Bukankah aman untuk mengatakan bahwa gagasan ``mengganti meja layanan/respons pertanyaan utama dengan AI’’ sekarang menjadi gagasan yang umum? Sebenarnya, apa yang ingin saya lakukan sudah jelas. Kami ingin mengurangi waktu tunggu, mengurangi beban operator, mengurangi personel, dan meningkatkan kualitas respons. Tidak ada keberatan terhadap tujuan ini.

Kesalahan umum yang sering dipilih adalah ``biarkan RAG memakan semuanya’’ sebagai metode. Saya pribadi menguji konfigurasi yang memasukkan log masa lalu, wiki internal, dan riwayat obrolan sekaligus, namun apa yang saya dapatkan bukanlah efisiensi yang diharapkan, namun produksi massal dari jawaban yang tampaknya sampah.

Kesimpulannya jelas. Penggantian sebagian dimungkinkan, tetapi penggantian SD tanpa merancang operasi pengetahuan memiliki kemungkinan kegagalan yang tinggi. Dan sebagian besar kegagalan bukan disebabkan oleh kesalahan pemilihan model. Kualitas data masukan dan rancangan tanggung jawab operasional tidak memadai.

Di bidang meja layanan, jawaban yang benar dan kemampuan audit diperlukan pada saat yang bersamaan. Untuk mencapai kedua tujuan ini, satu-satunya cara untuk mencapai keduanya adalah dengan memiliki ``pengetahuan resmi yang disetujui dan benar untuk organisasi.''

Kesimpulan dulu

  • Bahkan jika Anda memasukkan seluruh log sebelumnya, jika kualitasnya rendah, ia hanya akan mencari sampah dengan kecepatan tinggi dan mengembalikan jawaban seperti sampah.
  • Bahkan jika semua informasi dalam organisasi adalah masukan, jika batasan antara formal dan informal tidak jelas, hal ini menjadi alat untuk membenarkan jawaban yang salah tanpa mengasumsikan konteks atau aturan resmi organisasi.
  • Struktur yang hanya menjawab secara umum saja bertentangan dengan aturan organisasi dan tidak dapat digunakan di lapangan.
  • Solusi nyatanya adalah dengan menjalankan loop KCS (Knowledge-Centered Service) dengan bantuan AI dan memperjelas kualitas sumber referensi dan penanggung jawabnya.
  • AI yang tidak dapat mengacu pada pengetahuan resmi yang disetujui tidak dapat digunakan dalam produksi meja layanan.

Mengapa “masukkan semuanya untuk saat ini” gagal?

1. Catatan korespondensi masa lalu bukanlah pengetahuan.

Banyak log pertanyaan ditulis untuk menutup tiket di lapangan. Meskipun hal ini benar untuk tujuan bisnis, hal ini sering kali tidak cukup sebagai pengetahuan yang dapat digunakan kembali.

  • Informasi prasyarat tidak ada (perangkat yang digunakan, otoritas, rute koneksi, perbedaan lingkungan).
  • Tujuannya adalah untuk menyelesaikan tiket, dan dalam kasus ekstrim mungkin diakhiri dengan “korespondensi selesai”. Tidak dimaksudkan untuk digunakan kembali.
  • Campuran singkatan dan bahasa sehari-hari, dan bergantung pada pengetahuan diam-diam dari penanggung jawab.
  • Akar permasalahan dan solusi sementara tidak dipisahkan.

Jika log dalam keadaan ini dikirimkan ke RAG, meskipun pencarian berhasil, jawabannya tidak akan akurat. Hal ini karena AI dapat melengkapi dokumen yang ambigu atau tidak dapat dipahami bahkan ketika dibaca oleh manusia, sehingga menghasilkan jawaban delusi yang tidak realistis. Hal ini menciptakan situasi yang menyusahkan dimana jawabannya cepat namun masalahnya tidak terselesaikan. Sekalipun menurut Anda perintahnya buruk dan mencoba menyetelnya sekuat tenaga, mungkin hasilnya akan sia-sia. Setidaknya itu terjadi pada saya.

2. Masukan penuh informasi internal menyebabkan “pengenceran resmi”

Konfigurasi yang memungkinkan pengguna membaca semua wiki internal,'' semua server file,’’ dan ``semua log obrolan’’ sekilas terlihat komprehensif. Namun, pada kenyataannya, hal ini mirip dengan menyusun informasi dengan tingkat keandalan berbeda pada layar pencarian yang sama.

Biasanya hal berikut terjadi:

  • Prosedur resmi (disetujui) dan catatan pribadi (tidak disetujui) dicari di kolom yang sama
  • Prosedur yang sudah usang masih ada dan bertentangan dengan prosedur terbaru
  • Pengetahuan sementara disalahartikan sebagai prosedur permanen
  • Terjadi pembalikan dimana tanggal dan waktu update artikel baru tetapi isinya lama.

RAG pandai “menemukan dokumen”. Namun, sistem terpisah harus dibuat untuk memastikan bahwa dokumen tersebut benar untuk organisasi.

