Podsumowanie webinaru: jak Admiral obsługuje rozmowy ubezpieczeniowe z agentami AI

Admiral obsługuje globalnie miliony interakcji z klientami rocznie, w wielu językach (m.in. w Wielkiej Brytanii, Włoszech, Francji i Hiszpanii).

Na naszym najnowszym webinarze Za kulisami agenta: jak Admiral obsługuje rozmowy ubezpieczeniowe z agentami AI, Dominika Kampa, Group Head of Generative AI w Admiral, opowiedziała, jak jej zespół buduje warstwę AI do obsługi takiej skali — od architektury i standardów testowania po pracę organizacyjną, która za tym stoi.

Celem Admirala było stworzenie najbardziej zaufanego doświadczenia klienta w ubezpieczeniach 

Admiral chciał stworzyć nową jakość obsługi klienta.

Łatwo zbudować agenta, który szybko kończy rozmowę, nie rozwiązując problemu klienta. 

Docelowo każdy klient, każdy kanał i każda ważna sprawa mają być obsłużone od razu albo przekazane człowiekowi, który zna klienta, kontekst i sytuację do rozwiązania.

Ich głównym wskaźnikiem było osiągnięcie 90% rozwiązań przy pierwszym kontakcie. Mierzyli też dostępność obsługi 24/7, zwięzłość interakcji i wyraźnie wyższy NPS. 

Samodzielna obsługa była wskaźnikiem drugorzędnym. W pierwszym przypadku użycia głosowego zespół znacznie go poprawił, gdy klienci przekonali się, że agent działa szybciej.

Najważniejsze jednak było rozwiązanie sprawy. Admiral osobno mierzy, czy klient faktycznie otrzymał to, w sprawie czego dzwonił, niezależnie od tego, czy rozmowa została eskalowana. Dzięki temu świadome przekazanie sprawy człowiekowi nigdy nie jest uznawane za porażkę.

Jak musi wyglądać „dobrze” w regulowanej branży

Admiral stawia wysoką poprzeczkę przed wdrożeniem na produkcję. Zanim rozwiązanie agentowe trafi do użytkowników, ma działać co najmniej tak dobrze jak ludzie — a najlepiej lepiej.

Wiedzę o nietypowych przypadkach, która wcześniej tkwiła w intuicji najbardziej doświadczonych agentów, trzeba teraz jawnie testować dla każdego przypadku użycia.

W praktyce zespół świadomie wyznaczył granice zakresu. Na przykład sprawy dotyczące szczególnej wrażliwości klientów i zaległości w płatnościach nadal trafiają do człowieka, gdy zespół poznaje kolejne nietypowe przypadki.

Ponieważ większość regulacji ubezpieczeniowych skupia się na rezultacie, Dom podchodzi do tego pragmatycznie: „jak” można dostosować, o ile efekt dla klienta i firmy jest dokładnie taki, jak zamierzono.

Poparcia nie uzyskuje się nakazem

Regulowana organizacja nie wdraża AI tylko dlatego, że ktoś jej to każe. 

Przed dołączeniem do Admirala Dom przez lata pracowała w McKinsey przy programach zarządzania zmianą. Gdy zapytano ją, co powiedziałaby osobie, która dziś przedstawia argumenty za agentową AI, podała trzy zasady prosto z tego podręcznika.

1) Ludzie wspierają to, co pomagają tworzyć

Odpowiedzią Admirala na sceptycyzm było oddanie narzędzia bezpośrednio w ręce sceptyków.

Zespół prowadził prezentacje i sesje edukacyjne w całej organizacji — także dla 50 najważniejszych liderów grupy — aby wyjaśnić, czym jest agentowa AI. ElevenLabs i Dom zorganizowali dzień szkoleniowy, podczas którego zespół kierowniczy, w tym CEO grupy Milena Mondini de Focatiis, tworzył agentów od podstaw. Jak ujęła to Dom, „naprawdę… spodobało im się to doświadczenie”.

2) Nigdy nie chodzi tylko o technologię

Wizja dotyczy zmiany w P&L, obsłudze klienta i doświadczeniu pracowników.

Gdy ludzie uzgodnią oczekiwany efekt, można dobrać rozwiązania technologiczne. Dom radzi, by nie zaczynać od technologii.

3) Wdrażaj zasady zarządzania wcześnie

Właściwe punkty kontrolne, KPI i dane od samego początku znacznie ułatwiają podejmowanie decyzji. Antywzorcem, jak mówi, jest poleganie na intuicji i stworzenie „bardzo ładnego artefaktu”, którego nikt nie używa i który nie poprawia żadnego ważnego wskaźnika.

