Lorsqu'on demande à quel département appartient le ticket, Jev renvoie billing (0,84). Lorsque la question change pour savoir où la cause racine peut être corrigée, le même ticket est classé en engineering. Cela illustre l'impact du libellé de la question sur l'analyse de Jev.
I sent it to jev with the question: "where does this ticket belong?" four options: billing, engineering, product, fraud. jev returned billing at 0.84. Then i changed the question. "where can the root cause be fixed?" same ticket, same four departments. jev returned engineering
L'auteur partage un retour d'expérience sur Jev : cela semblait délicat au début, mais tout s'est éclairé en le comprenant comme « ne pas laisser l'IA écrire le texte ». En prenant le traitement des demandes comme exemple, l'approche classique consiste à tout confier à GPT ou Claude pour analyse, alors que Jev adopte une approche différente.
Le prototype utilise l'IA pour estimer l'hésitation ou l'intérêt à partir des mouvements du curseur ou de l'arrêt avant le clic, en observant le comportement du client et en complétant les explications ou en suggérant des comparaisons.
L'auteur a créé une démo de service client en temps réel pour le e-commerce avec Jev et gpt-live-1, qui suggère instantanément des produits recommandés en fonction de la parole de l'utilisateur pendant la conversation, offrant une excellente expérience.
