Menyediakan Data Sokongan untuk AI: Tiket, Makro dan Kandungan Pengetahuan

Oleh Linh Ngo · Dikemas kini 11 Oktober 2026

Menyediakan data sokongan untuk AI bermakna menyiapkan tiga aset sebelum model menyentuh pelanggan: pangkalan pengetahuan yang tepat, tidak kabur dan terkini, sejarah tiket dengan teg yang konsisten dan penyelesaian yang bersih, serta pustaka makro yang sepadan dengan cara pasukan anda sebenarnya menjawab. Ejen AI menjawab daripada apa sahaja yang anda berikan. Jika pusat bantuan bercanggah dengan dirinya sendiri, bot pun begitu, dan ia akan menyatakannya dengan sopan serta dalam skala besar.

Panduan ini ditujukan kepada pemimpin sokongan, Director CX dan pengurus sokongan yang akan menghidupkan ejen AI, atau yang sudah melakukannya dan melihat jawapan yang salah. Ia berada di bawah gambaran keseluruhan dalam AI dalam perkhidmatan pelanggan dan mendalami satu perkara yang menentukan kebanyakan hasil: kandungan dan data di bawah alat itu.

Fakta Utama

• Dalam kajian NBER "Generative AI at Work," pembantu AI meningkatkan isu yang diselesaikan sejam sebanyak kira-kira 14% secara purata merentasi 5,179 ejen sokongan pelanggan, dan 34% bagi pekerja baharu dan berkemahiran rendah (NBER w31161).
• Penulis yang sama menemui bukti yang mencadangkan bahawa AI "menyebarkan amalan terbaik pekerja yang lebih berkebolehan," yang hanya berfungsi jika amalan itu wujud dalam bentuk yang direkodkan dan boleh digunakan (NBER w31161).
• Dokumentasi Intercom menyatakan bahawa, tidak seperti pembaca manusia, AI "sangat bergantung pada struktur yang jelas, frasa yang tidak kabur, dan penjajaran yang kukuh dengan niat pelanggan" (Intercom Help Center).
• Intercom mengesyorkan menyemak cadangan kandungan AI dan bendera rakan sepasukan setiap minggu, dan menyemak artikel yang banyak terlibat tetapi kurang menyelesaikan setiap bulan (Intercom Help Center).
• Panduan Zendesk untuk ejen AI-nya menyatakan supaya mengelak maklumat yang lapuk atau tidak boleh dipercayai, kerana ejen AI menggunakannya (Zendesk Help Center).

Data Sokongan yang Sebenarnya Diperlukan oleh AI

Kebanyakan alat sokongan AI tergolong dalam dua keluarga, dan setiap satu membaca aset yang berbeza.

Yang pertama menjawab soalan daripada dokumentasi anda. Ia mengambil artikel bantuan yang relevan dan menulis balasan daripadanya, corak yang dikenali sebagai retrieval-augmented generation. Dalam istilah ACE Framework ini ialah corak rag-assistant. Kualitinya dihadkan oleh kandungan pengetahuan anda. Model tidak boleh memetik dasar yang tidak pernah anda tulis, dan ia tidak dapat mengetahui yang mana satu daripada dua artikel yang bercanggah itu yang sebenar. Halaman ejen pangkalan pengetahuan AI membincangkan bagaimana ejen itu berkelakuan setelah kandungan disediakan.

Yang kedua mengelaskan dan menghalakan. Ia membaca tiket masuk, menetapkan kategori, keutamaan atau sentimen, dan menghantarnya ke barisan gilir yang betul. Itulah corak scoring-routing, dan ia belajar daripada tiket sejarah anda. Jika teg anda tidak konsisten, ia belajar tabiat yang tidak konsisten. Lihat ejen triaj sokongan AI untuk melihat apa yang dilakukan oleh versi yang diberi makan dengan baik.

Makro terletak di antara keduanya. Ia ialah perkataan yang diluluskan oleh pasukan anda, dan ia menyuap alat penyediaan draf dan cadangan agent assist.

Untuk gambaran data yang lebih luas di luar sokongan, kesediaan data untuk AI menerangkan semakan umum.

Jurang Biasa

Lima masalah muncul berulang kali dalam operasi sokongan sebelum pelancaran AI.

