Műszaki kérdések automatikus megválaszolása — amikor az ügyfél nem vár tovább

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:

1. A termékadatbázisból kikeresi: Y-235 vékonyhab-vakolat. Műszaki paraméterek megvannak.
2. A kompatibilitási logika ellenőrzi: a Y-235 alkalmazási köre a mészvakolt felületre is kiterjed, előkészítéssel. Az előkészítés feltétele: szilárdság-mérés, esetenként mélyalapozás.
3. 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.

← Vissza az írásokhoz