AI dalam Aliran Kerja CX Manager

Seorang CX Manager yang saya bekerjasama pada suku tahun lepas menghabiskan dua jam menjana laporan VoC yang kemas daripada 800 komen NPS. Beliau mempunyai prompt yang bersih, pengelompokan yang baik, dan ringkasan eksekutif yang teratur. Beliau membawa laporan itu ke semakan produk dengan perasaan seperti baru sahaja menemui sesuatu yang luar biasa.

PM membaca tiga perenggan, mengerutkan dahi, dan berkata: "Ini tidak terdengar seperti pelanggan kita."

Laporan itu ditolak. Bukan kerana sintesisnya salah. Tema-temanya memang tepat pada arahnya. Kiraan frekuensi pun betul. Ringkasannya pun jelas. Tetapi suara pelanggan telah dikikis habis. Setiap petikan terdengar seperti telah digilap. Setiap nama tema kedengaran seperti slaid McKinsey. PM tidak mempercayainya kerana tiada satu pun yang kedengaran seperti aduan marah, khusus, dan berfrasa pelik yang beliau dengar setiap minggu dalam panggilan sokongan.

Itulah perangkapnya. AI memampatkan masa yang diperlukan untuk mensintesis maklum balas dari beberapa hari kepada beberapa minit. Bahagian itu nyata, dan mengabaikannya adalah bodoh. Tetapi CX Manager tidak dibayar kerana kelajuan sintesis. Kita dibayar kerana pertimbangan pelanggan. Apabila output AI menggantikan pertimbangan dan bukannya mempercepatkannya, tempat duduk kita di meja menjadi lebih senyap, kemudian pilihan, kemudian tiada.

Tugasan bukan untuk menggunakan lebih banyak AI. Tugasan adalah untuk menggunakan AI di tempat-tempat yang mengamplifikasikan anda, dan menolak menggunakannya di tempat-tempat yang menyerupai anda.

Mengapa Ini Penting Sekarang

Setiap pasukan CX yang saya temui sedang berada dalam versi perbualan yang sama. Kepimpinan mahukan AI dalam aliran kerja. CX Manager mempunyai senarai 14 tempat yang boleh dipasang. Sesetengahnya menjimatkan masa yang nyata. Sesetengahnya secara senyap mengikis kepercayaan yang dibina oleh peranan itu.

Versi jujurnya: AI sangat baik dalam bahagian kerja CX yang kebanyakannya mekanikal (pengelompokan, penyusunan, pemformatan, draf penulisan). AI sangat buruk dalam bahagian yang kebanyakannya memerlukan pertimbangan (isyarat mana yang penting, segmen mana yang bermasalah, komen "kecewa" mana yang sebenarnya hampir meninggalkan). Mencampur-adukkan keduanya adalah cara untuk menghasilkan laporan yang cantik tetapi ditolak.

Kali pertama saya menghantar laporan VoC sepenuhnya AI, saya fikir saya telah membuka sesuatu. Saya belum. Saya hanya telah menyerahkan suara saya. Kali kedua, saya menggunakan AI untuk pengelompokan, kemudian menulis semula setiap ringkasan tema dalam kata-kata saya sendiri menggunakan petikan langsung yang telah saya sahkan. Laporan itu diterima, disebut dalam QBR, dan membawa kepada perubahan pelan hala tuju. Alat yang sama. Hubungan yang berbeza dengan alat tersebut.

Di Mana AI Membantu, Di Mana AI Menyakiti

Inilah peraturan keputusan yang saya gunakan, dan yang akan saya tempelkan di dinding untuk mana-mana pasukan CX yang menggunakan AI:

Empat baris "Membantu" menjimatkan 4-6 jam setiap kitaran VoC. Empat baris "Menyakiti" menelan kos dua belas bulan kredibiliti anda seterusnya. Pengiraannya tidak setanding.

Lima Prompt yang Benar-Benar Menjimatkan Masa

Inilah prompt yang saya gunakan setiap minggu. Salinnya, tukar pemboleh ubah, dan jalankan. Ia ditulis untuk jujur tentang apa yang AI boleh lakukan, yang bermakna ia menyertakan klausa "jika anda tidak dapat menemui bukti, katakan begitu". Satu baris itu mengubah output lebih daripada arahan lain mana pun.

