AI der svarer ud fra jeres egen viden — sådan virker det
Der er stor forskel på en generel chatbot, der forsøger at formulere et sandsynligt svar, og en AI-løsning, der finder svaret i jeres godkendte vidensbase. Den ene gætter. Den anden slår op.
En kunde sender en mail til kundeservice:
"Jeg har købt en vare for 40 dage siden, og emballagen er åbnet. Kan jeg stadig returnere den?"
Spørgsmålet virker enkelt. Men svaret afhænger af flere ting.
Hvad er jeres returfrist? Gælder der særlige regler for åbnet emballage? Er der forskel på varetyper? Skal sagen eskaleres? Og hvilken formulering må medarbejderen bruge over for kunden?
Det er her, AI kan hjælpe. Men kun hvis AI'en svarer ud fra jeres egen viden.
For der er stor forskel på en generel chatbot, der forsøger at formulere et sandsynligt svar, og en AI-løsning, der finder svaret i jeres godkendte vidensbase. Den ene gætter. Den anden slår op.
Denne artikel følger spørgsmålet fra start til svar og viser, hvad der faktisk sker, når AI finder svar i virksomhedens viden.
Sådan finder AI det relevante svar i jeres viden
Når kunden stiller sit spørgsmål, starter AI'en ikke med at "finde på" et svar. Den starter med at forstå, hvad spørgsmålet handler om.
I eksemplet handler kundens spørgsmål ikke bare om "retur". Det handler om en specifik kombination:
- varen er købt for 40 dage siden
- emballagen er åbnet
- kunden vil vide, om retur stadig er muligt
- svaret skal kunne bruges i kundedialogen
AI'en analyserer derfor betydningen bag spørgsmålet og søger efter relevant viden i virksomhedens vidensbase. Det kan for eksempel være artikler om:
- returfrist
- åbnet emballage
- undtagelser for bestemte varetyper
- eskalering af retursager
- godkendte standardsvar til kunder
Pointen er, at AI'en ikke kun leder efter præcis de ord, kunden bruger. Hvis kunden skriver "kan jeg sende varen tilbage?", kan AI stadig finde en artikel, der hedder "Returnering efter brudt emballage". Hvis kunden skriver "jeg har pakket den ud", kan AI forstå, at det kan hænge sammen med regler om åbnet emballage.
Det er det, der gør AI-drevet videnssøgning nyttig. Den kan finde relevant viden, selv når spørgsmålet er formuleret anderledes end vidensartiklen.
Men det kræver, at vidensbasen er struktureret. AI skal have noget klart at søge i.
| Kundens formulering | Relevant viden i vidensbasen |
|---|---|
| "Kan jeg sende varen tilbage?" | Returregler |
| "Jeg har pakket den ud" | Åbnet emballage |
| "Der er gået 40 dage" | Returfrist og undtagelser |
| "Hvad gør jeg nu?" | Kundevendt standardsvar eller proces |
| "Skal jeg betale for retur?" | Returfragt og vilkår |
AI finder altså ikke svaret ved magi. Den finder svaret ved at koble kundens spørgsmål til den viden, I allerede har godkendt.
Hvorfor det er anderledes end en almindelig søgefunktion
En almindelig søgefunktion kræver ofte, at brugeren kender de rigtige ord.
Hvis medarbejderen søger på "tilbagelevering", men artiklen hedder "retur", får de måske ikke det bedste resultat. Hvis kunden skriver "pakket ud", men vidensbasen bruger ordet "brudt emballage", kan traditionel søgning overse sammenhængen.
Det gør klassisk nøgleordssøgning sårbar. Den matcher ord.
AI-drevet videnssøgning matcher betydning. Det betyder, at AI bedre kan forstå, hvad brugeren egentlig leder efter, selv når formuleringen er upræcis, uformel eller anderledes end organisationens interne sprog.
| Almindelig søgning | AI-drevet videnssøgning |
|---|---|
| Søger efter præcise ord | Søger efter betydning og intention |
| Kræver, at brugeren kender de rigtige begreber | Kan forstå forskellige formuleringer |
| Kan overse relevante artikler med andre ord | Kan finde relateret viden på tværs af formuleringer |
| Viser ofte en liste af resultater | Kan finde og sammenfatte relevant viden |
| Brugeren skal selv vurdere resultatet | AI kan hjælpe med at pege på det mest relevante grundlag |
Det betyder ikke, at AI-drevet søgning fjerner behovet for struktur. Tværtimod. Jo bedre vidensbasen er struktureret, desto bedre kan AI finde det rigtige svar.
