Webbinarsammanfattning: Så hanterar Admiral försäkringssamtal med AI-agenter

Admiral hanterar miljontals kundinteraktioner om året på flera språk världen över, bland annat i Storbritannien, Italien, Frankrike och Spanien.

I vårt senaste webbinarie Behind the Agent: How Admiral Handles Insurance Calls with AI Agents, berättade Dominika Kampa, chef för generativ AI på gruppnivå hos Admiral, om hur hennes team bygger AI-lagret för att hantera den här volymen, inklusive arkitekturen, teststandarden och det organisatoriska arbetet bakom.

Admirals ledstjärna var att skapa försäkringsbranschens mest pålitliga kundupplevelse 

Admirals mål var att skapa en helt ny typ av kundupplevelse.

Det är lätt att bygga en agent som snabbt avslutar ett samtal utan att faktiskt lösa kundens problem. 

Målet är att varje kund, varje kanal och varje viktigt tillfälle ska hanteras direkt, eller lämnas över till en människa som känner kunden, sammanhanget och situationen som kunden försöker lösa.

Deras viktigaste mått var att nå 90 % lösning vid första kontakten. De följde också upp tillgänglig service dygnet runt, korta interaktioner och ett väsentligt högre NPS. 

Andelen ärenden som kunde hanteras utan vidarekoppling var ett sekundärt mått. I deras första användningsfall för röst förbättrade teamet den kraftigt när kunderna märkte att agenten var snabbare.

Men lösningen av ärendet var deras ledstjärna. Admiral följer som ett eget mått om kunden faktiskt fick det den ringde om, separat från om samtalet eskalerades, så en medveten överlämning till en människa räknas aldrig som ett misslyckande.

Hur ”bra” måste se ut i en reglerad bransch

Admiral har höga krav för produktionssättning. De vill att deras agentlösning ska vara lika bra som deras medarbetare är i dag, eller bättre, innan den går live.

Kunskap om specialfall som tidigare fanns i instinkterna hos de mest erfarna handläggarna måste nu testas uttryckligen för varje användningsfall.

I praktiken satte teamet också medvetna gränser för omfattningen. Till exempel fortsätter ärenden om sårbarhet och betalningssvårigheter att styras till en människa medan teamet lär sig mer om specialfall inom användningsområdet.

Eftersom de flesta försäkringsregler är resultatbaserade har Dom en pragmatisk syn: ”hur” är flexibelt, så länge resultatet för kunden och verksamheten blir exakt som avsett.

Förankring kommer inte genom ett mandat

En reglerad organisation inför inte AI bara för att den blir tillsagd att göra det. 

Dom arbetade i flera år på McKinsey med förändringsledningsprogram innan hon började på Admiral, och när hon fick frågan om vad hon skulle säga till en kollega som vill förespråka agentisk AI i dag gav hon tre principer direkt från den handboken.

1) Människor stöttar det de hjälper till att bygga

Admirals svar på skepticism var att sätta verktyget direkt framför skeptikerna.

Teamet höll demonstrationer och utbildningar i hela organisationen – även för gruppens 50 högsta chefer – för att avmystifiera vad agentisk AI är. ElevenLabs och Dom höll en utbildningsdag där ledningsgruppen, inklusive koncernchefen Milena Mondini de Focatiis, byggde agenter från grunden. Med Doms ord ”tyckte de faktiskt … om upplevelsen”.

2) Det handlar aldrig bara om teknik

Visionen gäller förändringen i resultat och förlust, kundupplevelsen och medarbetarupplevelsen.

När människor är överens om resultatet går det att lista ut vilka tekniska alternativ som passar. Doms råd var att inte börja med tekniken.

3) Bygg styrning tidigt

Rätt kontaktpunkter, rätt KPI:er och rätt data från ett tidigt skede gör beslutsfattandet mycket enklare. Antimönstret, med hennes ord, är att förlita sig på magkänslan och sluta med ”en väldigt fin artefakt” som ingen använder och som inte påverkar något mått du bryr dig om.

