AI-kunskapsbas för kundtjänst: så fungerar den och så bygger du en

De flesta AI-agenter för support använder någon form av retrieval-augmented generation (RAG). AWS beskriver RAG som en teknik som kompletterar en stor språkmodell med extern data, till exempel ett företags interna dokument. I korthet:

1. Dina dokument omvandlas till embeddings – numeriska representationer av texten – och lagras i en vektordatabas. Det är ett engångssteg vid uppsättningen.
2. En kund ställer en fråga med vanligt språk.
3. Systemet gör en likhetssökning i vektordatabasen och lägger till de avsnitt det hittar i prompten som kontext.
4. Språkmodellen skriver sitt svar med hjälp av den kontexten.

Två saker följer av detta. AI:n kan inte svara utifrån sådant som inte är nedskrivet, och den arbetar med delar av artiklar snarare än med hela ditt hjälpcenter. Freshdesks vägledning gör samma poäng: Freddy AI hämtar och använder artiklar var för sig, så om en artikel utelämnar definitioner eller sammanhang kan AI:n göra antaganden eller ge ofullständiga svar.

De stora helpdeskarna har detta inbyggt. Zendesks AI-agenter kan använda generativa svar i meddelanden och e-post, kopplade till flera kunskapskällor, med sökregler som styr vilka källor som genomsöks under vissa villkor. I Jira Service Management visas artiklar från ett länkat Confluence-utrymme i hjälpcentret, i sökningen i kunskapsbasen och i den virtuella serviceagenten.

En praktisk detalj: i Freshdesk visas en kategori eller mapp på kundportalen först när minst en artikel i den är publicerad. För AI-svar spelar det större roll vad varje artikel säger än var den ligger; hierarkin hjälper främst människor som bläddrar.

Freshdesk publicerar vägledning om hur man skriver kunskapsinnehåll för Freddy AI, och den gäller för all AI som bygger på hämtning:

• Håll varje artikel till ett enda ämne, och ange när informationen gäller och när den inte gör det.
• Länka till relaterade artiklar i stället för att bädda in sekundära arbetsflöden.
• Dela upp uppsättning, användning och felsökning i separata artiklar när de tjänar olika syften.
• Gör varje artikel fristående: definiera de begrepp och det sammanhang den bygger på.
• Använd en rubrik på högsta nivån för artikelns syfte, och rubriker på lägre nivåer för att skilja uppgifter, alternativ eller begrepp åt.

Lägg till några egna vanor. Ge artiklarna rubriker med de ord som kunderna faktiskt använder, inte interna produktnamn. Lägg svaret på de första raderna och stegen därefter. Håll exakta värden – gränser, tidsfrister, priser – på ett ställe och länka dit, så att en ändring inte lämnar kvar två olika siffror som AI:n måste välja mellan. Och börja där ärendena finns: några veckors ärenden grupperade efter ämne visar vilka artiklar du ska skriva eller laga först.

En inaktuell artikel blir ett självsäkert men felaktigt AI-svar, så ge varje artikel en ägare och en granskningsrytm. Zendesk stöder detta med artikelverifiering: kunskapsadministratörer ställer in verifieringsregler som flaggar artiklar för granskning utifrån filter och intervall – till exempel var tredje månad för artiklar med en viss etikett, i en viss kategori eller som inte har uppdaterats på ett tag – och artikelägarna får påminnelser via e-post om att verifiera dem. Kontrollera om din plan omfattar funktionen innan du räknar med den.

Schemalagda granskningar fångar en långsam glidning. De här händelserna bör utlösa en uppdatering direkt:

• En ändring av produkt, pris eller policy: uppdatera artiklarna senast på lanseringsdagen.
• En agent besvarar ett ärende som kunskapsbasen inte täcker: skapa eller flagga en artikel.
• AI:n lämnar över ett samtal till en person eftersom den inte kunde svara: granska den frågan.
• Två artiklar ger olika svar: slå ihop dem och avpublicera dubbletten.

Mät om artiklarna förhindrar ärenden, inte bara om folk läser dem. Håll definitionerna desamma varje månad så att trenden betyder något.

TascaLab bygger chattbottar ovanpå de verktyg du redan använder – Zendesk, Freshdesk, Jira, Slack eller interna system – via API:er, webhooks och Make eller n8n, så att din kunskapsbas stannar där den är. Starter Chat Bot (4 000 kr, engångspris) täcker 1–2 kanaler och Standard Chat Bot (5 700 kr) täcker 3–5, på din webbplats, i telefon, WhatsApp, Telegram, Facebook Messenger och Instagram. Arbetsflöden för underhåll, till exempel påminnelser om att granska inaktuella artiklar, passar i Custom Automation (från 11 900 kr).

De flesta uppsättningar tar 1–3 veckor. Varje projekt omfattar 30 dagars support efter lansering och grundläggande dokumentation, utan dolda avgifter, och du kan börja med ett kostnadsfritt Health Check-samtal på 30 minuter.