AI diskuteres i alle bransjer i dag, men det gjør faktisk ikke en reell forskjell i alle virksomheter. I dette intervjuet bryter Dmytro Sorysh, AI Domain Product Officer hos RedCore, dette ned gjennom konkrete saker, forklarer hvor grensen mellom automatisering og menneskelig beslutningstaking ligger, og ser på fremtiden til AI.
Hvor begynner du når du avgjør om AI bør implementeres i en bestemt prosess eller et produkt?
Det er mye snakk om AI i industrien, men det forblir ofte på slogans-nivå. Hos RedCore nærmer vi oss det annerledes: vi legger ikke til AI der det bare høres imponerende ut. Isteden begynner vi med et konkret forretningsbehov og ser på hvor teknologien faktisk kan endre prosessen.
I dag brukes AI hos RedCore i flere nøkkelområder: kundestøtte, retensjon, innholdsproduksjon og analyse.
Kundestøtte. Alle henvendelser til supportavdelingen blir innledningsvis håndtert av en bot. Dette reduserer kundens ventetid på svar: det er ingen grunn til å vente i kø hos en operatør. Botten løser mer enn halvparten av chattene helt selvstendig, uten menneskelig involvering. Dette frigjør operatørene fra rutinemessige forespørsler, slik at de kan fokusere på komplekse saker der fagkompetanse og en menneskelig tilnærming er viktig.
Kvalitetskontroll. Vi har automatisert en del av kvalitetskontrollprosessen. I stedet for selektive manuelle kontroller, fungerer systemet raskere og mer konsistent i stor skala. Dette gjør QC-prosessen raskere og av høyere kvalitet.
Innhold. Innholdsassistenter og oversettere reduserer tiden og kostnadene ved innholdsproduksjon samtidig som de opprettholder kvaliteten på resultatet.
Infrastruktur. Fordi boten håndterer en betydelig andel av den innkommende supportomgangen, reduseres belastningen på ticketsystemet, samt kostnadene ved å vedlikeholde det.
Svindel & Risiko. Kunstig intelligens og ML-modeller er en nøkkelfunksjon i vårt system for svindelforebygging. I Frogo analyserer AI-modulen brukernes atferdsmønstre og hjelper å identifisere ikke-hengete svindelordninger, mens plattformen beregner «normen» i sanntid, noe som betydelig reduserer antallet falske positiver og arbeidsbelastningen på operative team. Som et resultat blir mer enn 98% av beslutningene i uttaksfasen tatt automatisk.
I tillegg til sanntidsovervåking av transaksjoner, bruker vi aktivt AI og maskinlæring i alle faser av risikostyringen. Vi bruker ML-algoritmer for å automatisk verifisere korrektheten og logikken i regelbeskrivelser i scoringspolicyer, noe som gjør det mulig å eliminere feil og konflikter mellom betingelser før de når produksjon. For Big Data-analyse hjelper AI med å identifisere skjulte innsikter i store datasett, og gjør det mulig for analytikere å beskrive mønstre i farlig kundeadferd mer effektivt. Til slutt er AI integrert i interne prosesser for rask retrospektiv analyse av effektiviteten og ytelsen til det eksisterende scoringssystemet, noe som gjør oss i stand til å kontinuerlig optimalisere risikopolitikk basert på historiske ytelsesindikatorer.
For RedCore, er AI en måte å analysere informasjon på eller et verktøy i stand til å ta beslutninger og handle autonomt? Hva ser dette ut i praksis?
En god måte å svare på dette spørsmålet er å sammenligne to forskjellige scenarier der AI er involvert.
Det første er en utgående taleagent, for eksempel i retensjonsoppgaver. Her handler AI autonomt: den initierer et anrop til det relevante kundesegmentet, gjennomfører samtalen i samsvar med et manus, og leder den til et resultat, enten et personlig tilbud eller innhenting av tilbakemelding. Et menneske er ikke involvert i selve samtalen; deres rolle er å definere logikken og segmenteringen på forhånd.
Det andre scenariet er en innkommende supportchat med en ikke-standard klage, hvor det er en følelsesmessig kontekst og flere mulige løsninger må veies. Her er AI sin rolle annerledes: den kan analysere kundens historikk av interaksjoner og fremheve relevant kontekst for operatøren, men avgjørelsen om hvordan man skal gå videre tas av et menneske.
