Maandag om negen uur krijgt een klant als antwoord dat hij de retourkosten voor een kapotte waterkoker moet betalen, en je teamleider support corrigeert het: kapotte producten gaan gratis retour. Om twaalf uur hebben terugbetalingen boven £75 voortaan goedkeuring van een manager nodig. In de loop van de middag komen de vragen van die ochtend terug in nieuwe woorden, en komt er iets binnen dat nog niemand eerder zag. Op vrijdag komt er een nieuwer model uit.
Met alleen een model eindigt de week waar die begon. Op vrijdagavond weet je AI precies wat hij maandag om negen uur wist, en heeft je team vijf dagen lang dingen uitgelegd die hij niet kon leren.
ACI, Adaptive Continual Intelligence, maakt van elk van die momenten een les. Het leert van de resultaten van je werk terwijl het werk gebeurt en handelt naar wat het leert, dus op vrijdag is je AI beter in je werk dan hij op maandag was.
Maandag, negen uur: je team corrigeert een antwoord, en het volgende in die trant heeft de correctie.
Een correctie wordt het volgende antwoord.
Als je teamleider support het antwoord over de waterkoker corrigeert, leert ACI van die correctie, en de eerstvolgende klant die het vraagt, krijgt het gecorrigeerde antwoord, hoe hij het ook formuleert. Niemand past een prompt aan, werkt een document bij of wacht op een trainingsrun.
Vandaag de dag leeft een correctie in het gesprek waarin ze werd gemaakt, en verdwijnt ze samen met dat gesprek. Teams die willen dat ze blijft, zetten haar in een prompt, die met elke uitzondering groeit tot niemand meer zeker weet welke regels nog gelden.
Met ACI leert je AI het werk van de mensen die het kennen, doordat zij het doen. Je ziet wie wat corrigeerde, en wanneer, en elke correctie blijft gelden tot iemand in je team die verandert.
In een stroom van 3,000 beslissingen waarin de regels vijf keer veranderden, zat het model alleen in 59.8% van de gevallen goed. Zet Duplex, dat op ACI is gebouwd, naast hetzelfde model, en samen zaten ze in 94.6% van de gevallen goed.
Het werk verandert, en je AI blijft bij.
Om twaalf uur komt de nieuwe regel voor terugbetalingen boven £75 binnen. ACI volgt die vanaf het volgende verzoek, en al het andere wat het leerde, blijft zoals het was: de correctie over de waterkoker geldt nog steeds, net als elke beslissing die je team vorige maand nam.
Een regelwijziging is meestal het begin van een zoektocht. De oude regel staat in prompts, documenten en gecachete antwoorden, en elke kopie die iemand over het hoofd ziet, blijft vol overtuiging het oude antwoord geven, tot een klant het merkt. Met ACI is een regelwijziging een beslissing die je team één keer neemt, in plaats van een opruimklus die de hele week duurt.
De regelwijzigingen in die 3,000 beslissingen waren het punt waarop de aanpakken uiteengingen. Bij de beslissingen die erdoor werden geraakt, zat Duplex in 92.5% van de gevallen goed. Een cache kwam tot 42.6%, en het model alleen tot 2.3%.
Hoe meer het leert, hoe minder elk verzoek kost.
Tegen drie uur komen dezelfde vragen steeds weer terug. ACI beantwoordt elke vraag die het heeft geleerd in milliseconden, zonder modelaanroep, en je model neemt voor zijn rekening wat nieuw is, waar het zijn beste werk doet.
Aan zichzelf overgelaten zoekt een model elk verzoek van voren af aan uit, dus de duizendste vraag over een terugbetaling kost net zoveel als de eerste, en duurt net zo lang. De rekening groeit met het gebruik, en het wachten ook.
Met ACI gaan de kosten de andere kant op: hoe meer van je werk het leert, hoe minder aanroepen je model krijgt. Over dezelfde 3,000 beslissingen verlaagde Duplex het aantal modelaanroepen met 90.3%, de kosten met 84.8% en de tijd per antwoord met 81.9%, terwijl de nauwkeurigheid steeg. Een AI die leert, wordt goedkoper naarmate hij beter wordt.
Het weet wat het weet.
Om half vijf komt er een verzoek binnen dat lijkt op de terugbetalingen van die ochtend, maar het niet is: een bestelling die in tweeën is gesplitst, met de ene helft geleverd en de andere kwijt. ACI herkent dat het dit geval niet heeft geleerd, en geeft het aan je model, gebriefd met wat ACI erover weet.
Een cache zou er een terugbetaling als alle andere in zien en het antwoord teruggeven dat hij al heeft, goed of fout. Het model op zichzelf beantwoordt alles, met dezelfde zekerheid, of het je regels nu kent of niet. Hoe dan ook zien de fouten er precies zo uit als de goede antwoorden.
Omdat ACI weet waar zijn kennis ophoudt, kun je het meer van het werk toevertrouwen. Het beantwoordt wat het heeft geleerd en haalt je model erbij voor wat nieuw is, in plaats van te gokken.
De tests gebruikten misleidende dubbelgangers: verzoeken die op bekend werk lijken, maar nieuw zijn. Over tien runs zat Duplex bij 7.5% ervan fout, tegenover 45.3% voor een cache.
Wat het leert, gaat mee waar jij gaat.
Op vrijdag stapt je team over op het nieuwere model. Alles wat ACI deze week leerde, gaat mee: de correctie over de waterkoker, de goedkeuringsregel en elke beslissing die je team nam, zodat het nieuwe model aan zijn eerste ochtend begint met je werk al naast zich.
Wat in een model zelf is aangeleerd, vertrekt ook met dat model. Een gefinetunede adapter hoort bij het model waarop hij is getraind, dus een nieuw model betekent weer een trainingsrun, en de lessen van de week moeten opnieuw worden aangeleerd. In de tests ging wat Duplex leerde zonder hertraining over naar een andere modelfamilie, terwijl geen van de zes gefinetunede adapters die overstap kon maken.
Het gaat ook verder dan modellen. Elke assistent of agent die je toestaat, kan gebruiken wat ACI leerde, dus een correctie in je supportassistent helpt ook de agent die je e-mails over terugbetalingen opstelt.
Dat was één week. Een model op zichzelf begint elke maandag zoals het werd uitgebracht, niets wijzer over je werk dan op zijn eerste dag. Met ACI begint elke week waar de vorige eindigde, en bouwen de weken op elkaar voort.