Empátiát a folyamat megfelelő pontjára – Így alakítja át az AI és a viselkedéstudomány a követeléskezelést

Amikor az emberek nem fizetik ki a tartozásaikat, kívülről sokszor nagyon egyszerűnek tűnik a helyzet: valaki vagy nem tud, vagy nem akar fizetni. Tényleg mindig ilyen egyértelmű ez?

Szerintem éppen ez az egyik legnagyobb félreértés. A hagyományos megközelítés gyakran erre a kettősségre épül: az ügyfél vagy fizetésképtelen, vagy nem hajlandó fizetni. A valóság ennél sokkal összetettebb. A viselkedéstudomány abban segít, hogy más szemüvegen keresztül nézzük ezt a problémát. Sok ember egyszerűen túlterhelt. Szeretnének helyesen cselekedni, de valami visszatartja őket. Ezek az akadályok gyakran nem bennük, hanem magában a folyamatban találhatók.

Ha valaki pénzügyi nehézségekkel küzd, kialakulhat nála az, amit a közgazdászok szűkösségi gondolkodásmódnak neveznek. Ilyenkor az ember szégyent érez, stresszes állapotban van, és nincs meg az a kognitív vagy érzelmi kapacitása, amelyre szüksége lenne a helyzet rendezéséhez. Mi nem tudjuk megváltoztatni az embereket, a folyamatot ellenben igen. Csökkenthetjük a súrlódásokat, eltávolíthatjuk az akadályokat, egyszerűbbé és oldottabbá tehetjük a kommunikációt.

Egy rendkívül érzékeny élethelyzetről beszélünk, ahol joggal gondolhatjuk, hogy ilyenkor éppen az emberi empátia a legfontosabb. Ehhez képest önök AI-t is széles körben használnak. Miért lehet bizonyos esetekben hatékonyabb a mesterséges intelligencia?

Fontos hangsúlyozni: azt gondolom, hogy az AI sok esetben jobb, mint az ember. Az egyik kutatásunk pont arra mutat rá, hogy világos munkamegosztásra van szükség az AI és az ember között.

Az AI egyik előnye azokban a helyzetekben jelentkezik, amikor az ügyfél szégyent vagy stigmatizációt érez. Ha egy géppel kommunikál, nem feltételezi róla, hogy ítélkezik felette, miközben egy másik emberről ezt sokkal inkább gondolhatja.

A másik terület a rutinfeladatoké. Sok bejövő hívás vagy e-mail olyan kérésről szól, amely nem igényel emberi beavatkozást: részletfizetést kérnek, fizetési haladékot szeretnének, jelzik, hogy elutalták az összeget, vagy visszaigazolást várnak. Vállalatunknál jelenleg az esetek körülbelül 70 százalékát tisztán technológiával és AI segítségével oldjuk meg, emberi érintkezés nélkül. De ezek nem azok az ügyek, amelyek empátiát igényelnek.

Ezek valóban érdekes szempontok. De mikor van szükség feltétlenül emberi közreműködésre?

Amikor valódi empatikus válaszra van szükség. Ha az ügyfél érzelmileg érintett, panaszkodni szeretne, vagy egyszerűen ki akarja önteni a lelkét, akkor nagyon fontos, hogy egy hús-vér emberrel beszélhessen, aki kapcsolódik a vállalathoz. Ezért én egyértelmű munkamegosztást látok: sok kérés megoldható AI-jal, de mindig lesznek olyan esetek, ahol a személyes kapcsolatnak megkerülhetetlen szerepe van.

Az AI kapcsán az egyik leggyakoribb aggodalom az elfogultság, ami viszont alapvetően arra vezethető vissza, hogy milyen adatkészleten és milyen alapelvek mentén tanítják fel a modelleket. Hogyan lehet ezt kezelni egy ilyen érzékeny területen?

Egy erre szolgáló eszköz a „human in the loop”, vagyis az állandó emberi felügyelet. A legfontosabb döntéseket nálunk nem az AI hozza meg. Az adósokkal folytatott kommunikációnk valamennyi esetben ellenőrzött keretek között zajlik.

A szövegeket a viselkedéstudományi csapatunk készíti, míg az AI segíthet a szándék azonosításában, mintázatok keresésében, illetve csatornára vagy időzítésre tehet javaslatot.

A keretet tehát az emberek határozzák meg. A rendszer választja ki a legmegfelelőbb sablont, de soha nem rögtönöz vagy gyárt tartalmat önállóan. A "nyílt végű" AI-eszközöktől eltérően ez a strukturált megközelítés a megbízhatóságot és az integritást is erősíti. Az ügyfélút későbbi stádiumaiban egyre jobban hagyatkozunk azokra a viselkedési adatokra, amelyeket a folyamat során gyűjtünk.

Tudna erre példát mondani?

