Agent AI jako doradca produktowy w oparciu o RAG – eksperckie odpowiedzi bez czekania

Firmy oferujące złożone, techniczne lub konfigurowalne produkty stoją dziś przed trudnym wyborem: albo szkolić handlowców w dziesiątkach niuansów specyfikacji, albo akceptować, że część zapytań będzie wymagała czasochłonnych konsultacji z działem technicznym. W efekcie klient czeka, a to wprost przekłada się na spadek konwersji. W opisanym wdrożeniu pokazujemy, jak Agent AI oparty o RAG (Retrieval-Augmented Generation) stał się doradcą produktowym — dostarczając precyzyjne, uargumentowane odpowiedzi w miejscu i chwili, w której klient ich potrzebuje.

Kontekst i potrzeby

Przykładowa Firma X działa w branży urządzeń przemysłowych i software’u sterującego. Jej oferta jest rozbudowana: setki modeli, wersji i opcji, do tego normy jakościowe, warunki pracy i zależności między komponentami. Handlowcy są świetni w rozmowie z klientem i domykaniu transakcji, ale nie są w stanie pamiętać wszystkich detali. Klienci natomiast pytają o konkret: „Jaka pompa będzie optymalna do aplikacji z chemikaliami o pH=12 i temperaturze 80°C, przy wydajności 50 l/min?”. Odpowiedź wymaga wglądu w karty katalogowe, noty aplikacyjne, listy zgodności materiałowej i historię zgłoszeń serwisowych. Do tej pory oznaczało to wymianę maili i kilka dni czekania.

Na czym polegał problem?

Kluczowe trudności wynikały z rozproszenia wiedzy i formatu danych. Dokumentacja była w PDF-ach i arkuszach, część w systemie DMS, część w dyskach zespołowych. Handlowcy często „pamiętali”, że podobny przypadek był już rozwiązywany — ale odnalezienie właściwego pliku zajmowało czas. Dział techniczny stawał się wąskim gardłem, odpowiadając w kółko na te same pytania. W tle pojawiały się też ryzyka: niespójne odpowiedzi, gubienie kontekstu korespondencji oraz brak pełnej audytowalności tego, na czym oparto rekomendację.

Jak działa rozwiązanie – krok po kroku

1) Warstwa wiedzy i źródła

Tworzymy bazę wiedzy zasilaną wszystkimi akceptowalnymi materiałami: instrukcjami, kartami katalogowymi, notami aplikacyjnymi, standardami jakości, FAQ działu serwisu oraz historycznymi opisami awarii i ich rozwiązań. Pliki są automatycznie pobierane z systemów firmowych i normalizowane (teksty z PDF oraz skanów są odczytywane przez OCR). Każdy dokument dostaje metadane (typ, wersja, data, produkt, zakres temperatur, medium itp.), co później pomaga w dokładnym filtrowaniu.

2) Wyszukiwanie kontekstowe (RAG)

W toku zapytania Agent AI nie zgaduje. Najpierw retriever wyszukuje najbardziej trafne fragmenty w wektorowej bazie danych (embeddingi), a następnie generator buduje odpowiedź, cytując kluczowe parametry i odwołując się do źródeł (link do strony PDF, sekcji instrukcji lub wpisu bazy wiedzy). Przykładowa odpowiedź na pytanie o pompę oprze się na zakresie odporności materiałów, dopuszczalnej temperaturze pracy i krzywych wydajności, a na końcu zasugeruje konkretny model z uzasadnieniem i alternatywą.

3) Reguły, bezpieczeństwo i ton

Dodajemy guardraile: zasady, kiedy odpowiedź ma wskazać brak danych i poprosić o dodatkowy parametr (np. lepkość, ciśnienie), kiedy ma zaproponować kontakt z inżynierem oraz jak formatować wyniki (np. tabelka z parametrami, ostrzeżenia BHP). Uprawnienia użytkowników kontrolują dostęp do materiałów zastrzeżonych. Każda odpowiedź jest audytowalna — zapisujemy źródła i wersje dokumentów, które posłużyły do rekomendacji.

4) Integracja z WWW i intranetem

Agent działa dwutorowo: na stronie WWW jako doradca dla klientów (widget w stopce, dedykowana podstrona „Dobór produktu”) oraz w intranecie dla handlowców. Wersja publiczna używa prostszego słownika i dopuszcza tylko materiały ogólnodostępne; wersja wewnętrzna potrafi „zajrzeć” w nieopublikowane noty, a nawet tworzyć szkice ofert w oparciu o wybrane modele.

