Jak AI może pomóc w obsłudze reklamacji konsumenckich i pilnować terminów gwarancji albo rękojmi?

AI wpięte w system obsługi reklamacji sprawdza każdego dnia, które sprawy zbliżają się do ustawowego terminu odpowiedzi i sygnalizuje to odpowiedzialnej osobie, zanim termin minie. Jednocześnie przy każdym nowym zgłoszeniu automatycznie kwalifikuje je do właściwego trybu: gwarancja producenta albo rękojmia ustawowa, bo to są dwa różne reżimy i pomylenie ich generuje realne konsekwencje prawne. Zamiast śledzić daty w arkuszu albo liczyć na pamięć pracownika, biuro reklamacji dostaje od AI projekt odpowiedzi z gotową podstawą i proponowaną decyzją.

Jakie dane potrzebuje AI, żeby obsłużyć zgłoszenie reklamacyjne

Typowy system reklamacyjny: czy to moduł w ERP, osobna aplikacja do obsługi zgłoszeń, czy nawet dobrze zbudowany arkusz kalkulacyjny, trzyma kilka podstawowych pól. AI pracuje na tym, co już jest. Nie trzeba zbierać nowych danych, trzeba zadbać o to, żeby te istniejące były regularnie uzupełniane przez osobę przyjmującą zgłoszenie.

Pola, na których AI opiera swoją pracę:

• numer zgłoszenia i data wpływu: od tego zaczyna się odliczanie terminu odpowiedzi
• dane klienta: imię, nazwisko, adres i, co istotne, czy to konsument czy przedsiębiorca: rękojmia ma inne zasady w B2B i AI musi to wiedzieć
• model produktu i numer seryjny albo partii produkcyjnej: bez tego nie da się zestawiać wadliwych serii
• data zakupu z dokumentu: paragon, FV imienna, potwierdzenie zamówienia online: to pole decyduje, czy rękojmia jeszcze obowiązuje i czy mieścimy się w terminie gwarancji
• rodzaj dokumentu zakupu i czy jest dołączony: brak dokumentu to osobna ścieżka obsługi, AI to widzi i zaznacza w projekcie odpowiedzi
• opis wady: wpisany przez klienta lub przez pracownika przyjmującego zgłoszenie, najlepiej w osobnym polu, nie jako jeden długi komentarz
• status sprawy: nowe, w toku, oczekuje na odesłanie produktu, w serwisie, zamknięte
• historia poprzednich napraw danego egzemplarza: jeśli produkt był wcześniej w serwisie w ramach tej samej gwarancji, AI bierze to pod uwagę przy kwalifikacji

Do tego AI potrzebuje dostępu do kart gwarancyjnych lub warunków gwarancji dla konkretnych modeli, żeby wiedzieć, ile lat i na jakich warunkach producent objął produkt gwarancją. Najlepiej, gdy karty są w pliku tekstowym lub bazie wiedzy AI: nie w skanerze bez OCR.

U producenta sprzętu kuchennego, z którym pracowaliśmy, te dane siedziały w czterech miejscach naraz: zgłoszenia w module ERP, karty gwarancyjne jako osobne PDF-y dla każdej linii produktowej, historia napraw w Excelu prowadzonym przez serwis i faktury w Optimie. Pierwszym krokiem było połączenie tych czterech źródeł tak, żeby AI widział komplet przy każdym zgłoszeniu. Dopiero wtedy mógł działać pewnie, a nie zgadywać.

Gwarancja czy rękojmia: jak AI rozróżnia te dwa tryby i dlaczego to ma znaczenie

To jest moment, gdzie wiele firm robi błąd. Konsument składa reklamację, pracownik biura kieruje się tym, co jest wygodniejsze, zamiast tym, co wynika z przepisów. Albo odwrotnie: odrzuca reklamację jako "poza gwarancją", nie informując klienta, że nadal może skorzystać z rękojmi. Obie sytuacje kończą się problemem: albo prawnym, albo wizerunkowym.

Gwarancja to dobrowolne zobowiązanie producenta lub sprzedawcy, zapisane w dokumencie gwarancyjnym. Jej warunki: termin, zakres, procedura zgłoszenia są w karcie gwarancyjnej konkretnego modelu i mogą się różnić między produktami. Rękojmia natomiast wynika wprost z Kodeksu cywilnego i obowiązuje sprzedawcę wobec konsumenta przez dwa lata od wydania rzeczy, niezależnie od jakiejkolwiek karty gwarancyjnej. Klient może wybrać, z którego trybu skorzysta. Nie każdy o tym wie i, szczerze mówiąc, nie każdy pracownik biura też.

