Siebel 26.6 introduceert semantische zoekfunctie met RAG voor het oplossen van serviceverzoeken
Belangrijkste punten
- •Siebel 26.6 introduceert semantische zoekfunctionaliteit met RAG die samenvattingen van serviceverzoeken omzet in embeddings en deze bevraagt via een OpenSearch-vectorindex, waardoor oplossingen kunnen worden gevonden zelfs wanneer tickets anders zijn geformuleerd.
- •Het retrievalbereik omvat zowel historische serviceverzoeken als artikelen uit de Fusion Knowledge Base, met functies voor drill-downnavigatie, vergelijking naast elkaar en het koppelen van nieuwe verzoeken als children van bestaande verzoeken.
- •RAG-functionaliteit wordt native binnen het Siebel-platform geleverd in plaats van via een aparte integratie, in lijn met een bredere sectortrend om generatieve AI-retrieval in enterprise-CRM- en supportworkflows in te bouwen.
- •Datakwaliteit en naleving van regelgeving — met name rond gevoelige klantinformatie onder GDPR of HIPAA — blijven belangrijke factoren die organisaties vóór adoptie moeten evalueren.
- •De auteur raadt aan het systeem vóór volledige uitrol te valideren op rommelige real-world archieven en benadrukt dat gerangschikte zoekresultaten moeten dienen als beslissingsondersteuning voor menselijke medewerkers, niet als geautomatiseerde oordelen.
Een Siebel-ontwikkelaar licht Retrieval-Augmented Generation toe in zoekopdrachten voor serviceverzoeken
Elke helpdesk die met Siebel werkt, kent een vertrouwd scenario: een klant meldt dat "de app vastloopt direct nadat ik ben ingelogd." Drie maanden eerder diende een andere klant een ticket in waarin stond dat "het systeem blijft hangen voordat het dashboard wordt geladen." Naar alle waarschijnlijkheid hebben beide problemen dezelfde onderliggende oorzaak en dezelfde oplossing. Toch zouden deze twee serviceverzoeken onder de traditionele zoekfunctie op trefwoorden, waarop de meeste organisaties al twee decennia vertrouwen, nooit aan elkaar worden gekoppeld. Een supportmedewerker lost het probleem op, documenteert het en sluit het ticket — waarna de volgende medewerker weer vanaf nul begint, omdat de zoekmachine alleen de exact ingevoerde woorden matcht en niet de onderliggende bedoeling.
Hoe Siebel 26.6 het retrievalmodel verandert
Siebel 26.6 pakt deze al lang bestaande kloof aan door zoekfunctionaliteit met RAG (Retrieval-Augmented Generation) te introduceren. In plaats van te vertrouwen op letterlijke trefwoordmatching vat het nieuwe systeem het binnenkomende serviceverzoek samen, zet die samenvatting om in een embedding en voert een semantische vergelijkbaarheidszoekopdracht uit op een OpenSearch-vectorindex. Deze aanpak maakt het mogelijk om verschillend geformuleerde tickets aan dezelfde onderliggende betekenis te koppelen, waardoor relevante eerdere oplossingen naar boven komen die een trefwoordzoekopdracht zou missen.
Het retrievalbereik omvat zowel historische serviceverzoeken als relevante artikelen uit de Fusion Knowledge Base, waardoor supportmedewerkers een bredere context voor de oplossing krijgen. Het systeem ondersteunt drill-downfunctionaliteit en vergelijking van oplossingen naast elkaar, zodat medewerkers kunnen beoordelen hoe vergelijkbare problemen eerder zijn afgehandeld. Daarnaast kan het organisatorische relaties behouden door een nieuw aangemaakt verzoek als child van een bestaand verzoek te koppelen.
Implementatieoverwegingen
Vanuit implementatieperspectief is RAG in Siebel 26.6 configureerbaar en wordt het geleverd als integraal onderdeel van het Siebel-platform, in plaats van dat er een aparte technologiestack nodig is. Dat is vermeldenswaardig omdat Siebel, dat in 2006 door Oracle werd overgenomen en nog altijd breed wordt ingezet bij grote ondernemingen, historisch gezien maatwerkintegraties vereiste voor geavanceerde zoekmogelijkheden. Het native inbouwen van RAG in het platform sluit aan bij een bredere trend in de sector, waarin leveranciers van bedrijfsapplicaties — waaronder Salesforce, ServiceNow en Microsoft — generatieve AI-retrievalfuncties rechtstreeks proberen te integreren in hun support- en CRM-workflows.
De auteur waarschuwt echter dat meerdere factoren aandacht vereisen. Datakwaliteit blijft cruciaal — de effectiviteit van semantische retrieval hangt sterk af van de netheid en volledigheid van het onderliggende archief met serviceverzoeken. De samenvattingsstap op basis van LLM's introduceert ook afwegingen rond prestaties en compliance die organisaties moeten evalueren, met name in gereguleerde sectoren waar ticketdata gevoelige klantinformatie kan bevatten die onder GDPR, HIPAA of vergelijkbare kaders valt.
De auteur benadrukt dat gerangschikte zoekresultaten moeten worden behandeld als beslissingsondersteuning voor supportmedewerkers, niet als een automatisch oordeel. Menselijk oordeel blijft essentieel bij het bepalen van het juiste oplossingstraject.
Langetermijnwaarde en advies voor uitrol
Een belangrijk argument voor semantische zoekfunctionaliteit is dat de waarde ervan in de loop van de tijd toeneemt. Naarmate de doorzoekbare verzameling van "opgeloste problemen" met elk gesloten ticket groeit, kunnen toekomstige oplossingen steeds sneller worden gevonden. Voor organisaties met uitgebreide Siebel-archieven — soms opgebouwd over tientallen jaren supportgeschiedenis — kan dit cumulatieve effect een betekenisvolle productiviteitswinst voor supportteams opleveren.
De auteur raadt aan het systeem vóór een volledige uitrol te valideren op rommelige, realistische archieven, om te verzekeren dat het onder praktische omstandigheden betrouwbaar presteert. Organisaties die Siebel 26.6 evalueren, moeten ook volgen hoe Oracle AI-mogelijkheden blijft integreren in zijn bredere Fusion Applications-suite, aangezien toekomstige releases op deze retrievalbasis kunnen voortbouwen.
