मानव की जिम्मेदारी की भावना पर एल्गोरिदम के उपयोग का क्या प्रभाव पड़ता है

आर्टिफिशियल इंटेलिजेंस ने कोड लिखने की प्रक्रिया को काफी तेज कर दिया है, हालांकि इंजीनियरिंग क्षेत्र के नेताओं को एक अधिक जटिल प्रश्न का सामना करना पड़ रहा है: कोडिंग पूरी होने के बाद क्या होता है। एआई युग में परिचालन गतिविधियों पर केंद्रित राउंडटेबल में, लॉजिस्टिक्स, खाद्य प्रौद्योगिकी, स्वास्थ्य सेवा, दूरसंचार, फिनटेक, ई-कॉमर्स और उच्च शिक्षा जैसे क्षेत्रों के नेताओं ने इस बात पर अपने अनुभव साझा किए कि एआई का उपयोग करके विश्वसनीयता, सुरक्षा और नियंत्रण बनाए रखते हुए कैसे स्केल किया जाए।

प्रतिभागियों का सामान्य निष्कर्ष यह था कि गति अब मुख्य समस्या नहीं रही; अब महत्वपूर्ण पहलू इस प्रक्रिया का प्रबंधन करना है। राउंडटेबल की मॉडरेटर Ipsita Basu थीं, और प्रतिभागियों में Mandjunat Nakshatri (Mojro के इंजीनियरिंग विभाग के प्रमुख), Shobhit Suman (HungerBox के CPO), Pawan Kumar A T (Digii/DigiiCampus के CTO), Pranjal Nadani (Cautio के सह-संस्थापक और CTO), Kenil Paul (6D Technologies के प्रौद्योगिकी और समाधान उपाध्यक्ष), Rimjim Agrawal (BrainSightAI के सह-संस्थापक और CTO), Dhruv Rastogi (MediAssist के मुख्य एआई निदेशक), Chandrakesh Pandey (Niyo Solutions Inc. के वरिष्ठ प्रौद्योगिकी उपाध्यक्ष), Achal Sharma (TechnoSport के CTO), Sunil Kumar (Meesho के इंजीनियरिंग निदेशक) और Anshul Sharma (Scaler के इंजीनियरिंग निदेशक) जैसे विशेषज्ञ शामिल थे।

यह कार्यक्रम groundcover और Data Signals द्वारा YourStory के समर्थन से आयोजित किया गया था। आयोजकों की ओर से Paul Trebe (groundcover के बिक्री और साझेदारी प्रमुख) और Satish Dange (Data Signals के संस्थापक) मौजूद थे।

प्रतिभागियों ने सहमति व्यक्त की कि एआई ने निर्माण समय को कम कर दिया है, लेकिन दबाव बाद के चरणों पर स्थानांतरित हो गया है। जब एजेंट बड़ी मात्रा में कोड उत्पन्न करते हैं, तो यह सवाल उठता है कि इसकी जांच, परीक्षण और प्रतिदिन दर्जनों डिप्लॉयमेंट पर नियंत्रण कौन करेगा। कई नेताओं ने उल्लेख किया कि उनकी टीमें अब घटकों को सीधे लिखने के बजाय अवधारणा, संदर्भ और प्रबंधन विकसित करने में अधिक समय बिताती हैं। एजेंटों की प्रभावशीलता सीधे प्राप्त संदर्भ की गुणवत्ता पर निर्भर करती है, और बहुत कम संगठनों के पास रिपॉजिटरी, दस्तावेज़ीकरण और टेम्पलेट्स का ज्ञान होता है जिसे एजेंट विश्वसनीय रूप से उपयोग कर सके।

चर्चा के दौरान एक प्रगतिशील दृष्टिकोण पर आम सहमति बनी: डेटा प्राप्त करने या रिपोर्ट बनाने जैसे प्रतिवर्ती, केवल पढ़ने योग्य कार्यों को न्यूनतम कठिनाई के साथ एजेंटों को सौंपा जा सकता है। हालांकि, अपरिवर्तनीय क्रियाएं, जैसे डेटा हटाना या डेटाबेस अपडेट करना, मानव नियंत्रण में रहनी चाहिए। प्रभाव के दायरे का मूल्यांकन भी महत्वपूर्ण है; यदि गलत कॉल अंतिम उपयोगकर्ताओं या उत्पादन प्रणालियों को प्रभावित कर सकता है, तो इसे मनुष्य को करना चाहिए।