Percanggahan antara artikel. Dua halaman tentang bayaran balik, ditulis dua tahun berbeza, memberi tempoh yang berbeza. Ejen manusia tahu yang mana betul. Sistem pengambilan mungkin memaparkan mana-mana satu. Pusat bantuan Zendesk sendiri menyatakan bahawa ejen AI menggunakan maklumat yang lapuk atau tidak boleh dipercayai, dan artikel lama tepat seperti itu.

Pengetahuan yang tinggal dalam kepala orang. Pembetulan bagi kes pinggir pengebilan yang pelik hanya wujud dalam ingatan ejen paling kanan anda. Inilah jurang yang ditunjukkan oleh kajian NBER: AI menyebarkan amalan pelaku terbaik, tetapi hanya yang boleh ditemuinya dalam bentuk yang direkodkan.

Teg yang bercambah. Selepas tiga tahun anda ada 140 teg, enam daripadanya bermaksud "masalah pengebilan," dan ejen memilih apa sahaja yang pertama dalam senarai juntai bawah. Model penghalaan yang dilatih pada sejarah itu menghasilkan semula kekeliruan yang sama.

Nota penyelesaian kosong. Tiket yang ditutup dengan "Selesai" atau "Siap" tidak mengajar apa-apa. Nilainya ada pada baris yang berbunyi "Sijil SSO pelanggan tamat tempoh; diperbaharui dalam tetapan pentadbir dan disegerakkan semula."

Makro yang hidup lebih lama daripada dasarnya. Makro yang menjanjikan tempoh pemulangan 30 hari masih berada dalam menu pintasan lama selepas dasar bertukar kepada 14 hari. Alat agent assist mencadangkannya dengan setia.

Rupa Kandungan Pengetahuan yang Baik

Panduan amalan Knowledge-Centered Service (KCS) v6 daripada Consortium for Service Innovation ialah kaedah paling mantap untuk ini. Ia menyusun kerja kepada Solve Loop, di mana ejen menangkap, menstruktur, menggunakan semula dan menambah baik pengetahuan semasa menyelesaikan tiket, dan Evolve Loop, yang meliputi kesihatan kandungan, integrasi proses, penilaian prestasi dan kepimpinan (KCS v6 Practices Guide). Empat amalan Solve Loop-nya sepadan dengan baik dengan kesediaan AI:

• Tangkap (termasuk "Tangkap Pengetahuan pada Ketika Itu"): tulis artikel semasa menyelesaikan tiket, bukan dalam pecutan dokumentasi suku tahunan.
• Strukturkan ("Gunakan Templat yang Mudah"): templat yang konsisten, seperti isu, persekitaran, penyelesaian, punca, menjadikan kandungan mudah dihuraikan oleh manusia dan sistem pengambilan.
• Gunakan semula ("Cari Awal, Cari Kerap", "Pautan"): memautkan tiket kepada artikel yang digunakan menunjukkan kandungan mana yang benar-benar digunakan.
• Tambah baik ("Tandakan atau Baiki"): sesiapa yang menemui artikel salah sama ada membaikinya atau menandakannya, supaya kereputan dapat dikesan.

Anda tidak perlu menerima pakai KCS sepenuhnya untuk mendapat manfaat. Prinsipnya ialah pengetahuan adalah hasil sampingan menyelesaikan tiket, dan ia mempunyai pemilik.

Panduan vendor menuju ke arah yang sama. Intercom menyatakan AI bergantung pada struktur yang jelas dan frasa yang tidak kabur, dan artikel dengan tujuan atau skop yang tidak jelas mungkin diambil untuk jenis pertanyaan yang salah (Intercom Help Center). Peraturan praktikal: jika pekerja baharu akan bertanya "tunggu, yang mana satu terpakai kepada saya?" selepas membacanya, AI akan meneka.

Beberapa tabiat penulisan yang membantu:

1. Letakkan jawapan dalam ayat pertama, kemudian syarat dan pengecualian.
2. Namakan segmen pelanggan, pelan atau rantau yang berkenaan dengan jawapan itu.
3. Gunakan perkataan yang digunakan pelanggan dalam tajuk ("Tukar e-mel pada akaun saya"), bukan jargon dalaman.
4. Kekalkan satu tugas bagi setiap artikel, dan buat pautan dan bukannya menyalin langkah yang dikongsi.
5. Tandakan versi produk atau tarikh dasar di dalam artikel supaya penyemak dapat mengesan yang lapuk.

Membersihkan Sejarah Tiket dan Makro

Sejarah tiket ialah tempat AI mempelajari logik pengelasan anda, dan tempat alat agent assist menemui contoh jawapan.

