Case studies

Wdrożenia — co zrobiliśmy, ile to dało

Poniżej cztery przykłady wdrożeń agentów AI w różnych branżach. Nazwy firm zmienione ze względu na NDA, ale liczby i mechanizmy są realne.

Agent obsługi klienta — e-commerce, branża modowa

Problem: Firma e-commerce (150 pracowników, 2000 zamówień/dzień) otrzymywała ok. 300 zapytań klientów dziennie: Gdzie jest moja paczka? Chcę zwrócić produkt. Czy rozmiar M będzie dobry na 175 cm? Zamówiłem nie ten kolor. Kiedy wróci rozmiar L? Zespół obsługi (5 osób) nie nadążał — średni czas odpowiedzi: 4 godziny, w szczycie sezonu: 12+ godzin. Niezadowoleni klienci, negatywne opinie, utracona sprzedaż.

Rozwiązanie: Agent AI zintegrowany z: systemem e-commerce (WooCommerce — statusy zamówień, dane produktów, stany magazynowe), systemem logistycznym (API firmy kurierskiej — tracking), emailem (Gmail — odbieranie i wysyłanie), bazą wiedzy (tabele rozmiarów, polityka zwrotów, FAQ). Agent czyta email, klasyfikuje typ zapytania, pobiera dane z odpowiedniego systemu, generuje spersonalizowaną odpowiedź, wysyła. Gdy nie jest pewny — eskaluje do człowieka z pełnym kontekstem (nie: nowe zapytanie od klienta — ale: klient Jan Kowalski, zamówienie #45623, problem z rozmiarem, proponowana odpowiedź: [treść]).

Wyniki (po 3 miesiącach): 85% zapytań obsłużonych autonomicznie (bez udziału człowieka). Średni czas odpowiedzi: z 4 godzin do 30 sekund. Zespół obsługi: z 5 osób do 2 (pozostałe 3 przeniesione do zadań wyższej wartości). Satisfaction score klientów: wzrost z 3,2/5 do 4,6/5. ROI: wdrożenie zwróciło się w 4 miesiące.

Agent analizy dokumentów — kancelaria prawna

Problem: Kancelaria (40 prawników, specjalizacja: nieruchomości komercyjne) analizuje ok. 1000 umów miesięcznie: najmu, dzierżawy, sprzedaży, zarządzania. Każda umowa: 15–40 stron. Prawnik czyta całość, identyfikuje klauzule ryzyka (kary umowne, odpowiedzialność, waloryzacja, wypowiedzenie, gwarancje), porównuje ze standardem rynkowym, przygotowuje raport z komentarzami. Czas na jedną umowę: 3–4 godziny. Prawnicy spędzają 80% czasu na czytaniu, 20% na myśleniu. Nuda, zmęczenie, ryzyko przeoczenia.

Rozwiązanie: Agent AI z bazą RAG zawierającą: 200 wzorców umów (gold standard kancelarii), katalog 150 klauzul ryzyka z oceną (niskie/średnie/wysokie), orzecznictwo i komentarze prawne. Agent: czyta umowę (PDF → OCR → tekst → analiza), identyfikuje wszystkie klauzule ryzyka, porównuje ze standardem kancelarii, generuje raport (Klauzula 7.3: kara umowna 200% — standard rynkowy: 100% — ryzyko: WYSOKIE — sugerowana zmiana: obniżyć do 100% z limitem 50% wartości umowy). Prawnik: zamiast 4 godzin czytania — 30 minut weryfikacji raportu agenta.

Wyniki: Czas analizy jednej umowy: z 3–4 godzin do 20–30 minut (redukcja 90%). Dokładność identyfikacji klauzul: 97% (weryfikowane przez prawników przez pierwsze 3 miesiące). Przepustowość kancelarii: wzrost o 40% (więcej umów przeanalizowanych w tym samym czasie). Prawnicy: zamiast czytać — myślą, negocjują, doradzają klientom.

Agent raportowania — firma logistyczna

Problem: Dyrektor operacyjny firmy logistycznej (300 pracowników, 50 pojazdów, 3 magazyny) potrzebował codziennego raportu złożonego z danych z 12 źródeł: ERP (przychody, koszty), TMS (statusy transportów), WMS (stany magazynowe), GPS (pozycje pojazdów), helpdesk (reklamacje), Google Analytics (ruch na stronie), Excel (budżet). Analityk spędzał 2 godziny dziennie na ręcznym zbieraniu danych, kopiowaniu do Excela, tworzeniu wykresów i pisaniu komentarzy. Raport był gotowy o 10:00 — dyrektor wolałby mieć go o 7:00.

Rozwiązanie: Agent łączący się z każdym źródłem danych przez API, pobierający dane o 5:30, przetwarzający, generujący raport z wykresami i komentarzami analitycznymi (UWAGA: koszty paliwa wzrosły o 12% vs tydzień wcześniej — przyczyna: wzrost cen na stacjach o 8% + większy przebieg trasy Północ), wysyłający na Slacka o 6:00.

Wyniki: Raport gotowy codziennie o 6:00 (zamiast 10:00). Oszczędność: 2 godziny dziennie = 40 godzin miesięcznie = pełen etat analityka. Jakość: spójna, kompletna, bez błędów kopiowania. Dodatkowa wartość: agent identyfikuje anomalie, których człowiek by nie zauważył (bo nie porównywałby danych z 12 źródeł jednocześnie).

Agent wewnętrzny Q&A — firma produkcyjna

Problem: Firma produkcyjna (800 pracowników) miała 5000+ dokumentów wewnętrznych: procedury, instrukcje, regulaminy, formularze, szablony — rozrzucone po SharePoint, dyskach sieciowych, emailach i głowach długoletnich pracowników. Nowy pracownik: Gdzie znajdę formularz zgłoszenia wypadku? pytał trzech kolegów, szukał 20 minut, często nie znajdował. Wiedza instytucjonalna rozpraszała się i ginęła przy każdym odejściu doświadczonego pracownika.

Rozwiązanie: Agent AI z bazą RAG zbudowaną z całej dokumentacji firmy (5000 dokumentów zaindeksowanych, wektoryzowanych, przeszukiwalnych w milisekundach). Dostępny przez Slacka i Teams. Pracownik pisze: Jaka jest procedura zwrotu towaru powyżej 10 000 zł? Agent: odpowiada w 3 sekundy, cytuje źródło (dokument, sekcja, data aktualizacji), linkuje do oryginału.

Wyniki: 95% trafnych odpowiedzi (weryfikowane przez pierwszych 2 miesiące). Średni czas szukania informacji: z 15–20 minut do 3–5 sekund. Onboarding nowych pracowników: skrócony o 30% (agent odpowiada na 80% pytań, które wcześniej trafiały do kolegów). Wiedza instytucjonalna: zabezpieczona, dostępna, aktualizowalna.