1. Pengelompokan tematik maklum balas teks bebas

You are helping me cluster customer feedback into themes.

Input: [paste 200-800 raw verbatim comments]

Task: Cluster these comments into 8-12 distinct themes.

For each theme:
- Theme name (4 words max, plain English, no jargon)
- Count (how many comments support this theme)
- 3 representative verbatim quotes (exact text, no edits)
- One-sentence summary of what customers are actually saying

Rules:
- Do not editorialize.
- Do not invent themes that are not supported by at least 5 comments.
- If a theme contradicts another theme, surface the contradiction.
- Quotes must be verbatim from the input. Do not paraphrase, polish, or fix grammar.

Ini adalah tulang belakang operasi. Jalankan pada eksport NPS mentah, tiket sokongan, nota sebab kadar peralihan pelanggan. Baris "do not polish quotes" adalah penting. Tanpanya, model menyertai suara sebenar pelanggan.

2. Ringkasan pengkritik NPS

You are helping me understand what NPS detractors are complaining about.

Input: [detractor comments only, score 0-6]

Task: Group complaints by issue type. For each issue:
- Issue name
- Count
- 2-3 direct quotes (verbatim)
- Whether this issue appears in promoter or passive comments too (yes/no, with one quote if yes)

Rules:
- If you cannot find evidence for a claimed pattern in the actual comments, say so explicitly.
- Do not soften language. If customers are angry, say they are angry.
- Flag any comment that mentions a specific competitor by name.

Arahan "jika anda tidak dapat menemui bukti, katakan begitu" adalah baris paling penting dalam mana-mana prompt AI yang saya jalankan. Ia memotong tema yang direka-reka kira-kira 70%.

3. Draf permulaan peta perjalanan

You are helping me draft a v0 customer journey map.

Input: [interview transcript or session notes from a single customer]

Task: Map this customer's journey across these stages:
1. Trigger (what made them look)
2. Evaluation (how they decided)
3. Onboarding (first 30 days)
4. Activation (when they got value)
5. Steady state (current usage)
6. Friction points (where they're stuck)

For each stage:
- What the customer did
- What they thought (use direct quotes where possible)
- What tool/touchpoint was involved
- What went well or poorly

Rules:
- Use the customer's actual words, not paraphrases.
- If a stage is not covered in the transcript, write "not covered", do not invent.
- Flag emotional moments with the customer's actual phrasing.

Yang ini memotong masa halaman kosong pada kerja peta perjalanan kepada separuh. Outputnya tidak pernah menjadi peta akhir. Ia adalah perancah yang saya edit di atasnya.

4. Penyediaan pembentangan ringkasan eksekutif

You are helping me turn raw findings into a 1-page executive summary.

Input: [bulleted findings, with quotes and counts]

Task: Write a 250-word executive summary.

Structure:
- One-sentence headline (the customer impact, not the methodology)
- 3 key findings, each with the quantified evidence and a representative quote
- 1 recommendation, framed as a decision the exec needs to make
- 1 risk if we do nothing

Rules:
- Lead with customer impact. Methodology goes in an appendix, not the body.
- Keep it under 250 words.
- No adverbs that signal opinion ("clearly," "obviously," "significantly").
- If a finding has weak evidence, say so. Do not bury caveats.

AI memang baik dalam format. Ini adalah salah satu daripada sedikit prompt di mana saya mengedit dengan ringan, biasanya penulisan semula 20-30%. Penjanaan struktur itulah yang AI sesuai lakukan.

5. Sintesis menang/kalah daripada nota panggilan

You are helping me synthesize patterns from win/loss interview notes.

Input: [10-30 win/loss interview summaries]

Task: Produce two lists.

WHY WE WIN:
- Top 5 reasons, each with count and 2 verbatim quotes
- Note which segment each reason is strongest in (SMB / mid-market / enterprise)

WHY WE LOSE:
- Top 5 reasons, same format
- Distinguish "lost to competitor X" from "lost to no decision"

Rules:
- Do not include any reason mentioned by fewer than 3 interviews.
- If a reason appears strongly in only one segment, say so.
- Surface any reason that contradicts our internal assumptions about why we win.