Teg. Kurangkan kepada senarai terkawal yang boleh dihafal oleh ejen baharu, biasanya 15 hingga 40 sebab bergantung pada kerumitan. Tulis takrifan satu baris dan satu contoh bagi setiap satu. Gabungkan sinonim, singkirkan ekor panjang, dan jadikan sebab hubungan utama medan wajib. Kemudian labelkan semula satu sampel (beberapa ratus tiket sudah cukup untuk menguji) dan bandingkan hasilnya dengan apa yang asalnya dipilih oleh ejen. Percanggahan besar bermakna kategori tidak jelas, bukan ejen cuai.

Nota penyelesaian. Tambah medan wajib "apa yang membaikinya" atau templat penutup. Nota yang ringkas dan khusus pun menjadikan setiap tiket sebagai artikel pengetahuan yang berpotensi dan contoh latihan yang lebih baik.

Data sensitif. Tiket mengandungi nama, serpihan kad, butiran kesihatan dan kata laluan yang ditampal secara tidak sengaja oleh orang. Tentukan apa yang disembunyikan atau dikecualikan sebelum sebarang teks tiket digunakan untuk latihan atau pengambilan. Libatkan ketua privasi atau keselamatan anda lebih awal.

Makro. Eksport senarai penuh dengan kiraan penggunaan. Singkirkan apa-apa yang tidak digunakan selama setahun, tetapkan pemilik kepada setiap makro yang tinggal, dan pautkan setiap satu kepada dasar yang diungkapkannya. Apabila dasar berubah, pemilik mengemas kini makro dan artikel yang sepadan dalam perubahan yang sama.

Langkah demi Langkah: Menyediakan Data Sokongan

1. Pilih kes penggunaan pertama. Bot deflection untuk soalan kata laluan dan pengebilan memerlukan artikel yang kukuh. Model triaj memerlukan teg yang kukuh. Mulakan dengan satu aset yang menjadi tumpuan projek pertama anda, dan gunakan panduan kesediaan data mengikut corak untuk melihat apa yang diperlukan oleh setiap corak.
2. Audit 50 topik teratas. Tarik sebab hubungan teratas anda mengikut isi padu. Bagi setiap satu, semak bahawa tepat satu artikel terkini menjawabnya. Tandakan yang tiada, pendua dan bercanggah.
3. Baiki percanggahan dahulu. Gabungkan pendua, padam atau alihkan yang kalah, dan selesaikan soalan dasar dengan pemiliknya. Ini peningkatan ketepatan paling pantas yang akan anda dapat.
4. Isi jurang daripada tiket sebenar. Bagi topik teratas yang belum dilindungi, baca 20 tiket yang diselesaikan dan tulis artikel daripada penyelesaian terbaik. Ini ialah "tangkap" KCS yang dilakukan secara kelompok.
5. Piawaikan templat. Terima pakai satu struktur artikel dan satu gaya tajuk. Tulis semula 50 teratas dahulu, bukan seluruh pustaka.
6. Bersihkan teg dan nota. Terbitkan senarai teg terkawal dengan takrifan, petakan semula sejarah kepadanya, dan wajibkan nota penyelesaian mulai sekarang.
7. Semak makro. Singkirkan, kemas kini atau tetapkan pemilik, dan ikat setiap satu pada dasar.
8. Tetapkan pemilik dan tarikh semakan. Setiap artikel dan makro mendapat pemilik yang dinamakan dan selang semakan. Susun mengikut tarikh kemas kini terakhir, mulakan dengan artikel trafik tertinggi, dan letakkan semakan dalam kalendar tetap.
9. Bina set ujian. Tulis 50 hingga 100 soalan pelanggan sebenar dengan jawapan betul bagi setiap satu, termasuk soalan yang patut ditolak oleh bot. Jalankannya sebelum pelancaran dan selepas setiap perubahan kandungan.
10. Buka gelung maklum balas. Beri ejen cara satu klik untuk menandakan jawapan yang salah atau tiada, dan semak bendera setiap minggu. Intercom mengesyorkan semakan mingguan terhadap cadangan kandungan AI dan bendera rakan sepasukan, serta tinjauan bulanan terhadap artikel yang banyak digunakan oleh AI tetapi jarang menyelesaikan soalan (Intercom Help Center).

Senarai Semak Kesediaan Data Sokongan

Skorkan setiap baris 0 (tidak benar), 1 (separa benar) atau 2 (benar). Apa-apa di bawah 10 daripada 16 pada blok pertama bermakna baiki kandungan sebelum melancarkan bot yang berhadapan dengan pelanggan.

