Dezvoltarea unui chatbot / agent AI pentru suport clienți

Foarte căutat de magazine online, firme de servicii, clinici, edituri, școli, ONG-uri. Poate răspunde la întrebări, prelua comenzi, căuta în documentație și trimite cereri către un operator uman. McKinsey plasează „customer operations” între cele mai importante zone de valoare pentru AI generativ.

Inteligența artificială schimbă rapid modul în care companiile comunică cu clienții. Dacă în trecut suportul automatizat era asociat în principal cu meniuri rigide, răspunsuri prestabilite și formulare, astăzi un chatbot sau un agent AI poate înțelege întrebări formulate liber, poate consulta documentația unei organizații, poate verifica informații în baze de date și poate executa anumite operațiuni în numele utilizatorului.

Dezvoltarea unui astfel de sistem nu înseamnă însă doar conectarea unui model de limbaj la o fereastră de chat. Un agent AI eficient pentru suport clienți trebuie proiectat ca un sistem complet, care combină inteligența artificială, baza de cunoștințe a companiei, aplicațiile interne, mecanismele de securitate și procedurile de escaladare către operatori umani.

1. Chatbot sau agent AI?

Un chatbot clasic este proiectat în principal pentru conversație. El primește o întrebare și generează sau selectează un răspuns.

Un agent AI poate face mai mult. Pe lângă conversație, acesta poate utiliza instrumente și poate executa acțiuni.

De exemplu, un chatbot poate răspunde:

„Comanda poate fi returnată în termen de 30 de zile.”

Un agent AI ar putea continua:

„Am găsit comanda dumneavoastră. Produsul este încă în perioada de retur. Doriți să inițiez procedura?”

Dacă utilizatorul confirmă, agentul poate transmite cererea către sistemul de gestionare a comenzilor și poate genera instrucțiunile de retur.

Prin urmare, diferența esențială este între un sistem care oferă informații și unul care poate, în anumite limite, acționa.

2. Definirea obiectivelor

Primul pas în dezvoltarea unui agent AI este stabilirea clară a problemelor pe care trebuie să le rezolve.

Un magazin online ar putea dori automatizarea întrebărilor privind:

• starea comenzilor;
• livrarea;
• retururile;
• caracteristicile produselor;
• metodele de plată;
• garanțiile.

O companie de software ar putea avea alte priorități:

• configurarea conturilor;
• resetarea parolelor;
• probleme tehnice uzuale;
• explicații privind funcțiile aplicației;
• facturarea și abonamentele.

Este recomandabil ca prima versiune să trateze un număr limitat de situații, dar să le rezolve foarte bine.

3. Alegerea modelului AI

Motorul unui agent modern este, de regulă, un model lingvistic de mari dimensiuni, cunoscut sub abrevierea LLM – Large Language Model.

Modelul trebuie să poată:

• interpreta limbajul natural;
• menține contextul unei conversații;
• respecta instrucțiuni;
• utiliza informații externe;
• genera răspunsuri coerente și relevante;
• apela, atunci când este necesar, instrumente sau funcții software.

Modelul nu trebuie însă privit ca baza de date a companiei.

Informațiile despre prețuri, produse, contracte, politici sau comenzi trebuie obținute din surse controlate de organizație.

4. Construirea bazei de cunoștințe

Un agent AI pentru suport clienți este util numai dacă are acces la informații corecte.

Baza de cunoștințe poate include:

• pagini de tip FAQ;
• manuale;
• documentație tehnică;
• politici de retur;
• condiții contractuale;
• descrieri de produse;
• proceduri interne;
• articole de suport;
• conversații și tichete rezolvate anterior.

Documentele trebuie curățate, organizate și actualizate periodic.

Unul dintre principiile fundamentale este ca agentul să utilizeze informațiile companiei în loc să se bazeze exclusiv pe informațiile învățate în timpul antrenării modelului AI.

5. Utilizarea tehnicii RAG

O arhitectură foarte utilizată este Retrieval-Augmented Generation, prescurtată RAG.

Procesul poate fi simplificat astfel:

Întrebarea clientului → căutare în baza de cunoștințe → selectarea informațiilor relevante → transmiterea acestora modelului AI → generarea răspunsului.

Să presupunem că un client întreabă:

„În cât timp pot returna un produs?”

Sistemul caută în documentele companiei și găsește politica actuală de retur. Fragmentul relevant este transmis modelului, iar răspunsul este generat pe baza informației respective.

Această metodă reduce semnificativ riscul ca AI-ul să inventeze informații.

6. Căutarea semantică și bazele de date vectoriale

Pentru sistemele RAG, documentele sunt frecvent transformate în reprezentări matematice numite embeddings.

