Webbinarsammanfattning: Så hanterar Admiral försäkringssamtal med AI-agenter

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

I vårt senaste webbinarium Behind the Agent: Så hanterar Admiral försäkringssamtal med AI-agenter berättade Dominika Kampa, Group Head of Generative AI på 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 den mest pålitliga kundupplevelsen inom försäkring.

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.

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

Deras viktigaste mätetal var att nå 90 % lösning vid första kontakten, tillsammans med service dygnet runt, korta interaktioner och ett väsentligt högre NPS.

Ärenden som hanterades utan eskalering var ett sekundärt mätetal. I sitt första användningsfall för röst förbättrade teamet det kraftigt när kunderna upptäckte att agenten var snabbare.

Men lösning var deras viktigaste fokus. Admiral mäter separat om kunden faktiskt fick det den ringde för, oavsett om samtalet eskalerades. Därför räknas en medveten överlämning till en människa aldrig som ett misslyckande.

Hur ”bra” måste se ut i en reglerad bransch

Admiral har höga krav för produktion. De vill att deras agentbaserade lösning ska vara minst lika bra som deras mänskliga medarbetare är i dag innan den lanseras.

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

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

I praktiken drog teamet också tydliga gränser för omfattningen. Till exempel fortsätter ärenden som rör sårbara kunder och betalningssvårigheter att skickas till en människa medan teamet lär sig mer om specialfallen i användningsfallet.

Eftersom merparten av försäkringsregleringen är resultatbaserad har Dom en pragmatisk syn: ”hur” är flexibelt, så länge resultatet för kunden och verksamheten blir exakt som avsett.

Stöd kommer inte från ett mandat

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

Dom arbetade i flera år på McKinsey med förändringsprogram innan hon kom till Admiral. När hon fick frågan vad hon skulle säga till en kollega som i dag vill argumentera för agentbaserad AI, gav hon tre principer direkt från den erfarenheten.

1) Människor stöttar det de hjälper till att bygga

Admirals svar på skepsis var att låta skeptikerna testa verktyget direkt.

Teamet höll demonstrationer och utbildningar i hela organisationen, inklusive för koncernens 50 högsta chefer, för att göra agentbaserad AI mindre mystiskt. ElevenLabs och Dom genomförde 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 förändring i resultatet, kundupplevelsen och medarbetarupplevelsen.

När människor är överens om resultatet går det att lösa vilka teknikval som behövs. Doms råd var att inte börja med tekniken.

3) Bygg styrning tidigt

Rätt kontaktpunkter, rätt KPI:er och rätt data från början gör beslutsfattandet mycket enklare. Antimönstret är, med hennes ord, att förlita sig på magkänsla och sluta med ”en väldigt fin artefakt” som ingen använder och som inte påverkar något mätetal som är viktigt för dig.

Utrullningsmodellen var också viktig. Admirals metod var att låta en del av koncernen experimentera grundligt med ett ämne och sedan använda lärdomarna överallt annars.

De gör först snabba uppföljningar och därefter en full utrullning. Inte ett användningsfall i en domän, vilket Dom säger skulle ha saktat ner dem rejält, 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 få veta beloppet för att avsluta lånet.

Tidigare innebar det att få fram beloppet att navigera genom ett IVR-system, verifiera sin identitet med en mänsklig agent, vänta medan ett system i bakgrunden 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, Group Head of Generative AI på Admiral, visade vad teamet har byggt.

Det som visades:

• Autentisering körs som en egen underagent i början av arbetsflödet, innan något annat körs
• Vaktunderagenten kontrollerar om den som ringer kan prata med AI-agenten. Sårbara kunder och kunder med betalningssvårigheter flyttas till en prioriterad kö med en människa, medan teamet lär sig mer om specialfallen.
• Agenten samlar in svar proaktivt i början och arbetar API-drivet i stället för att vänta på äldre systemskärmar. Samma process som tar omkring fem minuter med en människa tar ungefär två och en halv minut med agenten
• Framgång mäts utifrån om kunden kunde autentisera sig och få sitt slutbetalningsbelopp, separat från eskaleringar
• 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 är viktigt: tidsbesparingen kommer av att arbetsflödet 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 en bättre kundupplevelse som resultat. Och de nuvarande eskaleringarna speglar gränser som teamet 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 får Ollie Bot, ett gammaldags trädstrukturerat verktyg (”tryck A för detta, B för det där”). 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 redan är live på webbplatsen.

