نرخ دفلکشن هوش مصنوعی در برابر نرخ حل واقعی: Gartner واقعاً چه می‌گوید

به‌روزرسانی مهر ۱۴۰۵ (سپتامبر ۲۰۲۶) با نتایج نظرسنجی‌های ۲۰۲۵ و ۲۰۲۶ Gartner.

مهم‌ترین عددی که Gartner درباره‌ی خودخدمتی منتشر کرده عددی هشداردهنده است: در نظرسنجی از ۵٬۷۲۸ مشتری، فقط ۱۴ درصد مشکلات خدمات مشتری به‌طور کامل در خودخدمتی حل شدند. حتی برای مشکلاتی که خود مشتری‌ها «خیلی ساده» می‌دانستند، این عدد فقط ۳۶ درصد بود. در همین حال ۷۳ درصد مشتریان در مسیرشان دست‌کم یک بار سراغ خودخدمتی می‌روند. کنار هم که بگذاریم، بیشتر کسانی که ربات یا مرکز راهنما را امتحان می‌کنند باز هم از کانالی دیگر سر درمی‌آورند. نرخ دفلکشن بالا روی داشبورد می‌تواند دقیقاً همین را پنهان کند: خودکارسازی‌ای که بار پشتیبانی را جابه‌جا می‌کند، نه اینکه کمش کند.

آمار Gartner دربارهٔ دفلکشن و حل مشکل، در یک نگاه

هیچ‌کدام از این عددها نرخ دفلکشن نیست. هر پنج عدد دربارهٔ حل مشکل یا میزان استفاده است.

آیا Gartner نرخ دفلکشن هوش مصنوعی برای میز خدمت منتشر می‌کند؟

نه به‌عنوان یک بنچمارک. نوشته‌هایی می‌بینید که می‌گویند «Gartner نشان داده هوش مصنوعی ۴۵ درصد درخواست‌ها را دفلکت می‌کند ولی فقط ۱۴ درصد حل می‌شوند، پس ۳۱ درصد برمی‌گردند.» عدد ۱۴ درصد مال Gartner است؛ ۴۵ و ۳۱ درصد در بیانیه‌ی Gartner نیست، و نسخه‌ی قبلی همین مقاله هم پیش از بررسی منبع همین روایت را تکرار کرده بود. چیزی که Gartner منتشر کرده تقریباً برعکسِ یک امتیاز دفلکشن است: می‌سنجد مشکل مشتری واقعاً بدون دخالت انسان حل شد یا نه، و جواب در ۲۰۲۴ یک بار از هر هفت بار بود.

نظرسنجی‌های جدیدتر Gartner هم همین جهت را نشان می‌دهند:

• نظرسنجی ژانویه تا فوریه‌ی ۲۰۲۵ از ۵٬۸۰۱ مشتری: ۶۰ درصد کارشناسان اصلاً خودخدمتی را معرفی نمی‌کنند، و فقط ۳۵ درصد مشتریانی که آخرین بار تلفنی تماس گرفته بودند حاضرند دستیار GenAI را امتحان کنند.
• نظرسنجی اکتبر ۲۰۲۵ از ۳۲۱ مدیر خدمات: ۹۱ درصد زیر فشار مدیریت ارشد برای پیاده‌سازی هوش مصنوعی‌اند و «موفقیت خودخدمتی» جزو سه اولویت اصلی ۲۰۲۶ است. ۵۸ درصد می‌خواهند کارشناسان را به متخصص مدیریت دانش تبدیل کنند.
• پیش‌بینی مارس ۲۰۲۵ Gartner: تا ۲۰۲۹ هوش مصنوعی عامل‌محور ۸۰ درصد مشکلات رایج خدمات مشتری را به‌طور خودکار حل می‌کند. به فعل دقت کنید: حل، نه دفلکت.

پس اگر مدیریت «نرخ دفلکشن Gartner» را خواست، پاسخ صادقانه این است که Gartner نرخ حل را می‌سنجد، و فاصله‌ی ۱۴ درصدِ امروز تا ۸۰ درصدِ ۲۰۲۹ همان کاری است که باید انجام شود.

