Když chceš vlastního chatbota, začni u jasného účelu

Automatické zamítnutí reklamace systémem je častý jev, se kterým se zákazník setká zpravidla do několika minut po odeslání formuláře. Prodávající často argumentuje tím, že rozhodla „automatika" a on za nic nemůže. Jenže odpovědnost za vadu zboží nese vždy prodávající, bez ohledu na to, kdo nebo co reklamaci vyřídilo. Zákon žádný pojem „automatické zamítnutí" nezná. Rozhodnutí je právní úkon prodávajícího, i když ho vygeneroval software.

Typické chyby mají společné jádro: příliš obecný prompt, chybějící příklady a žádné testy. Napiš alespoň dvacet reprezentativních dotazů včetně nesmyslů a urážek a sleduj, jak bot reaguje. Zaved pravidlo, že když si není jistý, řekne to a nabídne kontakt nebo jiný postup. Vyhni se tónu, který slibuje víc, než bot umí. Lepší je kratší odpověď s jasným omezením než sebevědomý výmysl.

Reklamace nejsou jen administrativa. Každá nespokojená zpráva stojí čas, peníze a hlavně pozornost, kterou by tým mohl věnovat něčemu jinému. Automatizace vyřizování reklamací není o tom nahradit lidi robotem. Jde o to nastavit pravidla tak, aby se opakující se případy vyřídily samy a složité situace se dostaly k člověku, který je umí posoudit.

Jak postupovat, když přijde zamítnut

Přínos se dostaví až po několika týdnech, kdy nástroj zná vaše dodavatele a vy máte nastavená pravidla. Nepropadejte iluzi, že AI nahradí účetního. Ušetří rutinu, ale kontrolní činnost zůstává na člověku. Pokud nemáte jasně definovaný proces schvalování a párování, automatizace jen zrychlí chaos, který už ve firmě je.

Než začnete nástroj vybírat, udělejte si inventuru. Zjistěte, kolik faktur měsíčně zpracováváte, v jakých formátech přicházejí a odkud. Podstatné je, zda jde o tuzemské doklady, nebo i zahraniční s cizí měnou a jazykem. Právě zahraniční faktury bývají pro AI největší výzvou, protože se liší číslování, sazby DPH i formát data.

Na co se ptát před nasazením U každého nástroje ověřte, jak zvládá tři věci: rozpoznání textu z nekvalitní kopie, párování s objednávkou a export do vašeho účetního programu. Zásadní je také to, jak řeší nejasnosti. Dobrý nástroj označí pole, kterým si není jistý, a nechá je ke kontrole. Špatný nástroj je potichu vyplní špatně a vy na to přijdete až při kontrole.

Automatické zpracování faktur pomocí umělé inteligence spočívá v tom, že software sám přečte PDF nebo naskenovaný dokument, vytáhne z něj údaje a předá je do účetního systému. Nejde o magii, ale o kombinaci OCR (rozpoznávání textu) a modelu, který se učí rozpoznávat strukturu dokladu. Klíčové je, že AI zvládne i faktury, které nemají jednotný vzhled, což tradiční šablony neumí.

Největší pastí je pasivita. Pokud jen koukáte a nic nekupujete, algoritmus nemá z čeho vycházet a nabízí stále dokola to samé. Aktivní přístup – cílené prohlížení, dokončené objednávky a občasné vyhodnocení relevance – vede k tomu, že vám e-shop nabídne zboží, které skutečně využijete. Doporučování není věštění, ale odraz vašeho chování. Když ho měníte, mění se i nabídka.

Cena za použití se obvykle odvíjí od počtu zpracovaných dokladů za měsíc, ne od počtu uživatelů. Někteří poskytovatelé účtují za každou stránku, jiní za každou fakturu, další mají paušál do určitého objemu. Před podpisem smlouvy si spočítejte reálný měsíční objem včetně budoucího růstu. Pozor na skryté náklady: platba za API, za nadlimitní doklady nebo za uložení archivovaných faktur.

Typická chyba je nasadit AI na všechny faktury najednou bez testovacího provozu. Začněte na vzorku, ideálně na dokladech od dodavatelů, kteří posílají faktury pravidelně. Sledujte, kolik polí musíte opravovat ručně. Pokud je to víc než zlomek, nástroj vám práci nepomůže, jen ji přesune jinam. Další častá chyba je ignorovat nastavení DPH a měnových kurzů, což vede k chybným zaúčtováním.

Nasazení řeš postupně. Nejdřív interní test s kolegy, pak omezená skupina uživatelů a teprve potom ostrý provoz. Sleduj náklady na volání modelu, latenci a podíl dotazů, které skončí bez uspokojivé odpovědi. Tyto tři metriky řeknou víc než dojem z pár zkušebních zpráv. Až budeš spokojený, zdokumentuj, jak se mění znalostní báze a kdo schvaluje změny promptu, jinak se z funkčního nástroje stane neudržovaný experiment.

Rozhodni, jestli potřebuješ klasifikaci, nebo generování. Pokud bot jen rozřazuje dotazy do kategorií nebo vybírá z pevných odpovědí, vystačíš s jednodušším modelem a pravidly. Když má odpovídat volným textem nad tvými dokumenty, potřebuješ retrieval: dotaz se převede na vektor, najde se pár relevantních pasáží a ty se vloží do promptu. Tento přístup výrazně snižuje halucinace a umožňuje aktualizovat znalosti bez přeškolování.