Rozhovory
Zack Peng, spoluzakladatel a generální ředitel Seel – série rozhovorů

Klíčové bodySeel řeší více než 99 % případů podpory tím, že nechává AI dokončit řešení, místo aby…
Zobrazit více
- Seel řeší více než 99 % případů podpory tím, že nechává AI dokončit řešení, místo aby odkláněla tikety.
- Důvěra v podporu AI závisí na viditelném východu k člověku, nikoli na přesnosti bota.
- Obchodníci by měli požadovat důkaz o míře end-to-end řešení a odpovědnosti, nikoli uhlazená dema.
Zack Peng je spoluzakladatelem a generálním ředitelem společnosti Seel, kde se zaměřuje na problémy, s nimiž se zákazníci a obchodníci potýkají po dokončení nákupu. Ve své práci se nejprve věnoval předvídání vracení zboží a vracení peněz, později ji rozšířil o systémy umělé inteligence, které řeší požadavky zákazníků napříč procesy v oblasti obchodu. Prosazuje propojení agentů schopných jednat s jasně stanovenými provozními limity, možností předat případ člověku a odpovědností za výsledek, který zákazník obdrží.
Seel poskytuje poprodejní služby a služby AI agentur pro e-commerce, včetně ochrany nákupů a doručení, zákaznické podpory a dalšího prodeje. Její platforma propojuje systémy obchodníků, informace o objednávkách a servisní procesy, aby pomáhala řešit problémy zákazníků, zatímco její LLM Gateway zajišťuje přístup k modelům a směrování podle úkolů. V tomto rozhovoru Peng hovoří o posunu od odpovídání na otázky k přebírání odpovědnosti za výsledky, o kontrolních mechanismech, které agentům umožňují jednat napříč systémy, a o tom, jak mohou obchodníci posoudit spolehlivost služeb umělé inteligence.
Co vás inspirovalo k založení společnosti Seel a jak vás řešení problémů, s nimiž se zákazníci potýkají po dokončení nákupu, přivedlo k budování pracovní síly založené na umělé inteligenci pro e-commerce?
Začalo to u jednoho tržiště. Seznámili jsme se se zakladatelem, který provozoval tržiště, a všimli jsme si, kolik úsilí toto odvětví věnovalo předvídání reklamací karetních transakcí, které představovaly přibližně 0,5 % hrubého objemu prodeje. Vrácení zboží a peněz dosahovalo 10 až 20 % a nikdo je nepředvídal. Vytvořili jsme tedy model, který to dokázal, a umožnili zákazníkům zaplatit malý poplatek, aby mohli vrátit zboží prodávané jako nevratné. Očekával jsem, že se zapojí 3 až 5 % zákazníků. Ve skutečnosti to bylo 10 až 20 %. Ukázalo se, že zákazníci jsou ochotni zaplatit za jistotu i po dokončení nákupu, stejně jako si kupují AppleCare nebo pojištění při pronájmu auta.
Pracovní síla založená na umělé inteligenci vznikla z naší vlastní schránky zákaznické podpory. Více než 70 % našich požadavků na podporu se vůbec netýkalo vrácení zboží. Zákazníci chtěli vědět, kde se nachází jejich objednávka nebo zda mohou něco vyměnit. Místo abychom je posílali zpět k obchodníkovi, začali jsme tyto požadavky řešit sami. Zjistili jsme, že skutečná hodnota umělé inteligence v obchodě nespočívá v úspoře peněz. Spočívá v tom, že dokáže věci vyřizovat okamžitě a ve velkém měřítku, a to i v době špičky. Patří sem systémy umělé inteligence, které dokážou posoudit a schválit oprávněné žádosti o vrácení peněz ještě před obdržením vráceného zboží, i nepřetržitě dostupní AI agenti, kteří mohou jednat a vyřizovat požadavky zákazníků.
Popisujete vývoj od chatbotů, kteří odpovídají na otázky, přes agenty, kteří podnikají konkrétní kroky, až po AI agentury, které přebírají odpovědnost za celý výsledek. Co se mezi těmito fázemi mění z technického a provozního hlediska a můžete to ukázat na skutečném problému zákazníka?
Rozdíl spočívá v tom, kdo odpovídá za výsledek. Chatbot odpoví na otázku „Kde je moje objednávka?“. Agent splní jeden konkrétní úkol, například podá reklamaci. Agentura přebírá odpovědnost za výsledek: zákazník dostane to, za co zaplatil.
Z technického hlediska agentura pracuje napříč systémy, včetně obchodu obchodníka, přepravce a platebních systémů, místo aby fungovala jen v jednom z nich. Sleduje případ několik dní, nikoli pouze během jednoho rozhovoru, a musí rozpoznat, kdy je záležitost skutečně vyřešena. Z provozního hlediska přestáváte plánovat personální kapacity podle počtu požadavků a začínáte je plánovat podle výjimek.
