AI w systemach B2B – realna automatyzacja

AI w systemie B2B daje realny efekt tam, gdzie wspiera konkretną czynność w istniejącym procesie: pomaga klientowi znaleźć produkt, choć nie zna jego kodu, rozpoznaje, czego dotyczy przychodzące zapytanie, odczytuje dane z dokumentu albo podpowiada handlowcowi, co zrobić dalej. Każda z tych funkcji działa najlepiej jako element portalu, CRM lub panelu – z jasnymi granicami, logiem decyzji i człowiekiem, który zatwierdza to, co ma skutki biznesowe. Poniżej opisujemy cztery takie zastosowania, sposób ich budowy i miejsca, w których AI nie powinno decydować samo.

Zanim dodasz AI: prosty proces i dobre dane

AI nie musi oznaczać wielkiego projektu badawczego, ale nie naprawi też złego procesu. Zasada jest stała: najpierw uprość proces, potem go zautomatyzuj regułami, a dopiero na końcu dołóż AI tam, gdzie reguły nie wystarczają. Jeśli zapytania da się podzielić według pola w formularzu, nie potrzebujesz modelu językowego.

Druga kwestia to dane. Wyszukiwanie semantyczne na katalogu z pustymi atrybutami i nazwami typu „Produkt 12 v2” da słabe wyniki niezależnie od modelu. O tym, jak przygotować katalog, piszemy we wpisie Jak przygotować dane produktowe pod AI.

1. Wyszukiwanie semantyczne w katalogu

Klienci B2B często nie znają nazw handlowych ani indeksów. Wpisują opis potrzeby: „uszczelka do pompy odpornej na olej”, „środek do mycia stali nierdzewnej w przemyśle spożywczym”. Klasyczna wyszukiwarka pełnotekstowa szuka tych słów w nazwach i zawodzi.

Wyszukiwanie semantyczne zamienia opis produktu i zapytanie na wektory (embeddingi) i porównuje ich znaczenie, a nie tylko słowa. W praktyce najlepiej działa wyszukiwanie hybrydowe: dopasowanie po kodzie, nazwie i atrybutach łączy się z dopasowaniem semantycznym, a wynik porządkuje się według reguł biznesowych.

Jak to wygląda technicznie:

1. Dla każdego produktu budujemy tekst do indeksu: nazwa, kategoria, kluczowe parametry, zastosowania, synonimy branżowe.
2. Generujemy embeddingi i zapisujemy je w bazie z obsługą wektorów lub w silniku wyszukiwania.
3. Przy zmianie produktu indeks aktualizuje się w tle, np. przez kolejkę.
4. Zapytanie klienta przechodzi oba tryby wyszukiwania, a wyniki są filtrowane według uprawnień – klient widzi tylko produkty ze swojego asortymentu.

Granica: wyszukiwarka proponuje, ale nie gwarantuje zgodności technicznej. Przy produktach, gdzie dobór ma znaczenie dla bezpieczeństwa lub zgodności, karta produktu musi pokazywać parametry i dokumenty, a decyzja zostaje po stronie klienta lub doradcy.

2. Klasyfikacja zapytań i zgłoszeń

Do firmy spływają maile, wiadomości z formularza i zgłoszenia z portalu. Część to zapytania ofertowe, część reklamacje, pytania o dostawę, prośby o dokumenty albo zmiany danych firmy. Ręczne sortowanie zabiera czas i opóźnia odpowiedź.

Model językowy może przypisać wiadomości kategorię, pilność, wykryty produkt lub numer zamówienia i zaproponować osobę odpowiedzialną. System zapisuje wynik jako propozycję z poziomem pewności, a nie jako ostateczną decyzję.

Dobre praktyki:

• Zamknięta lista kategorii – model wybiera z niej, nie wymyśla nowych.
• Próg pewności – poniżej progu wiadomość trafia do ręcznego sortowania.
• Korekta jednym kliknięciem – pracownik zmienia kategorię, a zmiana trafia do logu i służy do oceny jakości.
• Regularny przegląd próbki – co jakiś czas ktoś sprawdza losowe przypisania.

Granica: klasyfikacja kieruje sprawę, ale nie odpowiada klientowi w imieniu firmy w sprawach reklamacji, cen czy terminów.

3. Ekstrakcja danych z dokumentów

W B2B wciąż krąży dużo dokumentów w PDF i skanach: zamówienia od klientów, specyfikacje, certyfikaty, karty techniczne dostawców. Odczyt danych z takich plików to klasyczne miejsce na AI.

