Operator przyszłości — od wykonawcy do moderatora relacji

Sztuczna inteligencja nie zastąpi człowieka. Ale człowiek korzystający z AI zastąpi tego, kto tego nie robi.

Anastasia, Client Relationship Lead, Oki-Toki.

Wiecie, co najbardziej mnie zaskakuje w rozmowach o AI w contact centerach?

Wszyscy mówią o technologii, ale nikt nie mówi o ludziach.

Przez 8 lat pracy w tej branży widziałam setki agentów, którzy siedzieli w „cubicles”, mechanicznie odczytywali skrypty i marzyli o piątku. Agentów zwalniano po kolejnej „optymalizacji”. Wypalali się, a rotacja personelu wynosiła 30-45% (employee turnover) rocznie i kończyła się niekończąca się pętla zatrudniania nowych osób.

I ciągle słyszę to pytanie, pełne strachu: „A co będzie, kiedy zastąpi mnie AI?”

Oto, co odpowiadam — i nie jest to pocieszenie, tylko fakt: większość ekspertów myli się, twierdząc, że AI całkowicie zastąpi agentów.

AI nie zastąpi agentów. AI uwolni agentów od tego, co zabijało ich motywację: od monotonii, od odczytywania skryptów, od setnego w ciągu dnia pytania „jak zresetować hasło?”.

Nowa rola agenta: od wykonawcy do architekta relacji

Oto, co dzieje się naprawdę: zawód agenta przeżywa renesans. Agent coraz rzadziej pracuje jako „mówiące FAQ”, a coraz częściej jest moderatorem doświadczenia klienta — specjalistą, który zarządza siecią asystentów AI i włącza się w złożonych, emocjonalnie lub technicznie wymagających sytuacjach.

AI eliminuje monotonię i stawia na Human-Centric Skills (umiejętności skoncentrowane na człowieku): EQ (inteligencja emocjonalna), Critical Thinking (myślenie krytyczne) i kreatywność.

Do 2025 roku agenci stali się tym, kim zawsze powinni być: profesjonalistami, którzy rozwiązują problemy, a nie powtarzają выученные формулы. Choć jest to raczej trend niż fakt dokonany.

Prawda o tym, co dzieje się z zawodem

Badanie Metrigy pokazuje, że 55.7% firm zmniejszyło liczbę nowych agentów, których planowało zatrudnić po wdrożeniu AI, a 36.8% firm przeprowadziło redukcje średnio o 24.1% personelu.

Ale moim zdaniem to nie koniec zawodu, lecz jego transformacja.

Kiedy pytam agentów: „Co wolicie — sto identycznych pytań dziennie czy dwadzieścia złożonych, przy których trzeba myśleć”? Sto procent wybiera to drugie. I za to drugie płaci się więcej.
AI automatyzuje rutynę, a ludziom zostaje to, co naprawdę ważne — interakcja, emocje, decyzje. Dlatego to nie zagrożenie dla zawodu, lecz jego ewolucja.

Jak dokładnie działa to w praktyce? Omówmy trzy kluczowe role przyszłości: Experience Orchestrator, AI Supervisor i Specjalista ds. rozwiązywania problemów.

Experience Orchestrator: zarządzanie doświadczeniem klienta

Kiedy po raz pierwszy zobaczyłam model „Agent as Coworker” (agent współpracuje z AI) w jednym z projektów w Ameryce Łacińskiej, pomyślałam: „Tak właśnie powinno być zawsze”.

Oto, co się zmieniło: wcześniej agent był sam na sam z klientem i wieloma systemami, w których trzeba było szukać informacji. AI przejęło tę żmudną pracę. Znajduje dane, pokazuje historię, podpowiada rozwiązania. Agent widzi wszystko na ekranie w kilka sekund i może skupić się na tym, co najważniejsze. Słyszy nie tylko słowa, ale też emocje. Rozumie, kiedy klient potrzebuje czegoś więcej niż standardowej odpowiedzi. I podejmuje decyzje, których AI nigdy nie podejmie — bo wymagają nie logiki, a empatii.

