التحدي: لغتان، ثقافتا دعم، طابور واحد
واجه عميل يُشغّل مكاتب دعم في كل من الرياض ولندن مشكلة ظل مزودو روبوتات المحادثة العامة يقللون من شأنها: تذاكر الدعم بالعربية والإنجليزية ليست نفس المحتوى بلغتين فقط. تصل بتراكيب لغوية مختلفة، ودرجات مختلفة من الرسمية، وافتراضات مختلفة حول معنى 'الحل'، وسياق تنظيمي مختلف، إذ لا تتطابق قواعد حماية المستهلك ومعالجة البيانات السعودية واحداً لواحد مع نظيراتها البريطانية. كل روبوت محادثة جاهز جربه العميل تعامل مع العربية كفكرة لاحقة: طبقة ترجمة مضافة فوق نموذج مبني على الإنجليزية أولاً، أنتجت ردوداً مقبولة نحوياً لكنها غير ملائمة ثقافياً بطرق لاحظها العملاء الناطقون بالعربية فوراً واشتكوا منها.
كان فريق الدعم يتعامل مع أكثر من 12,000 تذكرة شهرياً عبر اللغتين، مقسمة بالتساوي تقريباً، مع تمدد أوقات الاستجابة خلال أي ارتفاع في الحجم لأن الموظفين المتمكنين من العربية كانوا مجموعة أصغر من نظرائهم الناطقين بالإنجليزية، مما خلق اختناقاً غير متكافئ: طوابير الإنجليزية تسير بسلاسة، بينما تتراكم طوابير العربية. احتاج العميل إلى نظام يتعامل مع العربية كلغة أصيلة لا كترجمة، ويفهم ما يكفي عن كلتا البيئتين التنظيميتين ليعرف متى تحتاج التذكرة للتصعيد بدلاً من الحل التلقائي.
النهج: نماذج مضبوطة لكل لغة، لا نموذج واحد مترجم مرتين
بدلاً من بناء نموذج إنجليزي واحد وتشغيله عبر ترجمة في الاتجاهين، ضبطنا سلوك نموذج منفصل للعربية والإنجليزية على بيانات تذاكر العميل التاريخية الخاصة، بحيث تُتعلم التعابير والنبرة وأنماط الطلبات الشائعة أصلياً في كل لغة بدلاً من تقريبها عبر الترجمة. ضُبطت طبقة معالجة اللغة العربية تحديداً للمزيج اللهجي الذي تستخدمه قاعدة عملاء العميل الفعلية، الذي يمزج بين العربية الفصحى المكتوبة وأنماط تعبير إقليمية من عملاء خليجيين وعرب أوسع، وهو ما يتعامل معه نموذج لغة عربي عام مدرب أساساً على نصوص فصحى بشكل ضعيف.
يدعم Cortex AI طبقة الاستدلال والاسترجاع التي تُرسّخ كل رد في وثائق سياسة العميل الفعلية بدلاً من ترك النموذج يرتجل في أسئلة تنظيمية أو استرداد، ويعمل النظام على AWS، اختير لخيارات البنية التحتية الإقليمية التي تُبقي بيانات تذاكر العملاء السعوديين ضمن حدود إقامة البيانات التي يتطلبها فريق الامتثال لدى العميل. طبقة امتثال وتصعيد مشتركة تقف خلف نموذجي اللغتين، بحيث تُوجَّه أي تذكرة تمس عتبة استرداد، أو طلب وصول بيانات، أو أي شيء بوزن تنظيمي حقيقي، إلى موظف بشري في السوق المناسب بغض النظر عن اللغة التي وصلت بها.
التنفيذ: كسب الثقة على التذاكر منخفضة المخاطر أولاً
بدأ الطرح عمداً بأدنى فئات التذاكر مخاطرةً، أسئلة حالة الطلب، إعادة تعيين الوصول للحساب، الأسئلة الشائعة الأساسية عن المنتج، بكلتا اللغتين، ولم يتوسع نطاق الحل التلقائي إلى فئات أعلى مخاطرة إلا بعد قياس الدقة ورضا العملاء على الفئات منخفضة المخاطر عبر عدة أسابيع من الحركة الفعلية. كان هذا قراراً مباشراً اتُخذ بعد أن أظهر اختبار داخلي مبكر أن النموذج العربي يؤدي بشكل ممتاز في الطلبات البسيطة لكنه يحتاج ضوابط أكثر في أي شيء يمس المال أو البيانات الشخصية، وهو بالضبط نوع التذكرة حيث يُحدث رد بليغ ثقافياً لكن مفرط الثقة ضرراً حقيقياً.
أحد القيود التي عولجت أثناء التنفيذ كان معايرة النبرة: ما يُقرأ كمهذب ومحترم بشكل مناسب في مراسلات خدمة العملاء العربية سيبدو متكلفاً أو رسمياً بشكل مفرط لو طُبّق نفس هيكل التعبير على التذاكر الإنجليزية، والعكس صحيح أيضاً. بدلاً من مشاركة قالب نبرة واحد عبر اللغتين، ضُبط نموذج كل لغة مقابل مجموعته الخاصة من الردود التاريخية المعتمدة من الموظفين، وهو ما استغرق وقتاً أطول من قالب مشترك، لكنه تجنب الشعور المترجم الغريب الذي جعل أدوات المنافسين غير مرغوبة لدى عملاء العميل الناطقين بالعربية.
النتائج: 89% حُلّت تلقائياً، والرضا تحسّن فعلياً
على النطاق الكامل، يحل النظام تلقائياً 89% من أكثر من 12,000 تذكرة شهرياً عبر اللغتين دون تدخل بشري، مع تصعيد الـ11% المتبقية بسلاسة إلى موظف بشري يحمل بالفعل سياق التذكرة الكامل وسبب التصعيد، بدلاً من بدء المحادثة من جديد. الأهم أن رقم الـ89% ظل متقارباً تقريباً عبر التذاكر العربية والإنجليزية، مما أغلق الفجوة التي كانت تعني سابقاً أن العملاء الناطقين بالعربية ينتظرون وقتاً أطول لمجرد اختلال توازن مجموعة الموظفين.
رضا العملاء، مقاساً عبر استبيان ما بعد التذكرة الحالي لدى العميل، يقف عند 4.9 من 5 عبر إجمالي حجم التذاكر المدمج، وهو رقم يهم أكثر من معدل الحل وحده، لأنه يؤكد أن التذاكر المحلولة تلقائياً لم تُغلق بسرعة فقط، بل أُغلقت بطريقة يعتبرها العملاء فعلاً حلاً حقيقياً لا تحويلاً.