API czy maile? Obsługujemy oba

Źródła danych są różnorodne, dlatego pipeline przewiduje dwa tryby zasilania:

• API – jeśli DMS/ERP/PLM lub biblioteka dokumentów udostępnia API, agent cyklicznie pobiera i wersjonuje nowe pliki, buduje embeddingi oraz aktualizuje indeks bez przestojów.
• Pliki z e-maila – gdy część dokumentacji „przychodzi mailem” (np. nowe karty od producenta), dedykowana skrzynka odbiera załączniki (PDF/CSV/XLS), a moduł ETL i OCR normalizuje treści i dorzuca do bazy. To szczególnie ważne w branżach, gdzie dostawcy nie mają jeszcze wygodnych interfejsów.

W obu przypadkach system dba o spójność wersji i widoczność zmian (np. oznaczając dokument jako wycofany lub zastąpiony nową rewizją).

Przykładowa interakcja

Użytkownik: „Jaka pompa będzie optymalna do aplikacji z chemikaliami o pH=12 i temperaturze 80°C, wymagająca wydajności 50 l/min?”
Agent: „Na podstawie Karty katalogowej serii PX (rozdz. Materiały, s. 7) oraz Noty aplikacyjnej A-112 rekomenduję model PX-50C z uszczelnieniem typu Y. Odporność materiałowa dla pH 12 potwierdzona do 90°C; krzywa wydajności wskazuje 48–55 l/min przy 3 bar. Alternatywnie modele PX-45B i PX-55C. Szczegóły w załączonych cytatach.”

Co zmieniło się w praktyce

• Skrócony czas odpowiedzi – klient otrzymuje merytoryczną podpowiedź od razu na stronie lub podczas rozmowy z handlowcem. Konsultacje techniczne są zarezerwowane dla niestandardowych przypadków.
• Mniej błędów i większa spójność – odpowiedzi opierają się na aktualnych dokumentach. Agent podaje źródła, więc każdy może szybko zweryfikować parametry.
• Oszczędność czasu zespołu – handlowcy nie wracają do „wiecznych wątków” na mailu; zamiast tego wysyłają klientowi link do konkretnej rekomendacji lub generują wstęp ofertowy.
• Lepsze doświadczenie klienta – szybka, pewna siebie komunikacja buduje wrażenie profesjonalizmu. Klient czuje, że rozumiemy jego problem i mówimy językiem jego branży.

Element ludzki: pewność i zaufanie

Najciekawszy efekt, o którym mówił zespół sprzedaży, to pewność. Handlowiec, mając Agenta „pod ręką”, chętniej dopytuje o szczegóły aplikacji, bo wie, że w kilka sekund sprawdzi konsekwencje różnych konfiguracji. Klienci doceniają przejrzystość: w odpowiedziach pojawiają się cytaty z dokumentów oraz ostrzeżenia typu „dobór zależy jeszcze od lepkości i ciśnienia roboczego — podaj zakres, a doprecyzujemy”. To nadaje rozmowie ton partnerskiej konsultacji.

Wdrożenie w skrócie

• Audyt treści – inwentaryzacja źródeł (DMS, ERP, dyski zespołowe, skrzynki e-mail), decyzja o zakresie danych publicznych i wewnętrznych.
• ETL + OCR – normalizacja PDF/Office, wyodrębnienie tabel i jednostek, nadanie metadanych.
• Indeks i embeddingi – pocięcie dokumentów na sensowne fragmenty, wektorowa baza, reguły wersjonowania.
• Warstwa aplikacyjna – widget WWW i panel intranetowy, szablony odpowiedzi, ścieżka „eskalacji” do inżyniera.
• Monitoring jakości – dziennik pytań, oceny odpowiedzi, szybkie doszkalanie bazy na podstawie realnych konwersacji.

Podsumowanie

Agent AI jako doradca produktowy w architekturze RAG pozwala odciążyć handlowców z powtarzalnych, technicznych pytań i jednocześnie dać klientowi pewność, że rekomendacja wynika z aktualnej dokumentacji. Dzięki dwóm trybom pobierania danych — po API i z e-maili — rozwiązanie działa w realnym świecie, gdzie formaty są różne, a zasoby rozproszone. W efekcie firma buduje wizerunek eksperta i szybciej prowadzi klienta do właściwego wyboru.