Przykładowy przepływ dla zamówienia przysłanego w PDF:

1. Dokument trafia do systemu z maila lub portalu.
2. Model odczytuje nabywcę, pozycje, ilości, jednostki i oczekiwany termin.
3. System dopasowuje pozycje do katalogu i kontrahenta do bazy klientów.
4. Pola, których nie udało się dopasować lub które odbiegają od normy, są wyróżnione.
5. Pracownik widzi dokument obok odczytanych danych, poprawia i zatwierdza.
6. Dopiero zatwierdzony rekord idzie dalej, np. do ERP.

Kluczowe jest porównanie z danymi referencyjnymi. Odczytany kod produktu, który nie istnieje w katalogu, albo ilość dziesięć razy większa niż zwykle, to sygnał do zatrzymania. Model nie powinien dopisywać brakujących danych „z głowy”.

Granica: żaden odczytany dokument nie powinien automatycznie tworzyć zobowiązania – zamówienia, faktury czy zmiany ceny – bez zatwierdzenia przez człowieka lub bez twardej walidacji regułami.

4. Podpowiedzi dla handlowca

W CRM lub panelu opiekuna klienta AI może pomagać na kilka sposobów:

• Streszczenie historii klienta przed rozmową: ostatnie zamówienia, otwarte sprawy, notatki.
• Asystent na bazie wiedzy firmy (RAG) – odpowiada na pytania o procedury, warunki współpracy i dokumentację, zawsze ze wskazaniem źródła.
• Priorytetyzacja kontaktów – np. klienci, którzy przestali zamawiać produkt kupowany regularnie, lub zapytania ofertowe bez odpowiedzi.
• Szkic odpowiedzi na zapytanie, który handlowiec poprawia i wysyła sam.

Scoring leadów czy klientów ma sens, gdy w systemie jest wystarczająco dużo historii, a zespół rozumie, na czym opiera się wynik. Czarna skrzynka z liczbą, której nikt nie potrafi wyjaśnić, zwykle jest ignorowana.

Granica: asystent nie ustala cen, rabatów ani warunków płatności. Może pokazać, jakie warunki klient miał dotąd, ale decyzja jest po stronie handlowca i reguł cenowych w systemie.

Kontrola człowieka – jak to zaprojektować

Wspólny wzorzec dla wszystkich funkcji:

• Wynik AI jest zawsze oznaczony w interfejsie jako propozycja.
• Każda propozycja ma zapis: wejście, wynik, wersja modelu lub promptu, kto zatwierdził lub poprawił.
• Operacje nieodwracalne wymagają akceptacji lub twardej walidacji.
• Funkcję da się wyłączyć bez zatrzymania procesu – system wraca wtedy do trybu ręcznego.
• Do dostawcy modelu trafia tylko to, co jest potrzebne; dane osobowe i ceny indywidualne są ograniczone do minimum, a przetwarzanie ma podstawę w umowie.

Jak mierzyć, czy funkcja działa

Przed wdrożeniem zapisz stan wyjściowy, a potem porównuj: czas od wpłynięcia zapytania do przypisania, udział poprawionych klasyfikacji, liczbę wyszukiwań bez wyniku, liczbę korekt w odczytanych dokumentach. Jeśli korekt jest dużo, lepiej poprawić dane albo zawęzić zakres funkcji niż zmieniać model.

Dobrą praktyką jest też okres pracy w tle: przez kilka tygodni funkcja generuje propozycje, ale nie wpływa na proces, a zespół porównuje je z własnymi decyzjami. Dopiero gdy wyniki są przewidywalne, propozycje pokazuje się użytkownikom, a w kolejnym kroku – tam, gdzie to bezpieczne – pozwala się na automatyczne przypisanie bez udziału człowieka. Taka kolejność daje dane do decyzji i chroni przed wdrożeniem funkcji, której nikt nie ufa.

Następny krok

Wybierz jeden proces, w którym zespół traci dziś najwięcej czasu na sortowanie, szukanie lub przepisywanie, i przygotuj próbkę rzeczywistych danych – kilkadziesiąt zapytań, dokumentów lub typowych wyszukiwań. Na tej podstawie da się ocenić, czy AI w ogóle jest potrzebne, czy wystarczą reguły. Jeśli budujesz lub rozwijasz portal, zobacz, jak projektujemy platformy B2B i CRM, sprawdź listę funkcji w tekście Panel klienta B2B – co powinien zawierać albo napisz do nas.