Jak AI przypisuje zlecenia serwisowe do techników, pilnuje przeglądów z umowy i informuje klienta o terminie?

AI może czytać zlecenia serwisowe, historię urządzeń, harmonogram techników i stany magazynowe z Twojego systemu i od razu sugerować, kto powinien pojechać do klienta, kiedy i z jakimi częściami. Przypisanie technika według rejonu i certyfikatów, pilnowanie przeglądów z umowy SLA oraz wysłanie klientowi potwierdzenia terminu to zadania, które da się zautomatyzować bez wymiany programu serwisowego. Warunek jeden: dane muszą być w systemie, a nie tylko w głowie dyspozytora albo rozsiane po Excelu i mailach.

Jakie dane wyciągamy z systemu serwisowego i dlaczego to nie jest proste?

Zanim AI zrobi cokolwiek sensownego, musi mieć dostęp do konkretnych zbiorów. W typowym systemie serwisowym, czy to Comarch ERP Optima z modułem Serwis, Enova365, WAPRO Serwis, czy dedykowanym programie branżowym, wyciągamy minimum pięć obszarów danych:

• Otwarte i zamknięte zlecenia serwisowe z polami: numer ZS, typ usterki, priorytet, adres obiektu, data zgłoszenia, status (nowe, w realizacji, wstrzymane, zamknięte).
• Kartoteka urządzeń: numer seryjny, model, producent, data instalacji, data ostatniego przeglądu, historia napraw z opisem wykonanych czynności i zużytych części.
• Harmonogram techników: przypisane rejony, certyfikaty i uprawnienia (F-gazy, UDT, SEP, certyfikaty producentów urządzeń), lista zleceń na dany tydzień, urlopy i niedostępność.
• Magazyn części zamiennych: numery katalogowe, aktualne stany, ceny zakupu, przypisanie części do otwartych zleceń, zamówienia oczekujące u dostawcy.
• Umowy serwisowe SLA i PPM (Planned Preventive Maintenance): wykaz urządzeń objętych przeglądami planowymi, częstotliwość, wymagane protokoły, zapisy o karach umownych.

Większość firm ma te dane. Problem polega na tym, że rzadko siedzą w jednym miejscu. Harmonogram techników bywa w Excelu, historia urządzeń w programie serwisowym, umowy w folderze PDF na dysku, a certyfikaty techników w głowie kierownika serwisu, bo "wszyscy wiedzą, kto co ma". AI z takim rozproszeniem może niewiele. Integracja zaczyna się właśnie od zebrania tych danych do jednego źródła, z którego można je odczytać maszynowo.

Jak AI przypisuje zgłoszenie do właściwego technika, a nie tylko do "kogokolwiek wolnego"?

Dyspozytor znający firmę od lat robi to intuicyjnie. Wie, że Piotr ma certyfikat F-gazy na agregaty tej marki, obsługuje powiaty lubelski i puławski i akurat jutro ma okno po dziesiątej. AI robi to samo, ale dla wszystkich techników jednocześnie i dla każdego nowego zgłoszenia, które wpłynie.

Konkretnie: wpływa zlecenie ZS-4471 z opisem "awaria agregatu chłodniczego, klient Mroźnik Sp. z o.o., ul. Przemysłowa 12, Lublin". AI sprawdza w kartotece urządzeń, że to agregat Carrier wymagający certyfikatu F-gazy. Patrzy na listę techników: trzech ma odpowiedni certyfikat. Jeden jest na urlopie, drugi ma jutro cztery wizyty bez marginesu czasowego. Trzeci, Piotr W., ma jutro rano wolne i jest w rejonie lubelskim. AI proponuje Piotra z oknem 9:00–11:00.

Dyspozytor widzi propozycję i zatwierdza. Albo nie: bo wie, że Mroźnik to trudny klient i woli pojechać osobiście. To właśnie jest sens tego podziału: AI oblicza, człowiek decyduje. Przy prostych zleceniach standardowych zatwierdzenie można ustawić automatycznie.

Co bierze pod uwagę AI przy przypisaniu:

• rejon technika: czy adres obiektu jest w jego strefie obsługi,
• wymagane certyfikaty i uprawnienia do danego urządzenia lub instalacji,
• dostępność w danym dniu: wolne okna z harmonogramu,
• czy technik ma przy sobie potrzebne części, jeśli magazyn jest przypisany do technika lub pojazdu,
• historię obsługi tego klienta: czy ktoś był tam ostatnio i zna układ instalacji.