Představme si zásilku označenou jako doručenou, která ve skutečnosti nedorazila. Chatbot zákazníkovi řekne, aby počkal. Agent podá reklamaci. Seel Agencies zkontroluje záznam o doručení od přepravce a historii objednávky, rozhodne, zda případ splňuje podmínky, vyplatí náhradu nebo odešle náhradní zásilku, aktualizuje záznamy obchodníka a zákazníkovi oznámí, že je vše vyřešeno. Jako partner, který za obchodníky přebírá vyřizování poprodejních požadavků od začátku do konce, jsme tuto infrastrukturu umělé inteligence nejprve otestovali na vlastních požadavcích. Tento přístup zaměřený na řešení nám pomohl dosáhnout míry vyřešení přes 90 % a zároveň okamžitě identifikovat oprávněné žádosti a vracet za ně peníze.
Představme si nákupního agenta, který někomu jeho jménem objedná nesprávnou velikost. Co by se muselo stát mezi tímto agentem, obchodníkem a společností Seel, aby se chyba napravila, a kdo by měl za výsledek odpovídat?
Zákazník by neměl být tím, kdo musí rozhodčí spor urovnávat. Ať udělal chybu kdokoli, řešení je stejné: rychlá výměna nebo vrácení peněz.
Aby to bylo možné, jsou potřeba tři věci. U objednávky musí být zaznamenáno, kdo ji zadal a na základě jakého pokynu, aby bylo možné rozhodnutí agenta dohledat. Za druhé, pravidla obchodníka pro vracení zboží musí být čitelná pro stroj, aby podle nich agent mohl jednat. Za třetí, někdo musí převzít odpovědnost za výsledek ještě předtím, než se určí, kdo pochybil.
Právě v tom spočívá role společnosti Seel. Přebíráme finanční odpovědnost. Pokud byla objednávka chráněna, zákazník nejprve dostane náhradu a teprve potom se určuje, kdo za problém odpovídá. Jestliže nákupní agent s umělou inteligencí někomu jeho jménem objedná nesprávnou velikost, měl by mít zákazník stejnou možnost dosáhnout nápravy, jako kdyby objednávku zadal sám – pokud byla při dokončení nákupu přidána odpovídající ochrana a problém spadá do jejího rozsahu. Za výsledky, na které se naše ochrana vztahuje, ručíme finančně. Zákazník by neměl muset rozhodovat, zda udělal chybu on, nebo jeho agent.
Váš tým uvádí, že umělá inteligence urychluje vyřizování 80 % požadavků na podporu společnosti Seel. Co „urychluje“ znamená v praxi, kolik případů se vyřeší bez zásahu člověka a podle jakých ukazatelů poznáte, zda zákazníci skutečně dostávají lepší služby?
Znamená to, že AI vykonává práci, která dříve člověka zdržovala: pročítá případ, získává údaje o objednávce a přepravci, kontroluje zásady obchodníka a ve většině případů případ také vyřeší. AI takto zpracovává 80 % objemu našich požadavků. Celkově vyřešíme více než 99 % případů zákaznické podpory, zatímco v oboru se obvykle uvádí 60 až 70 %.
Samotná míra uzavření případů ale může zakrývat špatnou kvalitu služeb, protože bot, který zákazníky odklání, vypadá na přehledovém panelu skvěle. Sledujeme proto ukazatele, jako je míra znovuotevření požadavků, míra předání lidskému pracovníkovi a spokojenost zákazníků. V situacích, které zákazníky frustrují, záleží na rychlosti. Změna doručovací adresy obvykle znamená dlouhou e-mailovou výměnu napříč oddělenými systémy pro správu objednávek a jejich vyřizování. Naši agenti to zvládnou během několika minut.
Nejdůležitější pro mě je, zda zákazník nakoupí znovu. V celé naší síti mělo 69 % zákazníků, kteří nakoupili opakovaně, chráněnou svou první objednávku.
Řekl jste o sobě, že jste „pro agenty, jen ne pro autopilota“. Která rozhodnutí záměrně ponecháváte na lidech a jak váš systém rozpozná, že zdánlivě běžný případ vyžaduje lidský úsudek?
Autopilot znamená, že na nikoho nedohlíží. Chceme, aby většinu práce odváděli agenti a lidé rozhodovali tam, kde záleží na úsudku.
