंट पर पांच पाउंड खर्च होते हैं

Admiral रोडमैप को प्राथमिकता कैसे देता है

यहां भी हब और स्पोक मॉडल काम करता है। ग्रुप बड़े प्रोजेक्ट्स के लिए ऐसी प्राथमिकताएं तय करता है जिन पर समझौता नहीं हो सकता—जहां जोखिम और वैल्यू ज्यादा होती है, लेकिन व्यावहारिकता थोड़ी कम होती है, ताकि केंद्रीय सहायता अड़चनों को दूर कर सके। स्पोक्स को बॉटम-अप इनोवेशन की जगह मिलती है, बशर्ते उनके पास क्षमता हो और वे टॉप-डाउन दिशानिर्देशों के भीतर रहें।

टीम के भविष्य के रोडमैप का लक्ष्य यह है कि ग्राहक को कभी अपनी बात दोहरानी न पड़े—चाहे वह IVR, वॉइस एजेंट, इंसान या किसी भी चैनल के बीच हो। हर हैंडऑफ में सिर्फ ट्रांसक्रिप्ट नहीं, बल्कि इंटेंट, सेंटिमेंट और वल्नरेबिलिटी सिग्नल्स भी आगे ले जाए जाएं।

पूरा सेशन देखें

इंश्योरेंस में सबसे अच्छा ग्राहक अनुभव बनाने के अपने लक्ष्य के करीब पहुंचने के लिए Admiral ने वैलिडेशन मानक, संगठनात्मक समर्थन और टेक स्टैक—तीनों को साथ मिलाकर बनाया।

पूरा वेबिनार यहां देखें।