Operator przyszłości — od wykonawcy do moderatora relacji

Dlaczego Twój zawód nie zniknie, a stanie się bardziej wartościowy.

Operator przyszłości — od wykonawcy do moderatora relacji

Sztuczna inteligencja nie zastąpi człowieka. Ale człowiek, który korzysta 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 center?

Wszyscy mówią o technologiach, ale nikt nie mówi o człowieku.

Przez 8 lat pracy w tej branży widziałam setki agentów, którzy siedzieli w boksach, mechanicznie odczytywali skrypty i marzyli o piątku. Agentów zwalniano po kolejnej „optymalizacji”. Wypalali się, a rotacja kadr wynosiła 30-45% (rotacja pracowników) rocznie i niekończący się cykl rekrutacji nowych osób.

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

Oto, co odpowiadam — i to nie jest pocieszenie, lecz 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 działa jak „mówiące FAQ”, a coraz częściej jako moderator doświadczenia klienta — specjalista, 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 (Emotional Quotient — inteligencja emocjonalna), Critical Thinking (myślenie krytyczne) i kreatywność.

Do 2025 roku agenci stali się tym, kim zawsze powinni być: profesjonalistami rozwiązującymi problemy, a nie powtarzającymi wyuczone frazy. Jest to raczej tendencja niż fakt dokonany.

Prawda o transformacji zawodu

Badanie Metrigy pokazuje: 55.7% firm zmniejszyło liczbę nowych agentów, których planowały zatrudnić, po wdrożeniu AI, 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 podobnych pytań dziennie czy dwadzieścia trudnych, przy których trzeba myśleć?”. Sto procent wybiera to drugie. I za to drugie płacą więcej.
AI automatyzuje rutynę, a ludziom pozostaje to, co naprawdę ważne — interakcje, emocje i decyzje. Dlatego nie jest to zagrożenie dla zawodu, lecz jego ewolucja.

Jak dokładnie działa to w praktyce? Przyjrzyjmy się trzem kluczowym rolom przyszłości: Experience Orchestrator, AI Supervisor i Specialized Problem Solver.

Experience Orchestrator: zarządzanie doświadczeniem klienta

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

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

Przyjrzyjmy się dwóm prawdziwym scenariuszom, które pokazują, jak to działa.

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

W 2024 roku Delta Airlines zmierzyła się z ogromną awarią IT, która sparaliżowała system odprawy i spowodowała masowe opóźnienia lotów w całym kraju. Klienci dzwonili wściekli: opuszczone spotkania, pokrzyżowane plany, poziom złości — 9 na 10. Analiza tego case study pokazuje, jak sentiment analysis pomogła opanować kryzys.

Mechanika: Analiza sentymentu w czasie rzeczywistym przetwarzała ponad 30 000 wzmianek o marce dziennie. Przy nagłych skokach negatywnych reakcji system automatycznie przekazywał alerty zespołowi reagowania kryzysowego, a takie podejście zmniejszyło 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 center, a na początku wita go bot AI, który proponuje standardową rekompensatę zgodnie z regulaminem;
  • Jednocześnie „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 zarządu.

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

I właśnie w tym tkwi magia czynnika ludzkiego. AI zarejestrowała złość i oceniła ryzyko. Człowiek zrozumiał, co z tym zrobić, i zamienił katastrofę w zwycięstwo.

Przypadek 2: Kreatywność i Value-Based Selling: sprzedaż nie wygląda jak sprzedaż

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

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

A co robi agent, który pracuje z AI:

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

Przypadek krok po kroku:

  • Klient dzwoni do sklepu internetowego z pytaniem o status dostawy kombinezonu narciarskiego.
  • System AI pokazuje agentowi na ekranie:
    • „Niedawne zakupy: narty zjazdowe, wiązania, bielizna termoaktywna”;
    • „Upcoming trip (nadchodząca podróż): Alpy, za 2 tygodnie (na podstawie danych z systemu CRM)”.
  • Agent odpowiada na pytanie o dostawę, a następnie dodaje:
    „Widzę, że przygotowują się Państwo do poważnej jazdy! Nasze Travel Insurance (ubezpieczenie podróżne) obejmuje ochronę przy sportach ekstremalnych oraz zabezpieczenie nowego sprzętu do 5000€, czego nie oferują standardowe firmy ubezpieczeniowe. Biorąc pod uwagę Państwa wyposażenie, może to być ważne”.

