Podsumowanie webinaru: jak Admiral obsługuje rozmowy ubezpieczeniowe z agentami AI

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

W naszym najnowszym webinarze Behind the Agent: 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 kontaktów — od architektury i standardów testowania po zmiany w organizacji.

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

Admiral chciał stworzyć nową jakość obsługi klienta.

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

Ich celem jest to, by każdy klient, w każdym kanale i w każdej ważnej sytuacji, otrzymał rozwiązanie od razu albo trafił do człowieka, który zna klienta, kontekst i problem do rozwiązania.

Głównym wskaźnikiem było osiągnięcie 90% spraw rozwiązanych przy pierwszym kontakcie, dostępność usługi 24/7, krótsze rozmowy i wyraźnie wyższy NPS.

Containment był wskaźnikiem drugorzędnym. Przy pierwszym głosowym zastosowaniu zespół znacznie go poprawił, gdy klienci przekonali się, że agent działa szybciej.

Najważniejsze było jednak rozwiązanie sprawy. Admiral mierzy osobno, czy klient faktycznie otrzymał to, po co dzwonił, i czy rozmowa została eskalowana. Dzięki temu celowe przekazanie sprawy człowiekowi nigdy nie jest uznawane za porażkę.

Jak wygląda „dobrze” w regulowanej branży

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

Chcemy podnieść standard walidacji, ale nie obniżać standardu zgodności.

Wiedza o nietypowych przypadkach, która wcześniej opierała się na instynkcie najbardziej doświadczonych agentów, musi teraz być wyraźnie testowana dla każdego zastosowania.

W praktyce zespół świadomie wyznaczył granice zakresu. Na przykład sprawy dotyczące podatności klienta i zaległości w płatnościach nadal trafiają do człowieka, dopóki zespół lepiej nie pozna nietypowych przypadków w tym zastosowaniu.

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

Poparcia nie zdobywa się nakazem

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

Przed dołączeniem do Admiral Dom przez lata pracowała w McKinsey nad programami zarządzania zmianą. Zapytana, co powiedziałaby dziś osobie przekonującej firmę do AI agentowego, podała trzy zasady prosto z tego doświadczenia.

1) Ludzie wspierają to, co pomagają tworzyć

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

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

2) Nigdy nie chodzi tylko o technologię

Chodzi o zmianę wyniku finansowego, doświadczenia klienta i doświadczenia pracowników.

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

3) Wprowadź governance na wczesnym etapie

Odpowiednie punkty kontrolne, KPI i dane od samego początku znacznie ułatwiają podejmowanie decyzji. Jak mówi Dom, antywzorcem jest poleganie na intuicji i kończenie z „bardzo ładnym artefaktem”, którego nikt nie używa i który nie poprawia żadnego ważnego wskaźnika.

Liczył się też model wdrożenia. Admiral wybiera jedną część grupy, która dogłębnie testuje jeden temat, a potem przenosi wnioski wszędzie indziej.

Najpierw szybko wdrażają sprawdzone rozwiązanie, a potem robią pełne wdrożenie. Nie ograniczają się do jednego zastosowania w jednym obszarze, co — jak mówi Dom — bardzo by ich spowolniło. Zamiast tego pilnują, by nie wymyślać koła na nowo dziesięć razy.

Demo 1: Kwoty spłaty (Admiral Money)

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

Dotychczas uzyskanie tej kwoty oznaczało przechodzenie przez IVR, potwierdzenie tożsamości z konsultantem, czekanie na obliczenia w systemie backendowym i ładowanie ekranów, a potem oczekiwanie na PDF 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 subagent na początku workflow, zanim uruchomi się cokolwiek innego.
• Subagent kontrolny sprawdza, czy dzwoniący może rozmawiać z agentem AI. Klienci wymagający szczególnego wsparcia i klienci z zaległościami trafiają do priorytetowej kolejki z człowiekiem, dopóki zespół poznaje kolejne nietypowe przypadki.
• Agent z wyprzedzeniem zbiera potrzebne odpowiedzi i działa przez API, zamiast czekać na stare ekrany. Ta sama ścieżka, która z człowiekiem zajmuje około pięciu minut, z agentem trwa około dwóch i pół minuty.
• Sukces mierzą celem: czy klient się uwierzytelnił i otrzymał kwotę spłaty. Wskaźnik ten jest śledzony osobno od eskalacji.
• Na końcu rozmowy agent zbierający feedback prosi klientów o ocenę od jednego do pięciu. Rozmowy bez eskalacji są niemal zawsze oceniane na cztery lub pięć.

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

Demo 2: Olivia (L’Olivier)

Scenariusz: Klientka we Francji ma pytanie o polisę. 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 doświadczenie L’Olivier postanowił zmienić. Zespół stworzył Olivię — agenta opartego na bazie wiedzy w ElevenLabs, działającego już na stronie.