एक प्रतिभागी ने 'फोर आईज' मॉडल का वर्णन किया, जहां एआई पढ़ने और विश्लेषण का काम करता है, निर्धारित नियम स्पष्ट 'हाँ' या 'नहीं' उत्तर देते हैं, और अंतिम अनुमोदन व्यक्ति द्वारा किया जाता है। दूसरे वक्ता ने गंभीरता और आवृत्ति के आधार पर जोखिम मूल्यांकन प्रणाली का प्रस्ताव दिया, जिससे मानवीय नियंत्रण को मध्यम और उच्च महत्वपूर्णता वाले तत्वों पर केंद्रित किया जा सके। कुछ ने विशेषज्ञता के माध्यम से एक सीमा खींची, इंजीनियरों को अपने क्षेत्र में एजेंटों का स्वतंत्र रूप से उपयोग करने की अनुमति दी, जबकि उत्पादन की जिम्मेदारी उन लोगों पर बनी रही जो किसी भी समय गड़बड़ियों को ठीक कर सकते थे।

एक अधिक आशावादी तस्वीर भी सामने आई: इंजीनियर को जगाने के बजाय, एजेंट घटना की जांच कर सकता है और सुबह तक एक रिपोर्ट प्रदान कर सकता है, निर्णय व्यक्ति के लिए छोड़ देता है। प्रतिभागियों ने इस बात पर जोर दिया कि विश्वास धीरे-धीरे बनेगा, जैसा कि ऑनलाइन भुगतानों के साथ हुआ था, और यह सीमा लगातार आगे बढ़ेगी।

जवाबदेही का मुद्दा दृढ़ सहमति प्राप्त कर चुका है: इस कर्तव्य को मॉडल को सौंपना संभव नहीं है। नेता एजेंटों की कार्रवाइयों के लिए जिम्मेदार रहते हैं। एक प्रतिभागी ने उल्लेख किया कि एआई बुद्धिमत्ता का गुणक के रूप में कार्य करता है, जिसका अर्थ है कि त्रुटियां उतनी ही तेजी से बढ़ती हैं जितनी तेजी से अच्छे समाधान बढ़ते हैं।

कौशल के क्षरण पर चर्चा ने अधिक जीवंत बहस छेड़ दी। कुछ ने इसे आवश्यक दक्षताओं में केवल एक बदलाव के रूप में देखा, जो कैलकुलेटर के आगमन के साथ अंकगणित में हुए परिवर्तन के समान है। अन्य, विशेष रूप से स्वास्थ्य सेवा क्षेत्र में, एआई के काम के परिणामों का आकलन करने के लिए आवश्यक विशेषज्ञता खोने की आशंका जताते हैं। एक व्यावहारिक समाधान सचेत रूप से उन क्षेत्रों को परिभाषित करना था जहां एआई मसौदा तैयार करता है और जहां लोग काम करते हैं।

दूरसंचार और चिकित्सा क्षेत्रों के नेताओं के लिए, डेटा पर नियंत्रण डिजाइन चरण में निर्धारित होता है। यदि नियामक मानदंडों, लीज स्पेस अलगाव आवश्यकताओं और निवास नियमों को लागू किया जाता है, तो मॉडल सार्वजनिक क्लाउड में काम नहीं कर सकते, क्योंकि एक गलती गंभीर जुर्माने का कारण बन सकती है। अन्य ने शुरुआत से ही प्रबंधन पर जोर दिया, जिसमें प्राप्त डेटा, प्रशिक्षण के लिए उपयोग की जाने वाली चीज़ बनाम आउटपुट, और डेटा मास्किंग या डी-आइडेंटिफिकेशन के तरीके शामिल हैं। बौद्धिक संपदा और पूर्वाग्रह के बारे में चिंता ने एआई उपकरणों का उतना ही सावधानी से मूल्यांकन करने का आह्वान किया जितना कि नए कर्मचारियों का।

अवलोकन क्षमता (Observability) सभी चर्चा किए गए विषयों में व्याप्त थी। टीमों ने एजेंटों द्वारा इनपुट, निर्णयों और कार्यों के हस्तांतरण को ट्रैक करने की आवश्यकता पर बात की ताकि उनके कार्यों के कारण को समझा जा सके और उन्हें ठीक किया जा सके। ई-कॉमर्स की एक टीम ने अपर्याप्त निवेश की कीमत सीखी: रेटिंग में बदलाव ने सभी डैशबोर्ड को हरा रखा, जब तक कि व्यवसाय प्रभाव दिनों बाद प्रकट नहीं हुआ, और मूल कारण विश्लेषण में एक सप्ताह से अधिक समय लगा। तब से उन्होंने एक परिवर्तन रजिस्ट्री, एक उत्पत्ति प्रणाली, सिस्टम ग्राफ और एक डिबगिंग एजेंट बनाया है जो रैंक की गई परिकल्पनाएँ प्रदान करता है।

