Miért hátráltatják a hagyományos CTI-rendszerek az agentic AI-alapú ügyfélélmény (CX) stratégiát

A Gartner előrejelzése szerint 2029-re az agentic AI az általános ügyfélszolgálati megkeresések akár 80%-át is önállóan, emberi beavatkozás nélkül képes lesz kezelni. Ezek a fejlett rendszerek valós időben, azonnal képesek döntéseket hozni és végrehajtani különböző folyamatok mentén, lehetővé téve a hiperperszonalizált ügyfélélményt és az azonnali támogatást, miközben jelentős hatékonyságnövekedést is hoznak. 

Nem meglepő tehát, hogy egyre nagyobb nyomás nehezedik a vállalatokra az agentic AI bevezetésére, az üzleti érték gyors igazolására és a vezetőség meggyőzésére. A költségvetések rendelkezésre állnak, a beszállítók kiválasztása megtörténik, és az erőteljes AI-megoldások gyors ütemben kerülnek bevezetésre. Ennek ellenére hónapokkal később sok szervezet ugyanazzal a kellemetlen kérdéssel szembesül: miért nem hozza az agentic AI a várt eredményeket? 

A Computer Telephony Integration (CTI) ritkán kerül reflektorfénybe az AI-transzformációról szóló diskurzusokban, pedig ez az az infrastruktúra-réteg, amely összekapcsolja a telefonos rendszereket, a digitális csatornákat, a CRM-megoldásokat és a kontaktközponti irányítást. 
Az AI-tól elvárt gyors eredmények iránti nyomás sok vállalatot egy rejtett csapdába terel. Amikor AI-megoldásokat vezetnek be olyan környezetekbe, amelyek 15–20 év alatt épültek ki, valójában egy intelligens rendszert próbálnak működtetni széttagolt, komplex és nehezen átlátható architektúrákban. Az AI ilyenkor nem megszünteti ezeket a problémákat, hanem láthatóvá teszi őket. 
Ha tehát úgy tűnik, hogy az AI-bevezetések nem hozzák a várt eredményeket, az ok nem feltétlenül magában az AI-ban keresendő. Sokkal inkább az alapul szolgáló infrastruktúrában, vagyis a CTI-rendszerben rejlik. 

A valóság az, hogy egy átlagos kontaktközpontban a konfigurációk jelentős része (például irányítási számok, routing logikák, skill-ek) gyakran kihasználatlan vagy redundáns. Ez az úgynevezett „technológiai adósság”, amely összeolvadások során öröklődik, évek alatt felhalmozott kerülőmegoldásokból alakul ki, vagy egyszerűen feledésbe merül. 

Az elavult CTI-rendszerek jellemzően monolitikusak, és szorosan összekapcsolódnak a meglévő telefonközponti (PBX) vagy CRM-megoldásokkal. Ugyanakkor hiányoznak belőlük azok a modern API-k és valós idejű adatfolyam-kezelési képességek, amelyek az AI-megoldások hatékony működéséhez szükségesek. Ennek áthidalására a szervezetek gyakran egyedi illesztéseket fejlesztenek, összetett köztes rétegekre támaszkodnak, és bonyolult adatfeldolgozási folyamatokat alakítanak ki, hogy az adatok egyáltalán felhasználhatók legyenek az AI-modellek számára. Mindez jelentősen növeli az integráció összetettségét, késleltetést okoz, és megemeli az üzemeltetési költségeket. 

Képzelje el az AI-t egy vadonatúj Ferrariként, amelyet egy kátyús, rossz állapotú úton kell vezetni, ez az út az Ön jelenlegi CTI-rendszere. 

A technológiai adósság hatása az AI-transzformációra alapvetően két fő problémában ragadható meg. 

Az agentic AI céljainak eléréséhez megfelelő kontextusra van szükség, vagyis arra, hogy a megfelelő adatok a megfelelő időben a megfelelő helyre kerüljenek. Ahhoz, hogy valódi értéket teremtsen, legyen szó problémamegoldásról, személyre szabott válaszokról vagy intelligens hívásirányításról, pontos képpel kell rendelkeznie az ügyfélről: ki ő, milyen korábbi interakciói voltak, és mire lehet most szüksége. 

