Asystent zakupowy AI: co sprawia, że sztuczna inteligencja sprzedaje, a nie tylko rozmawia?

Dane w naszym przypadku mówią jasno: Asystent zakupowy, którego wdrożyliśmy dla Black Red White, w ciągu pierwszych dwóch tygodni przeprowadził niemal 5 tysięcy rozmów. Klienci nie uciekali po pierwszym pytaniu – średnio zadawali ich ponad dwa na sesję. Wniosek z tego taki, że ludzie chcą rozmawiać z AI – ale pod jednym warunkiem: że dostaną konkretną, trafną odpowiedź i poradę, a nie wymijający ogólnik czy halucynację. Jak osiągnąć taki wynik i skutecznie wdrożyć AI dla klientów w e-commerce?

Czym jest i jak działa asystent zakupowy AI?

Kiedy klient wchodzi na stronę sklepu internetowego i pisze w firmowym chatbocie „szukam szafy do sypialni, szerokość do 120 cm, jasne drewno”, to oczekuje konkretnej odpowiedzi: chce znaleźć i zobaczyć produkty, które pasują do jego wymagań, z aktualnymi cenami i informacją o dostępności.

Problem w tym, że większość wdrożeń AI w e-commerce kończy się na podpięciu standardowego, często ogólnie dostępnego modelu językowego (LLM) do strony. W praktyce daje to AI chatbota, który ładnie pisze zdania, ale rekomenduje produkty, których nie ma w ofercie, podaje nieaktualne ceny albo myli parametry.

Asystent zakupowy oparty na AI chatbocie nie ma być czatem do pogawędek – ma być narzędziem sprzedażowym, które doprowadzi klienta do właściwej decyzji zakupowej. Żeby to działało, sam model językowy nie wystarczy – tu musi być coś więcej. Co konkretnie? Wyjaśnimy to na przykładzie Asystenta zakupowego AI opracowanego przez Ideo.

Dlaczego model językowy (LLM) to za mało

To, co powszechnie uważa się za „sztuczną inteligencję”, to Chat GPT czy Claude, czyli tak naprawdę jedynie interfejs LLM. LLM świetnie rozumie pytania, potrafi prowadzić naturalną rozmowę i generować spójne odpowiedzi – ale nie jest źródłem wiedzy o Twoich produktach. Dlaczego?

LLM nie wie, ile kosztuje konkretna sofa w Twoim sklepie, nie wie, czy jest dostępna, nie zna jej wymiarów; a jeśli nie ma tych informacji, to sprawdza lub podaje najbardziej prawdopodobną odpowiedź – ale niekoniecznie prawdziwą. Zadaj sobie teraz pytanie: czy podajesz wszystkie te informacje na stronie i czy są one łatwo dostępne dla LLM-ów? Zapewne nie zawsze i nie wszystkie.

Zadaj sobie teraz drugie pytanie: co w sytuacji, gdy klient kupi coś na podstawie błędnej rekomendacji?

Ale z problemem sprawdzenia dostępności poradziłaby sobie zaawansowana wyszukiwarka. Tylko tu chodzi o coś znacznie, znacznie większego i zaawansowanego – o namiastkę inteligencji, która nie tylko sprawdzi, ale też odczyta kontekst pytania, zada pytania dodatkowe, doradzi i porozmawia z klientem tak, aby załatwić jego sprawę. Brzmi jak science-fiction, ale takie rozwiązania już są i działają – na przykład te zbudowane przez nas.

Dlatego kluczowe pytanie przy projektowaniu asystenta zakupowego nie brzmi „wybrać Chata GPT czy Claude’a?”, tylko „skąd asystent będzie brał dane i jak je dostarczymy?”.

Dwa mechanizmy, dwie role: baza wektorowa i agent produktowy

W dobrze zaprojektowanym asystencie zakupowym AI działają dwa odrębne mechanizmy. Każdy z nich odpowiada za inny typ informacji i działa w inny sposób; jeden to baza wektorowa, a drugi to tzw. agent produktowy.

Baza wektorowa i RAG – do pracy z treściami

RAG (Retrieval-Augmented Generation) to mechanizm, w którym model językowy nie generuje odpowiedzi „z głowy”, tylko najpierw przeszukuje bazę wektorową i odpowiada wyłącznie na podstawie znalezionych treści. Czyli należy rozumieć, że to po prostu bardziej zaawansowana wyszukiwarka i odpowiednik Ctrl+F? Nie, to zdecydowanie coś więcej.

Baza wektorowa przechowuje teksty – artykuły, FAQ, regulaminy, poradniki – w postaci tzw. embeddingów, czyli numerycznych reprezentacji znaczenia. Kiedy klient zadaje pytanie, system znajduje treści najbardziej zbliżone znaczeniowo do pytania i podaje je modelowi jako kontekst. Model odpowiada na podstawie tego kontekstu, a nie na podstawie swoich „ogólnych przekonań” czy „największego prawdopodobieństwa”.