Przeanalizujmy dwa realne scenariusze, które pokazują, jak to działa.

Case 1: Empatia i Crisis Resolution: złość zamienia się w lojalność

W 2024 roku Delta Airlines zmierzyła się z masową awarią IT, która sparaliżowała system odprawy i spowodowała liczne opóźnienia lotów w całym kraju. Klienci dzwonili wściekli: przegapione spotkania, pokrzyżowane plany, poziom złości — 9 na 10. Analiza tego przypadku pokazuje, jak analiza sentymentu pomogła poradzić sobie z kryzysem.

Mechanika: Analiza sentymentu w czasie rzeczywistym przetwarzała ponad 30 000 wzmianek o marce dziennie. Przy nagłych wzrostach negatywnych reakcji system automatycznie przekazywał alerty do zespołu reagowania kryzysowego, a takie podejście obniżyło negatywne nastroje o 37% w ciągu 24 godzin.

Zobaczmy, jak może to wyglądać podczas zwykłej rozmowy klienta z linią lotniczą z AI:

• Klient dzwoni do contact centerach, a na początku wita go AI-bot, który proponuje standardową rekompensatę zgodnie z regulaminem;
• Równolegle jednak „Sentiment Analysis” rejestruje: „Anger Level: 9/10″, „Churn Risk: High”;
• System rozumie: tutaj potrzebny jest człowiek. Połączenie automatycznie zostaje przekierowane do żywego agenta;
• Agent odbiera połączenie, aby po ludzku wysłuchać klienta i zaproponować level-up — rozwiązanie, którego klient się nie spodziewa, ale które docenia. Zamiast trzymać się standardowego protokołu, agent proponuje:
  • Bilet na następny lot w klasie biznes;
  • Voucher na hotel;
  • Spersonalizowany list z przeprosinami od kierownictwa.

Efekt: nie tylko rekompensata, ale Customer Retention (utrzymanie klienta).

I właśnie tym jest magia ludzkiego czynnika. AI zarejestrowało złość i oceniło ryzyko. Człowiek zrozumiał, co z tym zrobić, i zamienił katastrofę w zwycięstwo.

Case 2: Kreatywność i sprzedaż oparta na wartości: sprzedaż, która nie wygląda jak sprzedaż

Wyobraźmy sobie inną sytuację. Klient dzwoni do sklepu internetowego z prostym pytaniem: „Gdzie jest mój strój narciarski?”

Większość agentów odpowie: „W drodze, dotrze jutro”. Rozmowa zakończona.

A co robi agent, który pracuje z AI:

Mechanika: AI udostępnia agentowi dane kontekstowe (Contextual Data) o kliencie w czasie rzeczywistym: historię zakupów, zainteresowania, wzorce zachowań, lifetime value. Agent wykorzystuje te dane nie do „wciskania”, ale do spersonalizowanej oferty, która naprawdę jest dla klienta wartościowa.

Krok po kroku:

• Klient dzwoni do sklepu internetowego z pytaniem o status dostawy kombinezonu narciarskiego;
• System AI pokazuje na ekranie agentowi:
  • „Ostatnie zakupy: narty, wiązania, bielizna termiczna”;
  • „nadchodząca podróż (Upcoming trip): Alpy, za 2 tygodnie (na podstawie danych CRM)”.
• Agent odpowiada na pytanie o dostawę, a następnie dodaje:
  „Widzę, że przygotowujecie się do poważnego szusowania! Nasze ubezpieczenie podróżne (Travel Insurance) obejmuje ochronę dla sportów ekstremalnych oraz zabezpieczenie nowego sprzętu do 5000€, czego nie oferują zwykłe firmy ubezpieczeniowe. Biorąc pod uwagę Twój ekwipunek, to może być ważne”.

To nie jest agresywna sprzedaż, lecz sprzedaż przez dodaną wartość. Klient nie czuje presji, tylko troskę.

Kiedy agentom pozwala się myśleć, a nie tylko czytać script, wyniki mówią same za siebie: wyższa konwersja, wyższa średnia wartość koszyka, wyższe utrzymanie klientów. I co ważne, sami agenci pracują z większym zaangażowaniem.

