Firma kurierska: precyzja okna dostawy 15 min zamiast 4h

Sytuacja wyjściowa

Klient: firma kurierska last-mile obsługująca jedno duże miasto, 3 200 paczek dziennie, 38 kurierów na trasach, 4 dyspozytorów. Działa od 2019 roku, segment B2C i B2B mix 65/35. Konkurencja: lokalne i międzynarodowe firmy z taniej obsługi.

Klient B2C dostawał SMS „dostawa między 9:00 a 13:00". Czekał 4 godziny. 18% klientów nie było pod adresem w momencie dostawy — kurier wracał z paczką, drugie podejście kosztowało 7,80 zł, opóźnienie 1-2 dni. Skargi w mediach społecznościowych, ocena 3,1 na 5 w lokalnych rankingach kurierów. Dyspozytorzy spędzali 5-7h dziennie na obsłudze zapytań „gdzie moja paczka". Operator tracił marżę na ponownych próbach i podnosił ceny.

Jakie procesy weszły na AI

• Prognozowanie okna dostawy 15 min — Model AI uwzględnia sekwencję przystanków kuriera na trasie, historyczny czas obsługi per typ adresu (blok mieszkalny, dom jednorodzinny, firma w centrum), aktualny ruch z Google Maps API, prognozę pogody, profil indywidualnego kuriera (szybszy/wolniejszy). 30 minut przed dostawą wysyłany jest SMS „kurier u Pana za 18 min".
• Self-service rebookingu — Klient w aplikacji może przesunąć dostawę o ±2h, zmienić adres na sąsiada lub paczkomat, zamówić wieczorną dostawę za dopłatą. AI w tle przeliczy trasę dla kuriera i potwierdzi nowy slot.
• Detection eskalacji emocji w komunikacji — Asystent obsługi klienta wykrywa, gdy klient w czacie/mailu jest niezadowolony (analiza tonu, słów kluczowych) i automatycznie eskaluje do dyspozytora ludzkiego z gotowym podsumowaniem sprawy.
• Asystent dyspozytora — Wewnętrzny asystent dla 4 dyspozytorów — odpowiada na pytania klientów po telefonie ze statusem paczki, eskaluje tylko wyjątki. Skrócił czas obsługi telefonu z 4,2 min na 1,8 min.

Architektura rozwiązania

Stack RedAI: Claude Opus 4.7 jako główny silnik konwersacyjny, Bielik 7B do klasyfikacji intencji zgłoszeń, embedding e5-large w Qdrant na bazie wiedzy procedur. Integracje przez MCP z systemem TMS (transport management), CRM, Google Maps API, telefonią VoIP. Model prognozowania trasy: gradient boosting (XGBoost) trenowany na 18 miesiącach historii dostaw, retrenowany co 2 tygodnie incremental.

Dane klienta nie wychodzą poza prywatną instancję RedAI. Wszystkie wywołania modeli, retrieval z bazy wiedzy i operacje na systemach źródłowych logowane do audytu (NIS2, AI Act art. 12, RODO art. 32). Hooks Claude wymuszają deterministyczne kontrole uprawnień (ACL) przed każdym wywołaniem narzędzia.

Liczby i wyniki

Setup wdrożenia: 285 tys. zł (analiza + konektory + pierwszy model + integracja TMS). Opex miesięczny: 22 tys. zł (instancja RedAI + tuning + monitoring). Korzyść miesięczna: 178 tys. zł (oszczędność na re-attempts + niższy CAC dzięki word-of-mouth + zatrzymanie 3 dużych klientów B2B). Payback w 7 miesięcy.

„Pierwszy kurier, który nie psuje mi planu dnia. SMS „za 18 min" — i faktycznie za 18 min dzwoni dzwonek."

— Klient B2C

Co dalej

Kolejna faza (planowana Q3 2026): rozszerzenie na drugie miasto w regionie, dodanie predykcji dla dostaw 7-9 wieczorem (premium slot), automatyczne reorganizowanie tras w przypadku nagłych incydentów (korek, awaria pojazdu).

RedAI działa jako prywatna instancja w infrastrukturze klienta. Dane nie wychodzą poza firmę. Umówcie 30-minutowe demo — pokażemy analogiczne wdrożenie w Waszej branży i policzymy ROI na Waszych liczbach.