دفلکشن و حل مسئله یک عدد نیستند

چت‌باتی را تصور کنید که ۹۰ درصد دفلکشن گزارش می‌دهد در حالی که فقط ۴۰ درصد آن مکالمه‌ها واقعاً چیزی را حل کرده‌اند. این دور از ذهن نیست، چون دفلکشن مکالمه‌ی نیمه‌کاره و جواب غلطِ با اعتمادبه‌نفس را همان‌طور می‌شمارد که یک حل واقعی را: تیکتی ساخته نمی‌شود، پس «دفلکت‌شده» ثبت می‌شود. سامانه‌ای با نرخ دفلکشن پایین‌تر اما تماس تکراری کم، از سامانه‌ای با عدد بالا و صف تلفنی که مدام بلندتر می‌شود ارزشمندتر است. دومی بار را به جایی کم‌پیداتر می‌برد، معمولاً یک تماس تلفنی یا تیکتی که چند روز بعد دوباره باز می‌شود.

چرا پایگاه دانش نتیجه را تعیین می‌کند

لایه‌ی هوش مصنوعی از هر محتوایی که به آن بدهید جواب می‌دهد. اگر مقاله‌ی راه‌اندازی VPN مال قبل از آخرین تغییر فایروال باشد، ربات مراحل قدیمی را سریع و مؤدبانه توضیح می‌دهد و کاربر باز هم تماس می‌گیرد. برای همین مدیرانی که Gartner در ۲۰۲۶ از آن‌ها پرسیده، به‌جای خرید مدل بزرگ‌تر، آدم روی مدیریت دانش می‌گذارند. در میز خدمت IT این خیلی ملموس است: بازنشانی رمز و درخواست دسترسی به‌راحتی خودکار می‌شوند، ولی فقط وقتی دستورالعمل پشت آن‌ها با وضعیت همین ماهِ سیستم‌ها بخواند.

چه چیزی سامانه‌هایی را که بار را کم می‌کنند از آن‌هایی که فقط جابه‌جایش می‌کنند جدا می‌کند

• تماس تکراری را بسنجید، نه فقط بسته‌شدن. درخواستی که امروز «دفلکت» شده و ظرف ۴۸ ساعت از ایمیل یا تلفن برمی‌گردد حل نشده است. اگر گزارش‌تان نمی‌تواند این دو رویداد را به هم وصل کند، عدد دفلکشن چیز زیادی نمی‌گوید.
• برای پایگاه دانش مالک تعیین کنید. هر مقاله‌ای که هوش مصنوعی ممکن است نقلش کند باید یک مسئول و یک تاریخ بازبینی داشته باشد.
• شکست واقعی را فوراً ارجاع دهید. رباتی که مدام روی درخواستی که از پسش برنمی‌آید تلاش می‌کند، امتیاز خودش را به هزینه‌ی کاربر حفظ می‌کند.
• برای اقدام‌ها، نه فقط پاسخ‌ها، انسان را در مسیر تأیید نگه دارید. وقتی عامل هوش مصنوعی بتواند حساب را بازنشانی یا دسترسی را تغییر دهد، پرسش‌های حاکمیتی عوض می‌شوند. این را در حاکمیت هوش مصنوعی عامل‌محور در هلپ‌دسک بررسی کرده‌ایم.

معیاری که ارزش گزارش به مدیریت را دارد

نه «این ماه ۶۰ درصد تیکت‌ها را دفلکت کردیم»، بلکه: از درخواست‌هایی که بدون کارشناس رسیدگی شدند، چه سهمی ظرف یک هفته برنگشت؟ این عدد کوچک‌تر و کم‌جلوه‌تر است، و تنها عددی است که نشان می‌دهد بار پشتیبانی واقعاً کم شده یا فقط چند روز ساکت مانده. راهنمای اوت ۲۰۲۶ امارات برای عامل‌های هوش مصنوعی دولتی هم همین را می‌گوید و موفقیت را با نتیجهٔ کامل‌شده می‌سنجد، نه با تعداد تراکنش (درس‌های این برنامه برای هلپ‌دسک یک شرکت).

FanDesk بر همین ایده ساخته شده: پایگاه دانش قابل‌جست‌وجو که کارشناس، انسان یا هوش مصنوعی، بتواند از داخل تیکت مقاله‌ی درست را پیدا کند، ردیابی SLA که با پاسخ ربات ساعت را متوقف نمی‌کند، و گزارش‌هایی مبتنی بر حل مسئله نه بسته‌شدن تیکت. اگر ابزارها را روی همین نکته‌ها مقایسه می‌کنید، راهنمای انتخاب هلپ‌دسک ما فهرست موارد بررسی را دارد.

پرسش‌های رایج