Specjalista ds. rozwiązywania problemów: „specjalista ds. rozwiązywania” złożone problemy

Jeśli Experience Orchestrator zarządza doświadczeniem klienta wspólnie z AI i obsługuje cały zakres zgłoszeń — od prostych po złożone, to Specjalista ds. rozwiązywania problemów włącza się w momentach największej złożoności. To ekspert, który przejmuje sytuacje, w których błąd może dużo kosztować.

Na przykład: 

• W sektorze finansowym: AI obsługuje zapytania o saldo, Experience Orchestrator pracuje ze skargami i sprzedażą, a Specjalista ds. rozwiązywania problemów bada oszustwa lub prowadzi złożone sprawy kredytowe;
• W telekomunikacji: AI rozwiązuje pytania dotyczące taryf, Experience Orchestrator pomaga przy podłączaniu usług, a Specjalista ds. rozwiązywania problemów zajmuje się technicznymi problemami sieci lub negocjacjami z klientami VIP.

Zgodnie z danymi z badania branży AI w Ameryce Łacińskiej, brazylijska firma Blip opracowała platformę AI do przetwarzania języka naturalnego w języku portugalskim i hiszpańskim. Jej boty obsługują ponad 50 milionów codziennych rozmów dla takich klientów korporacyjnych jak GM, Dell i Itaú, odciążając agentów, aby mogli zajmować się wyłącznie złożonymi eskalacjami wymagającymi znajomości przepisów, niuansów technicznych lub umiejętności negocjacyjnych.

Według badania GoodCall dotyczącego transformacji ról agentów, wynagrodzenia na specjalistycznych stanowiskach są o 20-40% wyższe od podstawowych. Trudno się z tym nie zgodzić.

Nowa rola supervisora — od nadzoru do Data Science i Strategic Leadership

Pamiętasz stary model? Supervisor odsłuchuje 5–7% losowych rozmów, wypełnia checklisty i raz w miesiącu daje feedback agentowi. W tej chwili nikt już nie pamięta, co wydarzyło się trzy tygodnie temu.

Supervisor nie musi już kontrolować losowej próby rozmów. Teraz AI analizuje za niego 100% rozmów, czatów i zgłoszeń e-mail: przestrzeganie standardów, compliance (GDPR, regulacje finansowe), ton rozmowy, jakość rozwiązania. AI natychmiast znajduje wzorce i anomalie, których człowiek po prostu fizycznie nie zauważy podczas miesiąca ręcznej pracy.

Rola supervisora zmienia się diametralnie. Przestaje być „łowcą błędów” i staje się strategiem: analizuje zależności, szkoli zespół na podstawie danych, usprawnia procesy. AI zapewnia przejrzystość — pokazuje, co naprawdę się dzieje. Supervisor zamienia tę przejrzystość w działania.

Oto dwa skrypty, które pokazują, jak to działa:

Case 1: Total Quality Management — 100% kontrola zamiast próbkowania

Analizując doświadczenia z wdrożeń AI w sektorze finansowym, natknęłam się na wymowny przypadek dużego amerykańskiego banku (nazwy nie ujawnię ze względu na NDA). Problem był typowy dla branży: tradycyjna kontrola jakości analizowała tylko 2-5% rozmów. Krytyczne naruszenia compliance (na przykład agent nie wspomniał obowiązkowej informacji o ryzykach podczas sprzedaży produktu finansowego) mogły zostać pominięte.

Bank wdrożył platformę AI do całkowitej kontroli jakości i analityki mowy — i rezultaty zrobiły na mnie ogromne wrażenie. Tak zmieniło się to w pracy supervisorów.

Mechanika: QA Bot (bot kontroli jakości) analizuje wszystkie rozmowy według wielu kryteriów: AHT, Compliance (GDPR), Script Adherence (przestrzeganie skryptów), Sentiment Dynamics (dynamika emocji), Resolution Quality (jakość rozwiązania). System natychmiast wykrywa krytyczne naruszenia i przekazuje alerty supervisorowi.

