Rozmowy o agentach AI w obsłudze klienta zwykle zaczynają się od najambitniejszego scenariusza: system, który samodzielnie prowadzi rozmowę, rozwiązuje problem i zamyka zgłoszenie. Taki scenariusz jest technicznie osiągalny w wąskich obszarach i jednocześnie jest najgorszym możliwym punktem startu.
Co działa dobrze już dziś
Klasyfikacja i kierowanie zgłoszeń
Model czyta treść wiadomości, rozpoznaje kategorię i pilność, przypisuje sprawę do właściwego zespołu. Skuteczność w typowych wdrożeniach przekracza 90%, a błąd jest tani - zgłoszenie trafia do niewłaściwej kolejki i wraca. Najkrótszy czas zwrotu ze wszystkich zastosowań AI w obsłudze.
Streszczanie długiej korespondencji
Wątek z osiemnastoma wiadomościami skrócony do pięciu zdań, z wypunktowaniem ustaleń. Konsultant przejmujący sprawę oszczędza kilka minut i nie pomija ustaleń z połowy wątku.
Przygotowanie odpowiedzi do zatwierdzenia
Model tworzy propozycję odpowiedzi na podstawie bazy wiedzy, człowiek ją akceptuje albo poprawia. Czas obsługi spada o 40-60%, a odpowiedzialność zostaje po stronie człowieka. To najlepszy stosunek efektu do ryzyka.
Wyciąganie danych z dokumentów
Numer zamówienia, kwota, data, dane kontrahenta - wyciągnięte z PDF-a lub skanu i zapisane w systemie. Zastępuje przepisywanie, a wynik łatwo zweryfikować regułami (suma się zgadza, NIP ma poprawny format).
Co kończy się wycofaniem wdrożenia
Agent z uprawnieniami do zmiany danych
Model, który samodzielnie modyfikuje zamówienia, wystawia korekty albo przyznaje rabaty. Wystarczy jedna sytuacja, w której zinterpretuje żądanie klienta zbyt dosłownie, żeby zaufanie do systemu zniknęło na rok. Jeśli agent ma wykonywać akcje, ogranicz je do odwracalnych i wymagaj potwierdzenia przy przekroczeniu progu.
Odpowiedzi na pytania o stan faktyczny bez dostępu do danych
Pytanie "gdzie jest moja przesyłka?" wymaga odczytu z systemu, a nie generowania tekstu. Model bez podłączonego źródła danych wymyśli wiarygodnie brzmiącą odpowiedź. To nie jest wada modelu - to niewłaściwe użycie narzędzia.
Pełna autonomia w pierwszym miesiącu
Zanim agent zacznie działać samodzielnie, potrzebujesz kilkuset spraw obsłużonych w trybie podpowiedzi i porównanych z decyzjami ludzi. Bez tych danych nie wiesz, gdzie system się myli.
Jak zaprojektować przekazanie sprawy człowiekowi
Zdefiniuj próg pewności
Poniżej ustalonego progu sprawa trafia do konsultanta bez próby odpowiedzi.
Wypisz tematy wykluczone
Reklamacje, sprawy prawne, żądania zwrotu pieniędzy - zawsze do człowieka, niezależnie od pewności modelu.
Zachowaj kontekst
Konsultant dostaje pełną historię rozmowy razem z tym, co model już ustalił.
Zbieraj przypadki graniczne
Każde przekazanie to materiał do poprawy promptów i bazy wiedzy.
Koszty, o których warto wiedzieć
Rozliczenie za tokeny sprawia, że koszt rośnie z długością kontekstu. Wysyłanie całej bazy wiedzy przy każdym zapytaniu jest wygodne i kosztowne - stąd popularność podejścia RAG, w którym do modelu trafiają wyłącznie fragmenty istotne dla pytania.
Najczęstsze pytania
Akceptują, jeśli odpowiedź jest trafna i jeśli droga do człowieka jest widoczna. Największą irytację budzi nie sam bot, lecz brak możliwości wyjścia z rozmowy z nim.
Zależy od umowy i wybranego trybu. Dostawcy oferują warunki wykluczające uczenie na danych klienta, a modele otwarte można uruchomić na własnej infrastrukturze. To ustalenie należy zrobić przed wdrożeniem, nie po.
Gdzie postawiliście granicę dla automatu?
Podziel się w dyskusji, które zgłoszenia oddaliście modelowi, a które zostały przy konsultantach - i co Was do tego podziału przekonało.
Dołącz do dyskusji
