Prakticky: AI a české e-commerce firmy

Mrkněte pod pokličku úspěšným e-commerce firmám a podívejte se, jak u nich pracují s AI — co se jim osvědčilo a co naopak zatím nevyšlo.

Shoptet: Od klikání ke klientovi — AI automatizuje rutinu v Customer Care

Shoptet obsluhuje přes 44 000 e-shopů a 32 miliónů objednávek za rok.

Co se povedlo? V Customer Care nám AI pomáhá na několika úrovních. Po obdržení dotazu hned na vstupu pozná z textu ticketu téma, jazyk i důležitost a automaticky navrhne správné zařazení. Díky tomu se první třídění děje během vteřin a hlavně konzistentně a bez rozdílů mezi směnami. Tickety míří rovnou do správných týmů (Care, jednotlivé úrovně Tech Support, specializované týmy), takže jsme ruční přeposílání snížili až o 96 %. Agenti jdou rychleji k podstatě komunikace – místo klikání a porovnávání štítků se soustředí na řešení dotazu a kvalitu odpovědi. Pozitivní dopad vidíme i u urgentních případů, kde se daří zkracovat čas k reakci. Přidaná hodnota je v multijazyčnosti: model pracuje s češtinou, slovenštinou, maďarštinou i angličtinou bez extra práce navíc.

V Salesforce vedle klasifikace běží automatické shrnutí a sentiment konverzace, které po uzavření případu vytáhne hlavní téma, klíčové body a sentiment zákazníka i agenta. Díky tomu rychle odhalíme rizikové interakce, máme lepší podklady pro coaching a edukaci agentů a rozhodujeme se podle dat napříč týmy a jazyky.

Dále jsme nasadili AI agenta pro generování odpovědí u jednoduchých dotazů – kolegové mohou využít návrh odpovědi a ušetřený čas věnovat složitějším případům.

Na hlavních stránkách máme i chatbota, který vede návštěvníka přes kategorie, pamatuje si kontext navazujících dotazů, a když řešení nenajde, vyžádá e‑mail a předá konverzaci našemu týmu. Pro klienty to znamená rychlejší cestu k informaci bez čekání; pro nás méně rutinních dotazů, kvalitnější podklady z hodnocení a plynulé předání složitějších případů agentovi.

Co se (zatím) nepovedlo? Celková optimalizace a interní nastavování AI integrací je v našem prostředí náročné: vysoká vnitřní komplexita Shoptetu, stovky témat a desetitisíce ticketů, které musíme nejprve manuálně revidovat, než je lze použít pro učení LLM. Po úvodních potížích s klasifikací jsme připravili prompty a postupy, které ladění instrukcí a témat výrazně automatizují, takže se lidé mohou soustředit na práci, kterou za ně AI neudělá. Nejvíc je to vidět u AI agenta pro generování odpovědí: jeho využitelnost zatím nedosahuje úrovně, která by umožnila plnou automatizaci odesílání – AI zatím naráží na komplexitu a různorodost dotazů, které se složitě zpracovávají strojově.

Sportega: Odpovědi na produktové dotazy vs automatizace přes n8n

Sportega je prodejce sportovních potřeb v 13 zemích s obratem 581 miliónů Kč.

Co se povedlo? V ostrém provozu běží odpovědi na dotazy k produktům na webu. Jazykový model nakrmíme produktovými daty, poradnou a dotazy k danému produktu. Na základě toho nám vznikne návrh odpovědi, kterou před odesláním ověřuje produktový specialista. Výhodou je, že místo 12 jazyků na webu vše běží v češtině a po schválení se reakce automaticky přeloží. Součástí procesu je i měření spolehlivosti návrhů (necháváme AI samu sebe se ohodnotit) a potřebných úprav člověkem. Rádi bychom tento proces dostali do stavu, že poběží zcela automaticky. Takto zvládáme zpracovat stovky dotazů měsíčně.

Podobně řešíme i zákaznické recenze, kde prověřujeme faktickou správnost, relevanci a hodnotu pro uživatele, výskyt neslušných a urážlivých výrazů. Vyhovující recenze následně automaticky překládáme na všechny jazykové mutace.

Co se (zatím) nepovedlo? Pokusili jsme se do týmu dostat AI automatizace přes nástroje typu n8n. Proběhlo dvoudenní školení pro 10 technicky nejvíce zdatných kolegů, kde jsme řešili konkrétní případy, které by šlo automatizovat. Bohužel ani po čtvrt roce jsme se nedokázali dopracovat k funkčním scénářům. Dílem to bude menší prioritizaci, ale určitě hraje roli, že nocode/lowcode přístup nefunguje úplně „bez práce a na myšlenku”. Současně vyžaduje elementární chápání programovacích postupů a logiky používaných nástrojů.

