AI/ML 
Rozwój oprogramowania 
Asystent AI dla obsługi klienta – nazywany też wirtualnym asystentem lub agentem AI – to system oparty na sztucznej inteligencji i dużych modelach językowych (LLM), który rozumie kontekst rozmowy, odpowiada na wielu kanałach jednocześnie i potrafi wykonywać akcje, a nie tylko udzielać informacji. VM.PL projektuje dedykowane architektury LLM dla obsługi klienta: od baz wiedzy opartych na RAG, przez integrację omnichannel, po Voice-AI na infolinii. Rozwiązania mogą działać lokalnie w infrastrukturze klienta przy użyciu Ollama lub vLLM albo w Azure OpenAI zabezpieczonym przez Private Endpoint. W wariancie on-premise dane klientów B2B, treść rozmów i zgłoszenia serwisowe nie opuszczają infrastruktury firmy. W wariancie Azure komunikacja odbywa się przez prywatny punkt końcowy, bez dostępu do usługi z publicznego Internetu.
Czym jest asystent AI dla obsługi klienta i czym różni się od klasycznego chatbota?
Klasyczny chatbot działa na sztywnych drzewach decyzyjnych – jeśli pada słowo kluczowe A, odpowiada zdaniem B – i zawodzi przy nietypowych sformułowaniach czy zmianie tematu. Asystent AI oparty na LLM rozumie kontekst, intencję i warianty sformułowań bez wcześniej zdefiniowanych ścieżek.
| Kryterium | Chatbot regułowy | Asystent AI (LLM) |
| Rozumienie języka | Dopasowanie słów kluczowych lub sztywne drzewa decyzyjne | Rozumienie semantyczne: intencja, kontekst, warianty sformułowań |
| Elastyczność | Zawodzi przy nietypowych sformułowaniach lub zmianie tematu | Odpowiada też na nowe, nieprzewidziane sformułowania |
| Baza wiedzy | Statyczna – ręcznie utrzymywana lista FAQ | Dynamiczna – RAG na aktualnych dokumentach, natychmiast aktualizowalna |
| Wykonywanie akcji | Zwykle tylko wyświetlenie informacji | Może utworzyć zgłoszenie, zarezerwować termin, zmienić dane w CRM |
| Eskalacja | Regułowa – po słowie kluczowym lub końcu ścieżki | Inteligentna – analiza sentymentu, próg pewności, przekazanie do człowieka |
Chatbot regułowy sprawdza się tam, gdzie zakres pytań jest w pełni definiowalny i się nie zmienia. Przy złożonych pytaniach produktowych, wielojęzycznych klientach i konieczności wykonywania akcji (rezerwacja, anulowanie, aktualizacja CRM) asystent oparty na LLM jest architekturą lepiej dopasowaną. Cztery obszary automatyzacji dają w praktyce największy efekt:
| Funkcja AI | Co automatyzuje | Typowy efekt |
| Automatyzacja FAQ | Standardowe zapytania, status zamówienia, informacje produktowe – 24/7 bez oczekiwania | Odciążenie zgłoszeń pierwszej linii (Tier-1) |
| Ticket-routing | NLP klasyfikuje i priorytetyzuje zgłoszenia w czasie rzeczywistym | Mniej błędnych przydziałów, krótszy czas reakcji |
| Agent-Assist | AI podpowiada konsultantowi trafne odpowiedzi i fragmenty bazy wiedzy na żywo | Krótszy czas obsługi zgłoszenia |
| Voice-AI | Naturalna komunikacja telefoniczna – rozpoznawanie mowy + LLM + synteza mowy | Wyższa skuteczność rozwiązania sprawy przy pierwszym kontakcie |
Jak VM.PL integruje asystenta AI z omnichannel – e-mail, chat, WhatsApp, telefon i helpdesk?
Jeden system LLM obsługuje wszystkie kanały komunikacji jednocześnie – e-mail, czat na stronie, WhatsApp, voicebot telefoniczny i wewnętrzne systemy helpdeskowe – bez osobnych, izolowanych rozwiązań per kanał.
