Webinar-sammanfattning: Så automatiserade Urban Company partnersupport i stor skala

De flesta supportteam stöter på patrull när de försöker skala upp. De lägger till fler handläggare, kostnaderna stiger, kvaliteten förblir ojämn och säsongstoppar skapar problem. Urban Company hittade en annan väg.

I Bakom agenten: Så automatiserade Urban Company partnersupport i stor skala, berättade Abhishek Thakur, Engineering Manager på Urban Company, hur företaget införde röst-AI i sin partnersupport – och vad som hände med kvalitet, kostnad och samtalsvolym när de gjorde det.

Gigekonomins supportproblem

Gigekonomin är starkt beroende av förtroendet mellan plattformar och arbetare, och varje förtroendebrist kan få arbetare att byta till konkurrenter. I Indien finns över 15 miljoner gigarbetare, en siffra som väntas nå 23 miljoner år 2030. De använder främst plattformar via mobilen och rösten. Med deras arbetsförhållanden – som buller, anslutningsproblem och blandade språk – fungerar textbaserad support ofta inte.

Trots det använder många plattformar fortfarande chatt som standard, vilket leder till låg lösningsgrad vid första kontakten och många eskaleringar. Arbetare upplever ofta att plattformen inte är utformad för deras behov. Röst-AI kan vara en lösning genom att erbjuda kommunikation som passar hur den här arbetsstyrkan arbetar. Frågan är om den kan göra det med den precision och i den skala som gigekonomins verksamheter kräver.

Varför rösten var rätt kanal för gigarbetare

Urban Company är verksamt i 51 städer i Indien samt i Förenade Arabemiraten, Singapore och Saudiarabien. Företaget hanterar nästan 60 000 aktiva serviceproffs – rörmokare, skönhetsterapeuter och vitvarutekniker – som varje dag utför arbeten i människors hem.

Dessa partner är inte typiska teknikanvändare. Många köper en smartphone specifikt för att ansluta sig till plattformen. Deras naturliga kommunikationskanal är röst, inte text. När Urban Company granskade sina supportchattloggar såg de att partner skickade fragmenterade meddelanden på hinglish, laddade upp suddiga skärmbilder och, kanske mest talande, bad om att bli uppringda i chatten.

Glappet mellan supportkanalen och hur partnerna faktiskt kommunicerar skapade friktion vid varje kontaktpunkt.

Mänskligt ledd support i den här skalan skapar egna problem som växer över tid: 

1. Tio mänskliga callcenteragenter formulerar saker på tio olika sätt
2. Det tar veckor att få uppdaterade SOP:er att slå igenom i hela teamet
3. Och när säsongen för AC-reparationer börjar ökar samtalsvolymen utan förvarning 

Röst-AI löser alla tre problemen: den ger konsekventa lösningar varje gång, anpassar sig direkt till ny information och skalar horisontellt för att hantera vilken volym som helst.

Urban Company valde ElevenLabs eftersom dess röster lät mest mänskliga – ett beslut som fattades genom en anonym intern omröstning där medarbetarna lyssnade på inspelningar från flera leverantörer och röstade. När dina användare är gigarbetare som ska bygga förtroende för en plattform är röstkvalitet inte en preferens, utan en förutsättning.

Bakom Urban Companys agenter

Urban Company använder nu röst-AI inom tre stora delområden:

Partnersupport – Partner kan ringa i appen när som helst under ett uppdrag och få hjälp med det de står inför, från kundtvister och betalningsproblem till problem med att slutföra uppdrag.

Kontakt för rekommendationer – Utgående samtal till befintliga partner med frågan om de vill rekommendera familj eller vänner till plattformen. En kontakt med hög volym där relationen är viktig och som gynnas av en konsekvent ton och inga väntetider.

Instahelp – Ett interaktionslager utan app för partner som inte enkelt kan läsa eller skriva. Partner hanterar sina uppdrag, prenumerationer och frågor helt via röst, utan något UI.

I dag har Urban Company över 30 aktiva användningsfall och är på väg mot över 150 underagenter. Det som började med att en person undersökte om detta ens var möjligt har vuxit till ett team på 30 personer som bygger och driftsätter röstbaserade AI-agenter i hela verksamheten. När ett användningsfall fungerade ville varje team ha ett.