Även utrullningsmodellen spelade roll. Admirals metod var att välja en del av gruppen för att experimentera på djupet med ett ämne och sedan föra över lärdomarna till resten av organisationen.

De gör detta genom att först snabbt följa upp och sedan genomföra en fullständig utrullning. Inte ett användningsfall i ett område, vilket Dom säger skulle ha bromsat dem enormt, utan en medveten disciplin att inte uppfinna hjulet tio gånger.

Demo 1: Slutregleringsbelopp (Admiral Money)

Scenario: En kund vill betala av sitt lån i förtid. Det är en enkel fråga där hon bara behöver beloppet för att slutreglera lånet.

Traditionellt innebar det att kunden behövde navigera genom ett IVR-system, verifiera sin identitet med en mänsklig handläggare, vänta medan ett backend-system gjorde beräkningen och skärmar laddades, och sedan hålla koll på inkorgen efter en PDF. Fem minuters process för en fråga med ett svar.

Dan Clark, chef för generativ AI på gruppnivå hos Admiral, gick igenom vad teamet hade byggt.

Det här visades:

• Autentiseringen körs som en egen underagent i början av workflowet, innan något annat utförs.
• Vaktunderagenten kontrollerar om den som ringer kan prata med AI-agenten – sårbara kunder och kunder med betalningssvårigheter överförs till en prioriterad kö med en människa, medan teamet lär sig mer om specialfall. 
• Agenten samlar in svar proaktivt i förväg och arbetar API-drivet i stället för att vänta på äldre skärmsystem. Samma resa som tar omkring fem minuter med en människa tar cirka två och en halv minut med agenten.
• Framgång mäts utifrån om kunden autentiserades och fick sitt slutregleringsbelopp, separat från eskalering.
• I slutet av samtalet ber en feedbackagent kunderna att betygsätta upplevelsen från ett till fem. Samtal som inte eskaleras får nästan uteslutande fyror och femmor.

Varför det är viktigt: tidsbesparingen kommer av att workflowet är API-drivet i stället för skärmdrivet, inte bara av att AI svarar i stället för en person. Med Dans ord handlar det i hög grad om kortare samtalstider och därmed en bättre kundupplevelse. De nuvarande eskaleringarna speglar också de begränsningar som teamet medvetet har valt medan de lär sig, inte att agenten misslyckas med att hjälpa kunden.

Demo 2: Olivia (L’Olivier)

Scenario: En kund i Frankrike har en fråga om sin försäkring. Hon öppnar chatten på webbplatsen och möts av Ollie Bot, ett gammaldags trädbaserat verktyg (”tryck A för detta, B för det”). Hennes fråga motsvarar varken alternativ A eller B, så hon lämnar utan svar.

Det var den upplevelsen L’Olivier ville ersätta. Teamet byggde Olivia, en kunskapsbasagent på ElevenLabs, som är live på webbplatsen i dag.

Det här visades:

• Systemprompten, det första meddelandet, workflowen och underagenten skrevs alla direkt på franska, inte översatta från engelska. Dan hänvisar till forskning som visar att promptning på kundens språk engagerar modellen på ett annat sätt, och teamet såg betydligt bättre resultat med detta arbetssätt. Olivia identifierar automatiskt engelska och svarar på engelska vid behov. 
• Riktiga kundsamtal granskas mot kunskapsbasen för att hitta luckor, och förbättringar återspeglas vanligtvis i den livegående agenten inom en till två timmar.
• Ändringar distribueras på en gren med gradvis trafikfördelning – 1 %, 2 %, 5 %, 10 %, 25 %, 50 % och sedan 100 %, med simuleringstester och manuell förhandsgranskning innan något når live-trafik. Om datan inte stöder ändringen går trafiken omedelbart tillbaka till noll, utan något att återställa. 
• En fullständig grencykel tar från ett par timmar till en dag, från start till mål. Inga fler tvåveckorssprintar och två veckors driftsättningar.

