Sztuczna inteligencja w obsłudze klienta - od chatbotów do inteligentnych agentów AI

„Zamówiłem sofę z dostawą w czwartek, ale nie będzie mnie w domu. Da się przełożyć na sobotę?" Takie pytanie trafia do sklepów meblowych codziennie. To dobry test, bo wymaga zrozumienia intencji, znajomości zasad dostaw i dostępu do konkretnego zamówienia. Sztuczna inteligencja w obsłudze klienta przez ostatnią dekadę nauczyła się odpowiadać na nie coraz lepiej, a różnice między kolejnymi generacjami botów najlepiej widać właśnie na takim jednym zdaniu.

Poniżej przepuszczamy to pytanie przez cztery rodzaje rozwiązań: od bota z przyciskami po agenta AI, który sam przekłada dostawę. Przy każdym opisujemy, co potrafi, gdzie się wykłada i kiedy w zupełności wystarczy. Bo nie każda firma potrzebuje agenta.

Pierwsza generacja: bot z przyciskami

Najprostszy chatbot na stronie to drzewko decyzyjne. Klient nie pisze, tylko klika: „Moje zamówienie", „Dostawa", „Zmiana terminu". Każda ścieżka kończy się gotową odpowiedzią albo formularzem. Nasz klient od sofy zobaczy więc trzy przyciski, wybierze „Zmiana terminu dostawy" i dostanie komunikat, że zmiany przyjmuje dział obsługi pod podanym adresem e-mail. Sprawa nie jest załatwiona. Została tylko przekierowana.

Taki bot ma jednak swoje miejsce. Jest tani, przewidywalny i nie wymyśla odpowiedzi. Dobrze sprawdza się tam, gdzie pytań jest kilka i są zawsze te same: godziny otwarcia, status zgłoszenia po numerze, wybór działu. Kłopot zaczyna się, gdy klient pisze własnymi słowami, a drzewko ma dwadzieścia poziomów.

Druga generacja: bot, który rozpoznaje intencję

Kolejny krok to boty oparte na przetwarzaniu języka naturalnego (NLP), czyli technikach, które pozwalają programowi rozpoznać sens zdania. Zespół wdrożeniowy definiuje intencje, na przykład „zmiana terminu dostawy", i podaje dla każdej kilkadziesiąt przykładowych sformułowań. Bot uczy się je rozpoznawać także wtedy, gdy klient napisze coś po swojemu. Tym razem bot zrozumie pytanie o sofę. Odpowie, że termin można zmienić najpóźniej dwa dni przed dostawą, i poda link do formularza. To już lepiej, bo klient dostaje konkretną zasadę, a nie adres e-mail.

Ograniczenie tej generacji to sztywność. Każda nowa intencja wymaga ręcznej pracy, a pytanie zbudowane z dwóch spraw naraz, jak „przełóżcie dostawę i dorzućcie poduszki", często kończy się komunikatem „nie rozumiem". Utrzymanie dużego zestawu intencji potrafi zająć komuś pół etatu.

Trzecia generacja: asystent na modelu językowym z wiedzą firmy

Przełomem były duże modele językowe, które rozumieją swobodnie napisany tekst bez definiowania intencji. Sam model nie zna jednak regulaminu konkretnego sklepu. Dlatego asystenta buduje się w architekturze RAG: przed każdą odpowiedzią system wyszukuje w bazie wiedzy firmy właściwe fragmenty i każe modelowi odpowiadać wyłącznie na ich podstawie. Klient od sofy dostaje teraz naturalną, pełną odpowiedź. Asystent wyjaśnia, że przy meblach na zamówienie zmiana terminu jest bezpłatna do 48 godzin przed dostawą, że sobotnie dostawy realizowane są w wybranych miastach i że wystarczy podać numer zamówienia w formularzu. Odpowiada też od razu na pytanie o poduszki.

