Kiedy Agent AI Ma Sens, A Kiedy Jest Drogim Błędem? | AI Optimization

Za chwilę pokażę Ci dokładnie, jak Agent AI działa u jednego z naszych klientów w LaboPrint i dlaczego to wdrożenie zadziałało, choć wcale nie zaczynało się od AI. Najpierw fakty. To nie była magia AI. To był agent osadzony w czystym, zdefiniowanym procesie. Zendesk, Naten, Rejestr.io lub Company API, OpenAI, Airtable, I znowu, Pipedrive lub Zendesk. I właśnie dlatego to miało sens. Krok pierwszy, trigger. Do firmy wpada mail, na przykład z zapytaniem ofertowym od nowego klienta. Na tej podstawie automatycznie zakładany jest ticket w Zendesku, czyli narzędziu, którego firma używa do obsługi takich ticketów, takich zgłoszeń. Jeśli klienta nie ma w bazie, no to cały workflow nam startuje. System automatycznie tworzy taki rekord w Airtable, który służy nam tutaj za bazę danych.

I teraz, jak wyglądała logika takiego agenta? Porównywał przychód z progami zdefiniowanymi w Airtable. Z progami, które klient określił jako adekwatne dla klasyfikacji swoich potencjalnych klientów. Czyli od takich segmentów najniższych do tych powiedzmy o najwyższym potencjale finansowym. Jeśli dane były w różnych walutach, złotówka, euro, dolar i tak dalej, Agent sam potrafił przeliczyć to do waluty referencyjnej, którą na przykład określiliśmy jako euro, po kursie z danego dnia, tak żeby decyzje były spójne i porównywalne. W naszej bazie Vertable zapisywał się status danej firmy. Zidentyfikowany, niemożliwy do identyfikacji, brak NIP-u, brak domeny. Mieliśmy kilka takich statusów, którymi określaliśmy te rekordy wpadające do bazy.

Oczywiście też przychód, liczba pracowników, kilka takich danych, które dla tego klienta były kluczowe. Dopiero kiedy firma jest rozpoznana i wszystko jest przeliczone do jednej skali, można zadać kluczowe pytanie. Czy ten klient jest dla nas w ogóle ważny? I tu na scenę wchodzi warstwa AI. Krok trzeci. Klasyfikacja i decyzja. Teraz wchodzi OpenAI, ale nie gołe, tylko osadzone w polityce firmy zapisanej w Timer Table. Model korzysta z bazy wiedzy, czyli z progów dużego klienta, z branż, które są dla tej firmy priorytetowe, z preferowanych ścieżek obsługi. Na tej podstawie klasyfikuje klienta do jednej z kategorii, np. Strategiczny, rozwojowy, jednorazowy i ważne, to nie jest czarna skrzynka, czyli w Airtable zapisujemy uzasadnienie decyzji, z jakiego rejestru przyszły dane, jakie pola były brane pod uwagę, w jakiej walucie i jak zostały przeliczone.

W Zendesk z kolei agent nadaje odpowiedni tag do tego zgłoszenia, które wpłynęło. Czyli na przykład, że nowy strategiczny klient albo nowy klient, ale nie zweryfikowany i tak dalej. W Airtable ląduje natomiast pełny dziennik zdarzeń, czyli czas, z którego API przyszły te dane, po jakim kursie były przeliczone waluty, jeśli były przeliczane, jaka była podjęta decyzja co do tego klienta i do kogo przypisano sprawę, czy ticket, czy jakkolwiek to określimy. I do tego dochodzi warstwa optymalizacji kosztów. Agent korzysta z listy wcześniej sprawdzonych firm, żeby nie dublować zapytań. Co jest szczególnie ważne przy company API, gdzie każdy request, każde zapytanie do tej bazy nas kosztuje. Ale jest jeszcze jeden ważny element. Nawet najlepiej zaprojektowany agent musi wiedzieć, kiedy oddać pałeczkę człowiekowi.

Krok piąty. Warunki włączenia człowieka. Tu wchodzi logika progów. W Airtable definiujemy progi wartości, np. przychód, potencjał kontraktu czy kategorie klienta. Powyżej pewnego progu agent eskaluje temat do człowieka, czyli sugeruje telefon, spotkanie i dedykowanego opiekuna, którego mu przypisał. Poniżej tego progu agent zostaje w trybie lekkiej, półautomatycznej obsługi tego leada. Lead jest zaopiekowany, ale nie zjada czasu najlepszych ludzi, najlepszych handlowców w tej firmie. Dzięki temu handlowcy nie kopią danych, nie filtrują leadów na piechotę, tylko rozmawiają tam, gdzie naprawdę jest potencjał. I dopiero teraz dochodzimy do miejsca, w którym agent zaczyna być naprawdę inteligentny. Krok szósty. Uczenie się na efektach. Feedback loop. Ostatni krok to pętla zwrotna.

Bez tego agent nie dojrzewa, tylko stoi w miejscu. Każdy wynik, wygrana, przegrana, wartość dila wraca do Airtable jako kolejna obserwacja. Na tej podstawie agent aktualizuje swoje doświadczenia, wiedzę, co to znaczy duży klient w danej branży, w danym kraju czy w danym segmencie i stopniowo zaczyna precyzować te klasyfikacje. Staje się coraz lepszy w odróżnianiu leadów, z którymi warto rozmawiać od leadów. Kiedy Agent AI Ma Sens, A Kiedy Jest Drogim Błędem? A Kiedy Agent AI Ma Sens, A Kiedy Jest Drogim Błędem?

Jeśli tego nie ma, agent nie ma po czym się poruszać. To jak wysłać autonomiczne auto, ale na drogę bez znaków. W praktyce rozrysuj ten proces, albo go przynajmniej rozpisz. Zastanów się, co się po kolei dzieje, jakie decyzje są konieczne do podjęcia, w jakich systemach ten agent będzie się poruszać, jakie są metryki, którymi chcesz zmierzyć skuteczność tego procesu. I dopiero wtedy idź dalej. Krok drugi. Zautomatyzuj to, co oczywiste. Jeśli jakiś fragment procesu da się opisać regułą, jeśli A to B, zrób to bez AI. Dlaczego? Bo automatyzacja to fundament, na którym agent dopiero później może stanąć. W Laboprint, zanim agent dostał dostęp do OpenAI, działało już pobieranie danych z rejestr.io i kompany API, przeliczanie walut, zapisywanie tych informacji w Airtable.

Czy wymagała poprawy przez człowieka? W Laboprint wynik każdej interakcji wracał do Airtable, a model był regularnie douczany i na podstawie realnych wyników. I to właśnie dzięki temu agent z czasem robił coraz mniej błędów, a coraz więcej trafnych klasyfikacji. Agenci AI to nie jest magiczny przycisk napraw firmy. To narzędzie, które powiela dokładnie to, co już masz pod spodem. Jeśli masz porządek, przyspieszy, wyskaluje porządek. Jeśli masz bałagan, przyspieszy bałagan. Jest takie powiedzenie shit in, shit out. I dokładnie o tym są ci agenci. Widziałem firmy, Które zaczynały od AI i po pół roku miały dwa razy więcej pracy, dwa razy więcej wyjątków i trzy razy więcej pytań dlaczego to znowu nie działa.