To nie jest agresywna sprzedaż, lecz sprzedaż poprzez dodatkową wartość. Klient nie odczuwa presji, tylko troskę.

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

Specialized Problem Solver: „rozwiązywacz” złożonych problemów

Jeśli Experience Orchestrator zarządza doświadczeniem klienta razem z AI i obsługuje cały zakres zgłoszeń — od prostych po złożone, to Specialized Problem Solver włącza się w punktach najwyższej 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 Specialized Problem Solver bada oszustwa lub prowadzi złożone sprawy kredytowe.
  • W telekomunikacji: AI rozwiązuje kwestie dotyczące taryf, Experience Orchestrator pomaga przy aktywacji usług, a Specialized Problem Solver zajmuje się problemami technicznymi sieci lub negocjacjami z klientami VIP.

Na podstawie badania branży AI w Ameryce Łacińskiej brazylijska firma Blip opracowała platformę AI do przetwarzania języka naturalnego w portugalskim i hiszpańskim. Jej boty obsługują ponad 50 milionów codziennych rozmów dla takich klientów korporacyjnych jak GM, Dell i Itaú, odciążając agentów, aby zajmowali się wyłącznie trudnymi eskalacjami wymagającymi znajomości prawa, niuansów technicznych lub umiejętności negocjacyjnych.

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

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 przekazuje feedback agentowi. Po takim czasie nikt już nie pamięta, co wydarzyło się trzy tygodnie temu.

Supervisor nie musi już kontrolować losowej próbki rozmów. Teraz AI analizuje zamiast niego 100% rozmów, czatów i zgłoszeń e-mail: zgodność ze standardami, compliance (GDPR, regulacje finansowe), ton rozmowy, jakość rozwiązania. AI błyskawicznie wykrywa wzorce i anomalie, których człowiek po prostu fizycznie nie zauważy podczas miesiąca ręcznej pracy.

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

Oto dwa scenariusze, które pokazują, jak to działa:

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

Analizując doświadczenia wdrażania AI w sektorze finansowym, natknęłam się na wymowny case dużego amerykańskiego banku (nazwy nie ujawnię z powodu 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 przeoczone.

Bank wdrożył platformę AI do totalnej kontroli jakości i analityki mowy — a wyniki zrobiły na mnie ogromne wrażenie. Oto, jak zmieniło to pracę 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 to może wyglądać w pracy supervisora z AI:

  • QA Bot skanuje 5,000 połączeń w tydzień;
  • System wykrywa wzorzec: 20% agentów wieczornej zmiany ma niski CSAT i wysoki poziom stresu;
  • Supervisor otrzymuje szczegółową analitykę z przykładami połączeń;
  • Zagłębia się w temat — okazuje się, że wieczorem jest więcej połączeń od zmęczonych, zirytowanych klientów, a standardowe zapytania zajmują agentom czas;
  • Rozwiązanie: wdraża AI-bota do obsługi prostych zapytań transakcyjnych wieczorem (saldo konta, status zamówienia, reset hasła);
  • Rezultat: agenci są odciążeni z rutynowych zadań, mogą skupić się na trudnych, emocjonalnych przypadkach. CSAT rośnie o 12% w dwa tygodnie, a stres agentów spada.

To właśnie jest zarządzanie oparte na danych. AI wykazała zależność, której supervisor nie zauważyłby, słuchając przypadkowej 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 przyszły tydzień, opierając się na zeszłorocznych statystykach i intuicji: „W poniedziałek zwykle jest dużo połączeń, w piątek mniej”.

