Středně velká B2B SaaS firma přerůstala svou frontu podpory. Opakující se dotazy chodily rychleji, než na ně stačil malý tým odpovídat, a nasadit AI přes helpdesk znamenalo platit poplatek za každou konverzaci, kterou AI vyřeší. Postavili jsme vlastního AI agenta s retrieval-augmented generation (RAG), který odpovídá z firemní dokumentace a dřívějších vyřešených ticketů. Když si není jistý, předá případ člověku a napojí se na helpdesk, který tým už používá. Opakující se tickety zmizí z fronty, odpovědi chodí během sekund místo hodin a náklad zůstává paušální bez ohledu na objem.
B2B SaaS / servisní společnostKlient provozuje B2B SaaS platformu, přes kterou firmy řeší fakturaci, smlouvy a komunikaci se zákazníky. Jak rostla uživatelská základna, rostla i zátěž podpory, a většina z ní byla pořád ta samá hrstka otázek, jen pokaždé jinak položená. Malý tým zvládal všechno přes jediný helpdesk. Nabírat další lidi na rutinní práci nedávalo smysl, a tak firma hledala AI, která z fronty sundá běžné dotazy, aniž by změnila způsob práce týmu nebo předala konverzace se zákazníky do černé skříňky.
Většina příchozích ticketů byla opakující se: resetování hesel, dotazy na fakturaci, návody se známou odpovědí. Jak fronta narůstala, doba první odpovědi se protahovala a zákazníci si toho všímali. Tým trávil dny na dotazech, které dokumentace už dávno zodpovídá, a na složité případy, kde je člověk opravdu potřeba, nezbýval čas. Nabírat další lidi nebylo v dané fázi udržitelné. Vestavěné AI doplňky v helpdesku si navíc účtují poplatek za každou konverzaci vyřešenou AI, nad rámec licencí za uživatele. Čím víc AI pomáhala, tím víc stála. Firma chtěla opak: řešení, které vlastní, s předvídatelným paušálním nákladem.
Postavili jsme vlastního AI agenta podpory, který stojí na vlastních znalostech firmy: produktové dokumentaci, nápovědě a dřívějších vyřešených ticketech. Využívá retrieval-augmented generation, takže každou odpověď skládá z obsahu, který v těchto zdrojích skutečně vyhledal, ne z obecných znalostí modelu. Agent čte nové tickety přes API helpdesku, na běžné odpovídá v jazyce zákazníka a cokoli, čím si není jistý, předá člověku s plným kontextem. Na každodenním fungování týmu se nic nezměnilo.
Znalostní báze čerpá ze dvou zdrojů: z produktové dokumentace a nápovědy pro oficiální odpověď a z dřívějších vyřešených ticketů pro to, jak věci ve skutečnosti formulují a řeší operátoři. Oba zdroje se rozdělí na kratší pasáže, převedou na embeddingy a uloží do vektorové databáze. Ke každé otázce agent vytáhne nejbližší pasáže a odpovídá jen z nich, takže odpovědi zůstávají aktuální a konkrétní místo obecných.
Agent odpovídá z vyhledaného kontextu, ne z paměti. Když se nic relevantního nevrátí nebo nalezené pasáže otázku doopravdy nepokrývají, řekne to a předá případ dál, místo aby si vymyslel věrohodně znějící odpověď. To je ta nejdůležitější pojistka: sebejistá špatná odpověď podkope důvěru rychleji než pomalá. U odpovědi lze uvést zdrojový článek, takže si ji zákazník i kontrolující operátor můžou ověřit.
Každý návrh nese signál jistoty, který se skládá z toho, jak dobře nalezený kontext sedí na otázku, jak složité je téma a jaký je sentiment zákazníka. Rozzlobená nebo nejednoznačná zpráva, spor o fakturaci nebo slabá shoda při vyhledávání spadnou pod eskalační práh a jdou rovnou člověku, včetně konverzace, návrhu od AI i zdrojů. Tým si práh ladí: zpočátku opatrně, později volněji, jak data ukážou, co agent zvládá spolehlivě.
Než agent odpověděl prvnímu zákazníkovi, běžel v tichém režimu: připravoval návrhy odpovědí na živé tickety, které operátoři před odesláním kontrolovali a opravovali. Z těch oprav vznikala zpětná vazba, která zpřesnila vyhledávání i prompty. Po spuštění se vzorek automatických odpovědí dál pravidelně kontroluje, takže se kvalita měří průběžně, ne jen předpokládá.