अवलोकन क्षमता के दृष्टिकोण से, यह अब विकास से अलग नहीं हो सकती। Paul Trebe ने सीधे कहा: 'आप अवलोकन क्षमता को विकास से अलग नहीं कर सकते।' उन्होंने जोड़ा कि एजेंटों को सही ढंग से कार्य करने के लिए संदर्भ से भरपूर डेटा की आवश्यकता होती है, और स्वयं एजेंटों की निगरानी की जानी चाहिए, क्योंकि एआई ट्रेसिंग 500,000 लाइनों तक पहुंच सकती है जिन्हें यथार्थवादी रूप से केवल अन्य एजेंट ही संसाधित कर सकते हैं।

किसी ने भी कोई तैयार मार्गदर्शिका प्रस्तुत नहीं की। एजेंटों की विश्वसनीयता और निवेश पर रिटर्न को मापने के तरीकों, डेटा और बौद्धिक संपदा की सुरक्षा, और एआई के परिणामों को चुनौती देने के लिए इंजीनियरों में पर्याप्त तीक्ष्णता बनाए रखने के बारे में प्रश्न खुले हैं। फिर भी, बातचीत ने एक सामान्य दिशा की ओर इशारा किया: डेवलपर्स को तेजी से आगे बढ़ने की अनुमति देना, लेकिन पहले सुरक्षा बाधाएं बनाना। मानव नियंत्रण अपरिवर्तनीय और उच्च जोखिम वाले निर्णयों के लिए संरक्षित रहना चाहिए, और जैसे-जैसे विश्वास हासिल होता है, स्वचालन का विस्तार होना चाहिए। कई प्रतिभागियों ने तर्क दिया कि निष्क्रियता अस्वीकार्य है, क्योंकि प्रतियोगी इंतजार नहीं करेंगे। एआई युग की वास्तविक परीक्षा इस बात में नहीं है कि टीमें कितनी तेजी से निर्माण कर सकती हैं, बल्कि इस बात में है कि वे जो बनाया है, उसका कितना आत्मविश्वास से शोषण कर सकती हैं।

हाल के वर्षों में, एआई के साथ काम करने के परिणामों में सुधार इस बात पर निर्भर रहा है कि कितने उच्च गुणवत्ता वाले प्रॉम्प्ट लिखे जाते हैं। हालांकि, यह प्रतिमान तेजी से बदल रहा है क्योंकि एआई सिस्टम स्वयं तर्क करना, निर्णय लेना और पूरी कार्यप्रवाहों के भीतर कार्रवाई करना शुरू कर रहे हैं।

TechSparks 2026 कार्यक्रम में, जो YourStory का प्रमुख कार्यक्रम है, Intuit में एआई के प्रमुख वैज्ञानिक शोधकर्ता डॉ. विग्नेश सुब्रह्मण्यम ने YourStory और The CapTable के संपादकीय प्रबंधक आदित चार्ली के साथ बातचीत की। 'प्रॉम्प्ट से परे: सोचने, कार्य करने और सीखने वाले एआई का निर्माण' नामक चर्चा इस बात पर केंद्रित थी कि जैसे-जैसे बुद्धिमत्ता अधिक स्वायत्त होती जाती है, डेवलपर्स को क्या पुनर्कल्पित करने की आवश्यकता है।

सत्र सुब्रह्मण्यम के विशिष्ट कार्य दिवस और फिनटेक और एआई की अवधारणाओं को दर्शकों के लिए सरल बनाने के अनुरोधों के साथ शुरू हुआ। उन्होंने शतरंज के उदाहरण का उपयोग किया, यह सवाल पूछते हुए: यदि किसी एल्गोरिथम को शतरंज के नियम नहीं सिखाए जाते हैं, बल्कि विजेताओं के लाखों पूरे खेल दिखाए जाते हैं, तो क्या वह नियमों और जीतने के लिए सबसे संभावित रणनीतियों दोनों को निकाल सकता है?

