Hurtownia farmaceutyczna — AI w call center B2B (47 osób, 5 mies. produkcji)

Hurtownia farmaceutyczna z Mazowsza (47 osób, 280 000 SKU, 1 800 aktywnych klientów B2B aptek i klinik) wdrożyła AI w obsłudze call center w pięć miesięcy. Skala problemu: 4 200 zamówień telefonicznych miesięcznie, 18-22 sek. czas dotarcia do informacji per zapytanie, frustracja konsultantów i klientów. Po 5 miesiącach produkcji mamy jeden z najczystszych pomiarów ROI naszych wdrożeń.

Punkt wyjścia

Hurtownia działa w trudnej branży: marża cienka (1,8-4,2%), klientów dużo, każdy z indywidualnym cennikiem, każdy lek z indywidualną dostępnością (dwa magazyny, częściowo dostawy bezpośrednie od producenta). Konsultant call center w średnim zamówieniu musiał: zidentyfikować klienta, sprawdzić cennik, sprawdzić stany, sprawdzić alternatywy dla braków, sfinalizować zamówienie. Czas: 6-12 min na rozmowę, 71% wypełnienia smen pracą.

Cele wdrożenia

• Skrócić czas dotarcia konsultanta do informacji o 50%.
• Obniżyć odsetek "muszę oddzwonić" z 24% do <8%.
• Podnieść konwersję pytanie → zamówienie z 64% do 80%+.
• Zachować pełną kontrolę nad danymi (zamówienia leków = wrażliwe).
• Brak migracji do innego CRM (Comarch Optima zostaje).

Architektura

Prywatna instancja RedAI w infrastrukturze hurtowni. Stack:

1. Konsultant odbiera połączenie, jego CRM ma asystenta AI w widoku.
2. Asystent słucha transkrypcji (real-time, Whisper local).
3. Wykrywa intencję: "pyta o cenę", "chce zamówić", "reklamuje", "anuluje".
4. RAG na bazie 280k produktów + cenniki indywidualne + stany magazynowe + historia klienta.
5. Asystent podpowiada w panelu konsultanta: produkty pasujące, ceny, alternatywy dla braków.
6. Konsultant klika "dodaj", "zaproponuj alternatywę", "potwierdź zamówienie".
7. Wszystko logowane: prompt-hash, decyzje konsultanta, wynik.

Modele w stack-u

• Whisper (local) — transkrypcja, latencja <800ms.
• Haiku 4.5 — klasyfikacja intencji, ekstrakcja produktów z transkrypcji.
• bge-m3 (local) — embeddingi katalogu, prywatność.
• Qdrant — vector DB dla 280k produktów + 14 000 dokumentów technicznych.
• Bielik 2.3 (local) — generowanie polskich opisów alternatyw.
• Sonnet 4.5 (przez RedAI proxy) — dla trudniejszych pytań technicznych.

Wyniki po 5 miesiącach

Metryka	Przed	Po	Zmiana
Czas dotarcia do informacji	18,4 sek.	5,3 sek.	-71%
Czas rozmowy (avg)	9,2 min	5,8 min	-37%
Odsetek "oddzwonię"	24%	6%	-18 pp
Konwersja pyt. → zamówienie	64%	82%	+18 pp
Średni koszyk zamówienia	1 840 zł	2 110 zł	+15%
NPS klientów B2B	+22	+47	+25 pkt
Rotacja konsultantów	28%/rok	14%/rok	-14 pp

Finanse

• Wdrożenie: 132 000 zł (jednorazowo).
• Utrzymanie: 5 800 zł/mies. (prywatna instancja, support).
• API zewn.: 480 zł/mies. (Sonnet dla trudnych przypadków).
• Oszczędność czasu konsultantów: 478 godz./mies. × 48 zł = 22 944 zł/mies.
• Dodatkowy przychód z wyższego średniego koszyka: ok. 18 200 zł/mies. (po marży).
• Spadek rotacji: ok. 14 000 zł/mies. (mniej rekrutacji i onboardingów).
• ROI: 2,4 miesiąca, potem ok. 49 000 zł/mies. nadwyżki.

Kluczowe decyzje architektoniczne

1. Whisper lokalnie — nie cloud

Transkrypcje rozmów z aptekami zawierają dane wrażliwe (nazwiska klientów, leki). Whisper hostowany lokalnie eliminuje problem RODO i daje latencję <1s. Koszt: dodatkowy serwer GPU w prywatnej instancji.

2. RAG na 280k produktów wymagał segmentacji

Pierwszy proof of concept zrzucił wszystko do jednej kolekcji Qdrant — recall@10 = 0,84. Po segmentacji na 4 kolekcje (leki Rx, OTC, suplementy, sprzęt) recall@10 = 0,93. Lekcja: domena ma znaczenie, nie wszystko do jednego worka.

3. Indywidualne cenniki przez metadata filtering

Każdy klient ma cennik. Cena wyszukiwana RAG-iem byłaby błędem. Cena pobierana z bazy po znalezieniu produktu — pewność matematyczna.

4. Konsultant zawsze decyduje

AI podpowiada, konsultant klika. Nigdy automatyczne zamówienie z AI. Klient pyta — konsultant proponuje (z podpowiedzi AI) — klient potwierdza — konsultant finalizuje. Pełna kontrola, audyt każdej decyzji.

Pułapki, które zobaczyliśmy

1. Halucynacje stanów magazynowych — pierwszy tydzień AI "wymyślało" dostępność. Naprawa: stany pobierane z bazy live, nie z embeddingu.
2. Polskie nazwy leków — końcówki, skróty (np. "polopiryna" vs "Polopiryna S"). Tuning embeddingu + alias-table.
3. Klienci kwestionowali ceny — gdy konsultant podawał cenę z AI, klient czasem dostawał wcześniej inną. Naprawa: ceny tylko z systemu, AI nie podaje cen.
4. Konsultanci sceptyczni pierwsze 2 tyg. — czuli "AI mnie zastąpi". Po miesiącu — entuzjazm, bo praca lżejsza.
5. Onboarding zajął więcej niż planowaliśmy — 18 dni zamiast 10. 47 osób to nie 12.

Co rozszerzamy w 2026

• Predykcja popytu na poziomie SKU (forecasting AI).
• Automatyczne sugerowanie cross-sellingu dla klientów (na podst. historii).
• AI w obsłudze e-mailowej (ten sam stack, inny kanał).
• Bot na stronie B2B do drobnych zamówień bez konsultanta.

Lessons learned dla podobnych branż

• Call center B2B + RAG = jedno z najsilniejszych use case dla AI w 2025.
• Lokalna prywatna instancja kluczowa dla danych klientów branżowych.
• RAG wymaga segmentacji domenowej, nie "wszystko do jednego worka".
• Ceny i stany z bazy, opis i alternatywy z AI.
• Konsultant decyduje, AI sugeruje. Bez wyjątków.
• Mierzcie NPS klientów, nie tylko czas — to argument dla zarządu.

Podsumowanie

Hurtownia z Mazowsza to dziś nasza referencja "jak wdrożyć AI w call center B2B z setkami tysięcy SKU". Pipeline replikowany u kolejnych klientów branż hurtowych, dystrybucji, e-commerce z dużym katalogiem. Pokażemy wam workflow dopasowany do waszej skali i branży — 45 min demo, konkretne liczby.