Podsumowanie webinaru: jak Admiral obsługuje rozmowy ubezpieczeniowe z agentami AI

Admiral obsługuje rocznie miliony interakcji z klientami w wielu językach na całym świecie, 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, pokazała, jak jej zespół buduje warstwę AI do obsługi takiej skali — od architektury i standardów testowania po zmiany organizacyjne.

Głównym celem Admiral było stworzenie najbardziej godnego zaufania doświadczenia klienta w ubezpieczeniach 

Celem Admiral było stworzenie nowej jakości obsługi klienta.

Łatwo stworzyć agenta, który szybko kończy rozmowę, ale nie rozwiązuje problemu klienta. 

Docelowo każdy klient, w każdym kanale i w każdej ważnej chwili ma otrzymać rozwiązanie od razu albo zostać przekazany do człowieka, który zna klienta, kontekst i sprawę do rozwiązania.

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

Samodzielne rozwiązanie sprawy było wskaźnikiem drugorzędnym. W pierwszym zastosowaniu głosowym zespół znacznie je poprawił, gdy klienci zauważyli, że agent działa szybciej.

Najważniejsze było jednak rozwiązanie sprawy. Admiral osobno mierzy, czy klient rzeczywiście otrzymał to, po co zadzwonił, niezależnie od tego, czy rozmowę eskalowano. Celowe przekazanie sprawy człowiekowi nigdy nie jest więc uznawane za porażkę.

Jak powinno wyglądać „dobrze” w regulowanej branży

Admiral stawia wysoko poprzeczkę dla produkcji. Zanim rozwiązanie agentowe trafi do użycia, ma działać co najmniej tak dobrze jak obecni pracownicy — a najlepiej lepiej.

Chcemy podnieść poprzeczkę walidacji, ale nie obniżać poprzeczki zgodności.

Wiedzę o przypadkach brzegowych, która kiedyś opierała się na intuicji najbardziej doświadczonych agentów, trzeba teraz wyraźnie testować dla każdego zastosowania.

W praktyce zespół świadomie wyznaczył granice zakresu. Na przykład sprawy dotyczące wrażliwych klientów i zaległości w płatnościach nadal trafiają do człowieka, dopóki zespół poznaje kolejne przypadki brzegowe.

Ponieważ większość regulacji ubezpieczeniowych koncentruje się na rezultatach, Dom podchodzi do tego pragmatycznie: „jak” może być elastyczne, o ile efekt dla klienta i firmy jest dokładnie taki, jak zamierzono.

Poparcia nie da się zdobyć samym nakazem

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

Przed dołączeniem do Admiral Dom przez lata pracowała w McKinsey przy programach zarządzania zmianą. Zapytana, co powiedziałaby dziś osobie, która chce przekonać innych do agentowej AI, wskazała trzy zasady prosto z tego podręcznika.

1) Ludzie wspierają to, co pomagają tworzyć

Odpowiedzią Admiral na sceptycyzm było oddanie narzędzia w ręce sceptyków.

Zespół organizował prezentacje i sesje edukacyjne w całej firmie — także dla 50 najważniejszych liderów grupy — by wyjaśnić, czym jest agentowa AI. ElevenLabs i Dom poprowadzili dzień szkoleniowy, podczas którego zespół kierowniczy, w tym CEO grupy Milena Mondini de Focatiis, tworzył agentów od zera. Jak ujęła to Dom, „naprawdę… czerpali z tego przyjemność”.

2) Nie chodzi tylko o technologię

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

Gdy wszyscy zgadzają się co do celu, można znaleźć odpowiednie opcje technologiczne. Dom radzi, by nie zaczynać od technologii.

3) Wcześnie zbuduj zasady zarządzania

Odpowiednie punkty kontrolne, KPI i dane od samego początku znacznie ułatwiają podejmowanie decyzji. Antywzorzec, jak mówi, to poleganie na przeczuciu i tworzenie „bardzo ładnego artefaktu”, którego nikt nie używa i który nie poprawia żadnego ważnego wskaźnika.

Liczył się też model wdrożenia. Admiral wybiera jedną część grupy, by dogłębnie eksperymentowała z jednym tematem, a potem przenosi wnioski wszędzie indziej.

Najpierw szybko wdrażają sprawdzone rozwiązania, a potem przechodzą do pełnego wdrożenia. Nie ograniczają się do jednego zastosowania w jednym obszarze, co — jak mówi Dom — bardzo by ich spowolniło, lecz świadomie unikają dziesięciokrotnego wymyślania koła na nowo.