AI przy nowym zgłoszeniu sprawdza:

• datę zakupu z dokumentu w zestawieniu z datą zgłoszenia: czy mieścimy się w terminie rękojmi, czy w terminie gwarancji z karty, czy może w obu
• czy klient to konsument czy przedsiębiorca: od tego zależy zakres rękojmi i czy w ogóle obowiązuje
• jaki dokument zakupu jest w aktach: paragon, faktura imienna, potwierdzenie zamówienia online: każdy z nich ma inną moc dowodową
• czy klient wskazał tryb w zgłoszeniu, czy zostawił to do decyzji firmy
• historię napraw: jeśli ten egzemplarz był już naprawiany w ramach gwarancji, klient może mieć inne uprawnienia przy kolejnej wadzie

Na tej podstawie AI proponuje kwalifikację z krótkim uzasadnieniem: "zgłoszenie w ramach rękojmi, poza terminem gwarancji producenta" albo "zgłoszenie w ramach gwarancji, 8 miesięcy od zakupu, producent obsługuje naprawę w autoryzowanym serwisie". Pracownik widzi tę kwalifikację razem z uzasadnieniem i może ją zaakceptować albo poprawić, jeśli zna kontekst, którego AI nie widział.

Czternaście i trzydzieści dni: jakie terminy AI pilnuje każdego dnia

Terminy ustawowe są pułapką dla firm, które mają dużo zgłoszeń i obsługują je kolejno, bez automatycznego nadzoru dat. Jedna osoba na urlopie, jeden tydzień z dużym napływem zgłoszeń i kilka spraw po cichu przekracza termin.

Przy reklamacji z rękojmi sprzedawca ma 14 dni na odpowiedź. Jeśli nie odpowie w tym terminie, reklamacja jest uznana z mocy prawa. To zdanie wygląda niewinnie, ale w praktyce oznacza: milczenie biura to przegrana sprawa, nawet jeśli wada nie istnieje albo nie leży po stronie firmy. Przy gwarancji producenta zazwyczaj pojawia się termin 30 dni na realizację naprawy lub wymiany, choć konkretna karta gwarancyjna może go skrócić albo wydłużyć pod pewnymi warunkami.

AI każdego ranka sprawdza, które zgłoszenia mają status "bez odpowiedzi" i jak daleko są od terminu:

• 5 dni przed terminem: przypomnienie do opiekuna sprawy
• 2 dni przed terminem: eskalacja do kierownika działu lub przełożonego
• w dniu terminu: alert z oznaczeniem pilności, sprawa wymaga natychmiastowej reakcji

AI pilnuje też terminu realizacji: gdy sprawa jest zakwalifikowana jako gwarancja i produkt pojechał do serwisu, sprawdza, ile czasu minęło od przyjęcia i kiedy mija termin na zwrot naprawionego lub wymienionego egzemplarza.

Jeden praktyczny niuans: firmy, które dostają dużo zgłoszeń w krótkim czasie, na przykład po akcji promocyjnej albo po dużej wysyłce, często mają zaległości. AI zestawia wtedy nie tylko "co dziś pilne", ale też widok na kolejne 7 dni. Pracownicy mogą zaplanować pracę zamiast reagować na pożary jeden po drugim. To prosta sprawa, ale zmienia jakość pracy w biurze reklamacji, zwłaszcza w sezonie posprzedażowym.

Co zawiera projekt odpowiedzi przygotowany przez AI

Projekt to nie pusty szablon z lukami do wypełnienia ręcznie. AI buduje konkretny tekst na podstawie danych ze zgłoszenia i historii sprawy.

Typowy projekt odpowiedzi zawiera:

• imię i nazwisko klienta z pola "dane klienta" w zgłoszeniu
• numer zgłoszenia, datę wpływu i opisaną wadę
• model produktu i numer seryjny lub partii
• podstawę prawną lub umowną: "w ramach rękojmi na podstawie przepisów Kodeksu cywilnego" albo "w ramach gwarancji producenta zgodnie z kartą gwarancyjną modelu [X]"
• decyzję wraz z uzasadnieniem: uwzględnienie z propozycją naprawy, wymiany, obniżenia ceny lub zwrotu, albo odmowa z podaniem przyczyny
• informację o dalszych krokach: adres do odesłania produktu, szacowany czas realizacji, co klient dostanie w zamian i do kiedy

Pracownik dostaje gotowy projekt, czyta go i wysyła z podpisem albo poprawia, jeśli stan faktyczny jest inny niż AI rozpoznał na podstawie pól w systemie. W większości prostych przypadków poprawki są drobne: zmiana proponowanego sposobu realizacji albo doprecyzowanie opisu wady w treści pisma.

Ważna zasada, której trzymamy się przy każdym wdrożeniu: AI nie wysyła odpowiedzi samodzielnie. Każdy projekt czeka na zatwierdzenie przez człowieka. To nie jest ograniczenie techniczne. Reklamacja ma skutki prawne i ktoś musi za nią odpowiedzieć z imienia i nazwiska.

Przy bardziej złożonych sprawach, gdzie klient reklamuje po raz drugi ten sam egzemplarz albo gdzie poprzednia naprawa w serwisie nie usunęła wady, AI dołącza do projektu krótką notatkę dla pracownika z historią sprawy: daty poprzednich napraw, co było wymieniane, jakie były poprzednie decyzje. Pracownik widzi cały kontekst w jednym miejscu, bez przekopywania się przez archiwa maili.