Acestea permit identificarea asemănării semantice dintre întrebarea clientului și informațiile din documente.

De exemplu, întrebările:

„Cum îmi recuperez banii?”

și

„Care este procedura pentru rambursare?”

pot fi recunoscute ca fiind foarte apropiate ca sens chiar dacă folosesc cuvinte diferite.

Embeddings sunt stocate de regulă într-o bază de date vectorială, care permite găsirea rapidă a informațiilor relevante.

7. Proiectarea instrucțiunilor agentului

Modelul AI trebuie să primească reguli clare privind comportamentul său.

Un set simplificat de instrucțiuni ar putea preciza:

„Ești agentul virtual de suport al companiei X. Răspunde politicos și concis. Utilizează numai informațiile furnizate de baza de cunoștințe. Nu inventa prețuri, termene sau politici. Dacă informația nu este disponibilă, spune acest lucru și transferă conversația unui operator uman.”

Aceste instrucțiuni sunt extrem de importante.

Agentul trebuie să știe nu numai ce trebuie să facă, ci și ce nu are voie să facă.

8. Conectarea agentului la aplicațiile companiei

Un agent AI devine mult mai util atunci când poate consulta sisteme externe.

Poate fi conectat, de exemplu, la:

• CRM;
• platforma de comerț electronic;
• sistemul de facturare;
• aplicația de ticketing;
• baza de date a clienților;
• sistemul logistic;
• aplicația de programări.

Agentul poate utiliza API-uri pentru efectuarea unor operațiuni controlate.

Astfel, ar putea primi funcții precum:

verifica_comanda()
verifica_factura()
creeaza_tichet()
initiaza_retur()
modifica_programare()

Modelul decide când este necesară utilizarea unei funcții, iar aplicația execută operațiunea.

9. Identificarea și autentificarea clientului

Una dintre cele mai importante probleme apare atunci când agentul trebuie să acceseze informații personale.

Un agent nu trebuie să ofere informații despre comenzi, facturi sau conturi înainte ca utilizatorul să fie identificat corespunzător.

Autentificarea poate fi realizată prin:

• contul utilizatorului;
• cod trimis prin e-mail;
• cod SMS;
• autentificare existentă pe site;
• sisteme SSO.

Agentul trebuie să aibă acces numai la informațiile necesare pentru rezolvarea solicitării respective.

10. Memoria conversației

Un agent AI trebuie să păstreze contextul conversației.

Dacă un client spune:

„Am comandat un laptop săptămâna trecută.”

iar ulterior întreabă:

„Când ajunge?”

sistemul trebuie să înțeleagă că întrebarea se referă la laptopul menționat anterior.

Memoria poate exista pe mai multe niveluri.

Memoria conversațională păstrează informațiile pe durata sesiunii curente.

Memoria persistentă, dacă este permisă și justificată, poate păstra anumite preferințe sau date relevante între conversații.

Utilizarea memoriei persistente trebuie însă proiectată atent din perspectiva confidențialității și protecției datelor.

11. Escaladarea către un operator uman

Un agent AI bun trebuie să știe când să se oprească.

Nu toate problemele trebuie automatizate.

Transferul către un operator poate deveni necesar atunci când:

• agentul nu găsește răspunsul;
• clientul solicită explicit un operator;
• situația este neobișnuită;
• este vorba despre o reclamație serioasă;
• este necesară o decizie comercială;
• există implicații juridice sau financiare importante.

Operatorul uman ar trebui să primească istoricul conversației și, ideal, un rezumat automat al situației.

Astfel, clientul nu este obligat să explice din nou întreaga problemă.

12. Reducerea „halucinațiilor”

Modelele AI pot genera uneori informații care par credibile, dar sunt incorecte. Acest fenomen este cunoscut sub numele de halucinație.

În suportul clienți, problema poate deveni serioasă.

Agentul ar putea inventa, de exemplu:

• un termen de livrare;
• o reducere;
• o politică de retur;
• o caracteristică a produsului;
• o condiție contractuală.

Riscul poate fi redus prin utilizarea RAG, prin instrucțiuni stricte și prin verificarea informațiilor în sistemele companiei.

Un principiu important este:

Atunci când agentul nu știe, trebuie să poată spune că nu știe.

13. Implementarea unor limite de acțiune

Cu cât agentul primește mai multe drepturi de acțiune, cu atât sunt necesare mai multe măsuri de siguranță.

Unele operațiuni pot fi executate automat:

• verificarea unei comenzi;
• furnizarea unui document;
• crearea unui tichet.

Altele ar trebui să necesite confirmarea clientului:

• anularea unei comenzi;
• modificarea unei rezervări;
• inițierea unui retur.

Pentru operațiuni cu impact financiar sau juridic poate fi necesară și aprobarea unui angajat.

