Obsługa klienta: agent odciąża, człowiek zamyka.

Architektura: ingestion, classification, action, handoff

Typowy workflow obsługi klienta składa się z czterech warstw:

1. Ingestion: zgłoszenie trafia różnymi kanałami (email, formularz, chat na stronie, SMS, WhatsApp, social media DM). Workflow normalizuje to do jednego formatu: from, subject, body, attachments, context (czy klient zalogowany, historia).
2. Classification: LLM klasyfikuje intencję ("pytanie o fakturę", "reklamacja produktu", "prośba o demo", "żądanie zwrotu"), priorytet (low/medium/high/urgent), sentyment (neutralny/frustrated/angry), sugerowany rozwiązanie.
3. Action: dla prostych spraw auto-response z informacjami (status zamówienia, szczegóły faktury, link do dokumentacji). Dla trudniejszych draft odpowiedzi dla agenta, ticket w ticketing system.
4. Handoff: jeśli AI nie ma wystarczającej pewności albo sprawa wymaga człowieka (emocjonalna, krytyczna, nietypowa), eskalacja do konsultanta z pełnym kontekstem (historia klienta, prośba, sugerowany kierunek).

Triage: jak klasyfikować, żeby nie zgubić trudnych

Klasyfikacja to krok, w którym łatwo się pomylić. Moja architektura:

• Kategorie z jednoznaczną akcją: "status zamówienia" → lookup w ERP i auto-reply. "Prośba o fakturę" → wysyłka z archiwum. Takie sprawy rozwiązujemy w 100 procentach.
• Kategorie z draft dla agenta: "reklamacja produktu" → LLM generuje draft przeproszeniowy plus zaproponowane rozwiązanie (zwrot, wymiana, zniżka). Agent zatwierdza albo edytuje. 80-90 procent draftów przechodzi bez większych zmian.
• Kategorie wymagające człowieka od razu: "groźba prawna", "żądanie usunięcia danych RODO", "zgłoszenie fraudowe", "klient VIP top 20 procent". Te zgłoszenia omijają auto-response i od razu trafiają do dedicated zespołu.
• Kategoria niepewna: gdy LLM ma konfidencję poniżej 70 procent, ticket idzie do generalnego zespołu obsługi (nie auto-response, nie eskalacja, środek). Agent ocenia co dalej.

Mierzymy: accuracy klasyfikacji (po tygodniu sample 100 zgłoszeń, porównanie z ręcznym labelem), false positive rate (ile zgłoszeń otrzymało auto-reply a wymagały człowieka, te to koszt), false negative rate (ile zgłoszeń trafiło do człowieka a LLM by je rozwiązał, koszt minimalizowany).

RAG nad bazą wiedzy: jak LLM zna Twój produkt

LLM bez kontekstu Twojego produktu zmyśla. RAG (Retrieval Augmented Generation) daje mu wiedzę bez fine-tuningu.

Co trafia do bazy wiedzy:

• Dokumentacja produktu (FAQ, user manual, release notes).
• Wewnętrzne playbooks obsługi (jak rozwiązać zgłoszenia typu X, kiedy eskalować).
• Historia poprzednich rozwiązań (co zadziałało dla podobnego zgłoszenia w przeszłości).
• Polityki firmy (zwroty, reklamacje, warunki gwarancji).

Implementacja:

1. Embed dokumenty do pgvector (jak na stronie o RAG).
2. Przy zgłoszeniu embed pytanie, znajdź top-5 relevantnych fragmentów.
3. LLM odpowiada cytując konkretne dokumenty ("według polityki zwrotów, pkt 3.2...").
4. Agent weryfikuje cytaty przed wysłaniem (szczególnie przy sprawach prawnych albo finansowych).

Update bazy: incremental sync codziennie (dokumenty z Confluence, Notion, SharePoint synchronizowane), manualny re-embed raz na kwartał.

SLA tracking i alerting

Automatyzacja nie wystarczy, musi być monitorowana. Metryki, które track'uję:

• Time to first response: od wpłynięcia zgłoszenia do pierwszej odpowiedzi (czy to auto-reply czy człowiek). Target zwykle pod 1 godzinę w godzinach pracy, pod 4 godzin po godzinach.
• Time to resolution: od wpłynięcia do zamknięcia. Target per priorytet: high pod 4h, medium pod 24h, low pod 72h.
• Automation rate: procent zgłoszeń rozwiązanych bez człowieka. Typowo 40-60 procent na starcie, z czasem rośnie do 70-80 procent.
• Customer Satisfaction (CSAT): po zamknięciu zgłoszenia mail z prośbą o ocenę 1-5. Agent dobry: CSAT powyżej 4.3. Spadek poniżej 4.0 = alarm, review workflow.
• Reopen rate: procent zgłoszeń, które klient otworzył ponownie w ciągu 14 dni. Wysoki rate = rozwiązanie nie było realne.

Alerting: SLA breach (odpowiedź opóźniona powyżej 150 procent SLA), eskalacja do managera. CSAT spadek (trend 5 dni w dół), review przez team lead.

Human-in-the-loop jako feature, nie bug

Pełna automatyzacja obsługi klienta to mit marketingowy. W praktyce cel to "AI obsługuje 70 procent, ludzie obsługują 30 procent z większym skupieniem na tych 30".

Scenariusze, w których człowiek jest zawsze lepszy:

• Klient emocjonalny: frustracja, złość, płacz (tak, zdarza się). AI może podawać fakty, ale ludzka empatia zamyka sprawę. LLM klasyfikuje sentyment, eskaluje angry ticketów do senior agenta.
• Decyzje niestandardowe: klient prosi o zniżkę poza polityką, kompensatę powyżej pułapu, modyfikację umowy. Agent z uprawnieniami podejmuje decyzję w granicach, dyrektor w przypadkach szczególnych.
• Budowanie relacji: VIP clients, strategicznych partnerów, klientów z historią. LLM pomaga przygotowaniem, ale komunikacja zostaje w rękach dedicated account managera.
• Zgłoszenia prawne albo fraudowe: żądania RODO, podejrzenie oszustwa. Pełna odpowiedzialność człowieka, LLM tylko flaggowanie.

Mantra: AI robi nudne i powtarzalne, ludzie robią interesujące i wartościowe. Zespół obsługi po wdrożeniu ma lepsze rzeczy do roboty, nie traci pracy.

Najczęstsze pytania

Co warto przeczytać obok