Titik akhir itulah yang paling bernilai. AI tidak mengetahui andaian dalaman anda, tetapi jika anda memberitahunya untuk menandakan percanggahan, ia akan berbuat demikian, dan percanggahan itu biasanya merupakan baris paling berharga dalam output.

Prompt Keenam: Triaj Isyarat Kadar Peralihan Pelanggan

Prompt ini cukup berisiko sehingga saya meletakkannya dalam seksyennya sendiri dengan amaran.

You are helping me triage churn-risk signals.

Input: [list of accounts with usage drop %, last login date, support ticket count, NPS score]

Task: For each account, output:
- Risk level (high / medium / low)
- Primary signal driving the risk
- One question I should ask the CSM before reaching out

Rules:
- Do not produce a confident risk score if 2 or more signals are missing.
- Flag accounts where signals contradict (e.g., usage dropped but NPS is 9).
- Do not rank accounts by frequency of signals. Rank by severity.

Inilah amaran: jangan sekali-kali biarkan AI mengutamakan pelan hala tuju pelanggan atau senarai panggilan penyelamatan tanpa anda dalam gelung. AI akan menyusun mengikut frekuensi. Anda tahu bahawa satu akaun perusahaan yang bermasalah tentang sesuatu isu lebih penting daripada 50 pengguna peringkat percuma yang menyebut isu berbeza. AI tidak tahu itu, dan "skor risiko kadar peralihan pelanggan" yang mengabaikan nilai akaun adalah lebih buruk daripada tiada skor langsung.

Saya memperlakukan output prompt ini sebagai titik permulaan perbualan dengan CSM, bukan sebagai senarai untuk ditindak.

Senarai Semak Semakan Output (Jalankan Sebelum Apa-apa Meninggalkan Meja Anda)

Tiga soalan. Jalankan pada setiap output AI sebelum anda meletakkan nama anda padanya.

1. Bolehkah saya menunjuk kepada petikan sumber untuk setiap tuntutan? Jika tema mengatakan "pelanggan kecewa dengan proses penerimaan pelanggan," saya sepatutnya boleh membuka eksport mentah dan mencari verbatim yang menyokongnya. Jika tidak, tema itu direka-reka dan perlu dipotong.
2. Adakah ini kedengaran seperti pelanggan kita? Baca dengan kuat. Pelanggan kita bersumpah, merepek, menggunakan nama produk khusus, menyebut pesaing X dengan nama. Output AI kedengaran seperti ceramah TED. Jika output anda pun begitu, tulis semula petikan kembali kepada suara sebenar.
3. Adakah saya akan menandatangani nama saya pada ini? Bukan "adakah ia cukup baik." Adakah saya akan meletakkan nama saya padanya di hadapan CFO? Jika tidak, betulkan. Jika anda tidak pasti, minta CSM membaca tiga perenggan.

Metrik kesihatan yang berguna: berapa banyak output AI yang anda edit sebelum menerbitkan? Julat sihat adalah 30-50%. Jika anda mengedit kurang daripada 10%, anda hanya meluluskan secara buta dan suara anda hilang. Jika anda mengedit lebih daripada 70%, prompt anda memerlukan penambahbaikan dan anda patut menulis sendiri dari awal. Untuk rangka kerja VoC dan keutamaan asas yang dimasukkan data AI, lihat Program NPS yang Benar-Benar Mendorong Tindakan dan Menukar Maklum Balas VoC Kepada Keputusan Pelan Hala Tuju.

Perangkap Biasa

Beberapa corak yang saya perhatikan menjejaskan CX Manager yang baik.

Menghantar laporan VoC sepenuhnya AI tanpa menulis semula dalam suara anda sendiri. Ini adalah perangkap dari bahagian pembukaan. Sintesis boleh betul secara teknikal dan masih ditolak kerana suaranya salah. Sentiasa tulis semula tema tajuk dan ringkasan eksekutif dalam kata-kata anda sendiri, menggunakan petikan verbatim yang telah anda sahkan secara peribadi.