Dette er nettopp vår tilnærming: AI er verken universelt autonomt eller universelt støttende; det veksler mellom to roller avhengig av hvor forutsigbart oppgaven er. Hvor reglene er klare og repeterbarheten er høy, slik som i utgående stemmekampanjer, håndtering av standard chater, eller den grunnleggende delen av QC, tillater vi at systemet handler uavhengig. Der tolkning, skjønn eller en kreativ beslutning er nødvendig, slik som i komplekse eskalasjoner eller den endelige redigeringen av innhold, blir AI et verktøy for analyse i stedet for en utøver.
Vi velger ikke mellom «autonom AI» og «AI som assistent» en gang for alle; vi bestemmer det passende nivået av autonomi for hver spesifikke oppgave.
Hvordan måler du effektiviteten til AI-løsninger? Hvilke metrikker viser at AI faktisk fungerer i stedet for bare å gjøre prosesser mer kompliserte?
En avslørende test for oss er enkel: hvis vi slo av løsningen i morgen, ville kunden merke det, og ville det påvirke virksomheten? Hvis svaret på begge spørsmålene er «ja», fungerer løsningen. Hvis «nei», er det mest sannsynlig teknologi for teknologiens skyld.
Fra dette perspektivet ser vi på fire ting.
Vi beregner avkastningen på investeringen ikke på et enkelt tidspunkt, men over lang tid: betaler løsningen tilbake kostnaden for utviklingen gjennom bærekraftige besparelser, snarere enn en engangs nyhetseffekt? For eksempel burde reduksjonen i arbeidsbelastningen på operatører og i ticketsystemet vare i måneder, ikke bare i første uke etter lansering.
Kundesupportkostnader viser seg ofte å være en mer ærlig måling enn lanseringskostnader. En løsning som stadig krever kostbare forbedringer, bruker opp alle fordelene ved automatisering, selv om lanseringen var billig.
Vi vurderer kundeopplevelsen gjennom et enkelt spørsmål: løser kunden problemet ved første kontakt, eller øker antallet gjentatte kontakter og eskalasjoner? Respons hastighet som ikke løser kundens problem er ikke en forbedring, men en illusjon av forbedring.
Den operative virkningen er andelen prosesser som faktisk har gått over til autonom utførelse, og om dette frigjør teamets tid for mer komplekse oppgaver heller enn å flytte arbeidsmengden et annet sted.
Vi bevisst ikke jakter på engangs prosentsatser. For oss er det beste tegnet at teamet fortsetter å bruke løsningen måneder etter lansering uten å tenke på det, fordi det har blitt en del av prosessen snarere enn et eksperiment.
Mange selskaper møter barrierer når de implementerer AI, fra tekniske til kulturelle. Hva er hovedutfordringene RedCore står overfor, og hvordan overkommer dere dem?
Tekniske og kulturelle barrierer er nesten like viktige for oss, og den verste feilen er å løse bare én av dem mens man tror den andre vil ordne seg av seg selv.
Den tekniske barrieren blir vanligvis synlig ikke i idéstadiet, men i stadiet med virkelig volum: en modell som fungerte perfekt på testdata begynner å gjøre feil når den møter den virkelige mangfoldigheten av forespørsler, integrasjoner og live infrastruktur. Det er derfor vi aldri lanserer en løsning over hele flyten med en gang. Først opererer den innenfor et snevert omfang, hvor feil er lette å identifisere og fikse, og først etter at stabiliteten er bekreftet, skalerer vi den videre.
Den kulturelle barrieren er mer interessant fordi den sjelden manifesterer seg som åpen motstand. Ta innholdsteamet: spesialister som har brukt år på å finpusse merkevarens tone og kommunikasjonsstil, avviser ikke AI åpent; de stoler bare ikke på utkastet. Det handler ikke om frykt for å miste jobb, men tvil om at en maskin vil fange opp en nyanse som en person intuitivt føler. Vi løser ikke dette med en ordre som sier: «Nå bruker vi AI.» I stedet integrerer vi verktøyet der det fjerner den mest kjedelige delen av arbeidet, som utarbeidelse eller rutineoversettelse, mens den endelige avgjørelsen ligger hos forfatteren. Tilliten bygges ikke gjennom forklaring; den bygges gjennom praksis.