3. Generalisasi tanpa mengetahui aturan organisasi tidak dapat digunakan meskipun benar.

AI dengan pengetahuan formal yang tidak memadai sering kali memberikan jawaban yang benar secara teknis tetapi tidak dapat dilaksanakan secara operasional.

  • Berikan hak istimewa administrator lokal
  • Pelonggaran sementara pengaturan keamanan
  • Penggunaan cloud eksternal atas kebijakan individu
  • Akses langsung ke data lintas fungsi

Sekalipun AI mengembalikan solusi umum, tidak mungkin diterapkan jika melanggar aturan organisasi. Saat ini, AI meja layanan bahkan bisa menjadi perangkat yang membenarkan pelanggaran aturan. Hal ini tidak dapat dijadikan sebagai solusi permasalahan bisnis.

Contoh kegagalan yang terjadi di lokasi

Contoh kegagalan 1: Penyesatan karena kegagalan koneksi VPN

  • Gejala: “Tidak dapat terhubung ke VPN dari rumah”
  • Jawaban AI: “Silakan inisialisasi pengaturan jaringan OS dan mulai ulang.”
  • Aktual: Penyebabnya adalah pencabutan sertifikat di sisi infrastruktur otentikasi, dan tidak dapat diselesaikan di sisi pengguna.

kenapa kamu bangun? Ini karena log masa lalu berisi banyak “kerusakan sementara pada perangkat pribadi”, dan AI tertarik pada log tersebut. Selain itu, prosedur untuk mengisolasi kegagalan sisi layanan'' masih lemah sepengetahuan pemerintah, sehingga tidak masuk dalam peringkat kandidat teratas. Selain itu, konteks organisasi Bolehkah pengguna menyetel ulang setelan NW tanpa izin?’’ tidak diperhitungkan dalam jawabannya.

Contoh kegagalan 2: Mengusulkan pelanggaran peraturan dalam aplikasi perangkat lunak

  • Gejala: “Saya ingin menggunakan alat analisis”
  • Jawaban AI: “Unduh sendiri versi uji coba dan mulai gunakan.”
  • Dalam praktiknya: Pengadaan, pengelolaan izin, dan penyaringan barang bawaan sangat penting bagi organisasi.

kenapa kamu bangun? Sebab, dokumen alur pengadaan resmi terkubur dengan mengacu pada pasal umum eksternal dan memo pribadi. Ini adalah contoh umum dari ketidakmampuan untuk memisahkan apa yang dapat dilakukan'' dari apa yang boleh dilakukan.''

Contoh kegagalan 3: Pertanyaan yang sama, jawaban berubah setiap saat

  • Gejala: “Apa saja langkah-langkah mengatur penerusan email?”
  • Jawaban AI: Tergantung harinya
  • Aktual: Halaman prosedur operasi lama dan halaman prosedur baru hidup berdampingan

kenapa kamu bangun? Hal ini karena tidak ada metadata yang menunjukkan “versi valid” (tanggal mulai valid, tanggal penghapusan, pemberi persetujuan), dan jawabannya bervariasi dalam peringkat pencarian. Ketika email pribadi dan cuplikan obrolan digabungkan, kemungkinan bahwa penjelasan informal akan mendapat peringkat lebih tinggi secara kebetulan meningkat.

Jadi yang harus dilakukan: Jalankan loop KCS dengan bantuan AI

Solusi sebenarnya adalah tidak mengganti KCS dengan AI. Mempercepat KCS dengan AI.

Apa itu KCS?

KCS (Knowledge-Centered Service) merupakan konsep operasional yang mencatat pengetahuan yang dihasilkan di bidang respon inkuiri, menggunakannya kembali, dan terus memperbaikinya. Yang penting bukanlah ``menulis dokumen setelah menyelesaikan masalah,’’ namun menanamkan pemutakhiran pengetahuan ke dalam tindakan penyelesaian masalah itu sendiri. Alasan mengapa KCS dievaluasi ulang di era RAG sederhana saja: kualitas tujuan pencarian sangat menentukan kualitas jawaban.

Cerpen: Cerita lama, tapi efektif.

KCS adalah ide yang dimulai pada tahun 1992, jauh lebih tua dari AI. Namun, alasan mengapa hal ini efektif saat ini adalah karena permasalahan di lapangan belum berubah secara mendasar.

  • Ada lognya, tapi saya tidak bisa membacanya.
  • Ada dokumennya, tapi saya tidak tahu versi resminya.
  • Tidak diperbarui dan membusuk

Jika Anda memasukkan generasi AI, ketiga hal ini cenderung diperkuat, bukannya hilang. Itu sebabnya masuk akal untuk kembali ke cetakan KCS yang sederhana namun tidak bisa dipecahkan sebelum fitur baru yang mencolok.

Konfigurasi minimum untuk operasi KCS

  • Capture: Menyusun dan mencatat gejala, penyebab, tindakan pencegahan, dan kondisi yang berlaku saat menanggapi pertanyaan.
  • Struktur: Membuat templat dan menjadikan kondisi lingkungan, rentang target, dan larangan sebagai item wajib.
  • Penggunaan kembali: Merujuk ke pertanyaan berikutnya dan menyajikan jawaban serta URL dasar sebagai satu set
  • Improve: Mencerminkan perbedaan dalam operasi aktual dan terus memperbaiki kata-kata ambigu dan prosedur lama

Putaran produksi: Mengembangkan jawaban AI dengan pengetahuan resmi

Di lapangan, adalah realistis untuk memperluas cakupan penerapan secara bertahap pada putaran berikutnya.

