Amikor egy ügyfél azt írja: „a B-1850-es modell kompatibilis a 24V-os tápellátással is?”, és a chatbot azt válaszolja, hogy „kérjük, vegye fel a kapcsolatot az ügyfélszolgálattal” — abban a pillanatban elveszítettük az ügyfelet. Egy következő pillanat erejéig még belekattint a kapcsolati űrlapba, aztán átmegy a versenytársoldalra. A 1. szakasz arról szól, hogy ez a pillanat ne következzen be.
A probléma a probléma mögött
A „chatbot, ami megválaszolja a termékkérdést” mondat egyszerűen hangzik. A gyakorlatban nem az. Az igazi probléma nem a kérdés, hanem a kérdést megelőző állapot: a tudás szétszórtsága. Egy közepes méretű ipari vállalatnál ma jellemzően:
- az árlista Excel-ben van, és néhány hetes csúszással frissül,
- a műszaki adatlapok PDF-ekben élnek, néha eltérő verziók különböző mappákban,
- a kompatibilitási mátrixok a műszaki osztály egyik kollégájának „fejében” vannak,
- az alkalmazástechnikai válaszok az értékesítő és az ügyfél telefonbeszélgetéseiben fogalmazódnak meg újra és újra,
- és a régi mintaválaszok valahol egy e-mail-archívumban porosodnak.
Egy chatbot ezzel a kiindulási állapottal nem tud mit kezdeni. Először rendszerbe kell tenni a tudást, és csak utána lehet automatizálni a választ.
Az AZAR-féle megközelítés: háromrétegű rendszer
1. réteg — Termékadatbázis kanonizálása
Minden műszaki válasz egyetlen forrásból indul: a kanonikus termékadatbázis. Ez nem egy új ERP, hanem egy okosan strukturált réteg az ERP felett, amelybe az AZAR a meglévő rendszerek tartalmát betölti, összerendezi, és egységes hivatkozási rendszert ad neki. Egy SKU csak egy van; egy paraméternek csak egy „igaz” értéke van; a változatok és a kapcsolatok pontosan le vannak írva.
Ez a réteg a vállalati AI-rendszer „egyetlen igazsága”. Innen merít a chatbot, a területi képviselő mobilfelülete, az értékesítői dashboard és a vevői önkiszolgáló rendszer. Ha itt rossz az adat, mindenhol rossz lesz; ha itt pontos, mindenhol pontos lesz.
2. réteg — Kompatibilitási és alkalmazási logika
A műszaki kérdések túlnyomó többsége kapcsolatokról szól: kompatibilis-e ez azzal, használható-e amaz emellett, milyen kombinációban szabad alkalmazni. Ez egy különálló logikai réteg, amelyet az AZAR szabálymotorral épít fel — egyfajta vállalati „mit szabad, mit nem szabad” térkép. A szabályok egy része a műszaki osztálytól származik, más része a meglévő dokumentumokból nyerhető ki AI-elemzéssel.
Ennek a rétegnek a fontosságát nem lehet túlbecsülni. Egy LLM önmagában nem tud felelősségteljes kompatibilitási döntést hozni; csak úgy tűnik, mintha tudna. A szabálymotor az, ami előbb ellenőrzi, és csak utána fogalmaz. Az AZAR a két réteget mindig elválasztja egymástól.
3. réteg — A nyelvi válasz
Csak a harmadik réteg az, ami „beszél”. Itt a nyelvi modell az előző két rétegből kapott tényekből egy érthető, márkahangra hangolt választ formál. Ez a réteg azt is tudja, mikor nem szabad válaszolnia: ha a kérdés érzékeny területre ér, eszkalál egy ember kollégához (lásd: intelligens továbbirányítás).
Egy konkrét példa
Tegyük fel: egy építőanyag-forgalmazó cég. Az érdeklődő azt írja: „a Y-235-ös vékonyhab-vakolat alkalmas a meglévő, 40 éves, mészvakolt homlokzatra?”
Egy hagyományos chatbot vagy nem értené, vagy „kérjük, vegye fel a kapcsolatot”-tal továbblépne. Egy AZAR-féle rendszer így dolgozza fel a kérdést:
- A termékadatbázisból kikeresi: Y-235 vékonyhab-vakolat. Műszaki paraméterek megvannak.
- A kompatibilitási logika ellenőrzi: a Y-235 alkalmazási köre a mészvakolt felületre is kiterjed, előkészítéssel. Az előkészítés feltétele: szilárdság-mérés, esetenként mélyalapozás.
