您正试图部署企业的人工智能聊天机器人。您已经确保其能够识别并回应各种客户请求的数据——取消订单、订单追踪和账户更新。但随后，它又遇到了另一个障碍。面对退款问题时，聊天机器人开始力不从心。它反复要求客户再次检查账户信息或输入交易编号，更糟糕的是，还会陷入无限加载启动画面的循环。 

问题不仅仅出在您的聊天机器人上。2023年的一项Gartner调查显示，在解决账单争议的整个过程中，只有17%的客户在某个阶段使用了聊天机器人并成功解决了问题。 

障碍有时源于技术复杂性，例如与旧版或多个后端系统集成以检索数据，或者即使数据本身准确无误，也无法有效处理这些数据。事实上，对于62%的客户体验（CX）领导者而言，人工智能和生成式人工智能（GenAI）的技术成熟度不足仍是一大障碍。 

在本系列文章的第一和第二部分中，我们探讨了数据质量不佳如何阻碍人工智能在客户体验方面的潜力。但即使有正确的数据，人工智能仍可能栽跟头。在本系列的第三部分中，我们将解除一些技术陷阱，并探讨为何即使是最有前景的人工智能解决方案在实际应用中也会失手。 

算法挑战：过拟合、欠拟合和模型漂移 

过拟合发生在人工智能模型过于专注于其训练的特定数据时。例如，一个电商聊天机器人在与回头客互动时可能表现良好，但面对新客户时可能会力不从心。为了解决这一问题，可以丰富训练数据，确保模型能够学习处理更广泛的场景。 

相反，欠拟合是指模型过于简单。例如，如果人工智能客户反馈系统欠拟合，它可能会将微妙的评论笼统地归为“正面”或“负面”。解决这一问题需要改进模型的学习方式，以帮助其捕捉更细微的模式并更准确地区分客户查询。  

许多人正在利用人工生成的数据来解决数据不可获取、复杂或稀缺的问题。在Gartner Peer Community的一项调查中，63%的数据和分析领导者报告称使用了部分合成的文本数据，并看到了模型准确性和效率的提升。然而，这也有其自身的局限性。实施不当可能导致新的偏见和不准确性。 

另一方面，模型漂移是指人工智能模型的有效性随着时间的推移而降低，因为它不再反映当前客户的行为。例如，一项调查显示，在过去三年中，八成直接与客户打交道的员工观察到消费者行为发生了重大变化，如要求更高水平的服务和更多虚拟服务选项。高层管理人员也持相同看法：95%的B2C和B2B高管认为他们的客户变化速度超过了企业的适应能力。为了缓解这一问题，企业需要定期用新数据更新其人工智能模型，并持续监控其性能。 

人工智能集成：弥合技术鸿沟 

将人工智能融入现有的客户体验系统可能是一个技术雷区。以下是企业在实践中可能会遇到的一些问题： 

与遗留系统的兼容性：遗留数据库并不具备人工智能所需的高速处理能力。例如，一家零售公司试图将人工智能驱动的推荐引擎插入过时的客户关系管理（CRM）系统中，最终可能会向客户推送不相关的建议。 

2024年微软的一份调查报告显示，正在采用人工智能技术的企业领导者最担忧的技术问题是与基础设施相关的问题，包括过时的遗留系统。此外，56%的组织没有支持其所需人工智能工作负载的硬件、软件和工具，其中41%的组织指出，他们在为人工智能项目设计和实施正确的基础设施方面最需要帮助。 

数据孤岛：如果人工智能系统无法看到全局，就无法将信息串联起来。例如，一家金融服务公司可能会将银行、保险和投资数据分别存储在不同的数据库中。当该公司使用人工智能模型进行交叉销售时，可能会向客户提出不连贯的销售说辞。整合这些分散的数据通常需要创建新的数据管道或应用程序接口（API），而当系统（甚至人员）之间协作不畅时，这绝非易事。 

一项针对产品和数字体验专业人员的最新调查就是一个典型例子：86%的受访者承认，他们所在的公司正面临着数据孤岛问题，而这些问题往往源于跨职能合作和沟通的缺乏。 

统一的数据架构有助于打破这些孤岛。对于这家金融服务公司而言，这可能意味着采用一个集中式平台，将所有数据汇集到一个唯一真实的数据源中。这样做的一个好处是，支持团队能够更有效地为客户提供高度个性化的财务建议。 

数据集成和互操作性：从不同来源集成数据需要进行大量的预处理工作，如数据标注、数据清洗和数据转换。当不同的系统使用不同的“语言”，即数据格式和协议不同时，人工智能可能会在翻译过程中迷失方向，难以在不同平台之间运行。 

例如，尽管接受调查的首席信息官（CIO）和信息技术（IT）领导者对人工智能可能带来的效率和生产力提升充满期待，但95%的人承认，数据集成问题是主要障碍。他们采用人工智能，需要使用新技术并升级基础设施，这给他们的数据和技术战略增加了复杂性。 

安全性和合规性：在集成人工智能时，安全性和隐私保护不是可选项。不当处理敏感客户数据，特别是涉及跨境数据流或第三方系统时，可能会导致数据泄露、合规违规和客户信任丧失。 

定制化：近40%的美国、英国和德国企业报告称，其人工智能和生成式人工智能（GenAI）项目与业务需求不一致。许多大规模的人工智能产品通过以产品为中心的方法优先考虑广泛采用，往往忽视了与业务目标相一致的定制功能需求。这种不匹配导致人工智能的构建方式与企业的需求之间存在差距。通过识别这些差距并首先强化基础能力，企业可以更好地将这些技术应用于其用例，并更好地展示其业务价值。 

技术债务：偿还人工智能复杂性的累积负担 

技术债务是在开发过程中因仓促决策而逐渐累积的——例如跳过文档编写、推迟重构或临时集成新功能等。随着系统规模的扩大，其复杂性也随之增加。每个快速修复和临时解决方案都为潜在问题增添了新的层次。久而久之，这张错综复杂的关系网将越来越难以维护。这可能导致部署延迟、漏洞频发以及性能逐渐下降。 

在极端情况下，技术债务的累积负担可能如此沉重，以至于重新开始比继续更新更容易。事实上，近一半的首席信息官（CIO）和技术高管承认，技术债务正在阻碍他们的数字化转型进程。然而，尽管他们为偿还技术债务分配了预算，但79%的人没有正式流程来跟踪或报告技术债务。 

在客户体验（CX）领域，技术债务以逐渐削弱系统有效性和可扩展性的方式显现。以一款不断更新的AI聊天机器人为例，它集成了情感分析、多语言支持和社交媒体集成等功能。然而，为处理区域方言而进行的更新可能会与现有语言模型产生冲突，从而降低聊天机器人在解释客户查询时的准确性。 

那么，如何偿还技术债务呢？有多种最佳实践可供参考——例如审计基础设施、采用模块化设计、移除不必要的组件、定义短期和长期目标、融入新的开发方法以及建立治理机制。 

可见，这些技术挑战与人类因素密切相关——无论是在人工智能竞赛中为了获胜而缩短开发周期的压力，还是操作这些技术所需的人类专家短缺。人为因素还包括员工的抵触情绪、数据素养不足、缺乏跨职能协作或难以获得C级管理层的支持。 

今年的TDCX Talks活动将于10月10日在新加坡滨海湾金沙举行，将探讨人工智能对客户体验的影响。TDCX专家和行业领袖将讨论正在重塑企业与客户互动方式的最新人工智能趋势。TDCX Talks还将分享一些成功案例，这些企业成功应对了技术的复杂性，从而使其对人工智能的投资取得了切实成果。