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

Kontekst i potrzeby

Firma z branży urządzeń przemysłowych i oprogramowania sterującego — katalog obejmujący kilka tysięcy produktów, dziesiątki serii, setki wariantów konfiguracyjnych. 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 produktowa była w PDF-ach i arkuszach, część w systemie DMS, a część na dyskach zespołowych — przy katalogu obejmującym kilka tysięcy produktów, dziesiątki serii i setki wariantów konfiguracyjnych odnalezienie właściwej informacji bywało czasochłonne. Handlowcy często „pamiętali”, że podobny przypadek był już rozwiązywany, ale dotarcie do właściwego pliku zajmowało czas, którego w rozmowie z klientem brakuje. Dział techniczny stawał się przez to wąskim gardłem, bo w kółko odpowiadał na te same pytania, zamiast zajmować się trudniejszymi sprawami. W tle pojawiały się też ryzyka związane z aktualnością i poprawnością danych — łatwo było sięgnąć po nieaktualną wersję dokumentu albo pominąć normę czy zależność między komponentami. Im bardziej rozbudowana oferta, tym mocniej rozproszona wiedza spowalniała sprzedaż i obciążała inżynierów powtarzalnymi zapytaniami, które dało się obsłużyć w sposób uporządkowany, bez angażowania za każdym razem specjalisty.

Jak działa rozwiązanie – krok po kroku

1) Warstwa wiedzy i źródła

Najpierw 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, a teksty z PDF-ów oraz skanów odczytywane przez OCR; każdy dokument dostaje metadane, takie jak typ, wersja, data i produkt. W toku zapytania Agent AI nie zgaduje — najpierw retriever wyszukuje najbardziej trafne fragmenty w wektorowej bazie danych, a potem generator buduje odpowiedź, cytując kluczowe parametry i odwołując się do źródeł, na przykład linku do strony PDF czy sekcji instrukcji. Dodajemy też guardraile: zasady, kiedy odpowiedź ma wskazać brak danych i poprosić o dodatkowy parametr, kiedy zaproponować kontakt z inżynierem oraz jak formatować wyniki. Uprawnienia użytkowników kontrolują dostęp do materiałów zastrzeżonych, a każda odpowiedź jest audytowalna, ponieważ zapisujemy źródła i wersje dokumentów, które posłużyły do jej zbudowania.

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

Działanie agenta najlepiej widać na konkretnym pytaniu. Użytkownik pyta: „Jaka pompa będzie optymalna do aplikacji z chemikaliami o pH=12 i temperaturze 80°C, wymagająca wydajności 50 l/min?”. Agent odpowiada, opierając się na dokumentacji firmy: „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.”. Odpowiedź nie jest zgadywaniem — wskazuje konkretny model, podaje parametry odporności i wydajności oraz proponuje warianty alternatywne, a każde twierdzenie odsyła do źródła w dokumentacji. Dzięki temu handlowiec dostaje gotową, możliwą do zweryfikowania rekomendację, którą może od razu przekazać dalej, a klient widzi, skąd wynika dobór i na jakich danych technicznych się opiera, co usuwa wątpliwości jeszcze przed rozmową z inżynierem.

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, zamiast odkładać odpowiedź albo zgadywać. To zmienia sposób prowadzenia rozmów: zamiast unikać trudnych pytań technicznych, sprzedawca może je drążyć, bo ma natychmiastowy dostęp do aktualnej dokumentacji. Klienci z kolei doceniają przejrzystość — w odpowiedziach pojawiają się cytaty z dokumentów oraz uczciwe ostrzeżenia w stylu „dobór zależy jeszcze od lepkości i ciśnienia roboczego, podaj zakres, a doprecyzuję”. Taka komunikacja buduje zaufanie, bo pokazuje, że rekomendacja nie jest improwizowana, lecz wynika ze źródeł, a system otwarcie sygnalizuje, kiedy potrzebuje dodatkowych danych. W efekcie po stronie handlowca rośnie odwaga w rozmowie, a po stronie klienta poczucie, że ma do czynienia z partnerem, który wie, o czym mówi, i nie obiecuje rzeczy niepopartych dokumentacją.

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.