Branża oświetleniowa i elektrotechniczna wygląda z zewnątrz jak każdy inny e-commerce. W rzeczywistości jest jedną z trudniejszych do automatyzacji: setki serii produktowych, niemal identyczne nazwy wariantów, pytania techniczne wymagające znajomości norm i kart katalogowych – i klienci B2B, którzy oczekują szybkiej, precyzyjnej odpowiedzi na maila wysłanego o 7:30 rano.
Właśnie w tej branży Cognize zbudowało i wdrożyło działającego Agenta AI dla Ostrowski Handel Internetowy (OHI) – firmy prowadzącej marki DobreGniazdka.pl, LuxMarket.pl i OtoLampy.pl. Ten artykuł opisuje, na czym polega specyfika automatyzacji w tej branży i co konkretnie dało wdrożenie.
Branża oświetleniowa a AI – gdzie leży prawdziwy problem?
Firmy z sektora oświetleniowego i elektrotechnicznego mają kilka cech, które utrudniają skalowanie obsługi klienta bez pogorszenia jakości.
Po pierwsze – skala i złożoność katalogu. Producenci i dystrybutorzy operują tysiącami SKU: lampy mają unikalne oznaczenia, ale osprzęt elektryczny (gniazdka, łączniki, ramki) sprzedaje się w seriach. Seria może liczyć kilkadziesiąt wariantów różniących się kolorem, stopniem ochrony IP, liczbą modułów, typem mechanizmu. Klient B2B zamawia na podstawie dokumentacji lub roboczego oznaczenia – i nie zawsze podaje numer katalogowy.
Po drugie – sezonowość i skoki wolumenu. Projekty budowlane, remonty biur, kontrakty instalatorskie – zapytania nie rozkładają się równomiernie. W szczycie sezonu dział handlowy dostaje kilkaset maili tygodniowo i nie ma fizycznej możliwości odpowiadać na nie tak samo szybko jak poza sezonem.
Po trzecie – pytania techniczne. Klient B2B kupuje na podstawie specyfikacji: stopień IP, temperatura barwowa, strumień świetlny, klasa ochrony. Odpowiedź „mamy to na stanie” nie wystarczy – handlowiec musi wiedzieć, który produkt faktycznie spełnia wymagania projektowe.
To połączenie sprawia, że obsługa mailowa w tej branży jest droga, powolna i trudna do skalowania. A standardowe chatboty czy proste automaty odpowiadają źle albo nie odpowiadają wcale.
Nie przegap kolejnej wartościowej treści o cyfryzacji handlu B2B!
Wyzwanie, które zatrzymuje standardowe narzędzia
OHI obsługiwało około 3000 maili miesięcznie. Każdy wymagał ręcznego przeszukania katalogu, sprawdzenia stanów magazynowych i przygotowania oferty lub odpowiedzi technicznej. Czas odpowiedzi zależał od dostępności handlowca i jego znajomości asortymentu – co przy dużym i rotującym katalogu nie było oczywiste.
Standardowe rozwiązania AI zawiodły na specyficznym problemie branżowym: serii Berker Q. Berker Q.1, Q.3 i Q.7 to zupełnie różne produkty – inne wymiary, inne mechanizmy, inna cena. Ale ich nazwy są bliźniaczo podobne. Wyszukiwarka oparta na podobieństwie leksykalnym dobierała produkty błędnie, a koszty pomyłki (zwrot, reklamacja, strata klienta) były zbyt duże, żeby zaakceptować taki poziom błędu.
Problem nie był wyjątkowy dla Berkera – to wzorzec, który powtarza się w całej branży osprzętu elektrycznego. Potrzebne było rozwiązanie, które rozumie niuanse techniczne, a nie tylko szuka po słowach.
Jak działa Agent AI zbudowany dla OHI?
Cognize zaprojektowało rozwiązanie oparte na architekturze Agentic Workflow – nie pojedynczym modelu językowym, lecz sekwencji wyspecjalizowanych kroków, z których każdy ma jedno zadanie.
Workflow przebiega następująco:
– Ekstrakcja i normalizacja – Agent czyta maila (w tym wiadomości pisane potocznym językiem, skrótami lub błędami typograficznymi) i wyciąga z niego listę produktów z kontekstem zamówienia.
– Multi-variant search – zamiast wyszukiwania po nazwie, Agent używa Pinecone (baza wektorowa) do przeszukiwania semantycznego. Dzięki temu Berker Q.1 i Berker Q.3 są rozróżniane na podstawie parametrów technicznych, nie tylko tekstu nazwy.
– Weryfikacja – znalezione produkty są weryfikowane pod kątem dostępności przez API i zapytania do bazy MySQL. Agent notuje też niskie stany magazynowe, żeby handlowiec mógł zaproponować zamiennik lub poinformować o czasie dostawy.
