Žena v tejto scéne neexistuje. Je to náčrt postavený na pravidlách skutočného call centra a všetko, čo robí, tieto pravidlá dovoľujú. Je deväť ráno v online poisťovacom sprostredkovateľovi a jej headset cvakne. Systém jej bez opýtania pridelí prvý lead dňa. Je to muž, ktorý sa predošlého večera dostal až na platobnú obrazovku a potom stránku zavrel. Môže ho opracovávať, alebo ho poslať späť do spoločnej fronty, aby sa ho ujal niekto iný. Nezarobila by nič, keby mu poistku predal kolega, a vo fronte je ďalší tucet takých, ako je on.

Pošle ho späť. Nebude jej to na škodu.

Čo sprostredkovateľ zmenil

Call centrum je skutočné, jeho názov však nie. Autori nového preprintu ho nazývajú Platform X, ide o pseudonym, ktorý vyplýva z dohody o mlčanlivosti. Je to licencovaný online sprostredkovateľ založený v roku 2017, ktorý predáva zdravotné poistenie, poistenie závažných ochorení, úrazové a životné poistenie pre desiatky poisťovní. Jeho agenti telefonujú ľuďom, ktorí nákup v polovici zanechali, v skúmanej vzorke zhruba desaťtisíc hovorov za pracovný deň. Zákazník, ktorý sa dostal na platobnú obrazovku, je horúci lead (hot lead). Ten, kto odišiel skôr, je studený lead (cold lead).

Do roku 2024 boli horúce aj studené leady v jednej fronte a systém pridelil ďalší lead ktorémukoľvek voľnému agentovi. Dňa 28. augusta 2024 firma zmenila smerovanie. Hlasový AI agent, ktorý od decembra 2023 volal vo večerných hodinách a od júna 2024 cez deň v záložnej úlohe, začal štandardne preberať studené leady. Ľudia si ponechali prednosť pri horúcich. Podiel studených leadov, ktoré spracúvala AI, vzrástol z menej ako 25 percent na viac ako 60. Dôvod vedenia bol podľa správy jednoduchý: AI, ktorá stojí na jeden hovor takmer nič, dokáže pracovať s leadmi, ktoré boli pre ľudí často stratové, a ľudia sa uvoľnia pre leady, ktoré sa vyplatia.

Štúdia, ktorej autormi sú Xinyu Fu, Shulong Luo, Narayan Ramasubbu, Peng Shen, Xincheng Wang a Yucheng Wang, neprešla recenzným konaním a opiera sa o jedinú firmu. Jej dizajn je regresná diskontinuita v čase: porovnáva hovory zo 60 dní pred zmenou so 60 dňami po nej, 409 622 hovorov vybavili ľudia a 157 468 AI, spolu približne 13 000 agentských dní. Autori uvádzajú, že sa nezmenila odmena, scenáre hovorov, školenia, hodnotenie ani nábor a že počet hovorov na agentský deň sa v bode zlomu výrazne nezmenil.

Lepšia práca, horšie výsledky

Smerovanie urobilo to, čo vedenie chcelo. Pri prvých troch hovoroch agenta za deň vzrástla pravdepodobnosť, že lead je horúci, o 23,4 percentuálneho bodu. Prínos sa počas zmeny zmenšoval a pri posledných hovoroch klesol na nulu.

Konverzia sa pohla opačným smerom. Pri prvých troch hovoroch podiel leadov, ktoré agenti uzavreli, klesol o 4,5 percentuálneho bodu a pri ďalších troch o 2,5. V strede dňa sa nezmenil a na úplnom konci vzrástol o 3,4 bodu. Predaj klesol najviac tam, kde sa leady zlepšili najviac.

Agenti podľa autorov robili dve veci inak. Lead posielali späť do fronty častejšie, pri prvých troch hovoroch o 8,1 percentuálneho bodu, a v hovoroch, ktoré si ponechali, hovorili približne o 13 percent kratšie. Agenti dostávajú skromný základný plat a províziu, ktorá tvorí väčšinu ich čistého príjmu, a vrátenie leadu nemalo žiadnu sankciu ani nevstupovalo do ich hodnotenia. Nezmenila sa ani výška provízií, ani odmena za predaj.

Teória ďalšieho leadu

Staršie výklady o AI v práci, ako ich autori zhŕňajú, očakávajú zisky z rozdeľovania úloh medzi ľudí a stroje podľa komparatívnej výhody, ako v roku 2019 tvrdili Acemoglu a Restrepo, alebo z AI, ktorá pracovníkovi pomáha, ako v štúdii o zákazníckej podpore od Brynjolfssona, Liho a Raymonda. Ani jeden z nich nepredpokladá, že ak ľudia dostanú lepšiu prácu, ich výsledky sa zhoršia. Autori sa preto obracajú k myšlienke z ekonómie hľadania práce, v ktorej hľadajúci porovnáva to, čo má v ruke, s tým, čo sa pravdepodobne objaví. Stigler písal o ekonómii informácií v roku 1961, McCall o hľadaní v roku 1970 a Lippman s McCallom v roku 1976 túto oblasť zhrnuli. Pre call centrum z toho vyplýva, že agent, ktorý očakáva dobrý lead nabudúce, je menej ochotný namáhať sa nad priemerným leadom teraz. AI zvýšila agentove očakávania od celej fronty. Účinok by mal byť najsilnejší skoro počas dňa, keď leadov zostáva veľa, a taký aj bol.

