ในเดือนกุมภาพันธ์ 2024 CEO ของ Klarna ประกาศว่า AI ของบริษัททำงานแทนพนักงานบริการลูกค้าได้ถึง 700 คน คำพูดนี้ปรากฏในสื่อธุรกิจแทบทุกสำนัก จนกลายเป็นตัวอย่างที่ใช้อ้างอิงกันประจำว่า “AI กำลังเข้ามาแทนที่งานที่ใช้ความรู้” ผู้นำด้าน CX ที่เคยระมัดระวังเรื่อง AI ก็ถูกคณะกรรมการบริษัทถามว่าทำไมจึงยังไม่ทำแบบเดียวกัน
พอถึงเดือนพฤษภาคม 2025 Klarna ก็เริ่มกลับมาจ้างพนักงานอย่างเงียบๆ และเมื่อถึงต้นปี 2026 การจ้างงานกลับก็เดินหน้าไปมากแล้ว CEO ยอมรับต่อสาธารณะว่าบริษัทปล่อยให้เรื่องต้นทุนสำคัญกว่าคุณภาพ และกำลังได้รับผลกระทบในรูปของความพึงพอใจของลูกค้าที่ลดลง
สื่อนำเสนอเรื่องนี้ว่าเป็นกรณีที่ AI ยังดีไม่พอ แต่นั่นเป็นการตีความที่ผิด AI ทำงานตรงตามที่ถูกออกแบบไว้ทุกประการ และนั่นคือปัญหาที่แท้จริง บทเรียนจากเรื่องนี้จึงเจาะจงกว่าและมีประโยชน์กว่าสิ่งที่คนส่วนใหญ่สรุปจากพาดหัวข่าว
เราเคยเขียนถึงผลกระทบต่อคนจากความผิดพลาดครั้งนั้นไปแล้วเมื่อต้นปีนี้ บทความนี้จะพูดถึงอีกเรื่องหนึ่ง นั่นคือปัญหาด้านการวัดผลที่ทำให้ทั้งหมดนี้เกิดขึ้นได้
ทุกคนวัดผิดสิ่ง
เมื่อ Klarna ประกาศครั้งแรก ตัวเลขที่ถูกชูเป็นพาดหัวคือ containment หรือจำนวนบทสนทนากับลูกค้าที่ AI รับไว้ได้ก่อนจะถึงมือพนักงาน ซึ่งอยู่ที่สองในสามถึงสามในสี่ของการติดต่อทั้งหมด แล้วแต่ว่าอ้างจากแหล่งไหน เป็นตัวเลขที่น่าประทับใจ แต่แทบไม่เกี่ยวข้องเลยกับการที่ปัญหาของลูกค้าได้รับการแก้ไขจริงหรือไม่
Containment วัดแค่ว่า AI รับบทสนทนาไว้ได้หรือไม่ ลูกค้าที่ติดต่อฝ่ายซัพพอร์ต 2 ครั้งด้วยปัญหาเดิมจะถูกนับเป็น containment 2 ครั้งหาก AI จัดการทั้งสองครั้ง ลูกค้าที่ยอมรับคำตอบผิดแล้วล้มเลิกไปก็ยังถูกนับ ลูกค้าที่หงุดหงิดจนถึงขั้นยื่นปฏิเสธรายการชำระเงินกับบัตรก็ยังถูกนับ ตัวชี้วัดนี้สะท้อนได้แค่ปริมาณ แต่ไม่ได้บอกอะไรเกี่ยวกับผลลัพธ์เลย
AI ของ Klarna ทำได้ตรงตามสิ่งที่ถูกใช้วัดผลทุกประการ ปัญหาอยู่ที่การวัดผล ความแตกต่างนี้สำคัญอย่างยิ่งสำหรับผู้นำ CX ทุกคนที่กำลังประเมินผู้ให้บริการ AI อยู่ในขณะนี้
คะแนน CSAT ลดลงก่อนที่ตัวชี้วัดด้านปริมาณของ Klarna จะขยับ ซึ่งเป็นสิ่งที่คาดได้อยู่แล้วหาก containment กับการแก้ปัญหาแบบอัตโนมัติกำลังไปคนละทิศทาง สัญญาณมีให้เห็นอยู่แล้ว แต่ไม่มีใครสังเกตเห็นช่องว่างนี้ จนกระทั่งผลลัพธ์แย่ลงมากพอที่จะปรากฏในตัวเลขที่ผู้บริหารเฝ้าดูจริงๆ
ทำไม containment จึงกลายเป็นตัวชี้วัดหลักตั้งแต่แรก