Historia rozmowy zachowuje kontekst między kanałami: jeśli klient przechodzi z czatu na e-mail, nie musi powtarzać swojego problemu od nowa – pełen kontekst rozmowy jest dostępny systemowi niezależnie od kanału, którym klient akurat się kontaktuje.
VM.PL Asystent AI – kluczowe atrybuty:
- Kanały → e-mail, web-chat, WhatsApp, telefon (Voice-AI), helpdesk (Zendesk/Freshdesk/Salesforce).
- Architektura → LightRAG, pgvector/PostgreSQL 16, Python 3.11+/FastAPI.
- Integracja → warstwa REST-API/webhook nad istniejącym helpdeskiem, bez wymiany systemu.
- Bezpieczeństwo → domyślnie on-premise, Azure Private jako opcja.
Ticket-routing działa jako pierwszy etap: model NLP klasyfikuje przychodzące zgłoszenie według typu, priorytetu i właściwego zespołu, i automatycznie je przydziela. Przypadki złożone i emocjonalnie nacechowane są eskalowane do człowieka automatycznie, na podstawie konfigurowalnych kryteriów.
Asystent AI może też wykonywać aktywne akcje, nie tylko odpowiadać: rezerwować terminy, sprawdzać status zamówienia, inicjować proces anulowania czy zmieniać dane klienta w systemie CRM – przez warstwę API opartą na Node.js/NestJS lub Java/Spring Boot, bez zmiany istniejącego systemu helpdeskowego.
Jak działa Voice-AI w obsłudze telefonicznej?
Voice-AI umożliwia naturalną rozmowę telefoniczną bez sztywnego, menu-sterowanego IVR – klient mówi swobodnie, a system rozumie intencję tak samo, jak przy rozmowie tekstowej.
Pipeline techniczny składa się z trzech kroków:
- Speech-to-Text – wypowiedź klienta jest transkrybowana w czasie rzeczywistym w kontrolowanym środowisku private lub on-premise;
- przetwarzanie przez LLM – model uruchomiony lokalnie przez Ollama lub vLLM albo udostępniony w Azure OpenAI przez Private Endpoint analizuje zapytanie i generuje odpowiedź na podstawie firmowej bazy wiedzy;
- Text-to-Speech – Odpowiedź jest przekształcana w naturalnie brzmiącą mowę i natychmiast odtwarzana. Możliwe jest osiągnięcie całkowitego opóźnienia poniżej 500 ms.
Czym jest Agent-Assist i jak wspiera pracowników w czasie rzeczywistym?
Agent-Assist nie zastępuje konsultanta – działa równolegle, podpowiadając trafne odpowiedzi i fragmenty bazy wiedzy w trakcie rozmowy lub czytania e-maila, widoczne wyłącznie dla pracownika, nie dla klienta.
System analizuje treść rozmowy na bieżąco i wyświetla konsultantowi sugerowane odpowiedzi, powiązane wpisy z bazy wiedzy oraz historię klienta – bez konieczności ręcznego przeszukiwania dokumentacji w trakcie rozmowy. Skraca to czas obsługi zgłoszenia, nie odbierając pracownikowi kontroli nad ostateczną decyzją i tonem odpowiedzi.
Jak VM.PL buduje i utrzymuje bazę wiedzy dla asystenta AI?
Asystent AI jest tak dobry, jak jego baza wiedzy – jej budowa to nie jednorazowy projekt, tylko ustrukturyzowany proces z jasno podzielonymi odpowiedzialnościami: VM.PL dostarcza architekturę i metodykę, treść pochodzi z firmy.
Trzy etapy budowy bazy wiedzy
- Ingestion i strukturyzacja – VM.PL buduje zautomatyzowane pipeline’y, które zamieniają surowe dokumenty (PDF-y, pliki Word, strony HTML, eksporty z baz danych) na reprezentacje wektorowe i indeksują je w pgvector/PostgreSQL 16; obsługiwane źródła obejmują SharePoint, Confluence, własne systemy CMS i historię zgłoszeń z helpdesku – nowe dokumenty są wgrywane w sposób ciągły, bez potrzeby ręcznego retrainingu modelu.
