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 webbseminarium Bakom agenten: Så hanterar Admiral försäkringssamtal med AI-agenter, berättade Dominika Kampa, Group Head of Generative AI på Admiral, om hur hennes team bygger AI-lagret som ska hantera den här volymen, inklusive arkitekturen, teststandarden och organisationsarbetet bakom.

Admirals ledstjärna var att skapa försäkringsbranschens mest förtroendeingivande kundupplevelse 

Admirals mål var att skapa en ny typ av kundupplevelse.

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

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

Deras viktigaste mått var att nå 90 % lösningsgrad vid första kontakt. De följde också upp tillgänglighet dygnet runt, korta interaktioner och en väsentligt högre NPS. 

Andelen ärenden som kunde hanteras utan eskalering var ett sekundärt mått. I sitt första röstbaserade användningsfall förbättrade teamet den kraftigt när kunderna lärde sig att agenten var snabbare.

Men lösningsgraden var deras utgångspunkt. Admiral följer upp om kunden faktiskt fick det den ringde för som ett eget mått, separat från om samtalet eskalerades, så en medveten överlämning till en människa aldrig räknas som ett misslyckande.

Hur "bra" måste se ut i en reglerad bransch

Admiral ställer höga krav för produktionssättning. Innan lösningen går live vill de att deras agentbaserade lösning ska vara minst lika bra som deras mänskliga medarbetare är i dag.

Vi vill höja ribban för validering, men inte sänka ribban för regelefterlevnad.

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

I praktiken drog teamet också medvetna gränser för omfattningen. Till exempel fortsätter ärenden som rör sårbarhet och betalningssvårigheter att hanteras av en människa medan teamet lär sig mer om specialfall inom användningsområdet.

Eftersom de flesta försäkringsregler utgår från resultat är Doms syn pragmatisk: "hur" är flexibelt, så länge resultatet för kunden och verksamheten blir exakt som avsett.

Förankring kommer inte av ett direktiv

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

Dom arbetade i flera år med förändringsledningsprogram på McKinsey innan hon började på Admiral. När hon fick frågan vad hon skulle säga till en kollega som argumenterar för agentbaserad AI i dag, gav hon tre principer direkt från den spelboken.

1) Människor stöttar det de hjälper till att bygga

Admirals svar på skepticism var att låta skeptikerna prova verktyget direkt.

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

2) Det handlar aldrig bara om teknik

Visionen handlar om förändringen i resultat och förlust, kundupplevelsen och medarbetarupplevelsen.

När människor enas om resultatet går det att lösa teknikvalen. Doms råd var att inte börja med tekniken.

3) Bygg styrning tidigt

Rätt kontaktpunkter, rätt KPI:er och rätt data redan från början gör det mycket enklare att fatta beslut. Antimönstret är, med hennes ord, att förlita sig på magkänsla och sluta med "en väldigt fin artefakt" som ingen använder och som inte förbättrar något mått som du bryr dig om.

Även utrullningsmodellen spelade roll. Admirals strategi var att välja en del av koncernen som fick experimentera på djupet med ett ämne och sedan föra lärdomarna vidare överallt.

De gör först snabba uppföljningar och därefter en fullständig utrullning. Inte ett användningsfall inom ett område, vilket Dom säger skulle ha bromsat dem avsevärt, utan en medveten disciplin att inte uppfinna hjulet tio gånger.

Demo 1: Slutbetalningsbelopp (Admiral Money)

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

Traditionellt innebar det att trycka sig igenom en IVR, bekräfta sin identitet med en mänsklig handläggare, vänta medan ett backend-system gjorde beräkningen och skärmarna laddades och sedan hålla koll på inkorgen efter en PDF. Fem minuters process för en fråga med ett svar.

Dan Clark, Group Head of Generative AI på Admiral, visade vad teamet byggt.