Hvis der findes tre forskellige artikler om retur, som siger noget forskelligt, kan AI få et uklart grundlag. Hvis gamle regler stadig ligger åbne, kan AI risikere at finde forældet information. Hvis undtagelser ikke er beskrevet tydeligt, kan AI give et for generelt svar.
AI er ikke bedre end den viden, den bygger på. Derfor er AI-drevet videnssøgning stærkest, når den arbejder oven på en opdateret, godkendt og struktureret vidensbase.
Fra fundet viden til færdigt svar
Når AI'en har fundet den relevante viden, er næste trin at omsætte den til et brugbart svar. Det er her forskellen mellem at finde information og at generere et svar bliver tydelig.
En medarbejder har ikke altid brug for en liste med fem artikler. De har brug for et svar, de kan bruge.
Hvis vidensbasen indeholder en artikel om returfrist, en artikel om åbnet emballage og en artikel med godkendte formuleringer, kan AI samle den relevante information og formulere et sammenhængende udkast.
Eksempel: Kunden spørger: "Jeg har købt en vare for 40 dage siden, og emballagen er åbnet. Kan jeg stadig returnere den?"
AI finder relevant viden:
- standard returfrist er 30 dage
- åbnet emballage kan begrænse returmuligheder
- visse varetyper kan have særlige undtagelser
- usikre retursager skal vurderes manuelt
- kunden skal have en høflig og tydelig forklaring
AI kan derefter foreslå et svar baseret på den viden. Det afgørende er, at svaret ikke formuleres frit ud fra generel viden. Det formuleres på baggrund af det indhold, AI'en har fundet i jeres vidensbase.
| Trin | Hvad sker der? |
|---|---|
| 1. Spørgsmål modtages | Kunden stiller et spørgsmål i mail, chat eller anden kanal |
| 2. AI analyserer spørgsmålet | AI identificerer emne, intention og centrale detaljer |
| 3. AI søger i vidensbasen | AI finder relevante godkendte artikler |
| 4. AI udvælger grundlag | AI vælger den viden, der passer bedst til spørgsmålet |
| 5. AI formulerer svar | AI laver et udkast baseret på fundet viden |
| 6. Kilde vises | Medarbejderen kan se, hvilket grundlag svaret bygger på |
| 7. Medarbejder validerer | Svaret kontrolleres og sendes |
Det er en klar og sporbar proces. Ikke magi. Og ikke et gæt.
Eksempel: AI mailsvar baseret på vidensbase
Lad os følge eksemplet i en mailkontekst. En medarbejder modtager kundens mail om returnering efter 40 dage med åbnet emballage.
I stedet for selv at søge i flere dokumenter, gamle mails eller interne noter, bruger medarbejderen AI til at finde relevant viden og foreslå et svar. AI'en finder de relevante artikler i vidensbasen og genererer et udkast.
For eksempel:
Hej [navn] Tak for din henvendelse. Vores normale returfrist er 30 dage fra købsdatoen. Da der er gået 40 dage, og emballagen er åbnet, kan varen som udgangspunkt ikke returneres efter de almindelige returregler. Hvis der er tale om en fejl, reklamation eller en særlig situation, vil vi dog gerne se nærmere på sagen. Send os gerne ordrenummer og en kort beskrivelse, så hjælper vi dig videre. Venlig hilsen [navn]
Medarbejderen gennemser svaret. De kan kontrollere, hvilken returregel AI'en har brugt. De kan se, om der er undtagelser. De kan tilpasse tonen eller tilføje konkrete oplysninger fra kundens sag. Derefter sender medarbejderen svaret.
Det sparer tid, fordi medarbejderen ikke starter fra bunden. Men det fjerner ikke den menneskelige kontrol.
Det er netop pointen med AI mailsvar baseret på en vidensbase. AI hjælper med at finde og formulere, men medarbejderen validerer, før svaret sendes.
Det er her Responza Reply passer ind. Responza Reply kan generere svarudkast baseret på godkendt viden i vidensbasen. Det gør det muligt at svare hurtigere og mere ensartet, uden at AI får lov til at opfinde svaret selv.
Hvad der sker, når svaret ikke findes i vidensbasen
Et af de vigtigste spørgsmål er ikke, hvad AI gør, når svaret findes. Det er, hvad AI gør, når svaret ikke findes.