Az elavult CTI-rendszerek azonban ezt a fajta kontextus-alapú működést gyakran szinte lehetetlenné teszik. A hang-, chat- és CRM-adatok jellemzően elkülönült rendszerekben találhatók, így mire az ügyfél eljut egy AI által támogatott ügyintézőhöz, a rendszer már eleve hiányos információkkal dolgozik. 

Az elavult CTI-rendszerek alapvetően nem az AI-alapú innováció támogatására készültek, amely gyors, iteratív fejlesztési megközelítést igényel. A hagyományos architektúrákban már egy routing folyamat módosítása is összetett átalakításokat igényelhet, egy új IVR-ág bevezetése akár heteket vehet igénybe, míg egy új AI-modul integrációja jellemzően egyedi fejlesztést kíván. A változtatások tesztelése ráadásul sok esetben működési kockázattal jár, ami tovább lassítja a fejlesztéseket.

Mindez jelentősen korlátozza a kísérletezést, és olyan késedelmeket okoz, amelyek versenykörnyezetben már stratégiai kockázatot jelentenek. Emellett komoly erőforrás-terhelést is jelent: az IDC kutatása szerint a technológiai adósság kezelése a fejlesztési kapacitás 20–40%-át is felemésztheti, elvonva az erőforrásokat a modernizációtól és az innovációtól. 

E kihívások hatására a vállalatok jellemzően két irány közül választanak: vagy teljes mértékben lecserélik meglévő CTI- és kontaktközponti rendszereiket, vagy úgynevezett „lift-and-shift” migrációval változtatás nélkül költöztetik azokat felhőbe. 

Mindkét megközelítésnek megvannak az előnyei és korlátai. A teljes rendszercsere elsőre tiszta megoldásnak tűnhet, ugyanakkor komoly kockázatokkal jár: a telekommunikációs és routing rendszerek cseréje összetett migrációt igényel, fennáll a szolgáltatás megszakadásának veszélye, újra kell építeni a bonyolult routing logikákat, és újra kell validálni a megfelelőségi és biztonsági követelményeket. Nagyobb szervezetek esetében ez akár 12-24 hónapot is igénybe vehet, ami idő alatt az innováció jelentősen lelassul. 

A „lift-and-shift” megközelítés, vagyis a rendszerek változatlan formában történő felhőbe költöztetése, javítja a rugalmasságot és optimalizálhatja az üzemeltetési költségeket, ugyanakkor nem szünteti meg az alapvető problémákat: a komplexitást, a széttagoltságot, a redundáns routing logikát és a merev, nehezen módosítható folyamatokat. 

A jó hír, hogy létezik egy pragmatikusabb megközelítés is: egy felhőalapú orchestration réteg bevezetése, amely a meglévő telefonos rendszerek fölé vagy mellé épül.  Ez a megközelítés lehetővé teszi, hogy az AI-hoz kapcsolódó funkciók, például a hívásirányítás, a csatornák összehangolása és az adatintegráció, függetlenedjenek az elavult rendszerek korlátaitól. 

Az új, felhőalapú orchestration réteg API-kon keresztül valós időben kapcsolja össze az adatokat az összes csatornán, így az AI minden ügyfélkapcsolati ponton azonnali és teljes körű kontextussal rendelkezik. 

Ez gyakorlatilag megszünteti az adatproblémát: az AI így nem egyszerű, sablonos válaszokat adó eszközként működik, hanem valós idejű, intelligens „copilotként” támogatja az ügyintézőket, javítva az ügyfélélményt ahelyett, hogy frusztrációt okozna. 

Emellett a felhőalapú orchestration réteg eleve AI-ra optimalizált, így zökkenőmentesen illeszkedik a különböző AI-megoldásokhoz. Ennek köszönhetően az agentic AI-eszközök gyorsan tesztelhetők, továbbfejleszthetők és bevezethetők. 

