Producent mebli — AI w obsłudze reklamacji (case study 41 osób)

Małopolski producent mebli (kuchnie, szafy na wymiar, 41 osób) obsługuje rocznie ok. 4 800 zamówień i 320 reklamacji miesięcznie. Wdrożenie AI w pierwszej linii reklamacji w 11 tygodni dało firmie nowe SLA (czas pierwszej odpowiedzi z 5,2 dnia do 9 godzin), wyższy NPS, i — co zaskakujące — wyższą marżę na obsłudze posprzedażowej. Pełne case study.

Punkt wyjścia

Reklamacje meblowe to ciężki temat: różnorodne (rysa, krzywizna, niespasowanie, brak elementu), emocjonalne (klient zapłacił 18-32 tys. zł), drogie do rozwiązania (techniczny serwis terenowy 380 zł + dojazd). Przed AI: jedna osoba "od reklamacji", pierwsza odpowiedź średnio po 5,2 dnia. Klienci pisali ostre maile, niektórzy szli do mediów społecznościowych.

Cele wdrożenia

• Pierwsza odpowiedź <24h.
• Klasyfikacja typu reklamacji w <5 min.
• Decyzja "serwis czy zwrot części" w <48h.
• Zachowanie tonu firmy — empatia, profesjonalizm.
• Brak ryzyka "AI obraża klienta" (human-in-the-loop dla wrażliwych).

Architektura rozwiązania

Prywatna instancja RedAI w infrastrukturze klienta. Stack:

1. Reklamacja wpływa: e-mail, formularz www, telefon (z transkrypcją).
2. Klasyfikacja: Haiku 4.5 określa typ (rysa, defekt strukturalny, brak elementu, źle zmierzone, inne).
3. Ekstrakcja danych: numer zamówienia, model produktu, zdjęcia (Claude vision).
4. Match z bazą: produkt, materiał, partia produkcyjna, historia podobnych reklamacji.
5. Sugestia rozwiązania: Sonnet 4.5 generuje propozycję (zwrot części, serwis, częściowa rekompensata).
6. Draft odpowiedzi klientowi: Bielik 2.3 (lokalnie, polski ton firmy).
7. Human review: osoba od reklamacji akceptuje, edytuje, wysyła.
8. Eskalacja: ryzykowne sprawy (kwota >5000 zł, klient korporacyjny, słowo "sąd") trafiają bezpośrednio do managera.

Wyniki po 4 miesiącach

Metryka	Przed	Po	Zmiana
Pierwsza odpowiedź (avg)	5,2 dnia	9 godzin	-93%
Czas zamknięcia sprawy	14 dni	5,8 dnia	-59%
Reklamacji obsługiwanych/mies. na osobę	72	118	+64%
NPS po reklamacji	-12	+18	+30 pkt
Eskalacje do managera	34%	18%	-16 pp
Koszt obsługi reklamacji (avg)	312 zł	208 zł	-33%

Najmocniejszy zaskakujący efekt — wzrost marży

Wydawało się, że szybsza obsługa kosztuje więcej (więcej "obietnic" dla klienta). W praktyce: szybsza pierwsza odpowiedź = mniej eskalacji = niższa kwota średniego rozwiązania. Klient, który dostaje odpowiedź w 9h, akceptuje mniejszą rekompensatę niż klient, który czeka 5 dni i się denerwuje.

Finanse

• Wdrożenie: 78 000 zł (jednorazowo).
• Utrzymanie: 3 200 zł/mies.
• API zewn.: 380 zł/mies. (Haiku + Sonnet przez RedAI).
• Oszczędność operacyjna: -104 zł na reklamację × 320/mies. = 33 280 zł/mies.
• ROI: 2,8 miesiąca.

Lekcje z tego wdrożenia

1. Polski "ton" wymaga lokalnego modelu

Próbowaliśmy generować odpowiedzi przez Claude — były profesjonalne, ale brzmiały "korporacyjnie". Bielik 2.3 lokalny po fine-tuningu na archiwum poprzednich odpowiedzi firmy daje ton naturalny i autentycznie polski.

2. Vision dla zdjęć produktów to game-changer

Wcześniej osoba musiała otwierać zdjęcie, porównywać z katalogiem, klasyfikować defekt. Claude vision robi to w 8 sekund. To uwolniło najwięcej czasu.

3. Eskalacja na słowa kluczowe to nie wystarcza

Początkowo używaliśmy keyword-matching ("sąd", "prawnik", "media"). Po 3 tygodniach przerzuciliśmy się na ocenę sentymentu + intencji przez Sonnet 4.5. Wykrywanie "rzeczywiście niezadowolonych" wzrosło z 61% do 89%.

4. Human-in-the-loop to nie biurokracja

Każdy draft trafia do osoby od reklamacji. Czas review: średnio 47 sek. To utrzymuje jakość i daje firmie kontrolę. Bez tego — ryzyko, że AI obrazi klienta dla 1 sprawy na 500.

Co dalej w tej firmie

1. AI w przewidywaniu reklamacji (które partie produkcyjne mają wyższe ryzyko).
2. Asystent dla serwisu terenowego (mobile app, podpowiedzi napraw).
3. Generowanie ofert dla powracających klientów (cross-sell po reklamacji).
4. Bot na stronie www do informacji "status mojej reklamacji".

Lessons learned dla podobnych firm produkcyjnych

• Reklamacje to świetny first AI use case — wysoka skala, wymierne KPI, klient odczuwa.
• Tonowanie odpowiedzi przez lokalny model = autentyczność.
• Vision dla zdjęć produktów = ogromna oszczędność czasu.
• Eskalacja oparta na sentymencie, nie keyword-matching.
• Mierz NPS przed-po: to argument dla zarządu.

Podsumowanie

Reklamacje to obszar, gdzie AI daje firmie produkcyjnej zwrot w 3 miesiące. Klient zadowolony, marża wyższa, zespół mniej spalony. Replikujemy ten pipeline u kolejnych producentów mebli, AGD, elektroniki. Pokażemy wam architekturę dopasowaną do waszej skali i produktów.