Key Takeaways
אם קרה לכם שהתקשיתם להבין מה סוכן הבינה המלאכותית שלכם עושה בפועל בשיחה, או מדוע הוא פספס את מה שהוא אמור לעשות – אתם בהחלט לא לבד. נכון, פתרונות בינה מלאכותית מבטיחים חוויות טובות יותר, אך לעתים קרובות מדי, אדמינים ובוני סוכנים בסיילספורס מגששים באפלה, בלי דרכים ברורות שיאפשרו להם לנטר את הביצועים או לשפר את מסע הלקוח.
ביצועים ירודים של סוכנים הם לא רק מתסכלים – הם מסכנים את המוניטין של המותג שלכם. אדמינים זקוקים לנראות (visibility) כדי לזהות בעיות מוקדם, לתקן תצורות שגויות וליצור מהימנות.
בעוד שפתרונות מהסוג הזה מבטיחים אוטומציה של משימות ושיפור חוויות הלקוח, הרי שמבחינה היסטורית היה חוסר משמעותי בנראות ברורה לגבי אינטראקציות בין סוכנים ללקוחות. עניין זה מקשה על הבנת צורכי הלקוחות והערכת יעילות הסוכנים בקנה מידה גדול, מאחר שניתוח ידני של מאות אלפי אינטראקציות פשוט אינו יעיל.
בסיילספורס, זיהינו את הדרישה הקריטית הזו לנראות מקיפה שלאחר-שיחה, והבנו כי היא גורם מפתח בשיפור ביצועי הסוכנים ובאופטימיזציה של יעילותם. בעוד שהכלי הקודם שלנו, Utterance Analysis, הניח את היסודות להבנת האינטראקציות בין משתמש לסוכן, הוא היה מוגבל בהיקפו, מה שהדגיש את הצורך ביותר מדוחות ודשבורדים סטטיים.
כדי לטפל בכך, וכחלק מההכרזה על Agentforce 3, פיתחנו את Agent Optimization כחלק מחוויית Studio. מדובר בכלי רב-עוצמה, אינטראקטיבי וחכם שנועד לספק לכם נראות מעמיקה על האינטראקציות בין סוכנים בתחום הבינה המלאכותית. הפתרון הזה מאפשר למנהלי מערכת (administrators) לנטר ביצועים, לזהות פערים בקונפיגורציה ולטפל בבעיות באופן יזום, תוך הבטחה שהסוכנים יספקו תגובות מדויקות, יעילות ואיכותיות. כל זה נעשה באמצעות הצגת בקשות משמעותיות משיחות, מתן אפשרות לזיהוי מהיר של מגמות ותמיכה בהחלטות עסקיות שמבוססות על משוב בפועל של הלקוחות.
דרישת שלום מהעבר
כן, כולנו היינו שם. אתם נכנסים לאתר האינטרנט של ספק הסלולר/טלוויזיה/אינטרנט שלכם ומשוחחים עם בוט. אבל בינינו, "שיחה" היא מילה גדולה, כי למעשה, מה שעשינו היה ללחוץ על אינספור כפתורים ולחקור מסלולי שיחה שונים רק כדי להבין בסוף שלא נקבל תמיכה למה שבאמת רצינו. וזה בדיוק המקום להשתמש בתובנה של הדאלי לאמה: "כשאתם מדברים, אתם רק חוזרים על מה שאתם כבר יודעים. אבל אם תקשיבו, אתם עשויים ללמוד משהו חדש".
כדאי לחשוב על המשפט החכם הזה כשאתם מעצבים חוויית בוט: אתם מבלים ימים שלמים בתיאור מסעות לקוח, הגדרת בקשות צפויות, מיפוי פעולות משתמשים ובניית עצי החלטה. אבל כשאתם עושים את זה, באיזו תדירות אתם לומדים משהו חדש מהלקוחות שלכם, כמו נקודות הכאב האמיתיות שלהם, שאלות בלתי צפויות שלהם, או הצרכים האמיתיים שלהם?
וזה ההבדל האמיתי בין בניית בוט לבין יישום של סוכן. בוט פשוט חוזר על מה שתכנתתם לומר, בעוד שסוכן מבוסס מודל שפה גדול (LLM) יכול להקשיב למה שהלקוחות שלכם שואלים, ולחשוף תובנות שהיו עלולות ללכת לאיבוד.