Zobaczmy, jak może to wyglądać w pracy supervisora z AI:

• QA Bot skanuje 5000 połączeń w ciągu tygodnia;
• System wykrywa wzorzec: 20% agentów z wieczornej zmiany ma niski CSAT i wysoki poziom stresu;
• Supervisor otrzymuje szczegółową analitykę z przykładami połączeń;
• Zagłębia się bardziej — okazuje się, że wieczorem jest więcej połączeń od zmęczonych, rozdrażnionych klientów, a standardowe zapytania zabierają czas agentom;
• Rozwiązanie: wdraża AI bota do obsługi prostych zapytań transakcyjnych w godzinach wieczornych (saldo konta, status zamówienia, reset hasła);
• Rezultat: agenci są uwolnieni od rutyny i mogą skupić się na złożonych, emocjonalnych przypadkach. CSAT rośnie o 12% w ciągu dwóch tygodni, a stres agentów spada.

I właśnie to jest zarządzanie oparte na danych. AI pokazała zależność, której supervisor nie zauważyłby, słuchając losowej próbki. Człowiek zrozumiał przyczynę i podjął strategiczną decyzję.

Case 2: AI-Powered Workforce Management — planowanie oparte na danych

Wyobraź sobie inną sytuację. Supervisor planuje zmiany na kolejny tydzień, opierając się na statystykach z poprzedniego roku i intuicji: „W poniedziałek zwykle jest dużo połączeń, w piątek mniej”.

Problem w tym, że rzeczywistość nie pokrywa się z danymi sprzed roku. Ruszyła kampania marketingowa — ruch połączeń wzrósł dwukrotnie, a agentów brakuje. Albo odwrotnie — ludzie siedzą bezczynnie, bo klienci nie dzwonią.

Zobacz, co robi supervisor, który pracuje z AI:

Mechanika: Machine Learning analizuje nie tylko historię połączeń, ale też czynniki zewnętrzne: start kampanii marketingowych, warunki pogodowe (w deszczowe dni rośnie aktywność zakupów online), wzmianki o marce w mediach społecznościowych, święta i wydarzenia sezonowe. Supervisor wykorzystuje te dane nie do wróżenia, ale do precyzyjnej prognozy obciążenia.

Przypadek krok po kroku:

• Duży europejski detalista H&M przygotowuje się do startu letniej wyprzedaży;
• System AI analizuje czynniki:
  • historię połączeń podczas poprzednich wyprzedaży;
  • zaplanowaną kampanię emailową do 500 000 subskrybentów;
  • prognozę pogody (gorące weekendy — więcej zakupów online);
  • aktywność w social mediach (wzrost wzmianek o marce o 30%).
• System prognozuje: wzrost liczby zgłoszeń o 40% w sobotę od 14:00 do 18:00;
• Supervisor automatycznie otrzymuje propozycję optymalnego harmonogramu zmian z 5-dniowym wyprzedzeniem.

Efekt: wszystkie zgłoszenia zostały obsłużone bez opóźnień, agenti byli obciążeni optymalnie (75-85%), SLA został zrealizowany w ponad 95%.

To nie jest wróżenie z fusów. To planowanie oparte na danych. AI dostrzega wzorce, których człowiek nie zauważy, a supervisor podejmuje decyzje, których AI samo nie podejmie.

AI Operations Supervisor — ten, kto uczy i nadzoruje AI

Jest jeszcze jedna rola, która pojawiła się całkiem niedawno — i wywraca wszystko do góry nogami.

Kiedyś supervisorzy kontrolowali tylko ludzi. Teraz są specjaliści, którzy nadzorują AI.

AI Operations Supervisor — to osoba, która pilnuje, jak działają boty. Brzmi dziwnie? W rzeczywistości to krytycznie ważna rola. Bo AI to nie magiczny przycisk „włącz i zapomnij”. Boty popełniają błędy. Podają nieprawidłowe odpowiedzi, nie rozumieją slangu, zawieszają się na niestandardowych zapytaniach.

