AI个人学习
和实操指南

Decagon:企业级客户服务智能体解决方案

综合介绍

Decagon 是一家专注于提供企业级生成式AI客户支持解决方案的公司。其核心产品是智能AI客服智能体,能够处理复杂问题、与现有系统无缝集成,并从数据中不断学习。Decagon 的解决方案旨在通过自动化和智能化的客户服务,提升客户体验并提高运营效率。公司已获得6500万美元的B轮融资,受到众多大型企业和快速成长的初创公司的信赖。

Decagon:企业级客户服务智能体解决方案-1


 

功能列表

  • 自动解决问题:生成个性化响应,解决复杂问题,并在所有渠道为客户采取行动。
  • 无缝集成与工作流:与现有知识、工具、数据源和工作流零负担集成。
  • 代理协助:为团队提供AI助手,处理日常任务并从代理中不断学习。
  • AI驱动的洞察:识别主题、发现异常,并解锁对宝贵对话的分析。
  • 强大的分析功能:提供即时ROI,转变支持运营,推动收入增长。
  • 24/7 全天候服务:在任何语言中即时响应,提供无限扩展的客户支持。

 

使用帮助

安装流程

  1. 注册账户:访问 Decagon AI 官网并注册一个账户。
  2. 获取API密钥:登录账户后,前往开发者页面获取API密钥。
  3. 集成代码:将提供的代码片段添加到您的网站或移动应用中。
  4. 配置设置:根据需要配置AI客服的设置,包括语言、响应风格等。

使用指南

  1. 登录管理后台:使用注册账户登录 Decagon AI 管理后台。
  2. 设置知识库:上传或同步您的知识库,确保AI客服能够访问最新的信息。
  3. 配置工作流:设置客户服务工作流,包括自动化规则、升级路径等。
  4. 监控与优化:通过管理后台监控AI客服的表现,查看分析报告,并根据需要进行优化。

主要功能操作流程

  • 自动解决问题:AI客服会根据客户的提问,自动生成个性化的响应,并采取相应的行动。
  • 代理协助:在客户服务过程中,AI助手会实时提供建议,帮助人类代理更高效地解决问题。
  • AI驱动的洞察:通过分析客户对话,识别常见问题和异常情况,提供改进建议。
  • 无缝集成:与现有的客户服务系统(如Zendesk、Salesforce等)集成,实现数据同步和工作流自动化。

 

Decagon:用 AI Agent 重塑客户服务

 

Decagon 的创立:不能过度思考,而应该迅速行动 

Jesse Zhang 从小就展现出对数学的浓厚兴趣,他在 Boulder 长大,从小参加数学竞赛,后来在哈佛大学学习计算机科学。毕业后,他创立了第一家公司 Lowkey ,该公司最终被 Niantic 收购。从这次经历中,Jesse 认识到不能过度思考,而应该迅速行动。他与 Ashwin 共同创立了 Decagon,专注于 AI Agent 领域,并迅速开始了商业探索。

Decagon 的对于创业方向的选择并非一蹴而就。起初,创始团队也在思考 AI Agent 的最佳应用场景。他们意识到,并非所有领域都适合快速部署 AI Agent。通过市场调研和客户访谈,Decagon 发现了目前 AI Agent 的能力并不适配两个场景:

1) 需要高初始精度的场景:在某些领域,比如安全,容错空间几乎不存在。这些场景需要 Agent 从一开始就表现出极高的准确性。以安全信息管理系统(SIMs)为例,虽然有大量日志数据,非常适合 AI 模型处理,但其工作目标是捕捉每一个小的异常事件。可是,现在的AI模型有时候会出错,因此客户很难完全信任 AI Agent。在这些场景,AI Agent用得很慢。

2)难以量化 ROI 的场景:有一些领域,表面上看似非常适合 AI Agent,但难以明确量化 ROI。比如,很多“文本转 SQL ”的公司做的演示看起来不错,但仍需要人工监督和调整。AI Agent 更像是一个 co-pilot,而非独立的解决方案。对于大多数企业来说,需要人工干预的 AI Agent 难以证明其 ROI,公司很难为这样的 AI Agent 签订大额合同。

通过不断探索,Decagon 团队逐渐明确了成功的 AI Agent 用例需要具备两个关键特质:

1)可逐步推广性:成功的 AI Agent 应用不应追求一步到位,而应支持逐步推广和迭代优化。即使 AI Agent 在初期只能完成部分任务,也应该能够立即为客户创造实际价值。例如,Coding Agent 可以先承担部分编码任务,显著减轻人类开发者的负担。

