Affective computing i Agentic CRM

I tu cała na biało wchodzi teoria z lat 90. minionego wieku, która była do tej pory raczej nieosiągalna, teoretyczna i wręcz kosmiczna – affective computing i teza Rosalindy Picard, że komputery nie muszą „czuć tak jak człowiek”, żeby skutecznie operować na emocjach. Affective computing nie dotyczy symulowania ludzkiej świadomości i emocji, tylko modelowania stanów emocjonalnych jako sygnałów, które wpływają na decyzje systemu. Emocja przestaje być doświadczeniem wewnętrznym, a staje się funkcją sterującą. I jako taka może być dobrym celem i funkcją sterującą dla agenta AI.

Tak jak nienawidzę ogólnych banałów o empatii w sprzedaży i przywództwie, tak empatia w CRM jest bardziej konkretna, szczególnie jak włożymy ją w ramy affective computingu – w systemach CRM empatia nie oznacza „miłej odpowiedzi”. Oznacza trafne dopasowanie strategii działania do aktualnego stanu relacji i emocji. Emocji zdefiniowanej matematycznie: E(c)=f(Sc,Hi,Rp), gdzie: E(c) = estymowana emocja klienta, Sc = sentyment bieżący (z analizy tekstu lub mowy), Hi = historia interakcji (z CRM), Rp = ryzyko percepcyjne (kontekst biznesowy).

I w ten sposób emocje stają się nie etykietką, ale elementem procesu oblicze-niowego. W nowszych pracach nad affective computing emocje często zapisuje się nie jako „flagi”, ale jako wektory lub funkcje: na przykład stan emocjonalny to punkt albo trajektoria w przestrzeni (valence, arousal, dominance), zmieniająca się w czasie, w reakcji na zdarzenia. Emocja jest wtedy czymś, co można obliczać, aktualizować i włączać do decyzji. A to idealna rzecz dla agenta i agentic AI!

Jak to dodać do Agentic CRM?  

Dobry agent AI przyszłości w CRM może połączyć kilka różnych kroków:

Krok 1: Percepcja emocji

  • wykorzystuje modele affective computing (tekst, głos, ewentualnie w przyszłości biosygnały), żeby zrzucić surowe sygnały do struktury: np. valence = -0,7, arousal = +0,8 plus „gniew + frustracja”;
  • korzysta z teorii Ekman/Plutchik/dimensional models, które Picard i inni opisują jako fundamenty reprezentacji emocji.

Krok 2: Ocena poznawcza (appraisal) i rozumowanie (reasoning)

  • LLM bierze tę informację i robi to, co do tej pory robili tylko ludzie: ocenia sytuację. W duchu teorii oceny poznawczej i ich zastosowań w affec-tive computing agent porównuje:
    • co klient chciał osiągnąć,
    • co się właśnie wydarzyło,
    • jak duża jest rozbieżność,
    • kto jest sprawcą,
    • jakie są opcje naprawcze,
  • to jest dokładnie miejsce na chain-of-thought/reasoning: agent nie tylko „widzi” emocję, ale rozumie dlaczego i jakie to ma skutki dla relacji.

Krok 3: Decyzja i działanie

  • na tej podstawie agent wybiera strategię:
    • przeprosić/eskalować/dać rekompensatę/zmienić ton na bardziej rzeczowy lub bardziej empatyczny – i robi to w sposób spójny z polityką firmy i danymi CRM (status klienta, historia, segment).
  

Dlaczego teraz?

Przez lata affective computing był mocno „sensoryczny”: rozpoznawanie emocji z twarzy, głosu, sygnałów fizjologicznych. To dawało fajne dema, ale brakowało dwóch kluczowych elementów: mocnego reasoningu nad kontekstem (co ta emocja znaczy w historii klienta?); łatwej integracji z systemami (CRM, workflow, polityki firmy).

Modele rozpoznawały „gniew” czy „smutek”, ale nie decydowały: co teraz zrobić, biorąc pod uwagę CLV, historię interakcji, ryzyko churnu, politykę rabatową itd. To jest dokładnie miejsce, w którym wchodzą współczesne agenty oparte na LLM. Emocjonalny stan klienta (np. w przestrzeni valence/arousal) może być jednym z wejść do funkcji decyzyjnej agenta, tak samo ważnym jak kwota dilu czy scoring leada. W praktyce oznacza to, że inne akcje trzeba podjąć w sytuacji „wysoka wartość/wysoka frustracja” niż dla „niska wartość + neutralny nastrój”. LLM z reasoningiem może ocenić: „jeśli teraz odpowiem twardo na regulamin, prawdopodobieństwo eskalacji rośnie; jeśli pójdę w kierunku uznania emocji + częściowej rekompensaty to ryzyko spada”. To jest wersja technologiczna tego, co Picard nazywa „używaniem emocji” do lepszego podejmowania decyzji.

I nagle, w 2026, teoria Picard to już nie ciekawostka, ale realna możliwość.

Artykuł pierwotnie opublikowany na blogu crmblog.pl.

Jakub Skałbania Jakub Skałbania  

Autor pełni rolę Chief Growth Officera w Netwise.