Asystent AI w czacie służbowym: realizacja techniczna

# Asystent AI w czacie służbowym: techniczna implementacja i praktyczne przypadki dla zespołu IT

Firma automatyzująca procesy biznesowe klientów napotkała paradoks: jej własne procesy pozostawały manualne. CEO spędzał godziny na odpowiadaniu na powtarzające się pytania, formułowaniu zadań i wsparciu menedżerów. Rozwiązanie przyszło z wewnątrz — wdrożenie asystenta AI bezpośrednio w służbowy czat Telegram. W ciągu trzech miesięcy stał się pełnoprawnym członkiem zespołu, obsługując zapytania, tworząc zadania w GitHub i diagnozując błędy. W tym artykule — szczegóły techniczne architektury, rzeczywiste przykłady działania i uczciwa ocena ograniczeń.

Architektura asystenta AI: kontekst ważniejszy niż model

System nie opiera się na fine-tuningu ani niestandardowych modelach, lecz na inteligentnym przekazywaniu kontekstu przez API do Claude. Kluczowy element to Context Builder, który zbiera nie tylko ostatnią wiadomość, ale całą gałąź dyskusji. Dzięki temu AI rozumie, o co chodzi, nawet jeśli pytanie jest sformułowane abstrakcyjnie („a to działa?”).

Dostęp do wewnętrznych systemów zapewniony jest przez Knowledge Base:

• Baza kodu: pełny dostęp do aktualnych źródeł (PHP + Vue), co pozwala znajdować implementacje funkcji i sprawdzać walidację.
• Baza CRM: zapytania SQL do danych klientów — taryfy, aktywność, historia interakcji.
• GitHub: odczyt istniejących issue i tworzenie nowych przez API.
• Dokumenty wewnętrzne: specyfikacje techniczne i poradniki.

Architektura wygląda następująco:

Telegram Bot API
    |
Message Handler (Python)
    | filteratsiya: upominanie / reply / klyuchevye slova
    |
Context Builder
    | ostatnie N wiadomości + temat gałęzi
    |
Knowledge Base
    +-- Kod projektu (indeksowany)
    +-- Baza klientów (zapytania SQL)
    +-- GitHub Issues
    +-- Dokumenty wewnętrzne
    |
LLM (Claude) + System Prompt
    |
Response -> Telegram / GitHub API

90% skuteczności osiąga się dzięki precyzyjnemu kontekstowi i przemyślanemu system prompt, a nie złożoności modelu.

Praktyczne przypadki: od wsparcia po stawianie zadań

Diagnoza błędów na podstawie kodu w czasie rzeczywistym

Menedżer odbiera telefon: klient nie może zapisać szablonu ze linkiem. Zamiast czekać na odpowiedź dewelopera, pisze w czacie:

„Ludzie, klient pyta — czy można stworzyć szablon ze linkiem? U niej się nie zapisuje.”

Asystent AI w 30 sekund:

• Znajduje kontroler TemplateController@store.
• Analizuje walidację — wywołanie strip_tags() usuwa HTML.
• Wyciąga wniosek: zwykły URL tekstowy jest dozwolony, HTML — nie.

Odpowiedź:

„Sprawdziłem kod. TemplateController@store przyjmuje tekst szablonu przez strip_tags() — linki HTML są wycinane. Ale zwykły URL tekstowy (bez <a href>) zapisuje się normalnie. Poproś klienta, by wkleił link jako tekst, bez formatowania.”

To oszczędza do 30 godzin pracy tygodniowo, wcześniej traconej na rutynowe zapytania supportowe.

Automatyczne stawianie zadań w GitHub

Gdy CEO pisze „Romi, wypisz zadanie Dimie”, AI:

• Analizuje całą gałąź dyskusji.
• Znajduje istniejący kod hashowania zdjęć.
• Formułuje specyfikację z detalami technicznymi: odległość Hamminga, progi podobieństwa, skoring kombinowany.
• Tworzy issue z poprawnymi labelami i przypisuje wykonawcę.

Rezultat — strukturyzowane zadanie, które deweloper może od razu realizować, bez uzgodnień z tech leadem.

Gdzie AI sprawdza się świetnie, a gdzie nie

Mocne strony

• Odpowiedzi na rutynowe pytania: taryfy, aktywność klientów, liczba obiektów w bazie.
• Formułowanie zadań: przekształcanie luźnych próśb w specyfikacje techniczne.
• Początkowa diagnoza: zawężanie obszaru błędu, wskazanie relewantnego kodu.
• Wsparcie poza godzinami pracy: natychmiastowa reakcja nocą lub w weekendy.
• Generowanie odpowiedzi dla klientów: szkice maili na podstawie kontekstu korespondencji.

Ograniczenia i ryzyka

• Złożone błędy między systemami: AI widzi kod każdego serwisu, ale nie zawsze rozumie ich interakcje w runtime.
• Decyzje biznesowe: zbieranie danych możliwe, ale podejmowanie decyzji zostaje przy ludziach.
• Wsparcie emocjonalne: w konfliktowych sytuacjach z klientami potrzebny jest żywy lider.
• Długi kontekst: w dyskusjach rozciągniętych na dni AI może zgubić wątek.
• Halucynacje: przypadki pewnego kłamstwa (np. o nieistniejącej funkcji importu z Excel) doprowadziły do trzech incydentów w trzy miesiące.

Aby zmniejszyć ryzyka, w system prompt dodano zasadę: w razie niepewności — jawnie to zaznaczyć i polecić konsultację z deweloperami.

Metryki i strategiczne konsekwencje

W ciągu trzech miesięcy:

• ~2500 wiadomości od AI w czacie
• ~120 zadań utworzonych w GitHub
• 60% pytań menedżerów zamkniętych bez udziału CEO
• Średni czas odpowiedzi: 15–40 sekund
• 3 krytyczne incydenty z powodu halucynacji

Główny wniosek — wartość nie w oszczędnościach, lecz w szybkości. Klient dostaje odpowiedź niemal natychmiast, co zmniejsza odpływ.

Co ważne

• 80% skuteczności AI zależy od jakości kontekstu, a nie wyboru modelu.
• Zaufanie do AI rośnie nieliniowo: od formalnych zapytań po zwracanie się po imieniu.
• Jeden błąd dotarty do klienta może podważyć zaufanie do całej firmy.
• AI nie zastępuje ludzi, lecz transformuje ich role: CEO przechodzi do strategii, menedżerowie do operacyjnego wsparcia.
• CRM ewoluuje od narzędzia sterowanego przez człowieka do autonomicznego systemu, gdzie człowiek jest obserwatorem i korektorem.

Kolejne kroki — integracja AI z analizą rozmów telefonicznych (STT → LLM → raport), generowaniem spersonalizowanych e-maili i automatycznym tworzeniem profili klientów.

— Editorial Team