Se poate astfel construi o scară a autonomiei agentului.

14. Interfața cu utilizatorul

Agentul poate fi disponibil prin mai multe canale:

• fereastră de chat pe site;
• aplicație mobilă;
• WhatsApp;
• Messenger;
• e-mail;
• platforme sociale;
• telefon, prin integrarea cu recunoașterea și sinteza vocală.

Indiferent de canal, interfața trebuie să comunice clar că utilizatorul interacționează cu un sistem automatizat.

De asemenea, accesul la un operator uman trebuie să fie ușor de găsit.

15. Testarea agentului

Înainte de lansare trebuie construite sute sau chiar mii de scenarii de testare.

Acestea pot include întrebări normale:

„Care este termenul de livrare?”

dar și formulări ambigue:

„Unde este pachetul meu?”

sau solicitări complicate:

„Am primit alt produs decât cel comandat și vreau să îl schimb.”

Trebuie testate inclusiv situații în care utilizatorul oferă informații incomplete, contradictorii sau încearcă să determine agentul să ignore regulile stabilite.

16. Indicatorii de performanță

După lansare, performanța agentului trebuie monitorizată permanent.

Printre indicatorii importanți se află:

Rata de rezolvare automată – procentul solicitărilor rezolvate fără intervenție umană.

Rata de escaladare – procentul conversațiilor transferate operatorilor.

Timpul de rezolvare – durata medie până la soluționarea problemei.

Acuratețea răspunsurilor – proporția răspunsurilor corecte și conforme cu informațiile oficiale.

Satisfacția clienților – evaluarea experienței după conversație.

Cel mai important obiectiv nu este reducerea numărului de operatori, ci rezolvarea mai rapidă și mai corectă a problemelor clienților.

17. O arhitectură simplificată

Un sistem modern poate avea următoarea structură:

Client

↓

Interfață chat

↓

Agent AI / LLM

↓

Sistem de orchestrare

↙︎ ↓ ↘︎

Baza de cunoștințe – CRM – Magazin online – Ticketing – Facturare

↓

Răspuns sau acțiune

↓

Client

Dacă problema nu poate fi rezolvată:

Agent AI → Operator uman

Această arhitectură permite separarea clară a conversației de date și de operațiunile efectuate în sistemele companiei.

18. De la chatbot la sistem multi-agent

Pentru aplicații complexe pot fi utilizați mai mulți agenți AI specializați.

Un sistem ar putea conține:

• agent pentru identificarea intenției clientului;
• agent pentru produse;
• agent pentru facturare;
• agent pentru suport tehnic;
• agent pentru retururi;
• agent pentru verificarea răspunsului.

Un agent coordonator decide cărui agent specializat trebuie să îi transmită solicitarea.

De exemplu:

Client → Agent coordonator → Agent facturare → Sistem contabil → Agent coordonator → Client

Această arhitectură poate fi utilă pentru organizații mari, dar nu este întotdeauna necesară. Pentru multe companii, un singur agent bine proiectat, conectat la mai multe instrumente, este mai simplu și mai ușor de administrat.

19. Dezvoltarea unei prime versiuni

Un proiect realist poate începe cu un Minimum Viable Product – MVP.

Prima versiune ar putea avea numai trei capacități:

1. răspunsuri la întrebările frecvente;
2. căutarea informațiilor în documentația companiei;
3. transferul conversației către un operator.

Ulterior pot fi introduse treptat:

• verificarea comenzilor;
• generarea tichetelor;
• procesarea retururilor;
• programările;
• integrarea cu CRM;
• personalizarea răspunsurilor;
• suportul vocal.

Această dezvoltare graduală permite evaluarea performanței și reducerea riscurilor înainte de creșterea autonomiei agentului.

20. Concluzie

Construirea unui chatbot sau agent AI pentru suport clienți este mai degrabă un proiect de integrare software decât simpla utilizare a unui model de inteligență artificială.

Modelul lingvistic reprezintă doar motorul conversației.

Valoarea reală apare atunci când acesta este conectat la informațiile și procesele companiei.

Un sistem eficient combină:

model AI + bază de cunoștințe + RAG + API-uri + sisteme interne + reguli de securitate + operatori umani.

Viitorul suportului clienți va fi probabil unul hibrid. Agenții AI vor rezolva instantaneu majoritatea solicitărilor repetitive și vor putea efectua numeroase operațiuni administrative, în timp ce oamenii se vor concentra asupra situațiilor complexe, excepțiilor, negocierilor și relațiilor cu clienții.

În acest model, inteligența artificială nu înlocuiește pur și simplu departamentul de suport, ci devine primul nivel al unui sistem în care automatizarea și expertiza umană lucrează împreună.