Demo 1: Kwoty wcześniejszej spłaty (Admiral Money)

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

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

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

Co pokazano:

• Uwierzytelnianie działa jako osobny podagent na początku workflow, zanim uruchomi się cokolwiek innego.
• Podagent strażnik sprawdza, czy dzwoniący może rozmawiać z agentem AI — wrażliwi klienci i klienci z zaległościami trafiają do priorytetowej kolejki obsługiwanej przez człowieka, podczas gdy zespół poznaje kolejne przypadki brzegowe. 
• Agent z wyprzedzeniem zbiera potrzebne odpowiedzi i działa przez API, zamiast czekać na starsze ekrany systemu. Ta sama ścieżka, która z człowiekiem trwa około pięciu minut, z agentem zajmuje około dwóch i pół minuty.
• Sukces mierzy się tym, czy klient przeszedł uwierzytelnianie i otrzymał kwotę wcześniejszej spłaty, osobno od eskalacji.
• Pod koniec rozmowy agent zbierający feedback prosi klientów o ocenę doświadczenia w skali od jednego do pięciu. Rozmowy bez eskalacji niemal zawsze otrzymują czwórki i piątki.

Dlaczego to ważne: oszczędność czasu wynika z workflow opartego na API, a nie na ekranach — nie tylko z tego, że AI odpowiada zamiast człowieka. Jak mówi Dan, chodzi przede wszystkim o krótsze rozmowy i lepszą obsługę klienta. Obecne eskalacje odzwierciedlają granice świadomie wybrane przez zespół podczas nauki, a nie brak pomocy ze strony agenta.

Demo 2: Olivia (L’Olivier)

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

To 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 przywołuje badania wskazujące, że promptowanie w języku klienta inaczej angażuje model, a zespół uzyskał w ten sposób znacznie lepsze wyniki. Olivia automatycznie wykrywa potrzebę i odpowiada po angielsku. 
• Prawdziwe rozmowy z klientami są porównywane z bazą wiedzy, aby wykrywać luki. 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 wdrożenia. 
• Pełny cykl pracy na gałęzi 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 istotne, ale ważniejszy wniosek jest taki, że język może być czymś więcej niż szczegółem 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 naturalny rytm rozmowy, bardzo różnią się między rynkami. 

Nie ma jednej cudownej recepty. Według Dom sprawdza się połączenie inżyniera znającego promptowanie i architekturę z właścicielem biznesowym z lokalnej firmy, który wnosi kontekst rynku — i traktowanie tej pary jako jednostki wdrożeniowej.

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

Jeśli klienci temu nie ufają, jeśli tego nie rozumieją, od razu — już w drugiej sekundzie rozmowy — powiedzą: „proszę przełączyć mnie do człowieka”

Dlatego zespół spodziewa się poświęcić więcej czasu edukacji klientów — komunikatom powitalnym, pozycjonowaniu, komunikatom IVR itd. — niż modelowi działającemu w tle.

Równe traktowanie na różnych rynkach

W ubezpieczeniach wykrywanie wrażliwości klienta to podstawa, która musi działać na każdym rynku, w każdym języku i kanale.

Admiral wykrywa ją na wiele sposobów. W szczególności w kwestii wrażliwości zespół celowo łączy sprawdzone modele uczenia maszynowego 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, zanim technologia zostanie dopuszczona do obsługi danej sprawy. W agencie do kwot wcześniejszej spłaty podagent strażnik sprawdza każdego dzwoniącego, a wrażliwi klienci lub klienci z zaległościami od razu trafiają do priorytetowej kolejki z człowiekiem. To świadoma granica, dopóki zespół poznaje kolejne przypadki brzegowe.

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 ich narzędzi.

Zespół stojący za agentami 

Admiral działa w modelu hub and spoke: wiedza na poziomie grupy skupia się w „hubie”, a lokalni eksperci w „ramionach” znają rynek, klientów i pracowników.

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, techniczna, obejmuje inżynierów, architektów i zespoły wdrożeniowe, które dbają o zgodność każdego rozwiązania ze standardami i integrację z resztą środowiska.

Zdaniem Dom rola inżyniera AI przyszłości znacznie mniej polega na pisaniu kodu, a dużo bardziej na rozumieniu działania generatywnej AI, dobrym porządkowaniu pomysłów i korzystaniu z agentowego programowania, by dostarczać rozwiązania.

Wokół głównego zespołu tworzy się małe grupy łączące ekspertów procesowych i właścicieli biznesowych z talentami produktowymi i technicznymi. Jak mówi Dom, „zamykają ich w pokoju”, by wspólnie budowali i testowali, a potem oddają rozwiązanie prawdziwym klientom, by je przetestowali do granic możliwości.

W McKinsey mawialiśmy, że na każdy funt wydany na technologię przypadają trzy na przeprojektowanie procesów i pięć na zarządzanie zmianą

Jak Admiral ustala priorytety roadmapy 

Tu również działa model hub and spoke. Grupa ustala niepodlegające negocjacjom 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 odpowiednie możliwości i trzymają się odgórnych wytycznych.

Przyszła roadmapa zespołu opiera się na ambicji, by klient nigdy nie musiał się powtarzać — niezależnie od tego, czy rozmawia przez IVR, z agentem głosowym, człowiekiem czy w innym kanale. Przy każdym przekazaniu sprawy mają być przenoszone sygnały dotyczące intencji, nastroju i wrażliwości, a nie tylko transkrypcja. 

Obejrzyj całą sesję

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

Obejrzyj cały webinar tutaj.