Memperlakukan skor risiko kadar peralihan pelanggan AI sebagai kebenaran mutlak. AI tidak tahu akaun mana yang merupakan teman golf CEO anda. Ia tidak tahu logo mana yang ada dalam dek kajian kes. Ia menyusun mengikut apa yang ada dalam data, dan data itu tidak termasuk politik akaun. Sentiasa beri berat mengikut segmen dan nilai strategik.

Tidak mengesahkan bahawa tema benar-benar wujud dalam data mentah. AI mereka-reka corak. Tidak kerap, tetapi cukup kerap. Jika model mengatakan "20% pelanggan menyebut X," pergi semak eksport. Jika anda menemui 4 sebutan dan bukannya 40, tema itu rekaan dan baki output kini boleh dipersoalkan.

Menggunakan AI untuk menulis cerita pelanggan dan bukannya mencarinya. AI adalah pembantu penyelidikan, bukan pencerita. Pencerita adalah anda. Anda menulis JD (penerangan kerja Customer Experience Manager) tentang pertimbangan pelanggan atas sebab tertentu; di sinilah ia terzahir.

Untuk lebih lanjut tentang mod kegagalan yang secara senyap bertambah dalam peranan CX, lihat Perangkap Biasa yang Menyebabkan Kegagalan CX Manager.

Di Mana AI Sesuai dalam Set Teknologi yang Lebih Luas

Alat AI adalah satu lapisan dalam set teknologi, bukan keseluruhan set. Anda masih memerlukan platform tinjauan, sistem penandaan, cara untuk melampirkan isyarat pelanggan kepada sumber rujukan tunggal supaya PM dan CSM boleh bertindak terhadapnya. Tanpa paip tersebut, tiada jumlah prompt yang bijak dapat membaiki aliran kerja. Set Alat dan Teknologi CX Manager merangkumi apa yang perlu dilapisi di bawahnya.

Persediaan kerja mudah yang berskala: simpan setiap maklum balas pelanggan (NPS, tiket sokongan, nota temu bual, panggilan menang/kalah) dalam satu sistem yang boleh dijejaki, tandakan mengikut tema dan akaun, kemudian masukkan data berstruktur itu ke dalam prompt AI anda. Rework Work Ops memberikan CX Manager satu permukaan untuk menandakan isyarat pelanggan, melampirkannya kepada akaun tertentu, dan menjejaki komitmen yang anda buat untuk membetulkannya. Work Ops bermula pada $6/pengguna/bulan. Anda tidak memerlukannya untuk menggunakan prompt ini. Anda memerlukan tempat yang boleh dipercayai untuk menyimpan data yang anda masukkan.

Mengukur Sama Ada Ini Berfungsi

Tiga angka yang saya semak pada diri sendiri setiap suku tahun.

• Masa sintesis yang dijimatkan setiap kitaran VoC. Jika AI tidak memotong sekurang-kurangnya 60% masa yang biasanya diperlukan untuk pergi dari data mentah kepada tema, prompt anda tidak cukup ketat.
• % output AI yang diedit sebelum diterbitkan. Sihat adalah 30-50%. Di bawah 10% bermakna anda meluluskan secara buta. Di atas 70% bermakna prompt atau kes penggunaan adalah salah.
• Skor kepercayaan dengan PM dan PMM. Tidak formal tetapi paling penting. Tanya PM rakan sejawat secara langsung: "Adakah output saya masih terasa seperti ia datang dari seseorang yang benar-benar mengenali pelanggan?" Jika mereka ragu-ragu, suara anda bocor keluar dari kerja.

Metrik terakhir itulah yang perlu dilindungi. Kelajuan boleh dipulihkan. Reputasi sebagai orang yang laporan CX-nya kedengaran seperti chatbot tidak boleh.

Kelebihan CX Manager adalah mengetahui 50 komen mana yang penting daripada 500. AI tidak dapat melakukan itu untuk anda. Berpura-pura ia boleh adalah cara anda kehilangan kepercayaan dalam bilik. Menggunakannya dengan baik, dengan pengelompokan cepat, ringkasan ketat, petikan yang disahkan, dan suara anda di atas, adalah cara anda mengekalkan kepercayaan dalam bilik dan mendapat petang tambahan setiap minggu.

Itulah pertukaran. Ambillah.