Det här visades:

• Autentisering körs som en egen underagent i början av workflowet, innan något annat utförs.
• En kontrollunderagent bedömer om den som ringer kan prata med AI-agenten – sårbara kunder och kunder med betalningssvårigheter flyttas till en prioritetskö med en människa, medan teamet lär sig mer om specialfall. 
• Agenten samlar proaktivt in svar i förväg och arbetar API-drivet i stället för att vänta på äldre skärmar. Samma process som tar omkring fem minuter med en människa tar ungefär två och en halv minut med agenten.
• Framgång mäts utifrån om kunden autentiserade sig och fick sitt slutbetalningsbelopp, separat från eskalering.
• I slutet av samtalet ber en feedbackagent kunderna att betygsätta upplevelsen från ett till fem. Samtal som inte eskaleras får nästan enbart fyror och femmor.

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

Demo 2: Olivia (L’Olivier)

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

Det var den upplevelse 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 denna metod. Olivia identifierar automatiskt engelska och svarar på engelska vid behov. 
• Riktiga kundkonversationer granskas mot kunskapsbasen för att hitta luckor, och åtgärderna syns vanligtvis i den aktiva agenten inom en till två timmar.
• Ändringar driftsätts i 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 rulla tillbaka. 
• En hel grencykel tar från ett par timmar till en dag, från början till slut. Inga fler tvåveckorssprintar och två veckors driftsättning.

Varför det spelar roll: att lanseringscykeln 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 spelbok överlever mötet med en ny marknad

Normer för turordning, tolerans för avbrott och vad som räknas som ett normalt samtalsflöde skiljer sig 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 organisationen som kan levandegöra marknadssammanhanget, och behandla paret som enheten för driftsättning.

Själva bygget skiljer sig inte särskilt mycket från marknad till marknad. Det gör införandet. Och enligt Dom gäller detta alla AI-driftsättningar, inte bara kundverksamhet.

Om dina kunder inte litar på det, om dina kunder inte förstår det, kommer de direkt (under samtalets andra sekund) att säga: "var snäll och koppla mig till en människa"

Därför räknar teamet med 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 varje marknad, språk och kanal.

Admirals strategi är att identifiera genom flera vägar. Just för sårbarhet kör teamet medvetet etablerade maskininlärningsmodeller parallellt med generativ AI i stället för att lita enbart på någon av dem – så att sårbara kunder fångas upp i varje skede, oavsett vilken signal som kommer först, och får rätt hjälp.

Den standarden gäller redan innan tekniken får hantera ärendet. I agenten för slutbetalningsbelopp granskar en kontrollunderagent varje person som ringer, och sårbara kunder eller kunder med betalningssvårigheter går direkt till en prioritetskö 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 gör 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 arbetar enligt en hub and spoke-modell där koncernens expertis finns i "hubben" och lokala experter finns i "ekrarna", med kunskap om marknaden, kunderna och medarbetarna.

Kompetenscentret är uppdelat i två delar. Först en del för värderealisering med ansvar för strategi, roadmaps, produktdesign och resultattester, inklusive A/B-tester. Sedan en teknisk del med ingenjörer, arkitekter och leveranskollegor som säkerställer att allt som byggs uppfyller kraven och integreras med resten av verksamheten.

Dom anser att framtidens AI-ingenjör i mycket mindre grad kommer att skriva kod och i mycket högre grad förstå hur generativ AI fungerar, strukturera idéer väl och använda agentbaserad kodning för att leverera.

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

På McKinsey brukade vi säga att för varje pund som läggs på teknik lägger man tre på omformning av processer och fem på förändringsledning

Så prioriterar Admiral sin roadmap 

Hub and spoke-modellen gör jobbet även här. Koncernen fastställer 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 underifrån, så länge de har kapacitet och håller sig inom riktlinjerna uppifrån.

Teamets framtida roadmap utgår från ambitionen att kunden aldrig ska behöva upprepa sig, oavsett om det gäller IVR, röstagent, människa eller kanal. Signaler om avsikt, känsla och sårbarhet ska följa med vid varje överlämning, inte bara transkriptionen. 

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 webbseminariet här.