2)有明确的 ROI:能够清晰量化 ROI 是关键。在客户服务领域,存在着大量可跟踪的明确指标,例如对话解决率、客户满意度等。这些指标使得 AI Agent 的价值能够得到有效的衡量和证明。

在此过程中,Decagon与Rippling、Notion、Eventbrite、Vanta和Substack等多家潜在客户进行了深入交流,逐渐确定了主要用例——客服领域。在初期,Decagon并没有刻意强调宏大的愿景,而是专注于如何打造让客户真正喜爱和满意的产品。

 

Decagon 的差异化优势:透明与可观测

Decagon 的核心优势在于其 AI Agent 的高透明度和应用效果的可观测性。

对于大型企业来说,确保 AI Agent 不是一个“黑箱”至关重要。Decagon 的平台能够清晰地展示 AI Agent 的每一个决策过程,包括使用了哪些数据、如何生成答案等。这种高度的透明性显著提升了客户的信任度。

此外,在客服领域,自动化软件的效果通常是可量化的,客户会用一些明确的指标来评估 Agent 的表现,比如 AI Agent 与人工相比的效果、节省的成本,以及客户体验的质量提升等等。这种可量化的特性使得客户可以先在小范围内试用 Decagon 的 AI Agent ,然后再逐步扩大应用规模。

尽管客户服务领域的竞争异常激烈,客户通常会同时试用多家不同的 AI Agent 产品进行比较,并基于具体的数据(例如指标的优劣、代理的效果等)进行最终评估。目前,Decagon 凭借其高透明度和效果的可观测性,在客户的评估中表现出色。例如,多邻国在 2024 年 8 月对 Decagon 进行了一个月的测试后就决定正式采用其 AI Agent,并迅速实现了 80% 的对话解决率。

Decagon:企业级客户服务智能体解决方案-1

Decagon 与 Built Rewards 进行了一项大型案例研究。Built Rewards 拥有庞大的用户群体,用户可以通过其平台赚取积分或进行支付。由于用户基数增长迅速,客服需求呈指数级增长。在使用 Decagon 之前,Built Rewards 的客服团队面临巨大的工作量。采用 Decagon 后的一个月内,AI Agent 接管了大部分自动化工作。不到一年时间,Built Rewards 节省了约 65 个人工客服的成本。   

    

Decagon的技术架构:协调层与定制化模型

Decagon 将自己定位为一家软件公司,尽管频繁调用 GPT-4、Claude 等 AI 基础模型,但这些模型只是工具。Decagon 的独特价值在于基础模型之上的内容,包括协调层(orchestration layer)和围绕核心 AI Agent 开发的其他功能。协调层决定了 AI Agent 如何混合使用不同的 AI 模型,并围绕客户的业务逻辑进行工作。此外,Decagon 还开发了透明度工具和分析功能,帮助客户了解 Agent 使用的数据和执行的步骤,并自动分析海量客服对话。

对于不同的 AI Agent,协调层可能差别很大,客服 Agent 与 Coding Agent 的协调逻辑就非常不同。但归根结底,各种协调层都是在 LLM 之上构建的一种结构化系统。Decagon 非常注重协调层,因为它决定了 AI Agent 将如何混合使用不同的 AI 模型。Decagon 设置了评价机制来衡量每个模型在特定客服任务中的表现,以此决定如何将这些模型整合起来,使其能够围绕客户的业务逻辑进行工作。

Decagon:企业级客户服务智能体解决方案-1

Modern AI Stack

 

除了协调层,Decagon 还围绕 AI Agent 构建了一些其他的客服软件功能。例如,Decagon 开发了一个透明度工具,能让客户了解 Agent 所使用的数据和执行的步骤,这也保证了 AI Agent 不再只是一个只会回答问题的“黑箱”。此外,当面对海量的客服对话时,手动查看所有内容是难以实现的。因此,Decagon 还设计了一个分析功能,可以让 AI Agent 能够自动分析对话,并生成需要关注的客服问题类别和趋势报告。

未经允许不得转载:首席AI分享圈 » Decagon:企业级客户服务智能体解决方案

首席AI分享圈

首席AI分享圈专注于人工智能学习,提供全面的AI学习内容、AI工具和实操指导。我们的目标是通过高质量的内容和实践经验分享,帮助用户掌握AI技术,一起挖掘AI的无限潜能。无论您是AI初学者还是资深专家,这里都是您获取知识、提升技能、实现创新的理想之地。

联系我们
zh_CN简体中文