- Kontrola jakości bazy wiedzy – VM.PL wdraża warstwę walidacyjną monitorującą jakość wyszukiwania: które zapytania nie znajdują trafnego źródła? Które odpowiedzi mają wynik poniżej progu pewności? Te sygnały wskazują luki w bazie wiedzy – priorytetowe uzupełnianie zamiast rozbudowy „na ślepo”.
- Zarządzanie aktualnością – zmiany w cennikach, kartach produktowych czy politykach muszą być natychmiast widoczne dla asystenta; VM.PL buduje pipeline’y oparte na webhookach, które automatycznie aktualizują bazę wektorową przy zmianie w systemie źródłowym (ERP, PIM, CMS) – bez wdrożenia, bez przestoju, bez ręcznej pielęgnacji.
Jak VM.PL zapobiega błędnym odpowiedziom asystenta?
Halucynacje – rzeczowo błędne, ale pewnie sformułowane odpowiedzi – to główne ryzyko akceptacji asystentów AI w obsłudze klienta. VM.PL adresuje to tą samą, czterowarstwową architekturą co w innych wdrożeniach LLM: RAG jako podstawa odpowiedzi (redukuje, ale nie eliminuje całkowicie ryzyko halucynacji), próg pewności z odpowiedzią zastępczą przy braku trafnego źródła, automatyczne przekazanie do człowieka przy niepewności lub wykrytej silnej negatywnej emocji klienta, oraz ciągły audyt jakości odpowiedzi. Pełny opis tej architektury – łącznie z mechanizmem RAG i wyborem między RAG a fine-tuningiem – znajdziesz w artykule o AI językowym dla biznesu.
Czym VM.PL różni się od gotowych platform do obsługi klienta?
VM.PL nie sprzedaje gotowej platformy SaaS – buduje architekturę dopasowaną do konkretnej bazy wiedzy i danych rozmów Twojej firmy, bez opłat licencyjnych za rozwiązanie stworzone na zamówienie. Cztery elementy różnicujące:
- Custom LLM, nie SaaS – model rozwijany na bazie własnej wiedzy i historii rozmów firmy. Model i kod źródłowy należą do klienta, bez bieżących opłat licencyjnych.
- On-premise lub prywatny dostęp do usług Azure – modele LLM mogą działać lokalnie przy użyciu Ollama lub vLLM albo w Azure OpenAI zabezpieczonym przez Private Endpoint. W wariancie on-premise rozmowy, dane klientów B2B, historia kontaktów i zgłoszenia serwisowe pozostają w infrastrukturze firmy. W wariancie Azure dane są przesyłane przez prywatne połączenie, bez wykorzystania publicznych punktów końcowych API. Zgodność z RODO jest uwzględniana już na etapie projektowania architektury.
- Ochrona przed halucynacjami wbudowana w architekturę – RAG-grounding, próg pewności i human handoff, nie pojedynczy mechanizm, tylko warstwy działające razem.
- Metodyka 4D – Discovery ustala kanały, przypadki użycia i bazę danych przed pierwszym commitem kodu. Żaden projekt nie startuje bez zwalidowanego wyniku i Concept Document.
Jak mierzyć sukces asystenta AI – KPI, CSAT i automatyzacja?
Asystent AI bez ram pomiarowych to czarna skrzynka – VM.PL definiuje metryki sukcesu jeszcze przed wdrożeniem, w Architecture Blueprint, i wbudowuje monitoring jako standardowy element fazy Direction.