Intuit टीम छोटे व्यवसायों का समर्थन करने के लिए इसी तरह के दृष्टिकोण का उपयोग करती है, क्योंकि कंपनी उपभोक्ताओं और लेखाकारों दोनों को सेवा प्रदान करती है। सुब्रह्मण्यम ने टिप्पणी की: 'जैसा कि हम डेटा, वास्तविक कार्यों और उद्यमों द्वारा किए गए परिणामों का विश्लेषण करके व्यवसाय के खेल का अध्ययन करते हैं।' लक्ष्य ग्राहकों को आकर्षित करने, तेजी से विकास और नकदी प्रवाह में सुधार में सफल होने वाले कारकों को समझना है।

इसके बाद बातचीत डेवलपर्स के लिए प्रतिमान परिवर्तन पर चली गई: अधिक बुद्धिमान प्रॉम्प्ट लिखने के कई वर्षों के अध्ययन से लक्ष्य वाले एजेंटों के डिजाइन तक, जो अपने लक्ष्यों को प्राप्त करने के लिए स्वयं कदम निर्धारित करते हैं। सुब्रह्मण्यम ने प्रॉम्प्ट इंजीनियरिंग की तुलना प्रोग्रामिंग भाषाओं के लंबे इतिहास से की, जो बाइनरी कोड और असेंबली से लेकर Fortran, C और Python तक है। बड़े भाषा मॉडल ने किसी भी व्यक्ति को सरल अंग्रेजी में प्रोग्राम करने की अनुमति दी है, लेकिन इस विधि की अपनी सीमाएं हैं।

शोधकर्ताओं ने जल्दी ही महसूस किया कि बुद्धिमत्ता केवल मॉडल में नहीं होनी चाहिए। मॉडल को एक ऑर्केस्ट्रेटर के रूप में कार्य करना चाहिए, जो एक जटिल कार्य को कार्यों और टूल कॉल्स के अनुक्रम में तोड़ता है। वास्तविक बुद्धिमत्ता उन उपकरणों में स्थानांतरित हो जाती है जिन्हें बुलाया जाता है; और इन उपकरणों को भी अलग तरह से डिज़ाइन किया जाना चाहिए: 'किसी व्यक्ति, या सॉफ्टवेयर डेवलपर, या किसी अन्य व्यक्ति द्वारा उपयोग करने के लिए नहीं, बल्कि इस तरह से कि LLM ऑर्केस्ट्रेटर वास्तव में उनका उपयोग कर सके।'

इसके लिए अत्यंत नियतात्मक परिणाम वाले उच्च सटीकता वाले उपकरणों के निर्माण की आवश्यकता होती है। डेवलपर्स के लिए महारत चतुर वाक्यांशों से हटकर विश्वसनीय घटकों की ओर स्थानांतरित हो जाती है जिन्हें मॉडल बिना किसी अप्रत्याशितता के बार-बार कॉल कर सकता है।

नए डेटा स्रोतों के संबंध में, सुब्रह्मण्यम ने खुले तौर पर कहा कि पाठ डेटा पर प्रशिक्षण काफी हद तक हल हो गया है। अधिक जटिल कार्य मल्टीमॉडल स्रोतों और वास्तविक कार्यों पर प्रशिक्षण है। उन्होंने एक छोटे बच्चे के उदाहरण का हवाला दिया जो मुख्य रूप से पढ़ने के बजाय जो देखता है, सुनता है और देखता है, उसके माध्यम से सीखता है, यह दावा करते हुए कि वास्तविक दुनिया के ऐसे संकेतों को एआई सिस्टम में शामिल करने से मॉडल टेक्स्ट जनरेशन से आगे बढ़कर कार्रवाई प्रस्तावित करना शुरू कर सकते हैं। उन्होंने इसे अगला मील का पत्थर कहा।

विनियमित उद्योग की समस्याओं पर विचार करते हुए, वह दर्शकों को 18 साल पहले बैंगलोर की मशीन लर्निंग की पहली प्रयोगशालाओं में वापस ले गए, जहां उन्होंने लॉजिस्टिक रिग्रेशन और मल्टीलेयर परसेप्ट्रॉन पर काम किया था। उस समय सबसे बड़ी समस्या एल्गोरिथम स्वयं नहीं थी। उन्होंने याद किया: 'वास्तव में, यह डेटा की गुणवत्ता थी।'

यह समस्या नहीं बदली है। चाहे टीम साधारण रिग्रेशन को प्रशिक्षित कर रही हो या ट्रांसफार्मर को फाइन-ट्यून कर रही हो, 'इनपुट कचरा - आउटपुट कचरा' का सिद्धांत कायम है। उनके अनुसार, उच्च गुणवत्ता वाले डेटा को एकत्र करने, एकत्रित करने और संग्रहीत करने में सक्षम कंपनियां लाभ उठाएंगी।