Resolution นิยามได้ยากกว่า และนั่นคือเหตุผลหลักที่อุตสาหกรรมหันไปใช้ containment เป็นค่าเริ่มต้น ปัญหาของลูกค้าได้รับการแก้ไขจริงหรือไม่? การจะตอบคำถามนี้ได้ ต้องรู้ว่าปัญหาคืออะไร คำตอบตรงประเด็นหรือไม่ และลูกค้ากลับมาติดต่ออีกหรือเปล่า ขณะที่ containment แค่นับบทสนทนาที่จบลงโดยไม่มีพนักงานเข้ามาเกี่ยวข้อง
บริษัทที่ยังไปได้ดีในตลาดปัจจุบันวางระบบการวัดผลบนคำถามที่ยากกว่าเหล่านี้มาตั้งแต่ต้น อัตราการติดต่อซ้ำ (repeat-contact rate) หรือการที่ลูกค้ารายเดิมเปิดทิกเก็ตด้วยปัญหาเดิมอีกครั้งภายใน 14 วัน คือสัญญาณด้าน resolution ที่ชัดเจนที่สุด และเป็นตัวชี้วัดที่การใช้งานส่วนใหญ่ข้ามไป เพราะต้องติดตามข้ามบทสนทนา ไม่ใช่แค่ภายในบทสนทนาเดียว CSAT ระดับการติดต่อแต่ละครั้งสำคัญกว่าค่ารวม และการมองการส่งต่อ (escalation) เป็นข้อมูลต่อเนื่องที่ชี้ว่าความรู้ของเอเจนต์ AIยังขาดตรงไหน มีคุณค่ามากกว่าที่ทีมส่วนใหญ่คิด
ข้อมูลของ Maven จากการใช้งานในองค์กรต่างๆ แสดงรูปแบบนี้อย่างชัดเจน ลูกค้าที่ยึดตัวชี้วัด containment จะพัฒนาไปถึงจุดหนึ่งแล้วหยุดนิ่ง ส่วนลูกค้าที่ยึดอัตราการแก้ปัญหาได้ตั้งแต่การติดต่อครั้งแรก อัตราส่วน deflection ต่อ resolution และความถี่ของการติดต่อซ้ำ ยังคงพัฒนาต่อไปได้เรื่อยๆ เพราะวงจรฟีดแบ็กของพวกเขาเชื่อมโยงกับผลลัพธ์จริง
การตัดสินใจเชิงโครงสร้างที่ทำให้ปัญหาการวัดผลกลายเป็นหายนะ
Klarna ลดจำนวนพนักงานก่อนที่คุณภาพที่ถดถอยจะปรากฏให้เห็นในข้อมูล ตรรกะนี้ฟังขึ้น เพราะเมื่อ AI รับปริมาณงานได้ ก็ลดกำลังคนลงได้ แต่ปัญหาคุณภาพจะสะสมอย่างช้าๆ โดยเริ่มปรากฏใน CSAT ตามด้วยการติดต่อซ้ำ จากนั้นคือ churn และสุดท้ายคือตัวเลขรายได้ ซึ่งโดยธรรมชาติเป็นข้อมูลย้อนหลัง กว่าสัญญาณจะชัดเจน กำลังคนสำรองที่จะใช้กู้สถานการณ์ก็ไม่เหลือแล้ว
นี่คือส่วนของเรื่อง Klarna ที่ถูกมองข้ามไปในเรื่องเล่าว่า “AI ล้มเหลว” เทคโนโลยีไม่ได้ล้มเหลว แต่โครงสร้างการนำไปใช้ต่างหากที่ล้มเหลว โดยเฉพาะการตัดสินใจลดกำลังคนก่อนจะยืนยันได้ว่า AI แก้ปัญหาได้จริง ไม่ใช่แค่รับบทสนทนาไว้
การใช้งานที่หลีกเลี่ยงปัญหานี้ได้ไม่ได้เริ่มจากการลดคน แต่เริ่มจากการปรับโครงสร้าง ทีมซัพพอร์ตหันไปดูแลเคสที่ถูกส่งต่อ การตรวจสอบคุณภาพ และงาน customer success ซึ่งเป็นบทบาทที่ต้องใช้วิจารณญาณที่ AI ทดแทนไม่ได้จริงๆ การลดจำนวนพนักงานเป็นผลจากการปรับโครงสร้างนั้น ไม่ใช่จากแนวคิดที่ตั้งต้นด้วยการลดคน ความต่างนี้อาจดูเล็กน้อย แต่ผลลัพธ์ต่างกันมาก