Co pokazano:

• Prompt systemowy, pierwsza wiadomość, workflow i subagent zostały napisane bezpośrednio po francusku, a nie przetłumaczone z angielskiego. Dan przytacza badania sugerujące, że prompty w języku klienta inaczej angażują model, a zespół osiągnął dzięki temu znacznie lepsze wyniki. W razie potrzeby Olivia automatycznie wykrywa angielski i odpowiada po angielsku.
• Prawdziwe rozmowy z klientami są porównywane z bazą wiedzy, by wykrywać braki. W niektórych przypadkach poprawki trafiają do działającego agenta już w ciągu jednej–dwóch godzin.
• Zmiany są wdrażane na branchu z stopniowym podziałem ruchu — 1%, 2%, 5%, 10%, 25%, 50%, a potem 100%, po testach symulacyjnych i ręcznym podglądzie, zanim cokolwiek trafi do ruchu na żywo. Jeśli dane nie potwierdzają zmiany, ruch natychmiast wraca do zera — bez potrzeby wycofywania wdrożenia.
• Pełny cykl branchu trwa od kilku godzin do jednego dnia, od początku do końca. Koniec z dwutygodniowymi sprintami i dwutygodniowymi wdrożeniami.

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

Żaden plan nie wytrzymuje zderzenia z nowym rynkiem

Zasady zmiany kolejki w rozmowie, tolerancja na przerywanie i to, co uznaje się za normalne tempo rozmowy, bardzo różnią się między rynkami.

Nie ma jednego uniwersalnego rozwiązania. Według Dom najlepiej działa połączenie inżyniera, który zna prompty i architekturę, z osobą biznesową z lokalnej firmy, która rozumie kontekst rynku. To właśnie taka para powinna być jednostką wdrożeniową.

Sama budowa rozwiązania nie różni się aż tak między rynkami. Różni się adopcja. Zdaniem Dom dotyczy to każdego wdrożenia AI, nie tylko obsługi klientów.

Jeśli klienci mu nie ufają albo go nie rozumieją, od razu — w drugiej sekundzie rozmowy — powiedzą: „proszę przełączyć mnie do człowieka”

Dlatego zespół spodziewa się poświęcić więcej czasu na edukację klientów — wiadomości powitalne, pozycjonowanie, komunikaty IVR itd. — niż na sam model.

Równe traktowanie na wszystkich rynkach

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

Admiral wykrywa ją na wiele sposobów. W przypadku podatności zespół celowo łączy sprawdzone modele machine learning z generatywną AI, zamiast polegać tylko na jednym z nich. Dzięki temu klienci wymagający szczególnego wsparcia są wykrywani na każdym etapie, niezależnie od tego, który sygnał pojawi się pierwszy, i obsługiwani we właściwy sposób.

Ten standard obowiązuje, zanim technologia w ogóle zajmie się sprawą. W agencie do kwot spłaty subagent kontrolny sprawdza każdego dzwoniącego, a klienci wymagający szczególnego wsparcia lub mający zaległości od razu trafiają do priorytetowej kolejki z człowiekiem. 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 aktywnym 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 ekspercka na poziomie grupy znajduje się w „hubie”, a lokalni eksperci w „spokes” znają rynek, klientów i pracowników.

Centrum kompetencji dzieli się na dwie części. Pierwsza odpowiada za realizację wartości: strategię, roadmapy, projektowanie produktu i testy efektów, w tym testy A/B. Druga to część techniczna — inżynierowie, architekci i osoby odpowiedzialne za wdrożenia dbają, by każde rozwiązanie spełniało standardy i integrowało się z resztą środowiska.

Zdaniem Dom praca inżyniera AI przyszłości będzie w znacznie mniejszym stopniu polegać na pisaniu kodu, a bardziej na rozumieniu generatywnej AI, dobrym porządkowaniu pomysłów i wykorzystywaniu agentowego programowania do realizacji zadań.

Wokół głównego zespołu eksperci procesowi i właściciele biznesowi trafiają do małych zespołów razem z osobami od produktu i technologii. Jak mówi Dom, „zamykają ich w pokoju”, by wspólnie budowali i testowali rozwiązanie, a potem oddają je prawdziwym klientom, by je przetestowali.

W McKinsey mawialiśmy, że na każdego funta wydanego na technologię przypadają trzy na przebudowę procesów i pięć na zarządzanie zmianą.

Jak Admiral ustala priorytety roadmapy

Tu także działa model hub-and-spoke. Grupa wyznacza niepodważalne priorytety dla dużych projektów — tam, gdzie ryzyko i wartość są większe, a wykonalność nieco niższa, więc centralne wsparcie może usunąć blokady. Lokalne zespoły mają przestrzeń na oddolne innowacje, o ile mają możliwości i działają zgodnie z wytycznymi z góry.

Roadmapa, którą buduje zespół, opiera się na założeniu, że klient nigdy nie będzie musiał się powtarzać — niezależnie od tego, czy korzysta z IVR, agenta głosowego, człowieka czy innego kanału. Przy każdym przekazaniu sprawy przenoszone będą sygnały dotyczące intencji, nastroju i podatności klienta, a nie tylko transkrypcja.

Obejrzyj całą sesję

Admiral równolegle przebudował standard walidacji, poparcie w organizacji i stack technologiczny, by zbliżyć się do celu: stworzenia najlepszej obsługi klienta w ubezpieczeniach.

Obejrzyj cały webinar tutaj.