Al suo primo giorno, una neoassunta del tuo team di assistenza non parte da zero. Riceve la policy sui resi, una cartella di ticket che il team ha gestito bene, le eccezioni che tutti sanno a menadito, e un collega che le dice quali casi vanno a un responsabile. È utile già nella prima settimana perché il team le passa ciò che sa già.
Quasi nessuna IA riceve un’accoglienza simile. Un nuovo assistente parte senza niente di tutto questo, così il tuo team rispiega le stesse cose, una correzione alla volta, e le correzioni raramente sopravvivono alla sessione. La conoscenza c’era da sempre, nei ticket verificati, nei thread di approvazione, nei documenti di policy e nei runbook, e l’IA la vede solo quando qualcuno la incolla o una ricerca la trova per caso.
Duplex può iniziare come fa un buon neoassunto. Impara ciò di cui il tuo team si fida già prima di entrare in servizio, quindi è utile dalla prima richiesta, e continua a imparare da ogni risultato che il tuo team conferma.
Parti da ciò che il tuo team sa già.
Parti da ciò che sai già.
La maggior parte dei team ha già il materiale, sparso tra gli strumenti che usa. Ci sono esempi verificati e decisioni che sottoscrive, policy e playbook, esecuzioni di strumenti riuscite, e metodi di cui si fida: il modo in cui si approva un rimborso, il percorso di una contestazione sulla fattura, i controlli prima che un contratto parta.
Oggi quel materiale arriva all’IA in pochi modi noti, e ognuno ha la sua utilità. Un prompt è rapido, ma deve viaggiare con ogni richiesta, e cresce finché nessuno osa più modificarlo. Una ricerca nei documenti trova il passaggio che somiglia di più alla domanda, il che aiuta quando qualcuno sa cosa chiedere. Un fine-tuning cambia il modello stesso, al prezzo di un progetto di addestramento che resta fisso dal giorno in cui finisce.
Preaddestrare Duplex è diverso. Impara dal materiale prima della sua prima richiesta, allo stesso modo in cui impara dal lavoro reale: capisce la decisione dietro ogni esempio, dove si applica e dove no. Il tuo team mette ogni elemento nell’area di lavoro a cui appartiene, così il playbook dell’assistenza guida le risposte dell’assistenza e mai le approvazioni del team finanza.
E Duplex sa da dove viene ogni elemento. Una risposta che dà il primo giorno arriva con gli esempi che la sostengono, e ogni esempio riporta alla decisione o al documento su cui poggia, così il tuo team può verificare la risposta prima di fidarsene.
Utile dalla prima richiesta, aggiornato da lì in poi.
Il primo giorno, Duplex si fa carico fin dalla prima richiesta del lavoro su cui è stato preaddestrato: la domanda sui resi che arriva ogni mattina, il rimborso che richiede l’approvazione di un responsabile, la contestazione che spetta all’ufficio fatturazione. Risolve questi casi in millisecondi, senza chiamate al modello, e tutto il resto va alla tua IA con allegato ciò che Duplex sa del caso. Il tuo team smette di spiegare le basi, e la tua IA dedica il suo tempo a ciò che è nuovo.
Il preaddestramento è un vantaggio iniziale, e Duplex è utile anche senza. Se parte vuoto, impara solo dal lavoro reale, un risultato confermato alla volta, il che va bene per un team con poco materiale di partenza. Preaddestrato, comincia da ciò che il tuo team sapeva già, invece di scoprirlo risultato dopo risultato.
Un vantaggio iniziale è solo l’inizio. Le policy cambiano, gli strumenti cambiano e le persone trovano metodi migliori, quindi un’istantanea di ciò che il tuo team sapeva il primo giorno diventa obsoleta al primo cambio di policy. Per un modello di IA, il preaddestramento è il punto in cui l’apprendimento finisce: impara il mondo, viene rilasciato e resta com’è. Per Duplex, il preaddestramento è il punto in cui l’apprendimento comincia.
Quando una policy cambia, Duplex segue quella nuova dalla richiesta successiva, e tutto il resto che ha imparato, nel preaddestramento o dal vivo, resta com’era. Il vantaggio iniziale resta un vantaggio, invece di diventare un ostacolo che il tuo team deve aggirare.
Partito vuoto, Duplex impara solo dal lavoro reale, un risultato confermato alla volta.
La chiarezza batte la quantità.
La tentazione è riversarci dentro tutto: ogni ticket, ogni thread, ogni versione di ogni policy. Abbondare sembra più sicuro, e gli archivi sono facili da esportare.
Ma un grande archivio mescola esempi chiari con esempi superati, contraddittori e dubbi: la policy di due versioni fa, due responsabili che hanno deciso lo stesso caso in due modi diversi, la risposta inviata e mai verificata. Se si impara da tutto, insieme alla conoscenza arriva anche il dubbio.
Un piccolo insieme di esempi chiari e attuali insegna più di un grande archivio di esempi incerti. Un esempio chiaro è quello che il tuo team ripeterebbe oggi, per una ragione che saprebbe spiegare. Il tuo team verifica cosa entra e sceglie le decisioni che sottoscrive. Includi i casi che dovrebbero andare a una persona, e Duplex impara a passarli invece di tirare a indovinare.
Nemmeno il primo giorno è definitivo. Se un esempio si rivela sbagliato, o la policy che c’è dietro cambia, il tuo team può correggere o rimuovere quella sola lezione, e tutto il resto che Duplex ha imparato resta com’era.
Un buon neoassunto è utile nella prima settimana grazie a ciò che il team gli ha passato, e bravo nel primo anno grazie a tutto ciò che ha imparato sul lavoro. Duplex funziona allo stesso modo. Il preaddestramento è il passaggio di consegne, e ogni risultato che il tuo team conferma dopo è apprendimento sul lavoro.
Un grande archivio mescola esempi chiari con altri superati, in conflitto e dubbi.