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

De flesta supportteam stöter på en gräns när de försöker skala upp. De anställer fler handläggare, kostnaderna stiger, kvaliteten förblir ojämn och säsongstoppar ställer till det. 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, om hur företaget införde röst-AI i sin partnersupport – och vad som hände med kvaliteten, kostnaderna och samtalsvolymen.

Gigekonomins supportproblem

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

Trots detta väljer många plattformar fortfarande chatt, 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 ett sätt att kommunicera som passar hur den här arbetsstyrkan arbetar. Frågan är om den kan göra det med den kvalitet och i den skala som gigekonomins verksamheter kräver.

Varför röst var rätt kanal för gigarbetare

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

Dessa partners 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 supportloggar för chatt såg de att partners skickade fragmenterade meddelanden på hinglish, laddade upp suddiga skärmbilder och, mest talande av allt, bad om att bli uppringda i chatten.

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

Mänskligt driven support i den här skalan skapar egna problem som förstärker varandra: 

1. Tio mänskliga callcenteragenter uttrycker samma sak på tio olika sätt
2. Det tar veckor att få uppdaterade SOP:er att nå ut till hela teamet
3. Och när säsongen för AC-reparationer kommer ökar samtalsvolymen utan förvarning 

Röst-AI löser alla tre: den ger konsekventa lösningar varje gång, anpassar sig direkt till ny information och kan skalas 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 medarbetare lyssnade på inspelningar från flera leverantörer och röstade. När användarna är gigarbetare som bygger förtroende för en plattform är röstkvaliteten inte en preferens, utan en förutsättning.

Bakom Urban Companys agenter

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

Partnersupport – Partner kan ringa via appen när som helst under ett jobb och få hjälp med det de ställs inför, från kundtvister och betalningsproblem till problem med att slutföra jobbet.

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

Instahelp – Ett interaktionslager utan app för partner som inte lätt kan läsa eller skriva. Partner hanterar sina jobb, abonnemang och frågor helt via röst, utan behov av 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 det ens var möjligt har vuxit till ett team på 30 personer som bygger och implementerar röst-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 adress. Kunden tackar nej till jobbet på grund av ett strömavbrott, och partnern behöver boka om utan att få en avbokningsavgift.

Det här visades:

• Partnern ringer UC:s support via appen och kommer till en AI-agent (Anjali)
• Anjali bekräftar jobbets detaljer och ber partnern vänta
• Samtidigt ringer en andra agent (Vidhi) kunden direkt
• Vidhi bekräftar orsaken till avbokningen, erbjuder en ombokning till samma tid följande morgon och bokar den
• Anjali återkommer till partnern med lösningen: jobbet 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 samtalet med partnern, en annan löser kundens problem i realtid – och samordnas för att nå en lösning som ingen av dem skulle kunna åstadkomma på egen hand. Urban Company använder 50 till 60+ promptvarianter inom partnersupport, och enskilda interaktioner kan ibland omfatta 7 till 10 underagenter som arbetar i följd.

Bästa praxis

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

1. Prioritera funktion till en början. Urban Companys kostnad per minut steg betydligt under februari och mars när de lade till mer intelligens i sina agenter. Sedan sjönk den till under den ursprungliga nivån. 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 kan få oproportionerligt stor effekt. Conversational AI handlar helt om detaljerna. Urban Company lade till ett kort ljudinslag med ”kontrollerar...” innan informationen gavs – trots att API svarar på millisekunder. Pausen fick svaret att kännas som om agenten faktiskt hade kontrollerat något. Den enda ändringen ökade 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 prompts, försök inte laga dem. Om en prompt hallucinerar eller glider iväg är instinkten att justera den. UC:s metod är att dela upp den – i mindre, fokuserade prompts med en specifik uppgift var, och koppla dem till riktade verktygsanrop. Deras flöde för partnersupport använder 50–60 prompts som utför avgränsade uppgifter, i stället för en enda prompt som försöker hantera allt.
4. Bygg din uppföljningsbibel innan du skalar upp. Urban Company följer ingångsmåtten mycket noga: genomsnittlig samtalslängd, ord per minut för både agenten och användaren, turer per minut, andel vitt brus och andel som inte går att nå. Deras viktigaste nyckeltal 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 språket utifrån partnernas efternamn, men fick för många falska positiva resultat. Deras nuvarande metod: det språk som partnern talar under de första 30 sekunderna av ett samtal låses för alla framtida samtal. Språkbyte tillåts endast i inledningen. I dag sker 20 % av Urban Companys samtal på lokala språk – varken hindi eller engelska.
6. Hantera latens som ett tekniskt problem. Analysera varje millisekund. Identifiera vart tiden faktiskt tar vägen – datahämtning, modellinferens, nätverk – och optimera varje del separat. Använd utfyllnadsord som passar sammanhanget för att dölja bearbetningstiden, men anpassa dem till prompten: en hälsningsagent säger ”kul 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.