Jak jsme pro GreenEnergy postavili AI zákaznickou podporu v češtině.

Rozsah pokrýval kompletní AI strategii a technickou implementaci chatbotu nasazeného přes dva kanály — web widget a emailovou bránu — s napojením na interní CRM GreenEnergy. NLP jádro je postavené na Transformers s pre-trainingem v češtině a následným fine-tuningem na anonymizovaná historická data zákaznické podpory, což umožňuje porozumět dotazům i s gramatickými chybami a hovorovými variantami. Definovali jsme intent taxonomii pro nejčastější dotazy (vyúčtování, stav žádosti o instalaci, technické dotazy ke smlouvám, reklamace) a knowledge base pro RAG nad produktovou dokumentací. Backend tvoří REST API služby v Pythonu, které orchestrují volání NLP modelu, dotahují kontext zákazníka z CRM a generují odpovědi v profesionálním tónu definovaném brand guidelines. Pro kanál email jsme postavili pipeline, která klasifikuje příchozí zprávy, automaticky odpovídá na rutinní dotazy a eskaluje složité případy lidskému operátorovi s předvyplněným kontextem. Bezpečnostně jsme řešili oddělení PII dat při fine-tuningu, GDPR DPA s klientem a logování konverzací s retencí dle interní politiky. DevOps zahrnuje CI/CD pro modely (s validací regrese kvality), monitoring confidence skóre a fallback na lidského operátora pod definovaný threshold. Doplnili jsme i analytický dashboard pro support manažera s metrikami automatizace, satisfaction a top eskalovaných témat. Projekt z naší strany vedl tech lead s AI inženýrem nasazeným do týmu klienta na fine-tuning v češtině a backendovým vývojářem; na straně klienta projekt vlastnil Head of Operations společně s vedoucí zákaznické podpory.

Spolupráci jsme zahájili v létě 2024 vstupní AI strategickou analýzou — projeli jsme s klientem reálné tikety, definovali intent taxonomii a stanovili realistická KPI (cílová automatizace 60–70 %, ne 95 %, abychom nestavěli na nereálných slibech). Po fázi přípravy dat a anonymizace následoval fine-tuning Transformers modelu na české korpusy podpory a iterativní testování na hold-out setu. Reálnou překážkou se ukázala vyšší míra gramatických variant a překlepů v emailovém kanálu než ve webovém chatu — model v prvním kole padal na confidence threshold u dotazů o vyúčtování, takže jsme museli rozšířit trénovací data o emaily a doladit prompt engineering, což přidalo zhruba dva týdny k pilotu. Pilot běžel jeden měsíc s shadow modem, kde model odpovídal a operátor odpověď před odesláním validoval — díky tomu jsme zachytili edge-cases a doladili tón. Po úspěšném pilotu jsme v podzimních měsících 2024 spustili full deploy přes web i email s eskalační logikou na lidského operátora. Výsledky jsme měřili po třech měsících provozu — 68 % automatizace dotazů, zkrácení reakční doby z 24 hodin na 5 minut, úspora cca 20 hodin týdně pro tým podpory a +10 % zákaznická spokojenost. Předali jsme dokumentaci, zaškolili support tým na práci s eskalovanými konverzacemi a navázali další AI roadmapu.