Aplicar las lecciones del análisis de texto CX a la IA generativa

No está condenado a repetirse: aprender del pasado del análisis de texto de la experiencia del cliente garantizará que obtengamos el máximo valor de los modelos de lenguaje grandes

Aplicación de las lecciones del análisis de texto CX a la IA generativa | Ipsos La IA generativa ha democratizado rápidamente el poder de la Inteligencia Artificial basada en texto . Básicamente, cualquier persona con acceso a Internet ahora puede hacer preguntas y obtener respuestas de estos robots súper inteligentes.

Las herramientas de IA, en particular los modelos de lenguajes grandes (LLM, por sus siglas en inglés), se pueden aprovechar para muchos casos de uso prácticos de análisis de texto . Si bien nos encontramos en un panorama nuevo, aprender del pasado del análisis de texto garantizará que no repitamos errores y podamos aprovechar estas nuevas herramientas en todo su potencial.

Desde una oferta de nicho hace más de una década, el análisis de texto ha crecido hasta convertirse en un estándar en la mayoría de los programas de experiencia del cliente (CX) grandes o en curso. Se puede utilizar para proporcionar identificación y cuantificación de temas clave y sentimientos entre comentarios solicitados (por ejemplo, preguntas abiertas) y no solicitados (por ejemplo, redes sociales).

Si bien nos encontramos en un panorama nuevo, aprender del pasado del análisis de texto garantizará que no repitamos errores y podamos aprovechar estas nuevas herramientas en todo su potencial.

En este documento, nuestros expertos en CX, basándose en los aprendizajes del análisis de texto de los últimos 15 años y utilizando nuestro marco de IA de Verdad, Belleza y Justicia , describen cinco lecciones clave que los equipos deben tener en cuenta al aplicar la tecnología generativa impulsada por LLM. Herramientas de IA:

  1. Exigir transparencia . Asegúrese de tener claras las capacidades del LLM, la naturaleza de los datos utilizados para entrenar el modelo y si es capaz de aprender y adaptarse a medida que experimenta nuevos datos. La transparencia también significa establecer contratos, gobernanza e infraestructura para proteger la privacidad y la seguridad de la información y los datos confidenciales.
  2. No olvides los datos . Si los datos involucrados no son representativos o relevantes para su pregunta comercial, o no contienen detalles suficientes para responder esas preguntas, entonces los resultados no cumplirán sus objetivos.
  3. La evaluación formal todavía importa . Para aprovechar al máximo el análisis de texto, se debe evaluar sistemáticamente la calidad de casos de uso específicos. Mantener los LLM con el mismo rigor que el análisis de texto tradicional garantiza que obtendrá el máximo valor.
  4. Recuerde gestionar las expectativas . Al igual que con el análisis de texto en el pasado, debemos gestionar las expectativas de los usuarios finales sobre los comentarios proporcionados por los LLM. Los resultados que proporciona no deben quedar sin control.
  5. Establecer un mecanismo de informes/uso que satisfaga las necesidades comerciales . Los LLM y la IA generativa retoman lo que ya está el análisis de texto, con interfaces configurables existentes para interacciones en vivo. Estas interfaces, junto con modelos que admitan las funcionalidades adecuadas, deben ponerse en manos de los usuarios adecuados.

Si tratamos a los LLM con el respeto que merecen, aprendemos del pasado y abrazamos el futuro, sin duda conducirán a relaciones con los clientes mejores, más leales y más rentables.

Descargue el documento técnico

Para obtener más información sobre el punto de vista más amplio de Ipsos, consulte nuestras últimas ideas de Ipsos CX.

Obtenga más información sobre la Voz del Cliente , Análisis de la Experiencia del Cliente y Asesoramiento sobre la Experiencia del Cliente en Ipsos. Para analizar cómo Ipsos puede ayudarle a usted y a su organización, póngase en contacto con su contacto local de Ipsos CX o con uno de los expertos globales de Ipsos.