אז נכון, המעבר לסוכנים מבוססי מודל שפה גדול יכול להיות מרתיע. הרי צריך לעקוב מקרוב אחר התפוקות, לוודא שהסוכן מתנהג כמתוכנן וגם נמנע מ"מלכודות". אבל לאתגרים האלה יש פתרון. והיתרון? מתן קול ללקוחות פותח הזדמנויות לעצב את האסטרטגיה העסקית שלכם על סמך שיחות אמיתיות עם לקוחות, ולא רק על סמך השערות. הסוכנים שינו הכול. וכשאני אומר "הכול", אני מתכוון גם אלינו, הצרכנים. לא רק שאני מקבל תשובות מהירות לכל מה שרציתי; בזמן שאני מתקשר עם הסוכן, אני יכול גם לשאול מאות דברים אחרים:
"האם יש לכם הצעה מיוחדת אם אני מוסיף חשבון נוסף?"
"ומה לגבי הבעיה הטכנית שהייתה לנו לפני כמה ימים? האם אני יכול לקבל החזר כספי עליה?"
"אה, ואני רוצה ליידע אתכם שאעבור לדירה חדשה בעוד 3 שבועות – האם אני צריך כבר לתאם טכנאי?"
כל אלו ועוד – בסשן אחד. מכיוון שהחוויה טובה בהרבה, לקוחות יכולים לתקשר הרבה יותר. זה כמובן יוצר דרישות ובקשות חדשות רבות לחברה. אז איך אוכל לקבוע האם סשן כזה נחשב לאינטראקציה טובה או רעה?
בנוסף, קחו בחשבון את המכשול הבא: שאלה או בקשה פשוטה יכולות להישאל במספר דרכים שונות – איך נדע שזו אותה בקשה מבלי שנצטרך לקרוא אלפי סשנים?
כשבנינו כלי מחקר וניטור עבור סוכני Agentforce, גישת ההקשבה הזו הייתה בדיוק מה שחיפשנו. על ידי הצגת בקשות משמעותיות מאלפי שיחות בין סוכן ללקוחות, אנחנו עוזרים לכם לזהות במהירות מגמות ולבסס החלטות עסקיות על משוב אמיתי של לקוחות.
תארו לעצמכם חוויית סוכן בינה מלאכותית שבה הלקוחות יכולים לשאול שאלות מגוונות בסשן אחד, החל מבירורים על חשבון ועד לבעיות טכניות וצורכי שירות עתידיים. זה אמנם משפר את חוויית הלקוח, אבל גם מציג אתגר חדש: כיצד להעריך ביעילות את איכות הסשנים הרבגוניים האלו ולזהות תחומים ספציפיים שנזקקים לשיפור? לדוגמה, אם סוכן עונה בהצלחה על שתי שאלות אבל נכשל בשלישית, איך מעריכים את החוויה הכוללת הזו?
תכירו: Agent Optimization
כאן נכנס לתמונה Agent Optimization – כלי רב-עוצמה שנועד להעניק למנהלים טכנולוגיים ולבוני סוכנים נראות מעמיקה על אינטראקציות של סוכנים עם בינה מלאכותית. Agent Optimization מסייע בניטור ביצועים, זיהוי פערים בקונפיגורציה וביצוע אופטימיזציה של יעילות הסוכנים. הוא משפר את הסיווג, הניתוח והניצול של נתוני האינטראקציה באמצעות הגדרת תוויות וקטגוריות מותאמות אישית על פי השיחות עצמן, ובכך מאפשר ניתוח ממוקד ותובנות מעשיות.
כאן בישראל, הצוות שאליו אני משתייך כולל למעלה מ-60 עובדות ועובדים שפועלים לשכלל את הכלי ללא הרף.
ב-Agent Optimization, חילקנו סשנים בין סוכן למשתמש לרגעים ספציפיים. כל רגע הוא בעצם כוונת משתמש שהסוכן עונה עליה. בתוך סשן אחד, משתמשים יכולים לחוות רגע אחד או יותר. הבחנה והערכה של כל אחד מהם בנפרד עוזרת לנו להבין טוב יותר את ביצועי הסוכן, וגם אוספות בקשות דומות על פני הפעלות מרובות.