Od strony technicznej taki asystent składa się z kilku elementów. Dokumenty firmy trafiają do bazy wektorowej, na przykład Qdrant, która wyszukuje fragmenty po znaczeniu. Odpowiedź generuje model, taki jak Claude od Anthropic czy Gemini od Google, dobierany pod kątem jakości w danym języku i kosztu. Zachowanie asystenta opisuje się w instrukcjach systemowych, a dobry prompt engineering robi tu zaskakująco dużą różnicę.

Ta generacja wciąż jednak tylko mówi. Sofa nadal przyjedzie w czwartek, dopóki klient nie wypełni formularza, a ktoś w firmie go nie przepisze do systemu.

Czwarta generacja: agent AI, który załatwia sprawę

Agent AI to asystent, który oprócz wiedzy dostaje narzędzia. Narzędzie to w praktyce dostęp do konkretnej funkcji w systemie firmy przez API. Agent sam decyduje, z którego narzędzia skorzystać i w jakiej kolejności, żeby wykonać zadanie. Na pytanie o sofę agent prosi o numer zamówienia albo rozpoznaje zalogowanego klienta. Sprawdza w systemie zamówień, czy termin można jeszcze zmienić, pyta system przewoźnika o wolne okna w sobotę, proponuje dwa przedziały godzinowe i po wyborze klienta zapisuje zmianę. Na końcu wysyła potwierdzenie mailem. Rozmowa trwa dwie minuty, a nikt w firmie nie musiał jej dotykać.

Gartner przewiduje, że do 2029 roku agentowa AI będzie samodzielnie rozwiązywać 80% typowych spraw klientów, co ma obniżyć koszty operacyjne obsługi o 30% (Gartner, marzec 2025). Słowo „typowych" jest tu ważne. Chodzi o powtarzalne sprawy, a nie o reklamacje z uszkodzonym towarem i zdenerwowanym klientem.

Do budowy takich agentów używa się bibliotek opisujących przebieg zadania jako graf kroków, na przykład LangGraph. Coraz częściej narzędzia udostępnia się modelowi przez MCP, czyli otwarty standard opisujący, jak model ma łączyć się z systemami firmy. Dzięki temu ten sam zestaw narzędzi może obsługiwać czat na stronie i wewnętrznego asystenta dla konsultantów. Jak agenci działają od strony użytkownika, dobrze widać na przykładzie agenta ChatGPT, który wykonuje zadania w przeglądarce.

Ten sam agent w czacie, mailu i telefonie

Klient nie zawsze pisze na czacie. Często odpowiada na maila z potwierdzeniem zamówienia albo dzwoni. Dobrze zaprojektowany agent korzysta z tej samej wiedzy i tych samych narzędzi niezależnie od kanału, a zmienia się tylko sposób prowadzenia rozmowy.

W kanale głosowym dochodzą dwa elementy. Mowa klienta zamieniana jest na tekst, na przykład modelem Whisper, a odpowiedź czytana jest syntetycznym głosem, który dziś brzmi naturalnie dzięki usługom takim jak ElevenLabs. Voiceboty w obsłudze klienta wymagają jednak krótszych odpowiedzi niż czat i bardzo szybkiej reakcji, bo cisza w słuchawce irytuje bardziej niż kropki na ekranie. Największą wartością spójnego podejścia jest wspólna historia. Gdy klient zaczął na czacie, a skończył telefonicznie, nie powinien tłumaczyć wszystkiego od nowa. To ta sama logika, którą znamy ze strategii omnichannel, tylko po stronie automatów.

Gdzie sztuczna inteligencja w obsłudze klienta potrzebuje człowieka

Najczęstszy błąd wdrożeń to traktowanie konsultanta jako porażki bota. Tymczasem dobrze zaprojektowane przekazanie rozmowy jest częścią rozwiązania. Gartner w cytowanym badaniu z 2026 roku wprost zaleca, by nie stawiać generatywnej AI jako obowiązkowego pierwszego kroku przy każdej sprawie. Przekazanie powinno nastąpić w kilku sytuacjach: gdy klient o to prosi, gdy agent dwa razy nie zrozumiał pytania, gdy sprawa wykracza poza jego uprawnienia albo gdy rozmowa ma wyraźnie emocjonalny ton. W każdym z tych przypadków konsultant dostaje pełną historię rozmowy i podsumowanie przygotowane przez AI. Klient nie zaczyna od „w czym mogę pomóc?".