ผู้ซื้อระดับองค์กรเปลี่ยนไปอย่างไรหลังกรณี Klarna
เรื่องนี้เร่งให้สิ่งที่กำลังเกิดขึ้นในการจัดซื้ออยู่แล้วเร็วยิ่งขึ้น ผู้นำ CX ระดับองค์กรที่ซื้อโซลูชันในวันนี้ถามถึงอัตราการแก้ปัญหาได้ตั้งแต่การติดต่อครั้งแรก ไม่ใช่ containment พวกเขาถามว่าจะเกิดอะไรขึ้นเมื่อ AI ตอบผิด ไม่ใช่แค่ถามว่าตอบถูกบ่อยแค่ไหน และต้องการข้อมูลการติดต่อซ้ำจากการใช้งานจริงใน production ไม่ใช่คะแนนความแม่นยำจากเดโมในสภาพแวดล้อมที่ควบคุมไว้
การเปลี่ยนแปลงนี้เห็นได้ชัดในวงจรการปิดดีล ผู้ให้บริการที่ตอบคำถามเหล่านี้ได้ด้วยข้อมูลลูกค้าจริงปิดดีลได้เร็วขึ้น ส่วนผู้ที่ยังชูตัวเลข containment เป็นจุดขายต้องเจอคำถามที่ยากขึ้นและกระบวนการที่ยาวขึ้น มาตรฐานของการ “พิสูจน์ให้เห็น” สูงขึ้นแล้ว และ Klarna คือเหตุผลสำคัญข้อหนึ่ง
การใช้งานที่ไปได้ดีจริงเป็นอย่างไร
Clio ประเมินผู้ให้บริการ AI 32 ราย และทดสอบอย่างเข้มข้น 10 ราย ก่อนเลือกใช้ Maven ปัจจุบันพวกเขาแก้ปัญหาที่เข้ามาทางแชทได้แบบอัตโนมัติ 80% และปิดทิกเก็ตโดยรวมได้มากกว่าระบบเดิม 60% ทีมซัพพอร์ตไม่ได้เล็กลง แต่หันไปทำงานที่มีมูลค่าสูงขึ้น ตัวชี้วัดที่พวกเขาติดตามคือ resolution ไม่ใช่ deflection อ่านเรื่องราวฉบับเต็ม
Papaya Pay ผู้ให้บริการชำระเงินข้ามพรมแดนภายใต้การกำกับดูแล ทำอัตราการแก้ปัญหาแบบอัตโนมัติได้ 90% ข้อกำหนดด้าน compliance ที่ทุกการติดต่อต้องตรวจสอบได้ ทุกการส่งต่อต้องติดตามย้อนกลับได้ และต้องเป็นไปตามมาตรฐาน SOC 2, HIPAA และ PCI-DSS บังคับให้เกิดวินัยด้าน resolution แบบที่การใช้งานส่วนใหญ่มองข้าม และปรากฏว่าวินัยนี้คือจุดแข็ง ไม่ใช่ข้อจำกัด
ทั้งสองกรณีไม่ได้เริ่มจากการถามว่าจะลดคนได้กี่คน แต่เริ่มจากการถามว่า “แก้ปัญหาได้” หมายความว่าอะไรกันแน่
ควรทำอย่างไรหากคุณกำลังประเมินผู้ให้บริการ AI อยู่ตอนนี้นิยาม resolution ให้ชัดก่อนนำสิ่งใดไปใช้ กำหนดว่า “แก้ปัญหาได้” หมายถึงอะไร ไม่ว่าจะเป็นการแก้ปัญหาได้ตั้งแต่การติดต่อครั้งแรก การไม่มีการติดต่อซ้ำภายใน 14 วัน หรือการทำงานที่กำหนดไว้ให้สำเร็จ แล้วใช้สิ่งนั้นเป็นเกณฑ์ความสำเร็จตั้งแต่วันแรก หากผู้ให้บริการของคุณบอกไม่ได้ว่าจะวัดผลอย่างไร นั่นก็คือคำตอบแล้ว คู่มือ deflection vs. resolution ของเราอธิบายวิธีตั้งค่าเรื่องนี้อย่างละเอียด