Det verste mulige scenariet er når disse to barrierene virker sammen: et svakt teknisk resultat i starten bekrefter umiddelbart teamets kulturelle tvil, og omvendt. Derfor beveger vi oss sakte og i tandem, og beviser teknisk pålitelighet samtidig som teamet får tid til å se det selv basert på egen erfaring, i stedet for gjennom en presentasjon.
Mange mennesker er bekymret for at AI vil erstatte mennesker. Hvordan ser du balansen mellom automatisering og menneskelig ekspertise?
En enkel regel vi har utviklet for oss selv er: AI tar seg av volumet, mens mennesker beholder meningen.
I support ser det slik ut: boten håndterer flyten av rutineforespørsler, men så snart dialogen går utover manus, for eksempel hvis kunden er opprørt eller situasjonen er uvanlig, blir samtalen overlatt til et menneske. I dette tilfellet konkurrerer ikke operatøren med boten om samtalevolum; i stedet mottar de en mer konsentrert strøm av komplekse saker hvor deres ekspertise virkelig trengs.
Logikken er lik i innhold, men i motsatt retning: AI skriver det første utkastet, mens avgjørelsen om endelig tone, nøkkelbudskap og om innholdet i det hele tatt skal publiseres forblir hos forfatteren. Vi kunne automatisert denne delen også, men vi velger bevisst å ikke gjøre det, fordi det nettopp er her verdien som kunden betaler for skapes.
Hvis vi oppsummerer i en setning: vi streber ikke etter maksimal automatisering for automatiseringens skyld. Hvor beslutningskvalitet avhenger av menneskelig vurdering, overlater vi bevisst dette til folk, selv om vi teknisk sett kunne gått lenger. For oss er AI ikke en erstatning for mennesker, men en måte å fjerne rutine fra arbeidet deres og gi dem tilbake tid til det som virkelig krever ekspertise.
Hvis du ser fremover, hvordan tror du rollen til AI i digitale virksomheter vil endre seg? Hvilke nye muligheter vil åpne seg?
Ser jeg 2–3 år fremover, ser jeg bevegelser i flere retninger.
AI vil slutte å være en separat funksjon og bli selskapets operativsystem. I dag er den typiske bruken av AI i iGaming selektiv: å oversette tekst, generere en banner, svare på en support-ticket. Om 2–3 år vil det være en fullverdig agent som håndterer en prosess fra start til slutt, for eksempel ikke «analysere spilleratferd», men «håndtere hele retensjonsyklusen for en risikosegment: fra deteksjon til et personlig tilbud til en rapport om resultatet.» Forskjellen er grunnleggende: ikke å akselerere individuelle oppgaver, men å delegere hele roller.
En ny lag vil komme: “AI-as-a-service” spesielt for iGaming. Gode modeller er dyre å bygge (de krever data om millioner av spillere, domenekunnskap og juridiske nyanser på tvers av ulike geografier) og billige å skalere. Dette er den klassiske økonomien i B2B-infrastruktur. Veksten av spesialiserte leverandører som selger operatører ferdiglagde AI-moduler forventes: anbefalingssystemer, kundetapsdeteksjon, personaliserte tilbudsgenerering, AI-støtteagenter, likt hvordan KYC-leverandører og betalingsaggregatorer utvikles i dag. Små og mellomstore operatører vil rett og slett ikke ha råd til å bygge dette internt, noe som betyr at de vil bli kunder hos slike B2B-leverandører i stedet for konkurrenter.
Inntredelsesbarrieren i hele kategorier av virksomheter vil kollapse. Hva som tidligere krevde et team på 10–15 personer (markedsføring, analyse, support, grunnleggende utvikling) vil snart være mulig for 1–2 personer med riktig konfigurert agenter. Den nye muligheten er en eksplosiv vekst i mikrobedrifter og nisjeprodukter som tidligere var ulønnsomme på grunn av faste teamkostnader. Den negative siden er at konkurransen vil bli øyeblikkelig: så snart noen finner en levedyktig nisje, vil andre kunne kopiere den i uker i stedet for måneder.
Verdien skifter fra “produksjon” til “beslutte hva man skal gjøre generelt.” Hvis innholdsproduksjon, koding og grunnleggende analyse blir billige og raske, vil flaskehalsen ikke lenger være gjennomføring, men å velge retning: hvilket problem skal løses, for hvem, og hvorfor. Strategisk tenkning og preferanse (i produkt, merkevare og prioritering) vil bli mer verdifullt fordi dette er ting AI ikke kan erstatte ennå.
