تنفيذ Copilot الذكاء الاصطناعي لخدمة عملاء 3PL: كيفية تقليل 40% من حجم المكالمات من خلال الاستعلامات والتعديلات والإخطارات الاستثنائية

عميل متخصص في 3PL عابر الحدود يستقبل ستمائة مكالمة يومياً خلال موسم الذروة. ذهبنا إلى موقع العمل وأمضينا ثلاثة أيام هناك، وصنفنا كل مكالمة واحدة. ما وجدناه كان لافتاً: في ما يقارب نصف المكالمات، يقول وكلاء الخدمة أشياء متطابقة تماماً — 'دعني أتحقق لك'، 'ما رقم الشحنة؟'، 'وصل بالفعل إلى مركز الفرز'. الموظفون جالسون هناك وكأنهم آلات بحث فقط.

هنا يبدأ عملنا مع الذكاء الاصطناعي لخدمة عملاء الخدمات اللوجستية. السؤال الأول ليس 'ماذا يمكن للذكاء الاصطناعي أن يفعل؟'، بل 'كيف يبدو حجم مكالماتك؟'. والسبب أن خدمة عملاء 3PL تختلف عن خدمة العملاء العادية: ثلاث جهات تتصل بك — الشاحنون والمستقبلون والمنصات — يسألون عن أشياء منظمة جداً، لكنها معلقة في عدة أنظمة — WMS و TMS و API الشاحنين وقاعدة بيانات طلباتك. هل يمكن تقليل عبء المكالمات يعتمد كلياً على ما إذا كان Copilot يستطيع ربط هذه الأنظمة والقراءة والكتابة عليها.

لا تتحدث عن الذكاء الاصطناعي أولاً، افصل حجم المكالمات أولاً

عادتنا هي أنه قبل أي تنفيذ، نجري جرد شامل لحجم المكالمات لمدة أسبوعين: نسخ المكالمات كلمة بكلمة، وتصنيف حسب الموضوع، وتصنيف المشاعر، ووسم كل مكالمة تحتاج فعلاً إلى إنسان. مكالمات 3PL عادة تندرج ضمن هذه الفئات، والصعوبة في أتمتتها تختلف كثيراً:

عندما تفتح هذا الجدول، هدف 'تقليل 40% من حجم المكالمات' ينتقل من مجرد شعار إلى أرقام حقيقية يمكن حسابها: من فئة تتبع الطرود وحدها، إذا وصلنا إلى 80% أتمتة، سينخفض إجمالي حجم المكالمات بحوالي 30% على الفور؛ وإذا تعاملنا مع نصف تعديلات الطلبات التي لها هيكل واضح، نصل إلى 40%. هذا ليس تقديراً متفائلاً — إنه الحجم الفعلي الذي طبقناه في حالتي 3PL.

تتبع الطرود سهل، لكن حتى السهل يمكن أن يخطئ

تتبع الطرود سهل لأنه عملية قراءة فقط — Copilot فقط يحتاج أن يبحث ويشرح بوضوح، دون أن يلمس أي بيانات، المخاطر منخفضة جداً. طريقتنا هي جعل Copilot يربط ثلاث مصادر مباشرة: قاعدة البيانات الداخلية توفر رقم الطلب والعناصر، WMS يوفر حالة الخروج، API الشاحن يوفر تتبع الميل الأخير. بغض النظر عما إذا دخل المستخدم من LINE أو موقع الويب أو الهاتف، عندما يسأل 'أين طردي؟'، الرد هو 'وصل إلى مركز فرز Taoyuan بالأمس الساعة 18:40، من المتوقع التسليم غداً صباحاً، السائق هو Black Cat'.

لكننا وطئنا على لغم واحد، وأخبركم به ليتجنب الآخرون نفس الخطأ: تتبع الشاحن قد يتأخر في التحديث أحياناً، أو رموز الحالة قد لا تكون متسقة (نفس 'قيد التسليم' قد يعني شيئاً مختلفاً بين شركات الشحن). في النسخة الأولى، دعنا AI يقرأ رموز الحالة كما هي، والنتيجة أن المستقبلين انخدعوا ب'تم التسليم'، لكن الطرود كانت لا تزال على الشاحنات، وزادت الشكاوى بدلاً من أن تنخفض. لاحقاً، أضفنا طبقة من القواعد — عندما يتجاوز طابع وقت الحالة عتبة معينة، أو تتعارض المصادر المتعددة، لا يأخذ Copilot قراراً بنفسه، بل يقول 'يظهر في النظام…، سأتحقق مع السائق وأعود إليك'، مع إنشاء تذكرة عمل في نفس الوقت. من الأفضل أن تكون حذراً، ولا تتحدث بثقة عن شيء خاطئ.