ติดตามอัตราการติดต่อซ้ำเป็นตัวชี้วัดหลัก แสดงไว้บนแดชบอร์ดคู่กับ CSAT ตามปกติ และใช้เป็นวงจรฟีดแบ็กเพื่อปรับฐานความรู้ของเอเจนต์ AIและพฤติกรรมของเอเจนต์ หากลูกค้ารายเดิมกลับมาด้วยปัญหาเดิมซ้ำๆ นั่นคือความล้มเหลวด้าน resolution ไม่ใช่ทิกเก็ตใหม่
มองข้อมูลการส่งต่อเป็นสัญญาณ ไม่ใช่แค่ขั้นตอนหนึ่งในเวิร์กโฟลว์ ทุกการส่งต่อบอกให้รู้ว่าความรู้หรืออำนาจในการตัดสินใจของ AI ยังขาดตรงไหน ทีมที่พัฒนาได้เร็วที่สุดใช้ข้อมูลนี้อย่างต่อเนื่อง แพลตฟอร์มเอเจนต์ AI ระดับองค์กร ควรทำให้ดึงข้อมูลนี้ออกมาดูได้ง่าย ไม่ใช่สิ่งที่ต้องขุดหาเอง
กำหนดให้ครอบคลุมทุกช่องทางแบบรวมศูนย์ตั้งแต่เริ่มต้น ลูกค้าที่โทรมา แล้วส่งอีเมล แล้วเปิดแชท ไม่ควรต้องเล่าเรื่องเดิมซ้ำ การแก้ปัญหาแบบรวมศูนย์ทั้งแชท เสียง และอีเมล คือสิ่งที่ผลักดันตัวเลขผลลัพธ์ ไม่ใช่ระบบอัตโนมัติช่องทางเดียวที่ดูดีแค่ในเดโม
อย่าลดจำนวนพนักงานก่อนยืนยันคุณภาพในระดับสเกลจริง วางแผนการปรับเปลี่ยนบุคลากรไปพร้อมกับการนำเทคโนโลยีมาใช้ ไม่ใช่หลังจากนั้น บทบาทจะเปลี่ยนไป โดยพนักงานจะหันไปดูแลเคสที่ถูกส่งต่อ การตรวจสอบคุณภาพ และการจัดการกรณีพิเศษ แต่การเปลี่ยนผ่านนี้ต้องได้รับการออกแบบ ไม่ใช่ปล่อยให้เกิดขึ้นเอง
บทสรุป
การคาดการณ์ของ Gartner ว่าการติดต่อฝ่ายบริการลูกค้า 80% จะมี AI เข้ามาเกี่ยวข้องภายในปี 2029 ยังคงดูเป็นไปได้ 2 ปีที่ผ่านมาไม่ได้เปลี่ยนจุดหมาย แต่ทำให้เห็นชัดขึ้นว่าเส้นทางไหนพาไปถึง และเส้นทางไหนจบลงด้วยการกลับลำต่อหน้าสาธารณชนและการประกาศจ้างพนักงานกลับ
บริษัทที่จะไปถึงการแก้ปัญหาแบบอัตโนมัติ 80% คือบริษัทที่นิยาม resolution อย่างถูกต้องก่อนนำสิ่งใดไปใช้ ทำให้ AI รับผิดชอบตามนิยามนั้น และวางแผนการเปลี่ยนผ่านด้านบุคลากรไว้ตั้งแต่ต้น ส่วนบริษัทที่มุ่งเพิ่ม containment ลดคนเร็วเกินไป และวัดจำนวนบทสนทนาแทนผลลัพธ์ คือบริษัทที่กลายเป็นกรณีศึกษาเตือนใจ
เรื่องของ Klarna ไม่ใช่คำเตือนเรื่องขีดความสามารถของ AI แต่เป็นคำเตือนว่าจะเกิดอะไรขึ้นเมื่อระบบที่มีความสามารถถูกตั้งเป้าไปผิดทาง
หากคุณกำลังประเมินโซลูชันบริการลูกค้าด้วย AI และต้องการกรอบในการเปรียบเทียบด้วยตัวชี้วัดที่สำคัญจริง คู่มือ deflection vs. resolution ของเราอธิบายอย่างละเอียดว่าจะสร้าง business case ที่น่าเชื่อถือได้อย่างไร หรือจองเดโม เพื่อดูว่าตัวเลข resolution ของ Maven เทียบกับระบบที่คุณใช้อยู่ในปัจจุบันเป็นอย่างไร
ทดลองกับบทสนทนาของคุณเอง
ขอรับเดโมเฉพาะสำหรับคุณฟรี