Ten ostatni punkt jest często pomijany. Jeśli technik Marek był w tym zakładzie trzy miesiące temu i zna specyfikę urządzenia, warto go wysłać ponownie, a nie kogoś nowego, kto będzie tracił czas na rozpoznanie. AI sprawdzi historię zleceń w kilka sekund. Dyspozytor często tego po prostu nie pamięta, szczególnie przy kilkudziesięciu aktywnych klientach.

Jak AI pilnuje przeglądów z umowy, zanim termin minie i klient zacznie naliczać kary?

To jest ta część, gdzie firmy serwisowe tracą realne pieniądze. Przegląd wynikający z umowy PPM nie jest wykonany w terminie, klient dzwoni zdenerwowany albo, gorzej, nalicza kary umowne za przekroczenie SLA. Powód bywa banalny: harmonogram przeglądów siedzi w Excelu, nikt go systematycznie nie weryfikuje, a dyspozytorzy są zajęci bieżącymi awariami, które zawsze są pilniejsze niż przeglądy planowe.

AI może sprawdzać codziennie, które urządzenia mają przegląd w ciągu najbliższych 14, 30 albo 60 dni, a nie mają jeszcze zaplanowanego zlecenia w systemie. Dla każdego takiego urządzenia tworzy projekt zlecenia ZS z typem "przegląd planowy PPM", proponuje technika i okno czasowe, i czeka na zatwierdzenie przez dyspozytora. Albo przypisuje automatycznie, jeśli firma tak skonfiguruje i termin jest bliski.

U jednego klienta serwisującego klimatyzacje przemysłowe zdarzyło się, że przez kilka miesięcy nikt nie zauważył, że kilkanaście urządzeń z umowy PPM jest przeterminowanych. Wszystko wyszło przy audycie SLA zleconym przez odbiorcę usług. Gdyby AI sprawdzał terminy codziennie i generował alert na biurko dyspozytora, te pozycje nie uszłyby uwadze przez taki czas.

Ważny detal: AI czyta warunki umowy serwisowej. Jeśli dla obiektu A przegląd jest co 6 miesięcy, a dla obiektu B co kwartał z wymaganym protokołem UDT, te różnice muszą być wpisane do systemu, a nie tylko do podpisanego PDF-a w szufladzie. Wdrożenie często zaczyna się właśnie od przeniesienia zapisów z umów do bazy: to jest praca jednorazowa, ale bez niej AI nie ma z czego liczyć terminów.

Skąd AI bierze dane do wyceny naprawy i co z nimi potem robi?

Wycena serwisowa to zwykle zadanie, które technik odtwarza po powrocie z pamięci albo z własnych notatek w telefonie. Ile czasu spędził na miejscu, jakie części zużył, dojazd. Błędy i rozbieżności między kartą pracy a fakturą wynikają z tego, że to przejście z terenu do biura odbywa się za późno i przez zmęczonego człowieka.

AI może wygenerować projekt wyceny od razu, gdy technik zamknie zlecenie w aplikacji mobilnej. Bierze:

• czas pracy z karty zlecenia: godzina przyjazdu, godzina zakończenia,
• zużyte części zamienne z pozycji wprowadzonych przez technika: numer katalogowy, ilość,
• stawkę roboczogodziny przypisaną do tego klienta lub rodzaju umowy,
• ceny części z cennika magazynowego lub cennika producenta.

Projekt wyceny trafia do biura do weryfikacji przed wystawieniem faktury. AI może też porównać ją z poprzednimi zleceniami dla tego klienta i oznaczyć, jeśli coś znacząco odbiega od normy: ta sama naprawa zajęła technikowi trzy godziny, a rok temu trwała godzinę. Nie po to, żeby cokolwiek zarzucać, tylko po to, żeby biuro mogło zapytać, czy było coś niestandardowego, co powinno znaleźć się w opisie zlecenia.