Det som visades:

• Systemprompten, det första meddelandet, arbetsflödena och underagenten skrevs alla direkt på franska, inte översatta från engelska. Dan hänvisar till forskning som visar att prompting på kundens språk engagerar modellen på ett annat sätt, och teamet såg betydligt bättre resultat med den metoden. Olivia känner automatiskt av och svarar på engelska vid behov.
• Riktiga kundsamtal granskas mot kunskapsbasen för att hitta luckor. I vissa fall återspeglas korrigeringarna i den liveagenten inom en till två timmar
• Ändringar lanseras 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 direkt tillbaka till noll, utan något att återställa.
• En hel grencykel tar från ett par timmar till en dag, från start till mål. Inga fler tvåveckorssprintar och tvåveckorslanseringar

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 mötet med en ny marknad

Regler för turordning i samtal, 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 prompting och arkitektur med en verksamhetsansvarig från den lokala organisationen som förstår marknaden, och att se den kombinationen som enheten för utrullning.

Själva bygget skiljer sig inte särskilt mycket mellan marknader. Det gör användningen. Och enligt Dom gäller det alla AI-utrullningar, inte bara kundverksamhet.

Om dina kunder inte litar på det, om dina kunder inte förstår det, kommer de omedelbart (redan i 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 modellen bakom.

Rättvis behandling på alla marknader

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

Admirals metod är att identifiera dem på flera sätt. För just sårbarhet kör teamet medvetet etablerade maskininlärningsmodeller parallellt med generativ AI, i stället för att lita på enbart den ena. På så sätt fångas sårbara kunder 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 vaktunderagent varje person som ringer, och sårbara kunder eller kunder med betalningssvårigheter skickas direkt till en prioriterad kö med en människa – en medveten gräns medan teamet lär sig mer om specialfallen.

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

Teamet bakom agenterna

Admiral arbetar enligt en nav- och ekermodell där expertis på koncernnivå finns i ”navet”, medan lokala experter i ”ekrarna” känner marknaden, kunderna och medarbetarna.

Kompetenscentret är uppdelat i två delar. Först en del för värderealisering som ansvarar för strategi, färdplaner, produktdesign och resultattester, inklusive A/B-tester. Den andra är en teknisk del med ingenjörer, arkitekter och leveranskollegor som ser till att allt som byggs uppfyller standarderna och fungerar med resten av verksamhetens system.

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 agentbaserad kodning för att leverera.

Runt kärnteamet samlas processexperter och verksamhetsansvariga i små grupper tillsammans med produkt- och tekniktalanger. Med hennes ord ”låser man in dem i ett rum” för att bygga och testa tillsammans, och låter sedan riktiga kunder sätta lösningen på prov.

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

Så prioriterar Admiral sin färdplan

Nav- och ekermodellen gör jobbet här också. Koncernen fastställer icke förhandlingsbara prioriteringar för de stora projekten – där risken och värdet är högre, medan genomförbarheten är något lägre, så att centralt stöd kan lösa flaskhalsarna. Ekrarna får utrymme för innovation underifrån, så länge de har kapacitet och följer riktlinjerna uppifrån.

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 sårbarhetssignaler ska följa med vid varje överlämning, inte bara transkriberingen.

Se hela sessionen

Admiral byggde om valideringsribban, stödet i organisationen och teknikstacken samtidigt för att komma närmare sitt mål att skapa den bästa kundupplevelsen inom försäkring.

Se hela webbinariet här.