Liczył się też model wdrożenia. Admiral wybrał jedną część grupy, by dogłębnie przetestować jeden temat, a potem przenieść wnioski wszędzie indziej.

Najpierw robią szybkie kolejne wdrożenia, a później pełne wdrożenie. Nie jeden przypadek użycia w jednym obszarze — co, jak twierdzi Dom, bardzo by ich spowolniło — lecz świadoma zasada, by nie wymyślać koła na nowo dziesięć razy.

Demo 1: Kwoty spłaty (Admiral Money)

Scenariusz: Klientka chce wcześniej spłacić pożyczkę. To prosta sprawa — potrzebuje tylko kwoty do spłaty.

Tradycyjnie uzyskanie tej kwoty oznaczało przejście przez IVR, potwierdzenie tożsamości u agenta, czekanie, aż system backendowy wykona obliczenia i załadują się ekrany, a następnie wypatrywanie PDF-a w skrzynce odbiorczej. Pięć minut procesu dla pytania z jedną odpowiedzią.

Dan Clark, Group Head of Generative AI w Admiral, przedstawił rozwiązanie stworzone przez zespół.

Co pokazano:

• Uwierzytelnianie działa jako osobny podagent na początku workflow, zanim uruchomi się cokolwiek innego.
• Podagent strażniczy sprawdza, czy dzwoniący może rozmawiać z agentem AI — klienci wymagający szczególnego wsparcia i klienci z zaległościami są przekierowywani do priorytetowej kolejki z konsultantem, podczas gdy zespół poznaje kolejne nietypowe przypadki. 
• Agent z wyprzedzeniem zbiera potrzebne odpowiedzi i działa przez API, zamiast czekać na starsze ekrany. Ta sama ścieżka, która z człowiekiem zajmuje około pięciu minut, z agentem trwa około dwóch i pół minuty.
• Sukces mierzą tym, czy klient się uwierzytelnił i otrzymał kwotę spłaty, osobno od eskalacji.
• Na końcu rozmowy agent zbierający opinie prosi klientów o ocenę doświadczenia od jednego do pięciu. Rozmowy bez eskalacji otrzymują niemal wyłącznie czwórki i piątki.

Dlaczego to ważne: oszczędność czasu wynika z workflow opartego na API, a nie ekranach — nie tylko z tego, że AI odpowiada zamiast człowieka. Jak mówi Dan, chodzi przede wszystkim o krótsze rozmowy i lepsze doświadczenie klienta. Obecne eskalacje odzwierciedlają ograniczenia, które zespół świadomie przyjął na czas nauki, a nie niezdolność agenta do pomocy.

Demo 2: Olivia (L’Olivier)

Scenariusz: Klientka we Francji ma pytanie dotyczące swojej polisy. Otwiera czat na stronie i trafia na Ollie Bota, narzędzie oparte na starym modelu drzewka („naciśnij A w tej sprawie, B w tamtej”). Jej pytanie nie pasuje ani do opcji A, ani B, więc odchodzi bez odpowiedzi.

Właśnie takie doświadczenie L’Olivier chciał zmienić. Zespół stworzył Olivię — agenta opartego na bazie wiedzy w ElevenLabs, który już działa na stronie.

Co pokazano:

• Prompt systemowy, pierwsza wiadomość, workflow i podagent zostały napisane bezpośrednio po francusku, a nie przetłumaczone z angielskiego. Dan powołuje się na badania pokazujące, że promptowanie w języku klienta inaczej angażuje model, a zespół uzyskał w ten sposób znacznie lepsze wyniki. Olivia automatycznie wykrywa angielski i odpowiada po angielsku, gdy trzeba. 
• Prawdziwe rozmowy z klientami są porównywane z bazą wiedzy, by wykryć braki. Poprawki zwykle trafiają do działającego agenta w ciągu jednej–dwóch godzin.
• Zmiany wdrażają na gałęzi ze stopniowym podziałem ruchu — 1%, 2%, 5%, 10%, 25%, 50%, a potem 100% — po testach symulacyjnych i ręcznym podglądzie, zanim cokolwiek trafi do ruchu produkcyjnego. Jeśli dane nie potwierdzają zmiany, ruch natychmiast wraca do zera — bez potrzeby wycofywania czegokolwiek. 
• Pełny cykl pracy z gałęzią trwa od kilku godzin do jednego dnia, od początku do końca. Koniec z dwutygodniowymi sprintami i dwutygodniowymi wdrożeniami.

Dlaczego to ważne: skrócenie cyklu wdrożenia z tygodni do godzin samo w sobie jest znaczące, ale ważniejszy wniosek jest taki, że język może być czymś więcej niż detalem lokalizacji — może zmieniać sposób rozumowania modelu. 