| KPI | Opis | Typowa wartość docelowa |
| Stopień automatyzacji | Odsetek zgłoszeń rozwiązanych w pełni bez udziału człowieka | Zależny od jakości bazy wiedzy – rośnie wraz z jej dojrzałością |
| Wskaźnik pierwszego rozwiązania (FCR) | Odsetek zgłoszeń rozwiązanych bez dodatkowego kontaktu lub eskalacji | Rośnie wraz z rozbudową bazy wiedzy |
| CSAT (satysfakcja klienta) | Ocena klienta po rozmowie (skala 1-5) | Porównywalna z poziomem obsługi ludzkiej |
| Average Handling Time (AHT) | Średni czas obsługi zgłoszenia – AI plus ew. Agent-Assist | Niższy niż przy obsłudze wyłącznie ludzkiej |
| Fallback-rate | Odsetek zapytań bez wystarczająco trafnego źródła w bazie wiedzy | Niski wskaźnik = dojrzała baza wiedzy; wysoki = luka do uzupełnienia |
| Wskaźnik eskalacji | Odsetek zgłoszeń przekazanych do człowieka | Zbyt niski wskaźnik bywa sygnałem ostrzegawczym – może oznaczać brak działającego human handoff, nie sukces |
W jakich branżach VM.PL wdraża asystentów AI dla obsługi klienta?
Asystenci AI oparci na modelach LLM mogą być wykorzystywani praktycznie w każdej branży. Sama architektura rozwiązania pozostaje taka sama, natomiast baza wiedzy, logika eskalacji oraz procesy biznesowe są dostosowywane do specyfiki konkretnego sektora. VM.PL najczęściej realizuje projekty dla czterech obszarów.
| Branża | Typowe zastosowania | Szczególne wymagania |
| B2B / Przemysł | Wsparcie techniczne dla maszyn i urządzeń, zapytania o części zamienne, sprawdzanie statusu dostaw, monitorowanie SLA | Rozbudowana dokumentacja techniczna, specjalistyczna terminologia, obsługa wielu linii produktowych (multi-tenant) |
| E-commerce / Handel | Status zamówienia, zwroty i anulowanie zakupów, rekomendacje produktów, zmiana terminu dostawy | Duże wolumeny zgłoszeń (szczyty sprzedażowe), integracja z ERP i OMS, obsługa wielu języków |
| FinTech / Ubezpieczenia | Zgłoszenia szkód, informacje o kontach, doradztwo dotyczące ofert (bez porad prawnych), obsługa dokumentów | Zgodność z wymaganiami BaFin, RODO oraz AI Act, obowiązek archiwizacji, brak automatycznych decyzji finansowych bez zatwierdzenia przez człowieka |
| Software / IT Services | Help Desk pierwszej linii, tworzenie zgłoszeń, wyszukiwanie dokumentacji, wsparcie onboardingu | Integracja z JIRA, ServiceNow i Zendesk, obsługa fragmentów kodu oraz dokumentacji API |
Firmy z klientami międzynarodowymi (typowe w e-commerce i B2B) nie potrzebują osobnego systemu per język – VM.PL rozwija asystentów jednym modelem obsługującym wiele języków jednocześnie (polski, angielski, ukraiński i inne), z automatycznym rozpoznaniem języka zapytania. Obsługiwane kombinacje językowe ustala się w fazie Discovery, zależnie od struktury klientów firmy.
Ile kosztuje asystent AI dla obsługi klienta – ROI i break-even?
Asystent AI amortyzuje się przez trzy kanały oszczędności jednocześnie: mniejsze zapotrzebowanie na agentów pierwszej linii, krótszy czas obsługi (AHT) i dostępność 24/7 bez konieczności zmiany nocnej – VM.PL modeluje realny break-even w fazie Discovery na podstawie rzeczywistych danych klienta, nie uśrednionych branżowych wskaźników.
