Problem: tonęliśmy w ticketach
Nasza firma SaaS rosła szybko. Za szybko. W pół roku liczba ticketów wzrosła z 200 do ponad 800 miesięcznie. Trzyosobowy zespół supportu pracował po nocach i w weekendy. Czas odpowiedzi spuchł z 2 godzin do 14. Zadowolenie klientów spadło z 94% do 76%.
Oczywiste rozwiązanie? Zatrudnić więcej ludzi. Tyle że to drogie, wdrożenie trwa miesiącami, a takie podejście się nie skaluje. Potrzebowaliśmy czegoś innego.
Wchodzi automatyzacja obsługi klienta oparta na AI. Nie chodzi o chatbota, który na wszystko odpowiada „nie rozumiem". Chodzi o prawdziwe AI, które faktycznie rozwiązuje problemy.
Daliśmy sobie ostry termin: 14 dni od koncepcji do produkcji. Oto dokładnie, jak to zrobiliśmy — i pięć lekcji, które zdecydowały, że skończyło się sukcesem, a nie kolejnym nieudanym projektem AI.
Spoiler: spodziewaliśmy się, że najtrudniejsze będzie AI. Nie było. Najtrudniejsze okazało się przyznanie, że nasze własne procesy są fatalne.
Harmonogram 14 dni: co robiliśmy każdego dnia
Analiza danych i kategoryzacja
- Wyeksportowaliśmy 6 miesięcy ticketów (4800 zgłoszeń)
- Ręcznie podzieliliśmy je na 12 głównych typów spraw
- Wyłoniliśmy 20 najczęstszych pytań (pokrywały 64% wolumenu)
- Opisaliśmy obowiązującą ścieżkę rozwiązania dla każdego typu
Przebudowa bazy wiedzy
- Napisaliśmy od nowa 47 artykułów pomocy — jaśniej i kompletniej
- Do każdego poradnika dodaliśmy zrzuty ekranu krok po kroku
- Dla trudniejszych spraw stworzyliśmy diagramy diagnostyczne
- Zespół supportu zweryfikował poprawność każdego artykułu
Konfiguracja i trenowanie systemu AI
- Wybraliśmy Claude jako silnik AI (najlepiej radzi sobie z rozumowaniem przy złożonych pytaniach)
- Wgraliśmy bazę wiedzy i archiwum skutecznie rozwiązanych spraw
- Ustawiliśmy logikę routingu (kiedy AI odpowiada, a kiedy przekazuje sprawę człowiekowi)
- Zintegrowaliśmy całość z naszym helpdeskiem (Zendesk) i CRM
Testy wewnętrzne i dopracowanie
- Zespół supportu przetestował system na 200 prawdziwych, archiwalnych ticketach
- Znaleźliśmy 23 przypadki brzegowe, w których AI odpowiadało błędnie
- Dopracowaliśmy prompty i dołożyliśmy zabezpieczenia
- Ustawiliśmy progi pewności (AI odpowiada tylko przy pewności od 85%)
Miękki start dla użytkowników beta
- Włączyliśmy AI dla 10% przychodzących ticketów (ręcznie wybranych, o niskim ryzyku)
- Zespół supportu śledził każdą odpowiedź AI na bieżąco
- Zbieraliśmy opinie użytkowników w ankietach follow-up
- Na podstawie realnego użycia wprowadziliśmy 47 drobnych poprawek
Skalowanie do 50% wolumenu
- Rozszerzyliśmy zakres do 50% wszystkich ticketów
- AI obsługiwało już pytania o konto, płatności i podstawową diagnostykę
- Przy ludziach zostały: reklamacje, zwroty i złożone problemy techniczne
- Pod każdą odpowiedzią AI dodaliśmy przycisk „Czy to pomogło?"
Pełne uruchomienie produkcyjne
- AI przyjmuje 100% przychodzących ticketów (od razu je segreguje)
- Proste sprawy rozwiązuje samo, złożone przekazuje ludziom
- Uruchomiliśmy dashboard monitorujący, żeby zespół miał wszystko na oku
- Wprowadziliśmy cotygodniowy przegląd nastawiony na ciągłe doskonalenie
5 lekcji, które zmieniły wszystko
AI nie naprawia złych procesów — ono je wzmacnia
O włos uniknęliśmy katastrofalnego błędu: wdrożenia AI na naszej ówczesnej bałaganiarskiej dokumentacji i niespójnych procesach supportu. AI po prostu zautomatyzowałoby chaos — tyle że na dużą skalę.