Heureka: AI zrychluje code review proces v rámci BI

Heureka Group je největší cenový srovnávač a nákupní rádce v Evropě. Působí v 9 zemích.

Co se povedlo? Datové modely v rámci našeho vizualizačního nástroje jsou definované jako kód a každá úprava se tedy posílá na plnohodnotnou kontrolu (code review). Původně musely být změny schváleny dvěma dalšími členy BI, aby se zachovala co nejvyšší přesnost dat. Jelikož mohou mít tyto změny i stovky nových řádků a ne každý v datovém oddělení má dostatečný kontext ze všech oblastí, byl tento proces časově náročný a zpomaloval nasazování nových verzí.

Do existující, automatizované části procesu kontroly v rámci našeho verzovacího systému se tedy přidal další krok, který nechává změny analyzovat pomocí AI (Gemini 2.5 Pro) a spouští se jako python skript s každým založením požadavku na sloučení kódu do produkce (merge request). V rámci skriptu je vytvořený prompt, který obsahuje interně definovaná pravidla pro modelování a strukturu kódu (zkrácený výtah ze čtyř A4 listů), instrukce, na jaké oblasti se má AI zaměřit, požadovaný formát výstupu a samozřejmě i samotný upravený kód. Kód, který se s promptem posílá AI, je omezen na rozdíly mezi novou verzí a aktuálním kódem. Výstupem je pak strukturovaný komentář (v markdownu) se seznamem doporučených změn.

Autor nového kódu tím pádem může, pokud uzná za vhodné, udělat doporučené úpravy sám ještě předtím, než požadavek na kontrolu kódu nasdílí v rámci BI. AI se daří automaticky zachytávat většinu nekonzistentností ve struktuře souborů, překlepy, copy/paste chyby při tvorbě nových metrik a dimenzí, či nedostatečné popisky dat. Následná lidská kontrola se pak může více zaměřit na specifické problémy vyžadující znalost kontextu. AI výstup nám také pomáhá při onboardingu nových členů, kdy k vlastnímu kódu dostanou okamžitou zpětnou vazbu.

V tuto chvíli už kontrolu kódu dělá pouze jeden plnohodnotný člen datového týmu a AI zastupuje toho druhého. Proces kontroly je mnohem rychlejší, ale stále stejně přesný. Ušetřenou kapacitu datového týmu bylo možné přesunout na komplexnější úkoly.

Ukázka revize kódu od AI

Lentiamo: Expanze do zahraničí vs automatizace zákaznického servisu

Lentiamo je prodejce brýlí a kontaktních čoček v 22 zemích s obratem 927 miliónů Kč.

Co se povedlo? Rozšiřujeme naše působení do dalších zemí a díky tipu od Pepy Mecha jsme pro přeložení webu využili AI (LLM model Gemini). Mohli jsme tak AI k překladu přidat i kontext — např. že překládá e-shop, který prodává brýle a kontaktní čočky. Dá se jí i poradit, že tahle sada překladů se týká nákupního procesu, že překlady s “_btn” v názvu klíče jsou tlačítka a že je proto potřeba, aby šlo o výzvy k akci. Když jsme první zemi nechali zkontrolovat odbornými překladateli, udělali už minimum úprav.

AI jsme také nově přidali do systému pro správu dokumentů (DMS). Z účetního dokladu vyzobe důležité informace a předvyplní je uživateli ve formuláři. Předtím jsme používali Textract od Amazonu, ale i menší LLM modely si s tím poradí lépe a jsou jen o něco málo pomalejší. S částkou LLM žel bojuje, tak ji nepředvyplňujeme.

Srovnání LLM modelů nad 100 fakturami

Co se (zatím) nepovedlo? Zkoušeli jsme využít AI pro zákaznický servis a cílem bylo, aby odbavil celý požadavek zákazníka — např. i vrátil peníze. Vzhledem k halucinacím jsme nechtěli, aby AI přímo odpovídalo zákazníkům. Napadlo nás ale, že bychom jí mohli využít na klasifikaci dotazů (např. vratka, reklamace, stav objednávky, …), bez použití umělé inteligence zjistit, v jakém je objednávka stavu a odpovědět pomocí makra předpřipravených odpovědí, které už i teď zákaznický servis používal.

Klasifikace dotazů fungovala téměř dokonale. Poblémem ale bylo, že do nějaké rozumné škatulky spadlo méně než 30 % dotazů. Druhým, že nám chyběla data a napojení na API třetích stran. Měli jsme odkaz na tracking dopravy, ale neměli jsme ta data u nás. Pro vrácení peněz u vratky zase bylo nutné se přihlásit do platební metody a udělat vratku tam — navíc tahle část zabrala víc času, než přečtení zprávy od zákazníka a vytvoření odpovědi pomocí makra. Tenhle projekt jsme tedy odložili a začali tím, že jsme např. přidali možnost vrácení peněz do naší administrace.