| Blok kosztowy | Zawartość | Charakterystyka |
| Discovery + Definition | Analiza kanałów, baza danych, planowanie architektury, ocena RODO | Najniższy blok; decyduje o Go/No-Go przed główną inwestycją |
| Delivery | Konfiguracja LLM, pipeline RAG, integracja kanałów, testy, wdrożenie | Główny koszt; skaluje się z liczbą kanałów i złożonością integracji |
| Direction | Monitoring, aktualizacje bazy wiedzy, korekta dryfu modelu, nowe kanały | Koszt ciągły, wyraźnie niższy niż nakład na Delivery |
| Infrastruktura (TCO) | Azure Container Apps, pgvector, Application Insights – rozliczane wg zużycia; opcja on-premise bez kosztów chmury | Skaluje się z wolumenem zapytań |
Metodologia kalkulacji ROI: bezpośredni koszt zatrudnienia agenta pierwszej linii obsługi klienta w Polsce wynosi zwykle około 40-60 zł za godzinę, z uwzględnieniem wynagrodzenia i obowiązkowych składek pracodawcy. Asystent AI, który przejmuje około 70% zgłoszeń Tier-1, pozwala w mierzalny sposób ograniczyć zapotrzebowanie na pracę przy obsłudze powtarzalnych spraw. VM.PL wylicza konkretny próg rentowności przed podjęciem decyzji o wdrożeniu, wykorzystując rzeczywisty wolumen zgłoszeń, średni czas obsługi i pełne koszty operacyjne danej organizacji.
Czy asystent AI jest zgodny z RODO i EU AI Act?
Rozmowy z klientami zawierają dane osobowe – imię, dane kontaktowe, historię zakupów, czasem dane wrażliwe (zdrowotne, finansowe) – RODO wymaga, żeby te dane nie trafiały bez kontroli do zewnętrznych dostawców.
VM.PL oferuje dwa kontrolowane modele wdrożenia. W wariancie on-premise modele LLM działają lokalnie przy użyciu Ollama lub vLLM, dzięki czemu dane klientów B2B, treść rozmów, nagrania i zgłoszenia serwisowe nie opuszczają infrastruktury firmy. W wariancie opartym na Azure OpenAI VM.PL wykorzystuje Private Endpoint, który eliminuje publiczny dostęp do usługi i pozwala przesyłać dane bez korzystania z publicznych punktów końcowych API.
Architekturę uzupełniają mechanizmy pseudonimizacji danych osobowych, szyfrowanie transmisji i danych przechowywanych, kontrola dostępu zgodna z zasadą najmniejszych uprawnień, konfigurowalne terminy retencji i usuwania danych oraz rejestrowanie operacji na potrzeby audytu. Umowa powierzenia przetwarzania danych jest standardowym elementem projektu.
W klasyfikacji EU AI Act asystenci obsługi klienta mieszczą się zwykle w kategorii „ograniczonego ryzyka” (limited risk) – z obowiązkiem transparentności wynikającym z art. 50: klient musi wiedzieć, że rozmawia z systemem AI, chyba że jest to oczywiste z kontekstu – a nie w kategorii wysokiego ryzyka. VM.PL wbudowuje ślad audytowy i wyraźne oznaczenie interakcji z AI jako standardowy element dostawy, niezależnie od tej klasyfikacji.
Jak wygląda proces wdrożenia (4D)?
Faza Discovery analizuje kanały komunikacji, priorytetyzuje przypadki użycia i ocenia dostępną bazę wiedzy – asystent bez zwalidowanych danych domenowych nie osiąga jakości odpowiedzi akceptowalnej biznesowo.
| Faza | Aktywności | Rezultat | Czas trwania |
| Discovery | Analiza kanałów, priorytetyzacja use case’ów, ocena bazy danych, ocena RODO, modelowanie ROI | Concept Document (Go/No-Go) | 1–2 tygodnie |
| Definition | Architektura LLM (RAG/fine-tuning), integracja kanałów, framework KPI, projekt logiki eskalacji | Architecture Blueprint | 1 tydzień |
| Delivery | Rozwój LLM, budowa bazy wiedzy, warstwa API, integracja z helpdeskiem, testy, odbiór | Produkcyjny system AI | 8–16 tygodni |
| Direction | Monitoring, raportowanie KPI, kontrola dryfu modelu, nowe źródła wiedzy, nowe kanały | Roadmapa rozwoju | Ciągłe wsparcie |
Pierwsza produkcyjna wersja asystenta z podstawową bazą wiedzy jest zwykle dostępna w 10-19 tygodni (suma faz Discovery-Delivery); pełne pokrycie tematyczne rośnie dalej w toku eksploatacji, sterowane monitoringiem nieobsłużonych zapytań.