- A nyelvi réteg megfogalmazza: „A Y-235 alkalmas a mészvakolt homlokzatra, ha az alapfelület szilárdsága megfelelő (kőkalapács-teszt vagy húzószilárdság-mérés). A 40 éves felületnél javasoljuk a mélyalapozó előzetes alkalmazását is. Pontos műszaki egyeztetéshez az alkalmazástechnikai kollégánkkal felveheti a kapcsolatot itt.”
A válasz egyszerre pontos és felelős: konkrét műszaki információt ad, de nem helyettesíti a szakember egyedi mérlegelését. Az érdeklődő érzi, hogy a cég komolyan vette a kérdését; a kompetens kolléga csak a komplex eseteket kapja meg az asztalára.
Hogyan mérjük az értéket?
A rendszer értékét három mérőszám írja le egyértelműen:
- FCR (First-Contact Resolution) — az érdeklődők hány százaléka kap teljes választ az első kontaktusban? Cél: 70%+ a tipikus kérdéseknél.
- TTA (Time To Answer) — átlagos válaszidő egy műszaki kérdésre. Hagyományos folyamat: 2–48 óra; AZAR-rendszerben: 4–8 másodperc az automatizálható részre.
- SVE (Sales-Velocity Effect) — a beérkezéstől az árajánlatkérésig eltelt idő. Az AZAR-ügyfelek tipikus eredménye: 30–55% csökkenés.
Mindhárom mérőszámot az AZAR a bevezetés első napjától méri. A vezetőség nem „érzi”, hogy működik — látja.
Mi a határa?
Az automatikus műszaki válaszoknak van egy pontos határa, és ezt a határt fontos tudatosan meghúzni. Az AZAR-rendszer soha nem ad olyan választ, amely:
- jogi felelősséget keletkeztet (jogalkalmazás, garanciális kérdések),
- helyszíni körülmény-mérlegelést igényel (statika, egyedi terhelés),
- árajánlatot tartalmaz (ott emberi kontroll szükséges),
- biztonságkritikus döntést kíván (tűzvédelem, balesetkockázat).
Ezekben az esetekben a rendszer egyértelmű választ ad: melyik kolléga foglalkozik vele, milyen információt érdemes előkészíteni, mikorra várható a visszahívás. Az ügyfél tehát soha nem hagyja az oldalt válasz nélkül — csak épp emberi választ kap, ahol az kell.
Gyakori kérdések
Mi van, ha a műszaki tartalmunk PDF-ekben szétszórva?
Ez a tipikus kiindulási helyzet. A 2. szakasz (dokumentumfeldolgozás) pontosan erről szól: a PDF-ek, táblázatok és adatlapok strukturált tudássá alakítása. Az 1. szakasz a 2. szakasz tudására támaszkodik. Részletes cikk →
Mi van, ha a termékkínálat hetente változik?
Az AZAR-rendszer automatikus szinkronizálással kezeli ezt: ha az ERP-ben vagy a PIM-ben változik egy adat, néhány percen belül átkerül a tudásrétegbe. A területi képviselő, az ügyfél és a chatbot mindig ugyanazt az aktuális adatot látja.
A versenytársak ne férjenek hozzá a tudásbázisunkhoz!
A tudásréteg privát — a chatbot csak az adott válaszhoz szükséges minimális tartalmat „idézi vissza”, soha nem ad ki nyers adatot. A teljes adatbázis nem letölthető, nem indexelhető, és csak az engedélyezett rendszerek férnek hozzá. A jogosultságkezelést a 6. szakasz részletezi.
Mi van, ha a rendszer rosszul válaszol?
Két védvonal van. Először: a szabálymotor blokkolja a téves kompatibilitási választ még a megfogalmazás előtt. Másodszor: minden válaszhoz a rendszer megjelöli a forrásdokumentumot, így audit-elhető. Az AZAR-ügyfelek minden válasznál néhány másodperc alatt visszafejthetik, miből alakult ki — ez a transzparencia teszi a rendszert vezetői szempontból is védhetővé.
Be tudjuk-e tanítani saját mintaválaszokra?
Igen, sőt ez az AZAR-féle finomhangolás egyik legértékesebb eleme. A meglévő ügyfélszolgálati levelezésből, a régi GYIK-ből és a műszaki kollégák jegyzeteiből az AZAR példaválaszokat destillál — ezekre a rendszer megtanul hivatkozni, így a hang és a stílus pontosan a cég sajátja marad.
A következő szakasz
A műszaki válasz pontosságához egyetlen dolog kell: jó forrás. Ha a forrás PDF-ben, táblázatban, szkennelt képben rejlik, akkor azt először kibontani és strukturálni kell. A 2. szakasz erről szól.
Folytatás: 2. szakasz — Műszaki adatlapok, PDF-ek, táblázatok és egyéb dokumentációk feldolgozása.
Vissza a sorozat indítójához: Nyolc lépés egy intelligensebb vállalat felé.