Op haar eerste dag begint een nieuwe medewerker in je supportteam niet bij nul. Ze krijgt het retourbeleid, een map met tickets die het team goed afhandelde, de uitzonderingen die iedereen uit het hoofd kent, en een collega die haar vertelt welke gevallen naar een manager gaan. Ze is in haar eerste week nuttig omdat het team overdraagt wat het al weet.
De meeste AI krijgt zo’n welkom niet. Een nieuwe assistent begint zonder iets daarvan, dus je team legt dezelfde dingen opnieuw uit, één correctie tegelijk, en de correcties overleven de sessie zelden. De kennis was er al die tijd, in beoordeelde tickets, goedkeuringsthreads, beleidsdocumenten en runbooks, en de AI ziet die alleen als iemand die erin plakt of een zoekopdracht die toevallig vindt.
Duplex kan beginnen zoals een goede nieuwe medewerker. Het leert wat je team al vertrouwt voordat het aan de slag gaat, dus het is nuttig vanaf het eerste verzoek, en het blijft leren van elk resultaat dat je team bevestigt.
Begin met wat je team al weet.
Begin met wat je al weet.
De meeste teams hebben het materiaal al, verspreid over de tools die ze gebruiken. Er zijn beoordeelde voorbeelden en beslissingen waar ze achter staan, beleid en playbooks, toolruns die werkten, en methoden die ze vertrouwen: de manier waarop een terugbetaling wordt goedgekeurd, de route die een factuurgeschil aflegt, de controles voordat een contract de deur uitgaat.
Vandaag de dag bereikt dat materiaal AI op een paar bekende manieren, en elk heeft zijn nut. Een prompt is snel, maar moet met elk verzoek meereizen, en groeit tot niemand hem meer durft aan te passen. Een zoekopdracht in documenten vindt de passage die het meest op de vraag lijkt, en dat helpt als iemand weet wat er gevraagd moet worden. Een fine-tune verandert het model zelf, voor de prijs van een trainingsproject dat vastligt op de dag dat het eindigt.
Duplex vooraf trainen is anders. Het leert van het materiaal vóór zijn eerste verzoek, op dezelfde manier als het van live werk leert: het begrijpt de beslissing achter elk voorbeeld, waar die van toepassing is en waar niet. Je team plaatst elk stuk in de werkruimte waar het thuishoort, zodat het support-playbook de antwoorden van support stuurt en nooit de goedkeuringen van de afdeling financiën.
En Duplex weet waar elk stuk vandaan kwam. Een antwoord dat het op dag één geeft, komt met de voorbeelden erachter, en elk voorbeeld leidt terug naar de beslissing of het document waarop het steunt, zodat je team het antwoord kan controleren voordat het erop vertrouwt.
Nuttig vanaf het eerste verzoek, actueel vanaf dat moment.
Op dag één neemt Duplex vanaf het eerste verzoek het werk over waarop het is voorgetraind: de retourvraag die elke ochtend binnenkomt, de terugbetaling die goedkeuring van een manager nodig heeft, het geschil dat bij facturatie hoort. Het handelt die in milliseconden af, zonder modelaanroep, en al het andere gaat naar je AI, met wat Duplex over het geval weet erbij. Je team hoeft de basis niet meer uit te leggen, en je AI besteedt zijn tijd aan wat nieuw is.
Voortraining is een voorsprong, en Duplex is ook zonder voortraining nuttig. Leeg gestart leert het alleen van live werk, één bevestigd resultaat tegelijk, en dat past bij een team met weinig materiaal om mee te beginnen. Voorgetraind begint het met wat je team al wist, in plaats van dat resultaat na resultaat te ontdekken.
Een voorsprong is pas het begin. Beleid verandert, tools veranderen en mensen vinden betere methoden, dus een momentopname van wat je team op dag één wist, raakt verouderd bij de eerste beleidswijziging. Voor een AI-model is de voortraining waar het leren eindigt: het leert de wereld, wordt uitgebracht en blijft zoals het is. Voor Duplex is de voortraining waar het leren begint.
Als een beleid verandert, volgt Duplex het nieuwe vanaf het volgende verzoek, en blijft al het andere wat het leerde, voorgetraind of live, zoals het was. De voorsprong blijft een voorsprong, in plaats van iets te worden waar je team omheen moet werken.
Leeg gestart leert Duplex alleen van live werk, één bevestigd resultaat tegelijk.
Helder wint van groot.
Het is verleidelijk om alles erin te gieten: elk ticket, elke thread, elke versie van elk beleid. Meer voelt veiliger, en archieven zijn makkelijk te exporteren.
Maar een groot archief mengt heldere voorbeelden met verouderde, tegenstrijdige en twijfelachtige: het beleid van twee versies geleden, twee managers die hetzelfde geval op twee manieren beslisten, het antwoord dat werd verstuurd en nooit gecontroleerd. Leer van alles, en de twijfel komt mee met de kennis.
Een kleine set heldere, actuele voorbeelden leert meer dan een groot archief van onzekere. Een helder voorbeeld is er een dat je team vandaag opnieuw zou geven, om een reden die het kan uitleggen. Je team beoordeelt wat erin gaat en kiest de beslissingen waar het achter staat. Neem de gevallen op die naar een mens moeten, en Duplex leert die over te dragen in plaats van te gokken.
Dag één is ook niet definitief. Als een voorbeeld fout blijkt, of het beleid erachter verandert, kan je team die ene les corrigeren of verwijderen, en blijft al het andere wat Duplex leerde zoals het was.
Een goede nieuwe medewerker is in de eerste week nuttig dankzij wat het team overdroeg, en goed in het eerste jaar dankzij alles wat er op de werkvloer is geleerd. Duplex werkt net zo. De voortraining is de overdracht, en elk resultaat dat je team daarna bevestigt, is leren op de werkvloer.
Een groot archief mengt heldere voorbeelden met verouderde, tegenstrijdige en onzekere.