Varför det är viktigt: att releasecykeln krymper från veckor till timmar är anmärkningsvärt i sig, men den större insikten är att språk kanske inte bara är en lokaliseringsdetalj – det kan förändra hur modellen resonerar. 

Ingen handbok överlever kontakten med en ny marknad

Turtagningsregler, tolerans för avbrott och vad som räknas som en normal samtalsrytm varierar mycket mellan marknader. 

Det finns ingen universallösning. Enligt Dom fungerar det att para ihop en ingenjör som kan promptning och arkitektur med en verksamhetsansvarig från den lokala enheten som för marknadskontexten till liv, och att behandla det paret som enheten för driftsättning.

Själva bygget skiljer sig inte särskilt mycket mellan marknader. Införandet gör det. Och enligt Dom gäller det för alla AI-implementeringar, inte bara kundverksamhet.

Därför förväntar sig teamet att lägga mer tid på kundutbildning – välkomstmeddelanden, positionering, IVR-meddelanden och så vidare – än på den underliggande modellen.

Rättvis behandling på alla marknader

Inom försäkring är identifiering av sårbarhet en grundnivå som måste fungera på alla marknader, språk och kanaler.

Admirals metod är att identifiera detta på flera sätt. För just sårbarhet kör teamet medvetet etablerade maskininlärningsmodeller tillsammans med generativ AI, i stället för att lita på enbart den ena – så att sårbara kunder fångas upp i varje steg, oavsett vilken signal som kommer först, och får rätt service.

Den standarden gäller redan innan tekniken får hantera ärendet. I agenten för slutregleringsbelopp granskar en vaktunderagent varje uppringare, och sårbara kunder eller kunder med betalningssvårigheter går direkt till en prioriterad kö med en människa – en medveten gräns medan teamet lär sig mer om specialfall.

Och eftersom kunder är oförutsägbara – till exempel frågade någon Olivia hur man lagar löksoppa – kombinerar teamet skyddsräcken med proaktiv flaggning av det oväntade, så att de alltid vet vem som interagerar med deras verktyg och hur.

Teamet bakom agenterna 

Admiral använder en hubb- och ekermodell där kompetens på gruppnivå finns i ”hubben”, medan lokala experter finns i ”ekrarna” och känner marknaden, kunderna och medarbetarna.

Kompetenscentret är uppdelat i två delar. Först en del för värdeskapande som ansvarar för strategi, färdplaner, produktdesign och resultattester, inklusive A/B-tester. Sedan en teknisk del med ingenjörer, arkitekter och leveranskollegor som ser till att allt som byggs uppfyller standarderna och integreras med resten av verksamheten.

Doms syn på framtidens AI-ingenjör är att rollen handlar mycket mindre om att skriva kod och mycket mer om att förstå hur generativ AI fungerar, strukturera idéer på rätt sätt och använda agentisk kodning för att leverera.

Runt kärnteamet samlas processexperter och verksamhetsansvariga i små grupper med produkt- och teknikkompetens. Med hennes ord: ”låsa in dem i ett rum” för att bygga och testa tillsammans, och sedan låta riktiga kunder försöka knäcka lösningen.

Så prioriterar Admiral sin färdplan 

Hubb- och ekermodellen gör jobbet även här. Gruppen sätter icke förhandlingsbara prioriteringar för de stora projekten – där risken är högre, värdet högre och genomförbarheten något lägre – så att centralt stöd kan lösa flaskhalsarna. Ekrarna får utrymme för innovation nerifrån och upp, så länge de har kapaciteten och håller sig inom riktlinjerna uppifrån och ner.

Den framtida färdplan som teamet bygger utgår från ambitionen att kunden aldrig ska behöva upprepa sig, oavsett om det gäller IVR, röstagent, människa eller kanal. Avsikt, sentiment och signaler om sårbarhet ska följa med vid varje överlämning, inte bara transkriberingen. 

Se hela sessionen

Admiral byggde om ribban för validering, förankringen i organisationen och teknikstacken tillsammans för att komma närmare målet att skapa försäkringsbranschens bästa kundupplevelse.

Se hela webbinariet här.