A Konecta tapasztalatai alapján egy korszerű, felhőalapú CTI-rétegre történő átállás akár 40%-kal is lerövidítheti a piacra jutás idejét. Ez a rugalmasság azért kulcsfontosságú, mert az agentic AI nem egyszeri bevezetést jelent, hanem egy folyamatos fejlesztési folyamatot, amely kísérletezésre, tanulásra és a bevált megoldások gyors kiterjesztésére épül. 

Egy orchestration réteg bevezetésével jelentősen könnyebbé válik az AI-tól elvárt üzleti előnyök kiaknázása. Ugyanakkor  nem célszerű egyszeri, átfogó átalakításban gondolkodni: a modernizáció inkább egy több lépésből álló folyamat, amelynek minden szakasza mérhető eredményeket hoz, ahogyan azt a Konecta tapasztalatai is mutatják különböző iparágakban. 

1. Az első szakasz az alapok megerősítése, ahol a cél a rendszerek stabilizálása és szétválasztása. Ez magában foglalja a hardverfüggőségek csökkentését, a redundáns routing logikák megszüntetését, az API-alapú működés kialakítását és a zavartalan működés biztosítását. Már ebben a fázisban is jellemző a rendszerstabilitás javulása és az infrastruktúraköltségek akár 40%-os csökkenése. 

2. A második szakasz az intelligens kiterjesztés, amely során az AI-megoldások szervesen beépülnek a működésbe. Ide tartozik az ügyintézőket támogató „copilot” eszközök integrálása, az egyszerűbb, nagy volumenű interakciók automatizálása, valamint a teljesítmény mérését és fejlesztését támogató analitika bevezetése. Ennek eredményeként az ügyintézési idők jellemzően 25–30%-kal csökkennek, miközben a folyamatok automatizáltsága elérheti a 30-50%-ot. 

3. A harmadik szakasz a skálázható automatizáció és személyre szabás, ahol a működés már rendszerszinten épít az automatizmusokra. Ebben a fázisban bővül az önálló problémamegoldás aránya, erősödik a személyre szabás, és az orchestration a háttérfolyamatokra is kiterjed. Az eredmény alacsonyabb működési költség, például a digitális csatornák arányának akár 60%-os növekedése mellett, miközben az ügyfél-elégedettség stabil marad vagy tovább javul. 

Ha az AI-beruházások megtérülését vizsgálja, érdemes még a további fejlesztések előtt felmérni, hogy az infrastruktúra valóban készen áll-e ezek befogadására. 

Ennek részeként célszerű többek között azt megvizsgálni, hogy a CTI-környezetben hány routing elem maradt kihasználatlanul vagy dokumentálatlanul, mennyi időbe telik egy módosítás bevezetése, az AI hozzáfér-e valós idejű, több csatornát lefedő ügyféladatokhoz, illetve hogy az architektúra eseményvezérelt vagy inkább kötegelt feldolgozásra épül. Szintén kulcskérdés, hogy az AI-val támogatott interakciók mekkora része igényel még manuális beavatkozást, és mennyire szorosan kapcsolódik össze a hívásirányítás a telekommunikációs rendszerekkel. 

A tapasztalatok azt mutatják, hogy ha fejlett AI-megoldásokat vezetnek be elavult rendszerekre építve, az gyakran felerősíti a meglévő problémákat. Ez időveszteséghez, felesleges költségekhez és nem várt működési kockázatokhoz vezethet. 

Nem elegendő AI-megoldásokat bevezetni az ügyfélélmény javításához – az alapokat kell rendbe tenni. Az infrastruktúra fejlesztése az, ami valóban lehetővé teszi az AI-ban rejlő potenciál kiaknázását. 

Az Ön jelenlegi technológiai környezete támogatja vagy inkább akadályozza az AI-stratégiáját? Ismerje meg, hogyan teremti meg a Konecta CX-modernizációs megközelítése a valódi, mérhető átalakulás alapjait.