Żaden podręcznik nie przetrwa kontaktu z nowym rynkiem

Zasady zabierania głosu, tolerancja na przerywanie i to, co uznaje się za normalny rytm rozmowy, bardzo różnią się między rynkami. 

Nie ma jednego uniwersalnego rozwiązania. Według Dom sprawdza się połączenie inżyniera znającego promptowanie i architekturę z właścicielem biznesowym z lokalnej jednostki, który wnosi kontekst rynkowy — i traktowanie tej pary jako jednostki wdrożeniowej.

Samo rozwiązanie nie różni się aż tak między rynkami. Różni się jego adopcja. Zdaniem Dom dotyczy to każdego wdrożenia AI, nie tylko obsługi klienta.

Dlatego zespół spodziewa się poświęcać więcej czasu edukacji klientów — komunikatom powitalnym, pozycjonowaniu, komunikatom IVR itd. — niż modelowi, który za tym stoi.

Równe traktowanie na wszystkich rynkach

W ubezpieczeniach wykrywanie klientów wymagających szczególnego wsparcia to podstawa, która musi działać na każdym rynku, w każdym języku i kanale.

Admiral wykrywa takie sytuacje na wiele sposobów. W przypadku szczególnej wrażliwości klientów zespół celowo używa sprawdzonych modeli uczenia maszynowego razem z generatywną AI, zamiast ufać tylko jednemu z nich. Dzięki temu wrażliwi klienci są wykrywani na każdym etapie, niezależnie od tego, który sygnał pojawi się pierwszy, i otrzymują właściwą obsługę.

Ten standard obowiązuje jeszcze zanim technologii powierzy się sprawę. W agencie do kwot spłaty podagent strażniczy weryfikuje każdego dzwoniącego, a klienci wymagający szczególnego wsparcia lub zalegający z płatnościami trafiają od razu do priorytetowej kolejki z konsultantem. To świadoma granica, dopóki zespół poznaje kolejne nietypowe przypadki.

A ponieważ klienci bywają nieprzewidywalni — na przykład ktoś zapytał Olivię, jak ugotować zupę cebulową — zespół łączy zabezpieczenia z proaktywnym oznaczaniem nieoczekiwanych sytuacji. Dzięki temu zawsze wie, kto i jak korzysta z jego narzędzi.

Zespół stojący za agentami 

Admiral działa w modelu hub and spoke: wiedza na poziomie grupy jest w „hubie”, a lokalni eksperci znający rynek, klientów i pracowników działają w „spokes”.

Centrum kompetencji dzieli się na dwie części. Pierwsza, odpowiedzialna za realizację wartości, zajmuje się strategią, roadmapami, projektowaniem produktu i testowaniem efektów, w tym testami A/B. Druga to zespół techniczny: inżynierowie, architekci i osoby odpowiedzialne za wdrożenia, którzy dbają, by wszystko spełniało standardy i integrowało się z resztą środowiska.

Według Dom rola inżyniera AI przyszłości będzie w znacznie mniejszym stopniu polegać na pisaniu kodu, a bardziej na rozumieniu działania generatywnej AI, dobrym porządkowaniu pomysłów i korzystaniu z kodowania agentowego, by dowozić rezultaty.

Wokół głównego zespołu specjaliści od procesów i właściciele biznesowi tworzą małe zespoły z ekspertami produktowymi i technicznymi. Jak mówi Dom, „zamykają ich w pokoju”, by wspólnie budowali i testowali, a potem oddają rozwiązanie prawdziwym klientom, żeby je przetestowali do granic możliwości.

Jak Admiral ustala priorytety roadmapy 

Model hub and spoke działa tu tak samo. Grupa wyznacza nienegocjowalne priorytety dla dużych projektów — tam, gdzie ryzyko i wartość są wyższe, a wykonalność nieco niższa, więc centralne wsparcie może odblokować wąskie gardła. Lokalne zespoły mają przestrzeń na innowacje oddolne, o ile mają możliwości i działają w ramach odgórnych wytycznych.

Roadmapa przyszłości, którą buduje zespół, opiera się na ambicji, by klient nigdy nie musiał się powtarzać — niezależnie od tego, czy kontaktuje się przez IVR, agenta głosowego, człowieka czy inny kanał. Przy każdym przekazaniu sprawy mają być przenoszone sygnały dotyczące intencji, nastroju i szczególnej wrażliwości, nie tylko transkrypcja. 

Obejrzyj całą sesję

Admiral jednocześnie podniósł standard walidacji, zbudował poparcie w organizacji i przebudował stos technologiczny, by zbliżyć się do celu: najlepszej obsługi klienta w ubezpieczeniach.

Obejrzyj pełny webinar tutaj.