Agent AI do automatyzacji zgłoszeń wsparcia, od odpowiedzi po zamknięcie

Dobrze sklasyfikowane zgłoszenie, które pozostaje bez odpowiedzi, na nic się nie zdaje. Gdy już wiadomo, czego dotyczy i jak bardzo pilne jest, trzeba jeszcze napisać odpowiedź, opublikować ją, śledzić termin, zanim wybuchnie, i zamknąć zgłoszenie porządnie. To właśnie tę część pracy, najbardziej powtarzalną i najbardziej wrażliwą na wolumen, może przejąć autonomiczny agent AI.

Problem

Koszt źle obsłużonego zgłoszenia szybko widać w zachowaniu klientów. Według danych Zendesk Benchmark przywołanych przez Zendesk 73% konsumentów zmienia markę po kilku złych doświadczeniach z obsługą, a ponad połowa robi to już po jednym złym doświadczeniu (https://www.zendesk.fr/blog/customer-service/satisfaction/customer-service-statistics/). Raport CX Trends 2026 firmy Zendesk, oparty na ponad 11 000 respondentów w 22 krajach, potwierdza to: 85% ankietowanych liderów CX uważa, że klienci odchodzą po nierozwiązanym problemie, nawet przy pierwszym kontakcie (https://cxtrends.zendesk.com/).

Dobra wiadomość jest taka, że te same dane Zendesk Benchmark pokazują, że AI jest już postrzegana jako przydatna właśnie w tym obszarze: blisko 8 na 10 konsumentów uważa bota AI za przydatnego w prostych problemach, a dwie trzecie ankietowanych liderów mówi, że ich inwestycje w AI dla obsługi klienta przyniosły znaczącą poprawę wyników. Konkretny sygnał rezultatu pochodzi od dostawcy z branży: Intercom, który sprzedaje własnego agenta AI wsparcia (Fin), w czerwcu 2026 podawał średni wskaźnik rozwiązania na poziomie 76% w ponad 7000 obsługiwanych zespołach klienckich, wartość rosnącą z miesiąca na miesiąc według dostawcy (https://www.intercom.com/blog/from-resolutions-to-outcomes-evolving-how-fin-delivers-value/). To liczba podana przez dostawcę na temat jego własnego produktu, nie niezależny pomiar, trzeba więc czytać ją z tym zastrzeżeniem, ale rząd wielkości daje wyobrażenie o tym, co obsługa wspierana przez AI może objąć w przypadku zgłoszeń opartych na bazie wiedzy.

Czego te liczby nie pokazują, to pracy potrzebnej wcześniej, aby wysoki wskaźnik rozwiązania był w ogóle osiągalny: aktualna baza wiedzy, trafne makra dla powtarzalnych przypadków, śledzenie SLA alarmujące przed terminem, a nie po nim. Bez tego przygotowania zautomatyzowana obsługa produkuje głównie odpowiedzi ogólnikowe lub nie na temat, co osłabia zaufanie zamiast je budować. To dokładnie ta luka, którą ten agent ma za zadanie wypełnić: opierać się na tym, co już istnieje, zamiast wymyślać odpowiedź od zera.

Co robi agent, krok po kroku

W Atako ten agent pracuje na zgłoszeniach już otwartych i skategoryzowanych, niezależnie od tego, czy sklasyfikowała je osoba, czy dedykowany agent klasyfikujący. Monitoruje kolejkę nieprzerwanie, ze wszystkich podłączonych kanałów ticketingowych, bez zależności od godzin pracy zespołu.

Dla każdego zgłoszenia wyszukuje w bazie wiedzy firmy najbardziej trafny artykuł, a następnie redaguje odpowiedź dopasowaną do konkretnego kontekstu zgłoszenia i tonu określonego przez firmę. Jeśli grant przyznany na konektorze ticketingowym zezwala na zapis, agent publikuje odpowiedź bezpośrednio, w przeciwnym razie przygotowuje ją jako szkic do zatwierdzenia przez człowieka. Równolegle oblicza i śledzi pozostały czas SLA dla każdego zgłoszenia według jego priorytetu i alarmuje zespół na Slacku, gdy zgłoszenie zbliża się do terminu bez wystarczającej odpowiedzi. Gdy powód zgłoszenia odpowiada wzorcowi już wielokrotnie rozwiązanemu, stosuje lub sugeruje makro zamiast redagować odpowiedź od zera. Po rozwiązaniu zgłoszenia aktualizuje kartę klienta w CRM podsumowaniem rozwiązania.