Druga rola człowieka jest mniej widoczna. Ktoś musi pilnować bazy wiedzy. Gdy zmienia się regulamin dostaw, asystent odpowiada według starego, dopóki ktoś nie zaktualizuje dokumentu. Dlatego w projektach zakładamy, że bazę wiedzy edytuje zespół klienta, bez udziału programistów, a zmiany trafiają do agenta od razu. Dobrym miejscem na spięcie tych elementów jest system CRM. Historia rozmów z botem, przekazania do konsultantów i wynik każdej sprawy trafiają do karty klienta, a handlowiec czy opiekun widzi, o co klient pytał w ostatnich tygodniach.

Jak sprawdzić, czy bot naprawdę pomaga

Popularny wskaźnik „odsetek rozmów zakończonych bez konsultanta" bywa mylący. Klient, który porzucił czat ze złością, też nie trafił do konsultanta. Lepiej mierzyć odsetek spraw faktycznie rozwiązanych, czyli takich, po których klient nie wrócił z tym samym problemem w ciągu kilku dni. Do tego dochodzą wskaźniki znane z klasycznej obsługi. Customer Effort Score mówi, ile wysiłku kosztowało klienta załatwienie sprawy, a ankieta CSAT po rozmowie pokazuje jego zadowolenie. Warto porównywać je osobno dla rozmów z botem i z ludźmi.

Po stronie technicznej każda rozmowa powinna zostawiać ślad: jakie fragmenty bazy wiedzy znalazł system, jaką odpowiedź wygenerował model, ile kosztowało zapytanie i z jakich narzędzi skorzystał agent. Narzędzia takie jak Langfuse zbierają te dane i pozwalają szybko znaleźć rozmowy, w których coś poszło źle. Raz w tygodniu ktoś z zespołu obsługi powinien przejrzeć próbkę takich rozmów. To najtańszy sposób na wyłapanie błędów, zanim zrobią to klienci.

Od czego zacząć wdrożenie

Punktem wyjścia nie jest wybór modelu, tylko historia rozmów z ostatnich miesięcy. Z niej da się wyczytać, o co klienci pytają najczęściej. Zwykle kilkanaście tematów odpowiada za większość ruchu, a część z nich nie wymaga AI, tylko lepszej strony z informacjami o dostawie.

Rozsądna kolejność wygląda tak:

1. Przeanalizować historię rozmów i maili, wybrać tematy, które pojawiają się najczęściej.
2. Uporządkować bazę wiedzy dla tych tematów i ustalić, kto będzie ją aktualizował.
3. Uruchomić asystenta z bazą wiedzy i jasnym przekazaniem do człowieka.
4. Dopiero potem dodawać narzędzia, zaczynając od odczytu danych, a później zmian odwracalnych.

Takie etapowanie pozwala sprawdzić jakość odpowiedzi, zanim agent zacznie cokolwiek zmieniać w systemach. Projektując nasze chatboty AI, zaczynamy właśnie od analizy rozmów i integracji z systemami, z których bot ma korzystać, a po starcie monitorujemy trafność odpowiedzi i odsetek przekazań do konsultantów.

Przykładem jest chatbot dla BlueApart, platformy rezerwacji apartamentów. Logika działa w oparciu o n8n, a własny widget pokazuje gościom karuzele zdjęć i klikalne karty apartamentów zamiast samego tekstu. Bazę wiedzy edytuje zespół klienta, a chatbot korzysta z tego samego backendu co system rezerwacji, więc nie ma ryzyka, że poda inne dane niż strona.