एक संक्षिप्त प्रश्नोत्तर सत्र के दौरान एक प्रतिभागी ने पूछा कि वित्तीय डेटा भंडारण पर प्रतिबंध Intuit के संचालन को कैसे प्रभावित करते हैं। सुब्रह्मण्यम ने सहमति को किसी भी प्रशिक्षण प्रणाली की नींव बताया और फ्रैमिंगहम अध्ययन का हवाला दिया, जहां मैसाचुसेट्स शहर के निवासियों ने डॉक्टरों को समय के साथ उनके स्वास्थ्य को ट्रैक करने की अनुमति दी, जिसने हृदय रोगों की आधुनिक समझ को आकार दिया। उन्होंने यह भी जोड़ा कि कंपनियों को जनता को डेटा के उपयोग के लाभों की व्याख्या करनी होगी।

बातचीत समाप्त होने के साथ, मुख्य विचार यह था कि जैसे-जैसे एआई प्रतिक्रिया से कार्रवाई की ओर बढ़ता है, इंटरफ़ेस की तुलना में नींव अधिक महत्वपूर्ण हो जाती है। प्रॉम्प्ट शुरुआती बिंदु बने रहेंगे, लेकिन असली काम अब विश्वसनीय उपकरण बनाने में है जिन्हें एजेंट कॉल कर सकते हैं, सिस्टम को उच्च गुणवत्ता वाले डेटा से लैस करना और सहमति प्राप्त करना जो उन्हें सीखने की अनुमति देता है। यहीं, प्रॉम्प्ट से परे, डेवलपर्स के लिए एआई की अगली लहर जीती जाएगी।

भले ही स्वचालन हर जगह मौजूद हो, यह गारंटी नहीं देता कि यह ग्राहकों के लिए फायदेमंद है। एक चैटबॉट जो सवालों का जवाब नहीं दे सकता, समस्या से मेल न खाने वाला इंटरैक्टिव वॉयस रिस्पांस मेनू (IVR), या एक स्वचालित उत्तर जो गतिरोध की ओर ले जाता है, एक साधारण अनुरोध को बेहद अप्रिय अनुभव में बदल सकता है। भले ही कागज़ पर बातचीत को सफलतापूर्वक पूरा किया गया माना जाए, ग्राहक के लिए ऐसा बिल्कुल नहीं है।

CallMiner CX Landscape Report 2026 के अनुसार, एक महत्वपूर्ण अंतर मौजूद है। इस बीच, 99% संगठन ग्राहक इंटरैक्शन में स्वचालन का उपयोग करते हैं, लेकिन केवल 23% का दावा है कि ये प्रक्रियाएं अत्यधिक स्वचालित और ग्राहक अनुभव (CX) डेटा के आधार पर लगातार अनुकूलित हैं। इसके अलावा, केवल 24% प्राप्त ग्राहक अनुभव को वास्तव में सकारात्मक बताते हैं। इस प्रकार, कार्य स्वचालन को लागू करने से हटकर यह सुनिश्चित करने पर स्थानांतरित हो गया है कि यह ग्राहकों की वर्तमान जरूरतों को पूरा करे।

CX स्वचालन प्रौद्योगिकियों को क्या परिभाषित करता है?

इस अंतर को पूरी तरह से तकनीकी समस्या मानने के प्रलोभन के बावजूद, जिसे प्लेटफॉर्म बदलने या अधिक स्मार्ट मॉडल का उपयोग करके हल किया जा सकता है, वे संगठन जो इस अंतर को दूर करते हैं, जरूरी नहीं कि सबसे नए स्वचालन उपकरणों का उपयोग करें। वे प्रारंभिक वर्कफ़्लो डिज़ाइन में की गई धारणाओं पर भरोसा करने के बजाय वास्तविक बातचीत से प्राप्त फीडबैक और डेटा का उपयोग करके स्वचालन में लगातार सुधार करते हैं।

इस मार्गदर्शन के बिना, अधिकांश टीमें तीन प्रतिक्रियाशील आदतों में से एक का सहारा लेती हैं। कुछ यह जाने बिना सिस्टम को कॉन्फ़िगर करना जारी रखते हैं कि क्या विफल हो रहा है। अन्य पूरी तरह से प्लेटफॉर्म को छोड़ देते हैं और सब कुछ फिर से शुरू करते हैं, यह उम्मीद करते हुए कि नई तकनीक उस समस्या को हल करेगी जिसका कभी निदान नहीं किया गया था। तीसरे ही मानव-आधारित सेवा पर वापस लौटते हैं, जिससे CX में वर्षों के निवेश को कम कर देते हैं। तीनों दृष्टिकोण एक ही महत्वपूर्ण चरण को छोड़ देते हैं: बातचीत में समस्या के मूल को समझना।

ग्राहक एनालिटिक्स काम करने के तरीके को कैसे बदलता है?