המושגים המרכזיים שמניעים את Agent Optimization
Agent Optimization מספק דרך אינטראקטיבית שמאפשרת לכם לקבל גישה ולחקור את אינטראקציות הסוכנים, ודרך זו מבוססת על מספר מושגים מרכזיים:
כוונת משתמש (Intents): Agent Optimization מפרק סשנים ל"כוונות משתמש", שהם חלקים מפורטים של סשן, ובהם מוצפת ומטופלת בקשה או צורך מסוים של המשתמש. סשן בודד יכול לכלול מספר כוונות מהמשתמש, מה שעוזר לצבור בקשות בין סשנים ולחשוף בקשות מובילות בתוך סוכן. כוונות המשתמש מחולקות באופן ספציפי על סמך הבקשות השונות בתוך סשן צ'אט.
ציון איכות (Quality Score): לכל רגע מוקצה ציון רלוונטיות, שנע בין 1 (נמוך) ל-5 (גבוה), ומציין עד כמה תגובת הסוכן הייתה מועילה לבקשת המשתמש. ציון זה יותאם אישית בעתיד הקרוב על ידי לקוחות שמשתמשים ב-Prompt Builder, ויאפשר יצירת קריטריוני הערכה מותאמים אישית.
תגיות (Tags): Agent Optimization משתמש בתגיות סטנדרטיות כדי לסווג שיחות על סמך התוכן והכוונה שלהן.
מתחת למכסה המנוע: כיצד פועל Agent Optimization
Agent Optimization מופעל על ידי מודל הנתונים הסמנטי (SDM) של Agent Analytics Foundations, הפועל כמקור מאוחד של אמת עבור מדדים, הגדרות וחישובים. מודל זה מאפשר שאילתות ושילוב רציף עם ממשק המשתמש. לאחר שפעילויות סוכן מחולקות ל"רגעים" משמעותיים ומוערכות מבחינת האיכות, ניתן לתייג ולקבץ רגעים אלה באמצעות לוגיקה חכמה.
ככלי מוכן לשימוש, Agent Optimization מיישם Clustering Algorithm כדי לקבץ רגעים דומים ולהקצות שמות תגים משמעותיים. זה מאפשר לכם לזהות דפוסים בבקשות של לקוחות, לאתר פערים בביצועים ולתעדף תחומים לחקר מעמיק יותר.
כדי להיות מוכנים לעתיד, אנו עובדים על הפעלת תגים סטנדרטיים ומותאמים אישית – זהו שיפור משמעותי שמתוכנן לרבעון השני של שנת 2026. תכונה זו תיבנה סביב Prompt Builder, ותציג תבנית פרומפט מיוחדת לתיוג Agentforce. היא תאפשר לכם להגדיר את לוגיקת התיוג שלכם.
Agent Optimization מעצים את המנהלים הטכנולוגיים ואת בוני הסוכנים, עם מגוון יכולות לשיפור ביצועי הסוכנים ולהפקת תובנות עסקיות חשובות.
תובנות עסקיות מעמיקות: תוכלו להשיג הבנה עמוקה יותר של הדברים שהלקוחות שואלים וכיצד הם מקיימים את האינטראקציה עם הסוכן. הדבר יכול לעזור לכם לגלות צרכים לא מסופקים של משתמשי הקצה – ולהניע את הפיתוח של נושאים חדשים.
ביצועי סוכנים אופטימליים: תוכלו לנטר את הסוכנים, לזהות פערים בקונפיגורציה ולטפל באופן יזום בבעיות כדי לייעל את יעילות הסוכנים. Agent Optimization מסמן נושאים בעלי ביצועים נמוכים לפי ציון איכות, פרשנויות שגויות של סוכנים ואזורים שבהם השיחות לא טופלו כראוי.
יכולות דריל דאון: מעקב אחר בעיות ברגעים ספציפיים בשיחה, סקירת האופן שבו משתמשים מנסחים שאלות והמקומות שבהם תגובת הסוכן נכשלה. מעקב מלא אחר סשן יעזור לכם זמין להבין מדוע סוכן התקשה – כולל השלבים, ההשהיה בכל שלב והמשתנים השונים.
