Chatbot AI. 70% zapytań bez człowieka.

Klient i wyzwanie

Sklep internetowy z artykułami dziecięcymi, 50 000 zamówień miesięcznie, 8-osobowy BOK pracujący 8–20. Zapytania: 3 000 dziennie, z czego 78% to powtarzalne pytania („gdzie paczka”, „jak zwrócić”, „faktura na firmę”). NPS w spadku: 38 → konkurencja wdrażała chatboty, klient zwlekał.

Problem biznesowy: po 20:00 klient nie dostawał żadnej odpowiedzi do rana. Koszt utraconych zamówień (porzucony koszyk z powodu pytania o rozmiar) oszacowany na 180 tys. PLN/rok.

Co zbudowaliśmy

DSX System Chatbot w konfiguracji GPT-4 z warstwą RAG nad danymi sklepu. Chatbot działa na widgetcie na stronie, w Messengerze i w WhatsApp Business. Jeden backend, trzy kanały.

Co potrafi chatbot

• Status zamówienia (integracja z magazynem + kurierem)
• Zmiana adresu dostawy (do momentu wydania paczki)
• Inicjowanie zwrotu + generowanie etykiety
• Sprawdzanie dostępności rozmiaru / alternatyw
• Reklamacje (kategoryzacja + eskalacja do człowieka)
• Faktury: wystawienie, korekta, wysyłka na mail

Architektura human-in-the-loop

Chatbot NIE próbuje rozwiązywać wszystkiego. Mamy 3 progi eskalacji do człowieka:

1. Niska pewność odpowiedzi (score < 0,7) — przekazanie do agenta z kontekstem.
2. Emocjonalna sygnatura w wiadomości (złość, rozczarowanie, słowa typu „reklamacja/prawnik”) — automatyczna eskalacja.
3. Prośba o człowieka — zawsze natychmiast przekazanie, bez prób przekierowania.

Efekt: klient, który chce człowieka, zawsze go dostaje. To był warunek NPS +18 — klienci wiedzą, że chatbot im nie blokuje eskalacji.

Tygodniowy harmonogram wdrożenia

1. Tydzień 1

   Audyt zapytań

   Przeanalizowaliśmy 40 000 ticketów z ostatnich 6 miesięcy. Wyodrębniliśmy 8 intencji pokrywających 82% wolumenu.

2. Tydzień 2

   Integracje backendu

   REST API sklepu (Magento), Baselinker, InPost/DPD/Orlen, system fakturowy. Sandbox + produkcja równolegle.

3. Tydzień 3

   Prompt engineering

   Szablony promptów GPT-4 dla każdej intencji, guardrails przeciw halucynacjom (boty odpowiadają TYLKO na podstawie danych z API).

4. Tydzień 4

   Testy akceptacyjne

   Zespół obsługi klienta testował 500 scenariuszy. Dostroiliśmy eskalacje i ton odpowiedzi.

5. Tydzień 5

   Go-live progresywny

   Start od 10% ruchu, co 2 dni +20%. Pełne 100% od 9. dnia tygodnia 5. Zero incydentów.

Wyniki po 4 miesiącach

• 70% zapytań kończy się bez człowieka (początek: 42%, docelowo 80%)
• Średni czas pierwszej odpowiedzi: 12 s (vs 4h w starym modelu)
• NPS: 38 → 56 (+18 punktów, pomiar miesięczny)
• Redukcja porzuconych koszyków o 23% (odpowiedzi w nocy)
• Zespół BOK zmniejszył nadgodziny o 78%
• Recover rate dla pytań pre-purchase: 11% (wcześniej brak)

Koszty i ROI

Roczny koszt: 103 400 PLN (65 000 + 12×3 200).
Roczna oszczędność: 320 tys. PLN (140 tys. z redukcji nadgodzin + 180 tys. z odzyskanych koszyków).
ROI: 3,9 miesiąca od go-live.