Demo: Lösning med flera agenter i realtid

Scenario: En servicepartner kommer till en kunds plats. Kunden avböjer uppdraget på grund av ett strömavbrott, och partnern behöver boka om utan att drabbas av en avbokningsavgift.

Det som visades:

• Partnern ringer UC:s support via appen och får kontakt med en AI-agent (Anjali)
• Anjali bekräftar uppdragsinformationen och ber partnern vänta
• Samtidigt ringer en andra agent (Vidhi) kunden direkt
• Vidhi bekräftar orsaken till avbokningen, erbjuder en ombokning till samma tid nästa morgon och bokar den
• Anjali återkommer till partnern med lösningen: uppdraget är ombokat och ingen avbokningsavgift tas ut
• Partnern tackar agenten för den snabba lösningen

Varför det är viktigt:

Det här är inte en enda agent som följer ett manus. Det är flera agenter som arbetar parallellt – en hanterar partnersamtalet, en annan löser kundens problem i realtid – samordnade för att skapa en lösning som ingen av dem skulle kunna uppnå ensam. Urban Company använder 50 till över 60 promptvarianter inom partnersupport, där enskilda interaktioner ibland omfattar 7 till 10 underagenter som arbetar i följd.

Bästa praxis

Urban Company delade viktiga lärdomar från sin resa med röst-AI:

1. Prioritera funktionen i början. Urban Companys kostnad per minut steg markant under februari och mars när de lade till mer intelligens i sina agenter. Sedan sjönk den under startnivån. Fokusera på att få användningsfallet att fungera. Kostnadsoptimering kan komma senare, och den går snabbare än du tror när du förstår var ineffektiviteten finns.
2. Små förändringar får oproportionerligt stor effekt. Conversational AI handlar helt om detaljerna. Urban Company lade till en kort ljudbuffert med ”kontrollerar...” innan informationen gavs – trots att API:et svarar på millisekunder. Pausen fick svaret att kännas som om agenten faktiskt hade slagit upp något. Den enda ändringen förbättrade ett viktigt nyckeltal med 30 %. Kör experiment kontinuerligt – Urban Company har för närvarande omkring 15 A/B-tester igång på 1 % av trafiken vid varje given tidpunkt.
3. Dela upp prompter, laga dem inte. Om en prompt hallucinerar eller tappar riktning är instinkten att rätta till den. UC:s metod är att dela upp den – i mindre, fokuserade prompter med en specifik uppgift var och förse dem med riktade verktygsanrop. Deras flöde för partnersupport använder 50–60 prompter som utför avgränsade uppgifter, i stället för en prompt som försöker hantera allt.
4. Bygg din uppföljningsbibel innan du skalar upp. Urban Company följer sina indatamått noggrant: genomsnittlig samtalslängd, ord per minut för både agenten och användaren, samtalsvändor per minut, andel vitt brus och andel som inte går att nå. Deras viktigaste mått är lösningsgrad – de frågar partnern i slutet av samtalet om problemet löstes. Att lyssna på samtal är fortfarande sättet de upptäcker det som siffrorna missar.
5. Hantera språkidentifiering, fråga inte om den. Att fråga användare ”vilket språk föredrar du?” bryter samtalsflödet. Urban Company försökte identifiera språk utifrån partnernas efternamn och fick för många falska positiva träffar. Deras nuvarande metod: vilket språk partnern än talar under de första 30 sekunderna av ett samtal låses för alla framtida samtal. Språkbyte tillåts bara i inledningen. I dag sker 20 % av Urban Companys samtal på lokala språk – andra språk än hindi och engelska.
6. Hantera latens som ett teknikproblem. Analysera varje millisekund. Identifiera vart tiden faktiskt tar vägen – datahämtning, modellinferens, nätverk – och optimera varje del var för sig. Använd utfyllnadsord som passar sammanhanget för att dölja bearbetningstid, men anpassa dem till prompten: en hälsningsagent säger ”trevligt att höra från dig”, en operativ agent säger ”låt mig kontrollera det”. Utfyllnadsorden ska kännas som naturligt tal. 

Se hela sessionen

Se hela webbinariet här.