تعديل الطلبات والاستثناءات: الفاصل الحقيقي للأتمتة

تعديل الطلبات يبدأ بتطلب عمليات كتابة، وهي أكثر جزء يحتاج إلى حذر في التصميم. مبدأنا هو استخدام 'نقطة الخروج من المستودع' كإشارة مرور: ما دام الطلب لم يتم اختياره، Copilot يمكنه كتابة تعديلات العناوين وفترات التسليم مباشرة إلى TMS وتغييرها فوراً؛ بمجرد دخول مرحلة الاختيار أو تحميل الطرد على السيارة، أي تغيير يذهب للعامل البشري، لأن أي تعديل في هذه المرحلة قد يؤثر على المسارات أو رسوم الشحن أو حتى الإرجاع. يجب تحديد موقع هذا الخط مع فريق العمليات، ليس من قبل فريق الهندسة وحده.

الإخطارات الاستثنائية هي الأصعب، لكنها أيضاً الأكثر جدارة بالقيام بها. صعوبتها تكمن في تحديد المسؤولية والعواطف العالية؛ لكن قيمتها تكمن في أنه حتى لو لم يستطع AI إغلاق الحالة، يمكنه إنجاز 'فتح الحالة' — وهي عملية تستغرق وقتاً طويلاً — فقط بطرح أسئلة واضحة عن صور الضرر ورقم الطلب والعناصر والطريقة المتوقعة للحل، وهيكلها كتذكرة عمل ومررها للشخص المناسب. عندما يأخذ وكيل الخدمة الدور، فإن أول خمس دقائق من الأسئلة والأجوبة قد تم توفيرها بالفعل. قسنا، حتى لو تم أتمتة 30-40% فقط من هذا النوع من المكالمات، متوسط وقت المعالجة (AHT) ينخفض بأكثر من 20%.

تقسيم العمل بين الإنسان والآلة، وليس تطريد الناس

ما يحدد النجاح أو الفشل بعد التنفيذ ليس مدى ذكاء الذكاء الاصطناعي، بل تصميم التصعيد (escalation). نحن نضع لكل حالة 3PL ثلاثة خطوط صارمة لتصعيد العمل للإنسان: أولاً، عندما يكتشف كشف المشاعر عدم رضا واضح، يتم التصعيد فوراً، ولا نترك AI يصر؛ ثانياً، عندما لا ينجح AI في حل نفس المشكلة بعد جولتين، يتم التصعيد؛ ثالثاً، أي شيء يتعلق بالمبالغ أو التعويضات أو العقود يذهب مباشرة للإنسان. عند التصعيد، يجب نقل السياق الكامل للحوار، حتى لا يضطر وكيل الخدمة لسؤال 'ما رقم طلبك؟' مرة أخرى — إذا لم يكن انتقال المسؤولية سلساً، ستنهار ثقة العملاء في النظام بأكمله فوراً.

بعد ربع سنة من التشغيل، انخفض حجم مكالمات ذلك العميل بحوالي 43%، ولم يتم تسريح أي موظف من فريق خدمة العملاء، بل تم نقل الموارد المتحررة للقيام برعاية استثنائية استباقية — عندما يتأخر الطرد، يتصلون بالشاحن بنشاط، بدلاً من الانتظار حتى يتصل الشاحن غاضباً. هذا ما نريد أن نرى: AI يتولى المهام المتكررة، والبشر يقومون بما يستطيع البشر فقط أن يفعلوه بشكل جيد.

دعني أعود إلى الجملة التي نرددها دائماً: العروض التوضيحية الجميلة لا تحتسب، فقط ما يدخل الإنتاج وفعلاً يستخدمه الناس يحتسب. لذا في Tenten، لا نبدأ أبداً بتنفيذ الذكاء الاصطناعي لخدمة عملاء الخدمات اللوجستية من النموذج، بل نبدأ بمراقبة حجم مكالماتك بعمق، نحسب نسبة الأتمتة بوضوح، ثم نوصل كل فئة تدريجياً بأنظمة الإنتاج، ونبقي المهندسين في الموقع حتى تنمو معدلات الاستخدام فعلاً. هذا أبطأ، لكنها الطريقة الوحيدة التي ستبقى.