– Przygotowanie odpowiedzi – Agent tworzy koszyk w sklepie, generuje draft wiadomości w Gmailu z kafelkami produktów, cenami i linkiem do płatności. Draft czeka na handlowca.
Stack technologiczny: n8n jako warstwa orkiestracji, Pinecone jako baza wektorowa, wymienne modele LLM (bez vendor-lock), HTML/CSS w szablonach mailowych. Czas budowy: 6 miesięcy – 3 miesiące prototyp, 3 miesiące dostrajanie z feedbackiem zespołu OHI.
Więcej o architekturze tego typu rozwiązań opisujemy w artykule o automatyzacji ofertowania w e-commerce B2B: Automatyzacja ofertowania w e-commerce B2B: narzędzia AI wspierające dział handlowy
Human-in-the-Loop: automatyzacja, która nie zabiera kontroli
Jedną z kluczowych decyzji projektowych był model Human-in-the-Loop. Agent nie wysyła maili samodzielnie – przygotowuje draft, który handlowiec weryfikuje i zatwierdza jednym kliknięciem.
To rozwiązuje kilka problemów jednocześnie. Po pierwsze – redukuje ryzyko błędu w branży, gdzie pomyłka produktowa ma realne koszty. Po drugie – pozwala handlowcowi dodać kontekst relacyjny (np. rabat stały klienta, który nie jest w systemie). Po trzecie – buduje zaufanie zespołu do narzędzia: zamiast „AI przejęło moją pracę” pojawia się „AI wykonało robotę za mnie, ja tylko sprawdzam”.
W praktyce handlowiec zamiast 15 minut na obsługę jednego maila poświęca 2-3 minuty na weryfikację gotowego draftu. Czas odpowiedzi do klienta skrócił się o ponad 50%.
Ten model Human-in-the-Loop opisujemy szerzej w kontekście Agenta AI do wsparcia sprzedaży: Agent AI do wsparcia sprzedaży w B2B
Agent BOK: obsługa pytań technicznych w skali
Równolegle z Agentem handlowym Cognize wdrożyło dla OHI drugi moduł – Agenta AI dla Biura Obsługi Klienta.
BOK w branży oświetleniowej otrzymuje głównie pytania techniczne: jaki stopień IP ma ta oprawa, jakie są wymiary puszki, czy lampa pasuje do ściemniacza, gdzie jest karta katalogowa. Odpowiedź wymaga dostępu do PIM (systemu zarządzania informacją produktową) i umiejętności interpretacji specyfikacji technicznych.
Agent BOK obsługuje około 3000 wiadomości miesięcznie. Efekt: 80% draftów odpowiedzi jest gotowych bez poprawek ze strony zespołu. Pracownicy BOK zajmują się przypadkami wyjątkowymi – reklamacjami, niestandardowymi pytaniami projektowymi, obsługą klientów kluczowych.
O tym, jak Agent AI radzi sobie z pytaniami technicznymi w e-commerce B2B, przeczytasz w osobnym artykule: Pytania techniczne w skrzynce BOK: jak Agent AI korzystając z danych PIM może odciążyć zespół?
Wyniki – co zmieniło się po wdrożeniu?
Wdrożenie Agenta AI dla OHI dało mierzalne efekty w kilku obszarach:
– 50% szybsza odpowiedź na maile klientów B2B
– 80% draftów BOK gotowych bez poprawek
– 90% precyzja dopasowania produktów (w tym rozróżnianie wariantów serii Berker Q)
– Standaryzacja ofert – każda wiadomość ma ten sam format, niezależnie od tego, który handlowiec obsługuje klienta
– Widoczność stanów magazynowych – Agent automatycznie oznacza niskie stany, eliminując sytuacje, w których oferta trafia do klienta z pozycją niedostępną
– Koniec z wertowaniem katalogów – handlowcy przestali spędzać czas na ręcznym przeszukiwaniu bazy produktowej
Pełne case study wdrożenia, z opisem problemu i architektury rozwiązania: Case study Ostrowski Handel Internetowy Asystent AI
Podsumowanie
Branża oświetleniowa i elektrotechniczna stawia przed automatyzacją konkretne wymagania: rozróżnianie podobnych produktów, obsługę pytań technicznych, skalowanie bez pogorszenia jakości. Standardowe chatboty i proste automaty nie dają rady z tą złożonością.
Rozwiązaniem jest architektura agentyczna – wielokrokowy workflow, w którym każdy etap ma własną odpowiedzialność, a człowiek zachowuje kontrolę nad finalną decyzją. Wdrożenie dla OHI pokazuje, że da się to zbudować, uruchomić i zmierzyć efekty – nawet w jednej z trudniejszych branż e-commerce.
Jeśli prowadzisz sprzedaż B2B z dużym katalogiem produktowym i chcesz sprawdzić, czy podobne rozwiązanie ma sens w Twoim przypadku, umów się na bezpłatną konsultację.