Vegyünk egy olyan ügyfelet, akinek korábban már volt nyitott követelése, és azt sikeresen rendezte. Ilyenkor azonosítani tudjuk, hogy korábban milyen módon oldotta meg a helyzetet. Ezután olyan üzenetet küldhetünk neki, amely erre épít: korábban már sikerült, próbálja meg most is ugyanazt a megoldást. Ehhez nem feltétlenül kell bonyolult gépi tanulási modell.

Néha egy-két jól megválasztott adatpont is elég ahhoz, hogy személyesebb és hatékonyabb ügyfélutat hozzunk létre.

Milyen adatok alapján lehet személyre szabni egy ilyen ügyfélutat?

Az első szint nagyon alapvető: melyik országban él az ügyfél, milyen nyelven kommunikálunk vele, milyen kulturális közegben mozog. Ez önmagában is sokat számít, különösen úgy, hogy 13 országban vagyunk jelen. A csatornaválasztás országonként meglepően eltérő lehet. Németországban az SMS jobban működhet, mint a WhatsApp, Ausztriában viszont éppen fordítva. Pedig kívülről azt gondolnánk, hogy a két piac kulturálisan nagyon hasonló. Ezeket a különbségeket sokszor elméleti alapon nehéz megmagyarázni, ezért rengeteg kísérletet végzünk.

Emellett figyeljük a folyamat közben keletkező viselkedési adatokat is:

az ügyfél megnyitja-e az e-mailt, felveszi-e velünk a kapcsolatot, járt-e már a fizetési oldalon, mekkora a követelés összege, milyen korábbi interakciói voltak. Ezekből igyekszünk egy lehetőség szerint egyéni ügyfélutat kialakítani.

Van-e ökölszabály ahhoz, hogy mikor használjanak AI-t, és mikor vonjanak be embert?

Érdemes különbséget tenni a bejövő és a kimenő kommunikáció között. A bejövő kommunikációban az AI főként a szándék azonosításában segít. Ha valaki e-mailt ír, a rendszer felismerheti, hogy részletfizetést kér, fizetési haladékot szeretne, vagy valamilyen visszaigazolásra vár. Ha erre van előre megírt, jóváhagyott válaszunk, akkor gyorsan tudunk reagálni. A kimenő kommunikációban inkább arra használjuk a gépi tanulást, hogy meghatározzuk a megfelelő hangnemet, csatornát, időzítést vagy hangsúlyt. Ezeket a mintázatokat a rendszer a sok év alatt összegyűlt nagy mennyiségű, mintegy 10 milliárdnyi adatpontból tanulja meg, amelyek mind egy GDPR-kompatibilis ISO-27001 hitelesítéssel ellátott keretrendszerből származnak.

Hogyan mérik, hogy ez valóban működik?

Egyrészt a klasszikus üzleti mutatókon keresztül. Vállalati ügyfeleink számára a behajtási arány a legfontosabb, ami a hagyományos szolgáltatókhoz képest átlagban 10-15 százalékkal magasabb. Másrészt az ügyfél-elégedettségi mutatókat is figyeljük. A Trustpilot-értékelésünk 4,7, ami ebben az iparágban különösen fontos visszajelzés. A siker tehát nemcsak üzleti KPI-okban mérhető, hanem abban is, hogy az ügyfelek hogyan élik meg a folyamatot. Ezen túl az automatizációs ráta is jelentős mérőszám, hiszen az esetek hetven százalékát képesek vagyunk már emberi beavatkozás nélkül megoldani.

Mennyire elterjedt ez a megközelítés Európában?

Nehéz pontos becslést adni. Ma szinte mindenki azt mondja, hogy használ AI-t. De ez sok mindent jelenthet: akár azt is, hogy az alkalmazottak hozzáférnek a ChatGPT-hez. Ettől még egy vállalat nem feltétlenül válik AI-natív céggé.

Mi viszont eleve ezzel a megközelítéssel indultunk. A platformunk saját fejlesztésű mesterségesintelligencia-technológiára épül. A viselkedéstudomány terén azt látom, hogy Németországban még viszonylag kevés cég használja ezt explicit módon, különösen a követeléskezelésben. Más országokban, például Skandináviában, Franciaországban vagy az Egyesült Királyságban nagyobb teret nyert a viselkedéstudomány.

Ha egy dolgot kellene kiemelni, mi különbözteti meg leginkább ezt a megközelítést?

Mi egy ízig-vérig AI vállalat vagyunk. A mesterséges intelligencia megoldja az ügyeink többségét, segít skálázni, mintázatokat felismerni, gyorsabbá és személyre szabottabbá tenni a folyamatokat. A viselkedéstudomány viszont abban segít, hogy megértsük, az emberek hogyan hoznak döntéseket, mi tartja vissza őket, és hogyan lehet számukra egyszerűbbé, kevésbé stresszessé és emberibbé tenni a tartozás rendezését. Ennek a két dolognak együtt kell járnia. Az AI skálázhatóságot teremt. A pszichológia az, ami lehetővé teszi, hogy sikeres legyen.

Galéria14 képPortfolio Követeléskezelési trendek 2025