Problem w tym, że rzeczywistość nie pokrywa się z danymi sprzed roku. Uruchomiono kampanię marketingową — liczba połączeń wzrosła dwukrotnie, a agentów brakuje. Albo odwrotnie — są przestoje, bo klienci nie dzwonią.

Spójrz, co robi supervisor pracujący z AI:

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

Przykład krok po kroku:

  • Duży europejski detalista H&M przygotowuje się do rozpoczęcia letniej wyprzedaży;
  • System AI analizuje czynniki:
    • Historia połączeń podczas poprzednich wyprzedaży;
    • Zaplanowana wysyłka e-mail do 500,000 subskrybentów;
    • Prognoza pogody (gorące weekendy — więcej zakupów online);
    • Aktywność w mediach społecznościowych (wzrost liczby wzmianek o marce o 30%).
  • System prognozuje: wzrost liczby kontaktów o 40% w sobotę od 14:00 do 18:00;
  • Supervisor automatycznie otrzymuje propozycję optymalnego grafiku zmian z wyprzedzeniem 5 dni.

Rezultat: wszystkie kontakty obsłużono bez opóźnień, agenci są optymalnie obciążeni (75-85%), SLA zrealizowane na poziomie 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 kontroluje 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 kontrolują AI.

AI Operations Supervisor — to osoba, która nadzoruje działanie botów. Brzmi dziwnie? W rzeczywistości to krytycznie ważna rola. Bo AI to nie magiczny przycisk „włącz i zapomnij”. Boty popełniają błędy. Udzielają nieprawidłowych odpowiedzi, nie rozumieją slangu, zawieszają się przy nietypowych zapytaniach.

Oto, co robi AI Operations Supervisor:

Analizuje, gdzie boty radzą sobie dobrze, a a gdzie wręcz przeciwnie. Widzi, że 30% klientów pytających o zwrot wychodzi z czatu z botem bez rozwiązania problemu i doucza system. Znajduje zapytania, których bot nie rozumie („zwrot pieniędzy za zamówienie” zamiast „złożyć zwrot”), i dodaje te frazy do bazy. Patrzy na metryki: ile zgłoszeń bot zamknął samodzielnie, ile przekazał ludziom, gdzie klienci się złoszczą i proszą o agenta.

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

Analizując materiały o zarządzaniu AI w contact center, zauważyłam: gdy firmy wyznaczają specjalistę do kontroli i szkolenia botów, wyniki stają się znacznie lepsze. Mniej błędów w odpowiedziach, zadowoleni klienci, więcej zgłoszeń rozwiązywanych bez udziału ludzi. Logika jest prosta: ktoś stale nadzoruje system, uczy go i ulepsza.Wynagrodzenie? O 30-50% wyższe niż zwykłego 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 korzystać z narzędzi AI i wybierają specjalizację, zwiększają swoją wartość i wynagrodzenie. A ci, którzy trzymają się starych metod, ryzykują, że zostaną w tyle.

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

Kursy online (bezpłatne lub niedrogie):

  • Klasyczna książka: „Emotional Intelligence 2.0” by Daniel Goleman.

Ćwicz umiejętności z Chat GPT

Jednym z najprostszych sposobów na rozwój umiejętności jest trening z Chat GPT. Dostępny zawsze, nie obraża się za błędy.

Poproś go, by odegrał rolę niezadowolonego klienta, przeprowadź dialog, otrzymaj informację zwrotną. Gdy stanie się to łatwe, utrudniaj scenariusz: klient żąda niemożliwego albo przechodzi do ataków osobistych.

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 role się pojawiają. Ale jak to działa z perspektywy technologii? Jakie konkretnie narzędzia AI zmieniają zasady gry? I najważniejsze: jak menedżerowie mają wdrożyć to wszystko w swoich contact center, nie zamieniając procesu w chaos?

O tym w drugiej części. Pokażę tam technologiczną mechanikę transformacji: od konkretnych skryptów AI po krok po kroku mapę drogową wdrożenia. Z case studies, metrykami i realnymi liczbami ROI.

4,8 6 ocen

Czy artykuł był pomocny?

Przeczytaj także