Oto, co robi AI Operations Supervisor:

Analizuje, gdzie boty radzą sobie dobrze, a gdzie nie. Widzi, że 30% klientów pytających o zwrot wychodzi z czatu z botem bez rozwiązania problemu i doszkala system. Wykrywa zapytania, których bot nie rozumie („zwróćcie mi pieniądze za zamówienie” zamiast „chcę zwrócić towar”) i dodaje te frazy do bazy. Sprawdza metryki: ile zgłoszeń bot obsłużył sam, ile przekazał ludziom, gdzie klienci się złoszczą i proszą o agenta.

To nie jest programista ani developer AI. To osoba, która rozumie i klientów, i technologię. Każdego dnia sprawia, że AI staje się mądrzejsza, bo wie, jak ludzie naprawdę mówią, czego potrzebują, i gdzie system się wykłada.

Analizując materiały o zarządzaniu AI w contact centerach, zauważyłam: gdy firmy wyznaczają specjalistę do kontroli i szkolenia botów, wyniki stają się znacznie lepsze. Mniej błędów w odpowiedziach, zadowoleni klienci, więcej zapytań rozwiązywanych bez angażowania ludzi. Logika jest prosta: ktoś stale pilnuje systemu, uczy go i ulepsza.Wynagrodzenie? O 30-50% wyższe niż u standardowego supervisora. Bo taki specjalista musi rozumieć zarówno customer service, jak i techniczne aspekty systemów AI, a to rzadkie połączenie.

Twoja przyszłość zaczyna się teraz

Pytanie nie brzmi, czy AI zastąpi agentów i supervisorów. Pytanie brzmi, kto szybciej się zaadaptuje.

Ci, którzy rozwijają inteligencję emocjonalną, uczą się narzędzi AI i wybierają specjalizację, zwiększają swoją wartość i wynagrodzenie. A ci, którzy kurczowo trzymają się starych metod, ryzykują pozostanie w tyle.

Opanuj inteligencję emocjonalną (EQ) i naucz się pracować z AI. Dobra wiadomość: nie trzeba być programistą. Wystarczy zrozumieć, jak technologie wzmacniają Twoje możliwości. Oto od czego możesz zacząć:

Kursy online (bezpłatne lub niedrogie):

• Emotional Intelligence — Coursera (Arizona State University) — podstawy EQ do pracy, ok. 4 tygodnie;
• Emotional Intelligence in Leadership — Coursera — praktyczne strategie dla zespołów;
• Developing Your Emotional Intelligence — LinkedIn Learning — krótki kurs (2–3 godziny);
• Customer Service in the Age of Generative AI — Coursera (University of Virginia) — jak wykorzystywać AI chat boty i personalizację;
• Contact Center AI: Conversational Design Fundamentals — Google Cloud — bezpłatny kurs tworzenia wirtualnych agentów;
• 10 Best Free AI Customer Service Courses — Sobot Academy — zestawienie bezpłatnych kursów;

• Klasyka literatury: „Emotional Intelligence 2.0” by Daniel Goleman.

Ćwicz umiejętności z Chat GPT

Jednym z najprostszych sposobów na rozwój kompetencji jest trening z Chat GPT. Jest dostępny zawsze i nie obraża się na błędy.

Poproś go, by odegrał rolę niezadowolonego klienta, przeprowadź dialog, uzyskaj informację zwrotną. Gdy to zacznie przychodzić łatwo, utrudniaj scenariusze: klient żąda niemożliwego albo przechodzi do ataków personalnych.

Wymagaj szkoleń od pracodawcy

Twoja firma wdraża AI? Domagaj się szkoleń i czasu na praktykę. To nie prośba, to Twoje prawo jako profesjonalisty. Omówiliśmy, co dzieje się z zawodem agenta i jakie pojawiają się role. Ale jak to działa od strony technologii? Jakie konkretnie narzędzia AI zmieniają zasady gry? I najważniejsze: jak liderzy mogą wdrożyć to wszystko w swoich contact centerach, nie zamieniając procesu w chaos?

O tym w drugiej części. Pokażę tam technologiczny mechanizm transformacji: od konkretnych scenariuszy AI aż po krok po kroku roadmap wdrożenia. Z case studies, metrykami i realnymi liczbami ROI.