Sytuacja
Firma transportowa z Poniewieża, zatrudniająca około 90 osób, wozi ładunki po Litwie i do Europy Zachodniej. Zlecenia przychodzą tak, jak wygodnie jest klientom: jedni wysyłają formularz zlecenia w PDF, inni swobodny tekst w e-mailu, jeszcze inni przesyłają dalej wyciąg z własnego systemu wraz z załącznikami. Nie ma jednego formatu i nie będzie: firma ma kilkudziesięciu klientów, a każdy ma swoje przyzwyczajenia.
Dwie osoby z działu spedycji większość dnia spędzały nie na planowaniu, lecz na przepisywaniu: otwierały e-mail, szukały adresów załadunku i rozładunku, dat, wagi, liczby palet i numerów referencyjnych, wprowadzały je do systemu zarządzania transportem i odpisywały klientowi, że zlecenie wpłynęło. W dni szczytu e-maile czekały w kolejce po kilka godzin, a klienci dzwonili z pytaniem, czy zlecenie dotarło.
Drugim problemem były błędy. Pomylona godzina rozładunku albo pominięta uwaga o wysokości rampy oznaczały pusty przejazd lub karę. Kierownik policzył, że takich przypadków było kilka w miesiącu, a każdy kosztował więcej niż dzień przepisywania. Firma przyszła do nas z konkretnym pytaniem: czy AI potrafi rzetelnie czytać takie e-maile i czy to bezpieczne?
Czego potrzebowano
- Odczytywanie zleceń z e-maili niezależnie od formatu: PDF, swobodny tekst, tabela w treści wiadomości, załączniki.
- Automatyczne tworzenie rekordu w systemie zarządzania transportem ze wszystkimi wymaganymi polami.
- Potwierdzenie przez człowieka przed każdym rekordem w pierwszych miesiącach oraz zawsze, gdy agent nie jest pewny.
- Brak wykorzystania danych klientów do trenowania modeli; dane są przetwarzane przez API na uzgodnionych warunkach.
- Wdrożenie bez zatrzymywania pracy działu spedycji i bez nowego oprogramowania dla pracowników.
Co zrobiliśmy
Tygodnie 1–2: analiza e-maili i reguły
Zaczęliśmy nie od technologii, lecz od e-maili. Przejrzeliśmy kilkumiesięczną historię zleceń i pogrupowaliśmy ją według formatu: około połowa przychodziła jako formularze PDF, jedna trzecia jako swobodny tekst, a reszta w formie mieszanej. Wspólnie ze spedytorami spisaliśmy, co w zleceniu jest obowiązkowe, kiedy zlecenie uznaje się za niejasne i do kogo wtedy trafia. Te reguły stały się instrukcją agenta.
Tygodnie 3–5: agent i integracja
Agenta zbudowaliśmy na modelu Claude przez API. Agent czyta nowy e-mail w skrzynce, rozpoznaje, czy to zlecenie, rozbija je na strukturę (nadawca, trasa, okna czasowe, ładunek, szczególne wymagania, numer referencyjny) i sprawdza, czy wszystkie obowiązkowe pola są wypełnione. Jeśli tak, tworzy przez API wersję roboczą rekordu w systemie zarządzania transportem i oznacza e-mail jako przetworzony. Jeśli nie, pisze krótkie podsumowanie tego, co udało się odczytać i czego brakuje, i przekazuje je spedytorowi. Osobno opisujemy, jak agenci Claude działają w procesach firmy.
Najtrudniejsze nie było czytanie plików PDF, lecz adresy: klienci piszą „do naszego magazynu” albo podają tylko miasto. Agent porównuje takie przypadki z adresami z wcześniejszych zleceń klienta, a gdy dopasowanie jest niejednoznaczne, kieruje zlecenie do człowieka zamiast zgadywać.
Tygodnie 6–8: nadzór i luzowanie potwierdzeń
Przez pierwsze cztery tygodnie każdy rekord utworzony przez agenta potwierdzał spedytor, jednym przyciskiem, widząc obok siebie e-mail i odczytane pola. Zbieraliśmy statystyki, w których miejscach agent się myli. Następnie wyłączyliśmy potwierdzanie dla standardowych formularzy od stałych klientów, a zostawiliśmy je dla zleceń w swobodnym tekście i od nowych klientów. To część naszego podejścia do automatyzacji procesów: automatyzujemy tak daleko, jak zmierzono zaufanie, i nie dalej.
Rezultat
Czas ręcznego wprowadzania danych w dziale spedycji spadł o około 65%. Mierzymy to prosto: ile zleceń dziennie tworzy agent, a ile człowiek, i ile średnio trwa potwierdzenie. Jedna z dwóch osób zajmuje się teraz głównie planowaniem i współpracą z przewoźnikami, a nie klawiaturą.
Liczba błędów w zleceniach spadła o około 40%. Liczymy przypadki, w których rekord trzeba było poprawiać po załadunku, oraz puste przejazdy spowodowane błędnymi danymi. Pozostałe błędy w większości wynikają z samych e-maili klientów, a agent przynajmniej zaznacza je jako niezgodne z wcześniejszymi zleceniami.
Potwierdzenie dla klienta wysyłane jest teraz średnio w ciągu 20 minut od otrzymania e-maila; wcześniej w godzinach szczytu trwało to około 2 godzin. Telefony klientów z pytaniem „czy dostaliście” prawie zniknęły.
Baliśmy się, że AI popełni błędy, które zauważymy dopiero na rampie załadunkowej. Okazało się odwrotnie: agent jako pierwszy zauważa, że klient przysłał inną datę niż tydzień wcześniej.
Co poradzilibyśmy w podobnej sytuacji
- Zacznij od historii e-maili, a nie od wyboru modelu. Reguły określające, co jest niejasnym zleceniem, to najważniejsza część systemu.
- Zachowaj potwierdzanie przez człowieka od pierwszego dnia i luzuj je tylko tam, gdzie statystyki pokazują, że agent się nie myli.
- Integruj się z istniejącym systemem przez jego API, zamiast budować nowe stanowisko pracy: pracownicy muszą widzieć wynik tam, gdzie już pracują.
- Uzgodnij warunki dotyczące danych: gdzie są przetwarzane, jak długo przechowywane i że nie służą do trenowania. To pytanie, które Twoi klienci zadadzą jako pierwsze.