Jak to naprawiliśmy: Dni 1-4 poszły na uporządkowanie procesów, ZANIM dotknęliśmy AI. Dokumentacja napisana od nowa. Odpowiedzi ujednolicone. Przypadki brzegowe opisane. Dopiero wtedy zabraliśmy się za trenowanie AI.
Mieliśmy trzy różne artykuły o resetowaniu hasła — każdy z nieco innymi krokami. AI odpowiadało różnie, zależnie od tego, do którego akurat sięgnęło. Scaliliśmy je w JEDEN wiążący poradnik. Problem zniknął.
Co zrobić u siebie: Zanim wdrożysz AI, zrób audyt obecnych procesów. Jeśli Twoja dokumentacja sprawia trudność ludziom, AI też sobie z nią nie poradzi. Najpierw porządki, potem automatyzacja.
Twój zespół supportu nie zostaje zastąpiony — dostaje awans
Baliśmy się najbardziej tego, że zespół zablokuje AI, widząc w nim zagrożenie dla swoich stanowisk. Dlatego przedstawiliśmy je jako asystenta — od nudnych, powtarzalnych pytań, żeby ludzie mogli zająć się tym, co złożone i ciekawe.
Jak było naprawdę: Po dwóch tygodniach zespół supportu pokochał AI. Dlaczego? Przestał odpowiadać 40 razy dziennie na „jak zresetować hasło?", a zaczął rozwiązywać trudne sprawy wymagające ludzkiej empatii i pomysłowości.
„Naprawdę lubię teraz swoją pracę. Rozwiązuję prawdziwe problemy, zamiast być żywym botem od FAQ. Do tego AI przekazuje mi sprawę z kontekstem, więc od razu wchodzę w temat."
Co zrobić u siebie: Włącz zespół supportu od pierwszego dnia. Daj im przetestować AI. Zbierz ich uwagi. Pokaż, że narzędzie poprawia ich pracę, a nie ją likwiduje. To Twoi najlepsi testerzy.
Ustaw progi pewności — AI musi wiedzieć, czego nie wie
Pierwsze wersje naszego AI próbowały odpowiedzieć na wszystko. Nawet gdy nie były pewne. Efekt: błędne odpowiedzi podane z pełnym przekonaniem — najgorszy rodzaj wpadki.
Rozwiązanie: Zaprogramowaliśmy progi pewności. Jeśli AI jest pewne w mniej niż 85%, nie zgaduje — natychmiast przekazuje sprawę człowiekowi wraz z podsumowaniem tego, co udało mu się ustalić.
Przed: „Z Twojego opisu wynika, że prawdopodobnie trzeba..." (błędne w 30% przypadków)
Po: „To brzmi na złożoną sprawę. Łączę Cię z naszym zespołem specjalistów. W międzyczasie — oto, co udało mi się ustalić w Twojej sprawie..." (człowiek dostaje pełny kontekst i rozwiązuje szybciej)
Co zrobić u siebie: Niepewność AI to nie błąd — to zaleta. Zaprogramuj swoje AI tak, żeby przyznawało się, kiedy czegoś nie wie. Większość klientów woli usłyszeć „nie jestem pewien, poproszę eksperta" niż pewną siebie bzdurę.
Mierz wszystko — ale to, co właściwe
Na początku mieliśmy obsesję na punkcie odsetka ticketów obsłużonych przez AI. Zły wskaźnik. Bot może „obsłużyć" 100% zgłoszeń, dając bezużyteczne odpowiedzi. Liczy się co innego: czy problem klienta został rozwiązany? Czy klient był zadowolony?
Wskaźniki, które mają znaczenie: zadowolenie klientów, czas rozwiązania, odsetek eskalacji i — co najważniejsze — czy odpowiedź AI faktycznie rozwiązała sprawę (mierzone tym, że klient nie musiał wracać z tym samym).