ग्राहक एनालिटिक्स सभी ग्राहक इंटरैक्शन में हो रही घटनाओं की समग्र तस्वीर बनाता है, स्वचालन को रणनीति में बदलता है। यह देखने की अनुमति देता है कि स्वचालन वास्तव में कहाँ मदद करता है, और कहाँ संगठन केवल इसकी उपयोगिता मान रहा है। यह व्यवहारिक और प्रासंगिक संकेतों की पहचान करता है, जैसे कि उसी विषय पर बार-बार संपर्क करना या संवाद के बीच में मनोदशा में बदलाव, जिसे एक स्थिर ग्राहक प्रोफ़ाइल पकड़ नहीं सकती है। इसके अलावा, यह प्रतिधारण और विचलन जैसे तकनीकी मेट्रिक्स को ग्राहक संतुष्टि (CSAT) और पहले संपर्क में समाधान जैसे परिणाम मेट्रिक्स से जोड़ता है, जिससे ऐसी स्थिति को रोका जा सके जहां एक अच्छी दिखने वाला डैशबोर्ड एक असंतुष्ट ग्राहक को छिपाता है।

यह अंतर जितना अक्सर स्वीकार किया जाता है, उससे कहीं अधिक महत्वपूर्ण है। उच्च प्रतिधारण दर सकारात्मक परिणाम की गारंटी नहीं देती है। बॉट तकनीकी रूप से बातचीत समाप्त कर सकता है, भले ही ग्राहक बिना समाधान के चला जाए। वार्तालाप विश्लेषण इस अंतर को उजागर करता है, यह दिखाते हुए कि बातचीत के दौरान क्या हुआ, न कि केवल यह बताना कि यह मानवीय भागीदारी के बिना समाप्त हुई या नहीं। यह उन कंपनियों पर लागू होता है जो लंबे समय से उपयोग किए जा रहे स्वचालन को परिष्कृत कर रही हैं, और उन टीमों पर भी लागू होता है जो अपने पहले वर्चुअल एजेंट को लागू कर रही हैं। मुख्य प्रश्न यह नहीं है कि 'क्या हमने पर्याप्त स्वचालन किया है?', बल्कि यह है कि क्या यह स्वचालन आज ग्राहकों द्वारा कही गई बातों पर आधारित है, न कि उस पर जो उन्होंने वर्कफ़्लो बनाते समय कहा था।

केवल दक्षता से परे स्वचालन की प्रभावशीलता को मापना। इसका मतलब यह नहीं है कि दक्षता मायने रखना बंद कर देती है। इसका मतलब है कि सबसे मजबूत स्वचालन रणनीतियाँ ग्राहकों और कर्मचारियों दोनों के लिए अनावश्यक प्रयास को कम करती हैं, साथ ही उन क्षणों की रक्षा भी करती हैं जब मानवीय निर्णय और सहानुभूति सबसे अधिक मूल्य पैदा करते हैं। इस संतुलन का सही पालन ही उस स्वचालन को जो ग्राहक सहन करते हैं, उस स्वचालन से अलग करता है जिस पर वे भरोसा करते हैं।

एक नए तकनीकी दस्तावेज़ में कंपनी बताती है कि बातचीत विश्लेषण का उपयोग यह निर्धारित करने के लिए कैसे किया जाए कि स्वचालन कहाँ लागू होना चाहिए, वास्तविक ग्राहक व्यवहार के आसपास अनुभव डिजाइन करना चाहिए और केवल तकनीकी मेट्रिक्स के बजाय ग्राहक परिणामों के आधार पर सफलता को मापना चाहिए। पूर्ण दस्तावेज़ उपलब्ध है, जो प्रदर्शित करता है कि कैसे एक संगठन ने इन सिद्धांतों को लागू किया, जिससे कर्मचारियों की संख्या बढ़ाए बिना कॉल हैंडलिंग समय में 78% की कमी आई और थ्रूपुट दोगुना हो गया।