Wykorzystanie AI do automatyzacji procesów obsługi klienta

Projekt

Głównym celem projektu było wprowadzenie rozwiązań opartych na AI do procesów obsługi klienta.

System umożliwia:

• generowanie podsumowań rozmów, wiadomości e-mail i czatów,
• tworzenie notatek wspierających konsultantów,
• przetwarzanie transkrypcji w czasie rzeczywistym,
• łączenie danych organizacji z platformą Agentic GenAI,
• zapisywanie kontekstu i historii sesji użytkownika,
• integrację kolejnych usług i modeli AI.

Rozwiązanie poprawiło jakość obsługi klienta, a jednocześnie ograniczyło koszty operacyjne, dzięki automatyzacji ręcznych i powtarzalnych czynności.

Zadanie

• Zbudowanie od podstaw serwisu integrującego systemy klienta z platformą GenAI. 
• Zaprojektowanie skalowalnej i modułowej architektury. 
• Implementacja komunikacji synchronicznej oraz event-driven. 
• Integracja z usługami transkrypcji i zewnętrznymi modelami AI. 
• Przygotowanie infrastruktury Kubernetes oraz procesów CI/CD. 
• Zapewnienie monitoringu, metryk i alertów. 
• Rozwiązywanie problemów w komponentach utrzymywanych przez inne zespoły. 
• Przygotowanie rozwiązania do migracji na kolejne środowiska organizacji. 
• Stopniowe przejmowanie odpowiedzialności za usługi rozwijane wcześniej przez zewnętrznego dostawcę. 

Realizacja

Prace rozpoczęły się od poznania kontekstu biznesowego i analizy potrzeb technologicznych. Na tej bazie przystąpiliśmy do zbudowania nowego zespołu, określenia jego roli w organizacji oraz wypracowania zasad współpracy z Business Ownerami i stakeholderami. Ze względu na zmieniające się priorytety istotnym elementem projektu było bieżące planowanie roadmapy i doprecyzowywanie zakresu kolejnych etapów. 

Pierwszym wdrożonym przypadkiem użycia było generowanie jednorazowych podsumowań na podstawie transkrypcji, wiadomości e-mail i czatów. 

W kolejnej fazie rozwiązanie rozbudowano o architekturę event-driven, umożliwiającą przetwarzanie rozmów i generowanie notatek w czasie rzeczywistym. Zespół odpowiadał za cały proces dostarczania rozwiązania od analizy, architektury i implementacji, przez testy, aż po przygotowanie infrastruktury Kubernetes i wsparcie wdrożeń. 

Duży nacisk położono na stabilność i obserwowalność systemu. Wprowadzono metryki Prometheus, dashboardy i alerty Grafana, tracing oraz testy obciążeniowe, co pozwoliło szybciej diagnozować problemy i kontrolować jakość działania usług. 

Powstała skalowalna podstawa technologiczna, która pozwala organizacji rozwijać kolejne scenariusze wykorzystania AI w obsłudze klienta.

Zespół

• 1x Tech Lead 
• 1x Project Manager 
• 2x Expert Java Developer 
• 2x Regular Java Developer 

Lepsza przewidywalność projektu dzięki ADF

Efektem 16 lat doświadczenia j‑labs jest Agile Delivery Framework, czyli nasza metodyka dostarczania projektów IT. Regularne monitorowanie satysfakcji klienta jest wpisane w etap Delivery, pozwola nam szybko zidentyfikować obszary wymagające poprawy. Dzięki cyklicznym badaniom CSAT zespół szybko zidentyfikował obszary wymagające usprawnienia.  
 
Wraz z rozwojem projektu pojawiła się potrzeba większej transparentności i usystematyzowania. Dzięki regularnemu feedbackowi wspólnie z Klientem szybko dostosowaliśmy sposób pracy, przechodząc z Kanbanu na Scrum. Płynna adaptacja pozwoliła odpowiedzieć na nowe potrzeby bez generowania kosztów wynikających z utrzymywania niedopasowanego sposobu pracy. 

Zmiana sposobu pracy: 

• zwiększyła przewidywalność realizacji zadań,
• usprawniła planowanie,
• oraz umożliwiła bardziej transparentne komunikowanie statusu projektu.

Aktualny postęp prac, priorytety i plan kolejnych działań stały się czytelne zarówno dla klienta, jak i pozostałych interesariuszy w organizacji.

Potwierdzona wartość dla klienta 

Efekty współpracy zostały potwierdzone w cyklicznym badaniu satysfakcji klienta CSAT.

• W obszarze wsparcia, komunikacji i responsywności klient przyznał ocenę 5/5.  
• Za zaangażowanie, kompetencje, współpracę zespołową oraz jakość dostarczanego oprogramowania inżynierowie otrzymali ocenę 4/5.