  1. Pengguna menanyakan AI terlebih dahulu
  2. Jika AI tidak menyelesaikan masalah, laporkan ke Service Desk (SD)
  3. Ubah catatan korespondensi SD menjadi pengetahuan menggunakan templat yang sesuai untuk dibaca oleh AI
  4. Tambahkan hanya pengetahuan resmi yang disetujui dan ditinjau ke sumber data referensi AI
  5. Tingkat respons utama dan tingkat jawaban benar AI meningkat dengan pertanyaan serupa

Poin kunci dari putaran ini adalah akumulasi pengetahuan yang dapat digunakan untuk “persetujuan” atau jawaban resmi, bukan “kuantitas”. Jadikan hanya “informasi yang disetujui”, bukan “informasi yang direkam”, sebagai sumber data untuk AI. Jika hal ini dilanggar, jangkauan jawaban akan bertambah, tetapi keakuratannya tidak.

Area yang dapat diserahkan kepada AI

  • Pengelompokan pertanyaan serupa
  • Pembuatan draf jawaban (dengan bukti)
  • Tunjukkan item yang hilang (“OS Target tidak diketahui”, “Prasyarat otoritas tidak disebutkan”, dll.)
  • Presentasi kandidat untuk mengintegrasikan duplikat pengetahuan

Area di mana manusia harus bertanggung jawab

  • Keputusan resmi/informal
  • Persetujuan prosedur dan keputusan untuk menghapuskannya
  • Izinkan penanganan pengecualian
  • Manajemen kedaluwarsa pengetahuan

Bahkan jika Anda mencoba menyerahkannya kepada AI, AI tidak akan dapat merespons dengan baik.

Poin praktis

Poin-poin berikut harus diingat dalam praktiknya.

Sisi operasi pengetahuan

  • Menentukan siapa yang akan membuat dan mempublikasikan pengetahuan resmi seperti apa dan kapan, serta memutuskan skema pembuatan dan penjaminan mutu.
  • Tentukan siapa yang dapat melihat pengetahuan dan memutuskan kontrol akses.

Sisi AI

  • Secara eksplisit menginstruksikan siswa untuk memberikan alasan atas jawaban mereka dalam prompt.
  • Jangan izinkan sumber tidak resmi/tidak sah digunakan dalam pembuatan jawaban.

Peningkatan pengoperasian

  • Menentukan cara untuk mengumpulkan jawaban AI yang salah dan menggabungkan pembangkitan pengetahuan untuk perbaikan ke dalam operasi normal.

Ketiga poin ini mungkin tampak abstrak, namun akan membawa perbedaan jika diterapkan. Tim yang memutuskan ``siapa yang akan bertanggung jawab’’ pertama-tama berkembang dengan cepat, sementara tim yang tidak mengambil keputusan berulang kali melakukan kesalahan yang sama.

Jawaban “Apakah bisa diganti?”

Jika Anda bertanya kepada saya apakah meja layanan dapat 100% digantikan oleh agen AI, jawaban saat ini adalah “tidak”. Namun, jika Anda membagi jenis pertanyaan dan membentuk operasi yang memperjelas tanggung jawab pengetahuan, Penyajian jawaban utama, panduan tetap, dan prosedur standar dapat diganti sepenuhnya.

Dengan kata lain, pokok persoalannya bukanlah kecerdasan AI itu sendiri.

  • Pengetahuan apa yang harus diadopsi sebagai pengetahuan resmi?
  • Siapa yang menjamin kualitas?
  • Siapa yang akan menghentikanmu ketika kamu melakukan kesalahan?

Hanya organisasi yang dapat merancang ketiga poin ini yang dapat mengubah agen AI dari hanya alat obrolan cepat'' menjadi kekuatan bisnis.’' Sebaliknya, organisasi yang tidak memiliki operasi pengetahuan resmi yang disetujui tidak akan mampu menciptakan layanan meja layanan yang berkualitas, betapapun canggihnya model tersebut.

ringkasan

Gagasan bahwa ``jika Anda memasukkan semua log, Anda akan menjadi lebih pintar’’ adalah sebuah ilusi. Alasan sebenarnya mengapa AI meja layanan terhenti bukanlah karena banyaknya pengetahuan, namun kurangnya tata kelola pengetahuan.

Apa yang perlu kita lakukan sekarang bukanlah otomatisasi total secara menyeluruh. Ini adalah operasi sederhana yang menggunakan bantuan AI untuk menjalankan loop KCS dan mengembangkan pengetahuan resmi.

Ketika organisasi mulai menerima kerendahan hati ini, kualitas respons mereka akan berubah secara nyata. Saat menggunakan AI di meja layanan, prioritas utama selalu sama. **Terus mengembangkan pengetahuan resmi yang disetujui dan benar secara institusional. **

Bahan referensi