Zestawianie wadliwych partii: od pojedynczych zgłoszeń do decyzji produktowej

To ta część, którą firmy produkcyjne i dystrybutorzy doceniają najbardziej. Ręcznie nikt jej nie robi, bo przy dziesiątkach zgłoszeń miesięcznie po prostu nie ma czasu na takie zestawienia.

AI grupuje zgłoszenia według kilku wymiarów jednocześnie:

• model produktu i numer serii produkcyjnej z pola "numer seryjny" lub "numer partii"
• data zakupu: skupienie reklamacji w wąskim oknie zakupowym może wskazywać na wadliwą partię dostarczoną w konkretnym miesiącu
• rodzaj wady: opisy wpisywane przez klientów AI grupuje w kategorie, np. "nie domyka się", "gaśnie po chwili pracy", "pęka przy pierwszym użyciu", nawet jeśli klienci pisali to różnymi słowami
• serwis, do którego trafiają naprawy: gdy konkretny punkt serwisowy ma powtarzalne reklamacje, to też może być sygnał

Kiedy w ciągu miesiąca pojawi się kilka reklamacji z podobnym opisem wady i tej samej serii, AI generuje alert do menedżera produktu albo kierownika produkcji: "7 zgłoszeń dotyczących modelu [X], partia [numer], wada: wyświetlacz gaśnie po pracy. Sprawdź, czy to wzorzec." Biuro reklamacji dostaje zwykłą kolejkę do obsługi. Produkcja dostaje sygnał, żeby sprawdzić serię.

Producent, z którym robiliśmy to wdrożenie, trafił na sytuację, gdzie 9 reklamacji tego samego modelu spłynęło przez dwa tygodnie z opisem "wyświetlacz gaśnie po pół godzinie pracy". AI zestawiło te zgłoszenia i wskazało, że wszystkie dotyczą egzemplarzy z partii wyprodukowanej w jednym konkretnym miesiącu. Dział produkcji sprawdził tę serię i znalazł wadliwy komponent od podwykonawcy. Bez tego zestawienia, każde z 9 zgłoszeń trafiłoby do serwisu osobno: naprawione, odesłane, problem wróciłby z kolejnymi egzemplarzami tej partii, a prawdziwa przyczyna zostałaby przeoczona na kolejne miesiące.

Od czego zaczynamy wpięcie AI w obsługę reklamacji

Zanim uruchomi się cokolwiek, warto sprawdzić trzy rzeczy. Każda z nich może okazać się ważniejsza od samego AI.

Pierwsze: gdzie są dane. Zgłoszenia w mailu, w ERP, w osobnym programie do reklamacji, w arkuszu prowadzonym przez jedną osobę? Każde z tych miejsc wymaga innego podejścia technicznego. Najszybciej idzie, gdy dane są w jednym systemie z API lub eksportem do bazy. Jeśli zgłoszenia żyją głównie w skrzynce mailowej, to najpierw trzeba je przenieść do ustrukturyzowanego formatu.

Drugie: czy pola są uzupełniane. AI nie wyczaruje daty zakupu, jeśli pracownicy jej nie wpisują przy przyjmowaniu zgłoszenia. Numer partii musi być realnie notowany w momencie przyjęcia reklamacji, nie po fakcie. Jeśli te pola są puste w połowie zgłoszeń, to zanim uruchomi się AI, trzeba naprawić sam proces przyjmowania. To jest praca organizacyjna, nie techniczna, i często trwa dłużej niż integracja.

Trzecie: kto zatwierdza i odpowiada. AI generuje projekt, ale ktoś musi go przeczytać i podpisać. Ustalenie tej roli, jej zakresu odpowiedzialności i tego, które typy decyzji wymagają akceptacji przełożonego, to kilka rozmów wewnętrznych. Bez tego wdrożenie nie ma sensu, bo projekty będą leżeć bez zatwierdzenia.

Sam schemat integracji wygląda tak: AI dostaje dostęp do systemu reklamacyjnego przez API, eksport do bazy danych lub serwer MCP. Karty gwarancyjne są przechowywane w bazie wiedzy AI. AI ma też zestaw definicji dopasowanych do tej konkretnej firmy: co znaczy "rękojmia" w kontekście waszych produktów, jak numerujecie partie, jakie typy decyzji są dopuszczalne, komu trafiają alerty. Potem działa automatycznie przy każdym nowym zgłoszeniu.

Czas wdrożenia zależy od stanu danych. Jeśli wszystko jest w jednym ERP z dobrze uzupełnionymi polami, to może być kwestia kilku tygodni. Jeśli dane siedzą w Excelu, mailach i papierowych kartach gwarancyjnych, najpierw trzeba je ustrukturyzować: i to jest zazwyczaj ważniejszy krok niż sam AI.

Jeśli dziś w Twojej firmie ktoś manualnie przegląda listę reklamacji i sprawdza, "co dziś musi wyjść", warto porozmawiać o tym, jak tę pracę zdjąć z człowieka i przekazać AI. 15 minut rozmowy wystarczy, żeby ocenić, od czego zacząć i czy dane w systemie są gotowe. Realne wdrożenia pokazują, jak to wygląda u firm w podobnej branży i skali.