Singapore Airlines.: Оновили клієнтського чатбота Kris, запустили AI-підсумки дзвінків у…
Виміряний результат: За повідомленням авіакомпанії, оцінка задоволеності клієнтів чатботом Kris зросла у 2 рази після переходу на LLM. Виміряний результат: Середній час обробки звернення оператором зменшився приблизно на 10% після застосування AI-інструментів.
Singapore Airlines внедрила LLM-базову версію чатбота Kris для обслуговування клієнтів замість скриптового dialog-flow, а також AI-інструменти для операторів підтримки. За даними авіакомпанії, CSAT чатбота зросла у 2 рази, а середній час обробки звернення оператором зменшився на ~10%. Крім того, компанія розгорнула внутрішню платформу Jarvis для співробітників та використовує AI у процесах розробки ПЗ.
Результат
Виміряний результат: За повідомленням авіакомпанії, оцінка задоволеності клієнтів чатботом Kris зросла у 2 рази після переходу на LLM. Виміряний результат: Середній час обробки звернення оператором зменшився приблизно на 10% після застосування AI-інструментів.
Джерело 1 ↗
Контекст
- Компанія
- Singapore Airlines.
- Галузь
- Авіаперевезення та обслуговування пасажирів.
- Країна
- Сінгапур.
- Розмір
- Точне число для релевантної юридичної особи в перевіреному джерелі не вказано.
Ідентичність впровадження: Singapore Airlines / підтримка клієнтів / LLM-чатбот та підсумки дзвінків / OpenAI API, Kris, Jarvis / до листопада 2026. Дата публікації: 10 листопада 2026 року. Цитата з атрибуцією: Не вказано окремої короткої цитати. Дані для калькулятора: Для підтримки є лише ≈10% зміни AHT; початковий час у хвилинах, обсяг дзвінків, кількість операторів, ставки в SGD, AI-витрати й післяконтроль — не вказано. Метрики і докази: Задоволеність клієнтів — 2×; шкала CSAT, початкова й кінцева абсолютні оцінки, вибірка та період не вказані. Оригінал: “a 2x increase in customer satisfaction”; URL — первинне джерело. Середній час обробки — приблизно на 10% менший; початкові хвилини, кількість дзвінків, типи звернень і метод нормалізації не вказані. Flight Recommender — майже 3× місячних користувачів за рік; це зростання використання продукту, не виміряна економія контакт-центру. Період вимірювання: Для CSAT та середнього часу обробки не вказано; для іншого Flight Recommender порівняння стосується попереднього року.
Обмеження
Потрібні захист персональних даних, правильність відповідей, керування доступом та ескалація до людини.
Що зробили
Перейшли від заздалегідь описаних сценаріїв до LLM з knowledge base, маршрутизацією інструментів і human handoff; у контакт-центрі додали підсумки розмов, а для співробітників — керований доступ через Jarvis.
Що могло провалитись
Відсутні методика CSAT і деталізація вибірки. Користувач повинен мати змогу перейти до живого оператора; персональні та транзакційні дані потребують окремих контролів.
Що з цього переноситься
LLM-чатбот має сенс там, де раніше скрипти не могли pokрити всі наміри клієнтів і великі частини запитів випливали на операторів; підхід працює, якщо є база знань, оркестрація, валідація і людський перегляд, а не лише модель.
Як повторити в себе
Вибрати один тип звернення, зафіксувати середній час обробки й якість відповіді, протестувати AI-підсумки із перевіркою оператором; розширювати лише після підтвердження якості на реальних зверненнях.
Вів: George Wang, Senior VP Information Technology; Jude Anand Suresh, VP Customer Service Information Technology.
Скільки зайняло: Системи діють до 10.11.2026; окремі дати запуску в джерелі не наведені.
Джерела
- 1openai.com ↗
openai.com