Główne: zadowolenie klientów (92%), odsetek rozwiązanych spraw (78%), odsetek powrotów do sprawy (12%)
Uzupełniające: czas odpowiedzi (średnio 23 s), odsetek eskalacji (22%), obciążenie zespołu (niższe o 67%)
Co zrobić u siebie: Nie śledź samych wyników AI — śledź efekty po stronie klienta. Perfekcyjne AI, które frustruje klientów, jest gorsze niż niedoskonały człowiek, który im pomaga.
Uruchom szybko, poprawiaj jeszcze szybciej — doskonałość to ruchomy cel
Mogliśmy poświęcić 3 miesiące na zbudowanie „idealnego" systemu AI. Zamiast tego uruchomiliśmy go w 14 dni przy 80% trafności i poprawialiśmy co tydzień na podstawie realnego użycia.
Dlaczego to zadziałało: Potrzeby klientów się zmieniają. Produkt się rozwija. Pojawiają się nowe problemy. System „idealny" pierwszego dnia byłby przestarzały trzydziestego. Lepiej uruchomić wersję wystarczająco dobrą i rozwijać ją bez przerwy.
1. tydzień: 72% trafności → dorzuciliśmy 15 przypadków brzegowych do treningu
2. tydzień: 78% trafności → dopracowaliśmy logikę eskalacji
4. tydzień: 84% trafności → integracja z dokumentacją produktu
8. tydzień: 89% trafności → obsługa w wielu językach
Co zrobić u siebie: Wypuść MVP. Wprowadź cotygodniowe przeglądy. Niech o kierunku zmian decydują prawdziwe rozmowy z klientami. Tydzień na produkcji potrafi nauczyć Cię więcej niż pół roku planowania.
Wyniki po 60 dniach
Werdykt zespołu supportu po dwóch miesiącach: powtarzalne sprawy AI obsługuje bezbłędnie, a gdy trafi się coś złożonego, człowiek dostaje czytelne podsumowanie i od razu zabiera się za sedno problemu. Najlepsze z obu światów.
Co zrobilibyśmy inaczej
Zacząć od jeszcze mniejszego zakresu: Mogliśmy wystartować z samym resetem hasła i pytaniami o płatności. Bylibyśmy na produkcji siódmego dnia, nie czternastego.
Wcześniej włączyć klientów: Za długo testowaliśmy wewnętrznie. Opinie prawdziwych klientów już w pierwszym tygodniu przyspieszyłyby poprawki.
Od pierwszego dnia ustawić porządną analitykę: Dokładaliśmy pomiary po kawałku. Pełny dashboard powinien był stać gotowy przed startem.
Opisywać przypadki brzegowe na bieżąco: W pierwszym miesiącu znaleźliśmy 87 przypadków brzegowych. Dziś mamy system, który je wychwytuje i pozwala od razu je naprawić.
Czy Ty też tak możesz?
Z naszego doświadczenia — tak. Nie potrzebujesz:
• Wielkiego budżetu (u nas £8 tys. w sumie)
• Dużego zespołu inżynierów (u nas dwóch programistów na część etatu)
• Idealnej dokumentacji (nasza była fatalna — najpierw ją naprawiliśmy)
• Miesięcy planowania (14 dni, pamiętasz?)
Potrzebujesz natomiast:
• Gotowości, żeby najpierw uporządkować procesy
• Zaangażowania zespołu supportu
• Skupienia na efektach dla klienta, nie na doskonałości AI
• Konsekwencji w stopniowym ulepszaniu
Technologia jest gotowa. Pytanie brzmi: czy Ty jesteś?
Lista kontrolna wdrożenia
- Zrób audyt i pokategoryzuj obecne tickety
- Wyłoń 20 najczęstszych pytań
- Uporządkuj bazę wiedzy i dokumentację
- Wybierz platformę AI (Claude, GPT-4 lub podobną)
- Zacznij od 10% wolumenu, nie od 100%
- Ustaw progi pewności decydujące o eskalacji
- Włącz zespół supportu od pierwszego dnia
- Mierz zadowolenie klientów, nie tylko wskaźniki AI
- Uruchom szybko i poprawiaj na podstawie realnego użycia
- Zaplanuj ciągłe doskonalenie, a nie jednorazowe wdrożenie