סיווג אוטומטי: ה-Tag Associator מבצע אוטומציה של סיווג השיחות ללא התערבות ידנית. מנגנון זה מסווג ומחלץ מטא-דאטה משיחות על סמך תנאים מוגדרים מראש (לדוגמה, הוראות מבוססות NLP, התאמת מילות מפתח) ומחלץ ערכים רלוונטיים (לדוגמה, זיהוי ישויות, סיווג סנטימנטים, ניתוח מספרי). הוא משפר את הניתוחים על ידי מבנה דיאלוג לא מובנה (Structuring Unstructured Dialogue) ותומך בקבלת החלטות על ידי חילוץ תובנות מרכזיות כמו מגמות מתחרים או מגמות CSAT (מציע: מגמות ברמת שביעות רצון הלקוחות).
דוגמאות מהשטח
תארו לעצמכם כיצד אפשר לנתח את אינטראקציות הלקוחות שלכם עם Agent Optimization:
זיהוי אזכור מתחרים: Agent Optimization יכול לתייג באופן אוטומטי אינטראקציות שבהן מוזכרים מתחרים, כגון "Walmark מציעה תוכנית דומה במחיר נמוך יותר".
תיוג CSAT: זיהוי ותיוג אוטומטיים של שיחות שבהן לקוחות מביעים שביעות רצון, תוך חילוץ ציון ה-CSAT (לדוגמה, "זה היה ממש חלק, תודה על הפתרון המהיר!" → CSAT = 5/5).
זיהוי פערים בביצועים: Agent Optimization יכול להדגיש עבורכם מצבים שבהם הסוכן שלכם מברך לקוחות פעמיים או מדבר בשפה הלא נכונה, מה שמאפשר לכם לאתר ולתקן במהירות בעיות מהסוג הזה בקנה מידה גדול.
מביטים קדימה
Agent Optimization מתפתח ללא הפסק. השיפורים העתידיים כוללים:
* יצירת תגים סטנדרטיים ומותאמים אישית
* יישום לוגיקה משלכם לציון איכות באמצעות prompt builder וכלים אחרים
* הצגת המלצות ותובנות
* צפייה בזרימות סשן נפוצות
* שילוב מרכז בדיקות
* ועוד ועוד…
סוכן הבינה המלאכותית שלכם: הדור הבא
בסופו של דבר, Agent Optimization מבטיח שסוכני הבינה המלאכותית שלכם יספקו תגובות מדויקות, יעילות ואיכותיות, וישפרו את חוויות הלקוח. הכלי הזה הוא למעשה שותף מלא בהנעת הצלחת סוכן הבינה המלאכותית שלכם. באמצעות הצעת תובנות מעמיקות ופתרונות מעשיים, הוא מאפשר לכם ליצור סוכנים שלא רק עומדים בציפיות של הלקוחות שלכם, אלא אפילו עולים עליהם.
זה הזמן שלכם להתחיל לחקור עוד היום, ולעשות את הצעד הראשון לקראת בניית סוכן בינה מלאכותית שבאמת מספק תוצאות.
הלקוחות שלכם ראויים לכך – וגם אתם. בואו נהפוך ביחד את סוכן הבינה המלאכותית שלכם לגרסה הטובה ביותר של עצמו.
מוכנים לעשות את הצעד הבא? הירשמו ל-Agentforce עוד היום ושחררו את מלוא הפוטנציאל של הסוכנים עבור הארגון שלכם.
Salesforce News & Insights: Agentforce Command Center
Salesforce Admins Blog: Introducing Prompt Builder: Activate Prompts in the Flow of Work
Trailhead: Quick Start: Prompt Builder
Salesforce Help: Agentforce Analytics
Salesforce Help: Utterance Analysis
Salesforce Help: Agentforce Analytics Reports
Salesforce Help: Agentforce Analytics Data Cloud Objects
איתי אורן הוא Product Management Manager בסיילספורס
![סוכני השיווק האוטונומיים עוזרים לך לשמור על הלקוחות מעורבים בזמן שהם מחזקים את היעילות והתיאום של הצוותים הפנים ארגוניים [Creatives on Call].](https://www.salesforce.com/il/blog/wp-content/uploads/sites/16/2025/02/1.webp?w=150&h=150&crop=1&quality=75)
![Agents will change everything about how we work. It's critical to separate fact from fiction. [Adobe Stock | Cream Creative]](https://www.salesforce.com/il/blog/wp-content/uploads/sites/16/2024/12/5-Myths-About-AI-Agents-2160x1215-1.webp?w=150&h=150&crop=1&quality=75)