To działa dobrze dla pytań typu „jaka jest polityka zwrotów?”, „jak pielęgnować meble z litego drewna?” lub „czy oferujecie montaż?” – zwykła wyszukiwarka jedynie znalazłaby fragment regulaminu dotyczący tego pytania, a klient oczekuje odpowiedzi zgodnej z prawdą, ale sformułowanej przystępnym językiem i podanej w zrozumiałej formie. I jednocześnie dodającej z własnej inicjatywy wątki i pytania, które pogłębiają temat zadany przez klienta. Zwykła wyszukiwarka tego nie zrobi.

Agent produktowy – do pracy z danymi produktowymi w czasie rzeczywistym

Kiedy klient pyta „pokaż mi szafy do 120 cm w jasnym drewnie do 3000 zł” – wyszukiwarka nadal nie wystarczy. Sam RAG też nie – bo nie jest do tego zaprojektowany. Dane produktowe – ceny, dostępność, wymiary, warianty kolorystyczne – zmieniają się w czasie rzeczywistym. O ile nie będą stale aktualizowane, to przechowywanie ich w bazie wektorowej oznaczałoby ryzyko podawania nieaktualnych cen i parametrów.

Dlatego do obsługi zapytań produktowych potrzebny jest agent AI – mechanizm, który na podstawie kontekstu rozmowy z klientem przekształca pytanie w konkretne parametry filtrowania, odpytuje silnik wyszukiwania produktów i zwraca wyniki na podstawie aktualnych danych. Technicznie to rozwiązanie jest znacznie bardziej zaawansowane niż standardowy RAG i dlatego daje pewność, że cena, dostępność i inne parametry produktu są aktualne w momencie odpowiedzi.

Oba mechanizmy muszą ze sobą współgrać. Asystent musi wiedzieć, kiedy sięgnąć do bazy wektorowej (pytanie o treści), a kiedy uruchomić agenta produktowego (pytanie o konkretne produkty). To rozróżnienie decyduje o tym, czy asystent jest użytecznym narzędziem sprzedażowym, czy tylko ładnie piszącym AI chatbotem.

Jakość danych decyduje o jakości odpowiedzi

Niezależnie od tego, jak dobra jest architektura – jeśli dane są niewystarczające, asystent będzie odpowiadał niewystarczająco. I to jest problem, który pojawia się niemal w każdym projekcie.

Najczęstsze braki, które widzimy na starcie projektów:

• Opisy produktowe, które wprowadzają w błąd
  Klasyczny przykład: w opisach produktów zamiennie używane są słowa „odporny na zachlapanie”, „odporny na wodę” i „wodoodporny” – podczas gdy w praktyce każde z nich oznacza zupełnie inny poziom ochrony. Klient, który na tej podstawie kupi produkt do łazienki (albo tym bardziej np. sprzęt sportowy czy elektronikę) ma prawo być niezadowolony.
   
• Brak jednoznacznych informacji
  Czy produkt na zdjęciu to jeden element, czy zestaw? Czy wymiary dotyczą produktu złożonego, czy w opakowaniu? Te rzeczy wydają się oczywiste – dopóki asystent AI nie zacznie na ich podstawie odpowiadać klientom.
   
• Parametry, które nie pozwalają na filtrowanie
  Jeśli wymiary, materiały czy kolory nie są ustrukturyzowane jako osobne atrybuty, agent produktowy nie jest w stanie ich użyć do precyzyjnego wyszukiwania.
   
• Nieaktualne treści w bazie wektorowej
  Stare wpisy FAQ, które są sprzeczne z informacjami w innych miejscach na stronie, to prosty przepis na halucynacje – asystent znajdzie dwa sprzeczne źródła i wybierze jedno z nich. Niekoniecznie właściwe.

Dobrym sposobem na wypracowanie jakości odpowiedzi będzie praca nad szablonem informacji – dobra wiadomość jest taka, że raz wypracowany szablon można wykorzystywać potem w nieskończoność do każdego produktu, wpłynie więc to przy okazji na jakość wszystkich Twoich opisów produktów.

Co zrobić, aby AI nie zgadywało i nie halucynowało?

Każdy asystent AI powinien mieć wbudowane mechanizmy, które blokują odpowiedź, gdy brakuje danych. W teorii jest to proste, w praktyce wymaga jednak świadomego zaprojektowania. Jak my to rozwiązaliśmy w naszym Asystencie zakupowym?

• Odpowiadanie tylko na podstawie znalezionych danych i kontekstu
  Model nie generuje odpowiedzi „z głowy”. Jeśli w bazie wektorowej nie ma treści pasującej do pytania, to asystent o tym poinformuje – zamiast wymyślać odpowiedź, która brzmi wiarygodnie, ale nie ma pokrycia w danych.
   