Gunakan skor itu sebagai pembuka perbualan dengan pasukan, bukan gred lulus atau gagal. Baris berskor paling rendah ialah pecutan pertama anda.

Contoh mengikut Fungsi

Ini senario ilustrasi, bukan kajian kes yang diukur.

Sokongan pelanggan. Bayangkan pasukan sokongan perisian dengan dua artikel set semula kata laluan, satu untuk log masuk lama dan satu untuk single sign-on. Menggabungkannya menjadi satu artikel, dengan bahagian ringkas "log masuk yang mana anda gunakan?" di bahagian atas, memberi bot satu sumber tunggal. Set ujian anda sendiri yang memberitahu berapa banyak ketepatan bertambah baik.

Sokongan pengebilan dan kewangan. Dasar bayaran balik selalunya mempunyai pengecualian yang hanya diketahui oleh ketua pengebilan: pelan tahunan, peraturan serantau, penggunaan separa. Menulisnya sebagai jadual peraturan yang jelas dalam satu artikel membolehkan AI dan ejen baharu menerapkannya secara konsisten.

Sokongan teknikal. Katakan jurutera membaiki isu dalam kod tetapi sokongan tidak pernah merekodkan penyelesaian sementara. Menambah nota wajib "punca dan pembaikan" pada templat penutup mencipta aliran draf artikel yang stabil, yang boleh disemak setiap minggu oleh pakar sokongan.

Onboarding dan kejayaan. Jika pengurus kejayaan pelanggan menjawab soalan persediaan yang sama daripada templat peribadi, memindahkan versi terbaik ke dalam makro kongsi yang berpemilik memberi pasukan perkataan yang konsisten dan memberi AI sesuatu yang diluluskan untuk dirujuk.

Operasi dan kualiti. Ketua QA boleh mengambil sampel jawapan AI terhadap set ujian setiap minggu dan merekodkan setiap kegagalan sebagai pembaikan kandungan, pembaikan teg atau soalan dasar. Apabila kegagalan beralih daripada jurang kandungan kepada kes pinggir yang jarang, kerja kandungan itu membuahkan hasil.

Perangkap yang Perlu Dielakkan

• Mengimport segala-galanya. Memberi AI setiap artikel, utas forum dan nota keluaran lama menjadikannya memetik yang lapuk. Kurasi set sumber dan kecualikan kandungan terarkib.
• Menganggap naik taraf model sebagai pembaikan kandungan. Model yang lebih baik tidak akan menyelesaikan dua dasar yang bercanggah. Ia akan bercanggah dengan dirinya sendiri dengan lebih fasih. Lihat halusinasi AI untuk sebab jawapan salah yang fasih ialah risiko utama.
• Menulis semula keseluruhan pustaka dahulu. Mulakan dengan topik yang memacu isi padu. Sepuluh artikel yang hebat mengalahkan 500 yang dibersihkan tetapi tiada siapa bertanya tentangnya.
• Tiada pemilik. Kandungan tanpa pemilik mereput. Perubahan dasar pertama selepas pelancaran akan merosakkan sesuatu.
• Melangkau pengetahuan peribadi. Runbook dalaman dan peraturan eskalasi sama pentingnya dengan artikel awam, dan selalunya yang paling kurang tersusun. Tentukan dengan sengaja ciri AI mana yang boleh membacanya. Zendesk menyatakan bahawa respons generatif kebanyakannya berdasarkan artikel yang boleh diakses umum, jadi kandungan terhad mungkin tidak digunakan.
• Mengabaikan orang. Ejen yang menulis pengetahuan memerlukan masa dan pengiktirafan untuknya. Lihat AI dan peranan pasukan sokongan untuk bagaimana kerja kandungan mengubah siapa melakukan apa.
• Melancarkan tanpa set ujian. Jika anda tidak dapat mengukur kualiti jawapan sebelum pelancaran, anda akan mengetahuinya daripada pelanggan.

Langkah Seterusnya

Pilih 20 sebab hubungan teratas, semak bahawa setiap satu mempunyai satu artikel terkini, dan baiki percanggahan. Audit tunggal itu biasanya memberi lebih daripada sebarang konfigurasi alat. Kemudian bina set ujian, tetapkan pemilik, dan jalankan semakan bendera mingguan. Kemudian gunakan gambaran keseluruhan untuk meletakkan kerja ini dalam pelancaran yang lebih luas.