Agenci AI

Agenci AI w obsłudze klienta: co już działa, a co nie ma sensu

Model językowy świetnie radzi sobie z językiem, a fatalnie z odpowiedzialnością. Granica przebiega dokładnie tam, gdzie zaczynają się skutki.

Redakcja Zespół redakcyjny 3 min czytania aktualizacja: 1 września 2026
Słuchawki z mikrofonem oparte o laptop na biurku
Źródło: Pexels (pexels.com/photo/7709216)

Czego się dowiesz

  • Które zadania w obsłudze klienta warto powierzyć modelowi już dziś
  • Dlaczego pełna autonomia agenta to najczęstsza przyczyna nieudanych wdrożeń
  • Jak zaprojektować przekazanie sprawy człowiekowi

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

Czy ten artykuł był pomocny?

Jeden głos na artykuł. Możesz go zmienić albo wycofać ponownym kliknięciem - Twój wybór zapamiętujemy w tej przeglądarce.

Redakcja

Zespół redakcyjny portalu. Piszemy i redagujemy teksty, weryfikujemy zgłoszenia od autorów i pilnujemy, żeby definicje w słowniku były aktualne.

Wszystkie artykuły autora →

Agenci AI

Agenci AI wymyślali zabawy na wirtualnej wyspie

W eksperymencie MIT 13 agentów Eko przez 30 godzin swobodnie badało symulowaną wyspę. W późniejszych testach zwykle radzili sobie lepiej niż agenci bez takiego doświadczenia.

Redakcja 4 min czytania
Agenci AI

Dlaczego agenci AI potrzebują kontekstu procesowego

Agenci AI potrzebują wiedzy o procesach, rolach i ograniczeniach firmy, aby wspierać decyzje bez zbędnych kosztów i ryzyka. Celonis proponuje warstwę kontekstową między danymi a agentami.

Redakcja 5 min czytania
Agenci AI

Agenci AI w produkcji: ukryte błędy i zasady nadzoru

Panel praktyków opisał, dlaczego agenci AI mogą psuć wyniki bez alarmów infrastruktury. Zaleca ciągłe testy, osobne tożsamości i ograniczone uprawnienia.

Redakcja 5 min czytania

Dołącz do dyskusji

Twój adres e-mail nie zostanie opublikowany. Komentarze są moderowane - trzymajmy poziom merytoryczny.