Autori otestovali aj konkurenčné vysvetlenia. Jedným bolo, že agenti jednoducho spomalili, s dlhšími prestávkami medzi hovormi. Uvádzajú, že na úvodných pozíciách žiadne takéto prestávky nenašli. Ďalšie sa týkali posunov v zložení zákazníkov a pracovnej sily a učenia sa pri práci. Dospeli k záveru, že najlepšie sedí vysvetlenie cez rezervačnú hodnotu, a sami pridávajú výhradu: miery presmerovania a dĺžky hovoru vysvetľujú len skromný podiel poklesu konverzie, a preto je lepšie čítať účinok „conduct“ ako súhrn všetkého, čo agenti robili inak, nie ako dôkaz len týchto dvoch správaní.

Počítanie zisku

V účtovaní sa štúdia stáva nepríjemnou. V modeli autorov lepšie poradie horúcich leadov zvyšuje ich výnos o 0,58 percenta, zatiaľ čo zmena správania ho znižuje o 17,6 percenta, teda približne tridsaťkrát viac. Konverzia pri horúcich leadoch klesla zo 4,4 na 3,7 percenta. Pri všetkých ľudských hovoroch klesla z 3,2 na 2,9. Autori zhŕňajú dennú zmenu výkonu ľudí ako blízku nule, a to popri tomto poklese pri samotných horúcich leadoch.

Celkové čísla firmy vyzerajú lepšie, než sú. Ľudia po zmene uskutočnili o 31,8 percenta menej hovorov a AI ich uskutočnila približne štyri a pol raza viac. Konverzie na 50 ľudských hovorov vzrástli o 6,3 percenta, no podľa štúdie to vyplýva z preskupenia objemu, pretože menovateľ sa zmenšil rýchlejšie než čitateľ. Za deň ľudia stratili 50,5 konverzií horúcich leadov a AI získala späť 7,7 pri studených leadoch, čo je pomer približne sedem ku jednej. Ide o výpočty autorov na ich vlastných dátach a vzorec pripisujú smerovaniu, nie rozhodnutiu firmy ako takému.

Autori nedospievajú k záveru, že firmy majú dať ľuďom horšiu prácu alebo AI odstrániť. Navrhujú rozložiť uvoľňovanie horúcich leadov v priebehu dňa alebo primiešať práce s nižšou hodnotou, aby ďalší hovor agenta nevyzeral tak oveľa lepší než ten, ktorý má v ruke. V ich modeli by obnovenie rytmu horúcich leadov spred zmeny zvýšilo konverzie na hovor približne o 13,5 percenta, s intervalom od 10,5 do 16,6. Toto číslo pochádza z kalibrácie, nie z experimentu, a autori sami uvádzajú otvorené otázky: či účinok platí pri tenkej fronte, pri spracovaní poistných udalostí či moderovaní obsahu, alebo tam, kde pracovníci nemôžu úlohy vracať.

Obyčajné ráno

Späť k náčrtu ženy za stolom, stále vymyslenej. Do desiatej vrátila štyri leady a dva si ponechala a oba hovory skončili skôr, než by ich nechala skončiť pred rokom. V náčrte sa necíti lenivá. Cíti, že čaká na ten dobrý, pretože posledná hodina jej ukázala, koľko ich je. Štúdia nevie povedať, čo si ktorýkoľvek agent myslel. Vie povedať len to, že v hovoroch, ktoré zmerala, sa najlepšie leady dňa najľahšie púšťali.

Použité zdroje

  • Acemoglu, D., & Restrepo, P. (2019). Artificial intelligence, automation, and work. In A. Agrawal, J. Gans, & A. Goldfarb (Eds.), The Economics of Artificial Intelligence: An Agenda (pp. 197-236). University of Chicago Press.
  • Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work. Quarterly Journal of Economics, 140(2), 889-942.
  • Fu, X., Luo, S., Ramasubbu, N., Shen, P., Wang, X., & Wang, Y. (2026). When Better Opportunities Backfire: Service Worker Responses to Parallel AI Deployment in Customer Acquisition. arxiv.org
  • Lippman, S. A., & McCall, J. J. (1976). The Economics of Job Search: A Survey. Economic Inquiry, 14(2), 155-189.
  • McCall, J. J. (1970). Economics of Information and Job Search. Quarterly Journal of Economics, 84(1), 113-126.
  • Stigler, G. J. (1961). The Economics of Information. Journal of Political Economy, 69(3), 213-225.