• Odpowiedzi zastępcze – to sygnał, że dane nie wystarczają
  Jeśli współczynnik dopasowania wyniku wyszukiwania spada poniżej ustalonego progu, nasz Asystent nie udaje, że zna odpowiedź i nie halucynuje. Zamiast tego informuje klienta, że nie znalazł odpowiednich danych, i proponuje alternatywną ścieżkę – np. kontakt z obsługą.
   
• Pytania doprecyzowujące zamiast domysłów
  Gdy zapytanie klienta jest zbyt ogólne, asystent nie zgaduje intencji, tylko dopytuje; „Czy chodzi Ci o szafę wolnostojącą, czy zabudowaną?” jest lepszą odpowiedzią niż rekomendacja oparta na błędnym założeniu.
   
• Guardrails – automatyczne ramy bezpieczeństwa
  Dodatkowe mechanizmy weryfikują odpowiedzi pod kątem spójności z danymi źródłowymi, zanim dotrą do klienta.

Te zabezpieczenia nie eliminują ryzyka błędu całkowicie – ten zawsze może się zdarzyć, ale znacząco je ograniczają i eliminują niemal do zera. Przy okazji budują zaufanie klienta, bo asystent nie udaje, że wie więcej, niż jest faktycznie.

Case study: jak wdrożyliśmy asystenta zakupowego dla Black Red White

Black Red White – jeden z największych producentów i dystrybutorów mebli w Polsce, ale także marketplace – stanął przed konkretnym wyzwaniem: katalog liczący tysiące produktów, dziesiątki kategorii, setki wariantów kolorystycznych i wymiarowych. Klienci potrzebowali wsparcia przy wyborze, a tradycyjna wyszukiwarka i filtry nie zawsze wystarczały, żeby znaleźć dokładnie to, czego szukali.

Dlatego zaprojektowaliśmy asystenta zakupowego opartego na dwóch mechanizmach opisanych w tym artykule. Baza wektorowa (RAG) obsługuje pytania dotyczące treści – regulaminy, informacje o dostawie i montażu, poradniki pielęgnacji mebli. Z kolei agent produktowy odpowiada za wyszukiwanie konkretnych produktów po parametrach – wymiarach, kolorach, przedziałach cenowych, dostępności – w czasie rzeczywistym, korzystając z aktualnych danych katalogowych.

Kluczowym etapem wdrożenia było przygotowanie danych. Uporządkowanie opisów produktowych, ujednolicenie parametrów filtrowania i zapewnienie spójności między danymi w różnych źródłach – to właśnie ten etap decydował o tym, czy asystent będzie odpowiadał trafnie, czy zacznie zgadywać.

Liczby z pierwszych dwóch tygodni działania mówią same za siebie:

• 4825 rozpoczętych rozmów,
• 12 793 pytań zadanych przez klientów,
• 25 572 wymienionych wiadomości.

W ciągu pierwszych dwóch miesięcy to już:

• 18 100 wątków,
• i niemal 50 000 wiadomości.

Te dane pokazują, że klienci chcą rozmawiać z asystentem i nie są przeciwni AI, o ile ten rzeczywiście odpowiada na ich pytania. Nie uciekają po pierwszej odpowiedzi (średnio ponad 2,5 pytania na rozmowę), co oznacza, że asystent prowadzi ich przez proces decyzyjny, a nie zniechęca ogólnikami.

Co to oznacza dla Twojego biznesu?

Dobrze zaprojektowany asystent zakupowy nie jest zwykłym AI chatbotem na stronie, tylko narzędziem, które realnie wpływa na sprzedaż – ale pod warunkiem, że stoi za nim odpowiednia architektura i dobrze przygotowane dane.

Dlatego nasz Asystent zakupowy AI to nie „taki lepszy Chat GPT”, tylko połączenie bazy wektorowej i agenta produktowego – a to dwa różne narzędzia do dwóch różnych zadań. Mieszanie ich albo stosowanie jednego tam, gdzie powinno być drugie, prowadzi do odpowiedzi, które są poprawne językowo, ale bezużyteczne biznesowo.

Ale nawet te mechanizmy nie zastępują danych, tylko znacznie ułatwiają do nich dostęp i je rozszerzają. Nawet najlepszy model językowy nie naprawi brakujących opisów, niespójnych parametrów czy nieaktualnych treści – a to od nich zależy wynik rozmowy z klientem. Jakość odpowiedzi asystenta jest dokładnie tak dobra, jak jakość danych, które do niego trafiają. Kłania się tu znana zasada GIGO (garbage in, garbage out) i podejście data-first.

Dlatego wdrożenie asystenta zakupowego zaczyna się od danych – i od jakości tego fundamentu zależy, czy Twój asystent będzie sprzedawał, czy tylko rozmawiał.