W przypadku wyceny wstępnej, przed wykonaniem naprawy, AI może przygotować kosztorys na podstawie opisu usterki i historii urządzenia: typowe czynności przy tym typie awarii, części, które zwykle się wymienia, szacowany czas pracy. To nie jest oferta wiążąca. To jest punkt startowy do rozmowy z klientem, który chce wiedzieć, o jakim rzędzie kosztów rozmawiamy, zanim technik w ogóle przyjedzie.

Jak klient dostaje informację o terminie i co zmienia się po stronie biura?

Standardowa odpowiedź na pytanie "kiedy przyjedzie technik?" brzmi: "Zadzwonimy jutro rano". Albo: "Technicy są w terenie, sprawdzimy i oddzwonimy". Klient nie lubi takiej odpowiedzi. Musi zaplanować, kto otworzy bramę, kto ma być przy urządzeniu i czy warto zatrzymywać produkcję. "Oddzwonimy" to dla niego dodatkowa praca.

Gdy tylko zlecenie zostanie przypisane do technika i wpisany termin w harmonogramie, AI może automatycznie wysłać potwierdzenie do klienta: numer zlecenia, imię technika, data, przedział godzinowy. SMS albo mail, zależnie od preferencji zapisanych w kartotece klienta. Bez angażowania biura w każde takie potwierdzenie osobno.

Kilka rzeczy, które działają przy odpowiedniej konfiguracji:

• Przypomnienie do klienta dzień wcześniej z potwierdzeniem godziny.
• Powiadomienie, gdy technik rusza w drogę: integracja z aplikacją mobilną technika.
• Automatyczna prośba o ocenę usługi po zamknięciu zlecenia ZS.
• Alert do biura, gdy klient nie potwierdził odbioru przez 48 godzin od zamknięcia.

Wysyłka tych wiadomości to nie model AI: to kod narzędzia, który uruchamia się po zmianie statusu zlecenia. AI uczestniczy w przygotowaniu treści i logice decyzyjnej. Samo wysłanie robi system. Ta różnica jest ważna: treść powiadomień warto mieć pod kontrolą i przetestować zanim uruchomi się automatykę na produkcji.

Od czego zaczynamy w praktyce, gdy firma ma już system serwisowy?

Nie od programowania. Od audytu danych.

Pierwsze pytanie: gdzie naprawdę są dane? Zlecenia w programie serwisowym, harmonogram w Excelu, umowy w PDF-ach, certyfikaty techników w głowie kierownika serwisu. To typowy obraz. AI z takim rozproszeniem może zrobić bardzo niewiele. Integracja zaczyna się od zebrania tych informacji do jednego miejsca w sposób, który da się odczytać automatycznie.

Drugie pytanie: czy program serwisowy ma dostęp do bazy danych albo eksportu? Comarch ERP Optima i Enova365 mają bazy SQL, z których można czytać przez serwer MCP bez modyfikacji samego programu i bez zgody producenta oprogramowania na cokolwiek niestandardowego. Jeśli firma korzysta z innego systemu albo prowadzi ewidencję w Excelu, też jest to możliwe, tylko wymaga innego podejścia do połączenia.

Trzeci krok: wybór, które zadanie automatyzujemy jako pierwsze. Rekomendacja z doświadczenia: zacząć od jednego konkretnego procesu. Najczęściej jest to przypisanie zleceń do techników, bo dyspozytor traci na tym realnie czas przy każdym nowym zgłoszeniu, albo monitoring przeglądów PPM, bo ryzyko kary umownej za przeoczony termin jest namacalne. Reszta dochodzi w kolejnych krokach.

Firma z danymi w nieładzie nie dostanie od razu dobrego AI. Ale samo porządkowanie danych przed integracją często przynosi korzyści zanim model w ogóle ruszy: nagle widać, ile przeglądów jest przeterminowanych, ile zleceń wisi bez przypisania, ile części leży w magazynie bez ruchu od roku. To nie jest efekt uboczny. To jest punkt wyjścia do lepszego zarządzania serwisem, z AI albo bez.

Jeśli chcesz sprawdzić, jak ta integracja wygląda na danych Twojej firmy serwisowej, umów się na 15 minut rozmowy. Razem przejrzymy, co masz w systemie i od którego procesu ma sens zacząć. Możesz też zajrzeć na realne wdrożenia, żeby zobaczyć, jak ten schemat działa u firm o podobnym profilu.