Her adskiller ansvarlig AI sig markant fra en generisk chatbot. En generisk AI-chatbot kan være fristet til at formulere et sandsynligt svar alligevel. Den kan bruge generel viden, antage en regel eller udfylde hullerne. Det er sådan forkerte svar opstår.
En ansvarlig AI-løsning bør i stedet kunne sige: "Jeg kan ikke finde et godkendt svar på dette spørgsmål." Eller: "Dette spørgsmål bør sendes videre til en medarbejder." Eller: "Der mangler viden i vidensbasen for at kunne besvare spørgsmålet sikkert."
Det kan virke mindre imponerende end et hurtigt svar. Men det er langt mere ansvarligt.
| Situation | Ansvarlig AI-adfærd |
|---|---|
| Svaret findes i vidensbasen | AI finder viden og foreslår svar med kilde |
| Svaret findes delvist | AI viser relevant viden og markerer usikkerhed |
| Svaret mangler | AI afviser at gætte og eskalerer |
| Kilder modsiger hinanden | AI markerer behov for afklaring |
| Spørgsmålet kræver vurdering | AI sender sagen videre til medarbejder |
Det er forskellen på at gætte og at slå op. Hvis AI ikke kan finde svaret i jeres godkendte viden, skal den ikke opfinde et svar. Den skal gøre manglen synlig.
Det er også værdifuldt. For når AI ikke kan finde svar, får organisationen et signal om, at vidensbasen mangler noget. Det kan blive til en ny artikel, en præcisering eller en bedre proces.
På den måde bliver AI ikke kun et svarværktøj. Det bliver også en måde at opdage huller i jeres viden.
Fra spørgsmål til svar — med kontrol hele vejen
AI der svarer ud fra jeres egen viden er ikke magi. Det er en proces.
Først analyserer AI spørgsmålet. Derefter søger den i jeres godkendte vidensbase. Så finder den relevant viden, formulerer et svarudkast og viser grundlaget. Til sidst kan medarbejderen validere og sende svaret.
Det er fundamentalt anderledes end en generel chatbot, der svarer frit ud fra alt, den har lært.
De vigtigste pointer
- 1AI finder svar ved at koble brugerens spørgsmål til relevant viden i jeres egen vidensbase.
- 2AI-drevet videnssøgning forstår betydning, ikke kun præcise nøgleord.
- 3AI mailsvar baseret på en vidensbase sparer tid, men bevarer menneskelig kontrol.
- 4Når svaret ikke findes, bør ansvarlig AI eskalere eller markere usikkerhed — ikke gætte.
Ofte stillede spørgsmål
Hvordan finder AI det rigtige svar i en virksomheds viden?
+
AI analyserer spørgsmålet og søger efter relevant indhold i virksomhedens godkendte vidensbase. Den leder ikke kun efter præcise nøgleord, men forsøger at forstå betydningen bag spørgsmålet. Når den finder relevant viden, kan den bruge det som grundlag for et svar.
Hvad er forskellen på AI-drevet videnssøgning og almindelig søgning?
+
Almindelig søgning matcher typisk de ord, brugeren skriver. AI-drevet videnssøgning kan forstå betydning og kontekst, så den kan finde relevant viden, selv når spørgsmålet er formuleret anderledes end artiklen. Det gør det lettere for medarbejdere at finde rigtige svar hurtigt.
Hvordan fungerer AI mailsvar baseret på en vidensbase?
+
Når en medarbejder modtager en mail, kan AI finde relevant viden i vidensbasen og generere et svarudkast. Medarbejderen kan derefter gennemse svaret, kontrollere kilden og tilpasse formuleringen, før det sendes. Det sparer tid uden at fjerne menneskelig kontrol.
Hvad sker der, hvis AI ikke kan finde svaret i vidensbasen?
+
En ansvarlig AI-løsning bør ikke gætte, hvis svaret ikke findes. Den bør markere, at der ikke er et sikkert grundlag, eller sende spørgsmålet videre til en medarbejder. Det reducerer risikoen for forkerte svar og gør samtidig huller i vidensbasen synlige.
Kræver det meget arbejde at gøre virksomhedens viden klar til denne type AI?
+
Det kræver, at viden samles, struktureres og godkendes, men arbejdet kan gøres trinvis. Mange organisationer starter med de mest brugte eller mest kritiske vidensområder. Jo bedre vidensgrundlaget er, desto mere præcise og brugbare bliver AI-svarene.
Vil I se, hvordan Responza AI Engine fungerer i praksis?
Book en demo og se, hvordan Responza finder, formulerer og dokumenterer svar ud fra jeres egen godkendte viden.