Wykorzystywane integracje

Zendesk i Freshdesk otrzymują zredagowaną odpowiedź przez update_ticket, jeśli grant zezwala na zapis, i pozwalają agentowi śledzić status zgłoszenia aż do jego zamknięcia. Notion pełni rolę bazy wiedzy: agent wyszukuje w nim trafny artykuł przez search lub query_database, zanim cokolwiek zredaguje, co zapobiega wymyślaniu odpowiedzi bez źródła.

HubSpot aktualizuje kartę klienta po rozwiązaniu zgłoszenia, z podsumowaniem rozwiązania zapisanym na kontakcie lub powiązanej transakcji. Slack otrzymuje wreszcie alert, gdy zgłoszenie zbliża się do terminu SLA bez wystarczającej odpowiedzi, aby człowiek przejął kontrolę, zanim termin wybuchnie.

Co zostaje po stronie człowieka

Agent nigdy nie redaguje odpowiedzi od zera: opiera się na istniejącej bazie wiedzy, a jeśli nie obejmuje ona tematu zgłoszenia, nie ma nic wiarygodnego do zaproponowania. Każda używana przez niego integracja zależy od precyzyjnego grantu: grant tylko do odczytu na Zendesk na przykład zmusza agenta do przygotowywania odpowiedzi jako szkiców zamiast wysyłać je bezpośrednio, co zostawia systematyczny punkt kontroli człowieka, dopóki zespół tego chce.

Trzy odpowiedzialności pozostają wyraźnie ludzkie. Po pierwsze, zatwierdzanie lub poprawianie wygenerowanych odpowiedzi przed wysłaniem we wszystkim, co nie odpowiada makru już zatwierdzonemu przez zespół. Po drugie, obsługa złożonych lub eskalowanych zgłoszeń, których nie obejmuje baza wiedzy, co wymaga prawdziwego osądu w sprawie klienta, a czasem decyzji handlowej, której agent nie ma mandatu podjąć samodzielnie. Po trzecie, utrzymywanie bazy wiedzy na bieżąco: nawet najlepiej zaprojektowany agent nie odpowie poprawnie na podstawie przestarzałej lub niekompletnej dokumentacji.

To działanie stosuje zasadę human-in-the-loop: agent przejmuje powtarzalne redagowanie i śledzenie terminów, człowiek zachowuje kontrolę nad tym, co faktycznie trafia do klienta, gdy tylko przypadek wykracza poza znany schemat. Każde działanie agenta, opublikowana odpowiedź, zastosowane makro, aktualizacja CRM, jest rejestrowane wraz ze statusem i dostępne w osi czasu aktywności agenta oraz w dzienniku integracji całej firmy dla administratora.

Wynik mierzalny

W dłuższej perspektywie ta regularność zmienia też sposób, w jaki zespół wsparcia przeżywa swoje obciążenie pracą: mniej szczytów stresu związanych z cicho wybuchającymi terminami SLA i więcej czasu poświęconego zgłoszeniom, które naprawdę wymagają ludzkiego osądu, a nie odpowiedzi już napisanej gdzie indziej.

Główna korzyść mierzy się na dwóch osiach: dotrzymywanie terminów SLA, ponieważ agent monitoruje każde zgłoszenie nieprzerwanie i alarmuje przed terminem, a nie po nim, oraz regularność jakości odpowiedzi, ponieważ zawsze pochodzą z tej samej bazy wiedzy, a nie są za każdym razem inaczej formułowane przez różne osoby. Nie zwalnia to z utrzymywania aktualnej bazy wiedzy, to wręcz warunek, aby wynik utrzymał się w czasie: nawet najlepiej zaprojektowany agent zależy od jakości tego, co dostaje do przeczytania, co czyni dokumentację inwestycją ciągłą, a nie jednorazowym zadaniem załatwionym raz na początku projektu i zapomnianym aż do kolejnego incydentu.

Plan Standard Atako kosztuje 20 euro miesięcznie za slot agenta, z 1000 kredytami wliczonymi każdego miesiąca na wywołania modelu wykorzystywane przy wyszukiwaniu artykułu, redagowaniu i śledzeniu SLA. Ten koszt pozostaje identyczny niezależnie od wolumenu zgłoszeń obsłużonych w danym miesiącu, liczy się wyłącznie liczba jednocześnie aktywnych agentów. Szczegóły znajdują się na stronie cennik.