Zprávy od zákazníků běžně obsahují osobní údaje. Citlivá pole se před odesláním do jazykového modelu odstraní nebo zamaskují, vyhledávání běží nad vlastním obsahem firmy a data z konverzací zůstávají uvnitř dohodnutého rámce a mají jasnou dobu uchování. Protože je systém na míru, řídí klient sám, kam data putují, místo aby přebíral výchozí nastavení SaaS dodavatele.
Agent se napojí na stávající helpdesk přes jeho API a webhooky, stejným způsobem, ať tým jede na Zendesku, Intercomu nebo Freshdesku. Čte nové tickety, píše odpovědi nebo interní poznámky a každou akci loguje pro úplnou auditní stopu. Tým se nemusí učit žádné nové nástroje, a protože systém vlastníte, s rostoucím objemem nepřibývají žádné poplatky za vyřešení.
Začali jsme krátkou úvodní analýzou, ve které jsme zmapovali nejčastější typy ticketů a domluvili se, které z nich má agent řešit jako první. Pak jsme postavili znalostní bázi: dokumentaci, nápovědu a dřívější vyřešené konverzace jsme načetli do vektorové databáze pro vyhledávání. Před spuštěním agent běžel paralelně a připravoval odpovědi, které operátoři kontrolovali. Díky tomu jsme měřili kvalitu na reálných ticketech a ladili vyhledávání i prompty, dokud spolehlivě nedosahoval dohodnuté laťky přesnosti. Nasazení bylo postupné, začalo u nízkorizikových kategorií jako resetování hesel a návody a rozšiřovalo se, jak čísla držela.
Časový plán: Typicky šest až osm týdnů od zahájení do produkčního nasazení, podle velikosti znalostní báze
Helpdesk platformy účtují za uživatele i za každé vyřešení. Podívejte se, jak si vlastní AI agent stojí proti Zendesk a Intercom pro tým 6 lidí zpracovávající 6 000 tiketů měsíčně.
Kumulativní náklady za 5 let: SaaS licence + AI poplatky za vyřešení vs. AI agent na míru
Ceny platné k roku 2026. Zendesk Suite Pro $155/agent/měs. + $1,50/vyřešení · Intercom Advanced $85/uživatel/měs. + Fin $0,99/vyřešení
AI agent na míru od ~$5 100. Průběžné náklady: ~$100/měs. API náklady + hosting. Předpoklad 60% míra vyřešení AI = 3 600 tiketů vyřešených AI měsíčně.
Skutečná hodnota nejsou jen levnější tikety. Jsou to okamžité odpovědi pro zákazníky a smysluplná práce pro váš tým místo opakovaného kopírování stejných odpovědí.
Oproti průměrným 4 hodinám na první odpověď. AI zodpoví běžné dotazy okamžitě, zatímco složité případy směruje ke správnému agentovi.
Opakující se dotazy jako reset hesla, fakturační dotazy a návody zpracovává AI agent kompletně bez lidského zásahu.
Polovina týmu podpory přesměrována z repetitivní práce k řešení komplexních zákaznických problémů vyžadujících lidský úsudek.
Data o ROI vychází ze studie McKinsey o ROI AI v zákaznickém servisu and Teneo.ai o srovnání nákladů.
Podložit odpovědi vyhledaným obsahem a nechat agenta říct „nevím“ a eskalovat je důležitější než samotná kvalita modelu. Sebejistá špatná odpověď stojí víc důvěry než předání člověku.
Trénink na reálných vyřešených ticketech, ne jen na dokumentaci, přinesl největší rozdíl. Dokumentace popisuje ideální postup, tickety ukazují, jak se zákazníci opravdu ptají a jak to operátoři řeší.
Tichý režim na začátku vybudoval důvěru týmu a zachytil hraniční případy dřív, než je viděl jakýkoli zákazník.
Paušální systém, který vlastníte, mění motivaci: čím víc toho AI odbaví, tím víc ušetříte, místo abyste platili za každé vyřešení.
Postupné nasazení po kategoriích drželo riziko nízko a dalo týmu čas doladit práh jistoty.
AI nástroje, které převezmou práci, na kterou je váš tým příliš cenný.
Zjistěte více