Tři druhy rozhodnutí ponecháváme lidem: vše, co stanovuje pravidla, případy, u nichž je náprava chybného rozhodnutí nákladná, a dostatečně neobvyklé případy, kdy odpověď podle pravidel nemusí být spravedlivá. AI řeší běžné případy v těchto mezích a nemůže sama rozšiřovat své pravomoci. Pokud nějaký úkon nebyl schválen nebo případ vyžaduje další souhlas či zvláštní zacházení, předá jej přímo člověku.
Systém posuzuje nejen typ požadavku, ale i jeho širší kontext: riziko, naléhavost, frustraci zákazníka a citlivost z hlediska pravidel. Vysoce rizikové případy předává lidem, zatímco případy citlivé z hlediska pravidel mohou před provedením úkonu vyžadovat dodatečné ověření. Tyto prahové hodnoty se nastavují podle konkrétního obchodníka a pracovního postupu, nejsou tedy vyjádřeny jednou univerzální peněžní částkou ani jedním skóre spolehlivosti. Například požadavek na urychlené vyřízení nebo vyšší výplatu může přesahovat autonomní pravomoci AI.
Váš výzkum zákazníků naznačuje, že mnoho příslušníků generace Z stále chce, aby se na řešení jejich problémů podílel člověk. Co jste zjistili o navrhování zákaznické podpory využívající AI, která si získá důvěru, zejména když zákazníci chtějí zpochybnit rozhodnutí nebo se spojit s člověkem?
Generace Z je generací, které AI nejvíce vyhovuje, a zároveň nejrychleji pozná, když ji firma používá k tomu, aby se jí vyhnula. V naší zprávě o nákupních zvyklostech generace Z z roku 2026 uvedlo 49 % jejích příslušníků, že by raději řešili problém s člověkem. Stále ale chtějí, aby se vše vyřídilo rychle: 87 % zákazníků očekává vyřešení problému do dvou až tří dnů.
Zjistili jsme, že důvěra pramení z možnosti odejít, nikoli z bota. Když zákazníci vědí, že se mohou spojit s člověkem, rádi nechají vyřídit záležitosti AI. Když se z AI stane překážka, důvěra se vytratí, i když byla odpověď správná.
Proto se při návrhu zaměřujeme na tři věci:
- Rychlost, aby se problémy vyřešily dřív, než zákazníky začnou frustrovat
- Srozumitelné vysvětlení, proč AI v daném případě odmítla vyhovět
- A předání člověku jediným krokem, přičemž ten má okamžitě k dispozici kompletní historii, takže zákazník nemusí nic opakovat.
Když agenti mohou vracet peníze, měnit objednávky nebo jednat napříč systémy obchodníků, mají chyby finanční důsledky. Jak vynucujete dodržování oprávnění, předcházíte duplicitním či neoprávněným úkonům a rekonstruujete průběh událostí, když se něco pokazí?
Každý agent dostává přístup potřebný k výkonu své práce, nic víc. Tento přístup omezujeme na konkrétní pracovní postupy, na kterých se obchodník dohodl. Používáme samostatné účty nebo tokeny API oddělené od účtů zaměstnanců, takže obchodník může přístup kdykoli upravit, pozastavit nebo zrušit.
U rizikovějších úkonů, jako jsou vysoké refundace, můžeme podle požadavků obchodníka nastavit kontrolu člověkem nebo prahové hodnoty založené na částce či pravidlech. To, že agentovi udělíme přístup do systému, by nemělo znamenat, že mu dáme neomezený mandát.
Každý úkon v systému se zaznamenává spolu s údajem, kdy k němu došlo, co bylo provedeno a co jej spustilo. Pokud se něco pokazí, máme k dispozici záznam, který nám umožní situaci s obchodníkem prošetřit, pomoci s vrácením změn a následně zpřísnit pravidla.
Pomocí 1-Click Resale vytvářejí agenti nabídky, stanovují ceny a koordinují prodej na několika tržištích. Jak ověřujete popisy a ceny produktů a předcházíte tomu, aby se jedna položka prodala dvakrát, když se aktualizace na tržištích zpozdí?
Naše služba dalšího prodeje zařizuje práci, které se prodejci obvykle chtějí vyhnout. Posoudí fotografii od zákazníka, aby ověřila stav položky, stanoví cenu podle trhu, vytvoří nabídku a po prodeji ji stáhne.
Popisy vycházejí z údajů, které už máme k dispozici. Protože položka pochází z objednávky u obchodníka, služba pracuje s původním záznamem produktu. Cena se odvíjí od skutečných prodejních cen srovnatelných položek a zohledňuje jejich stav. Zákazník nabídku před pokračováním potvrdí a náš tým připraví nabídku k prodeji a doplní případné chybějící údaje.
Cílem je usnadnit další prodej, aby zákazníci mohli získat zpět část hodnoty za věci, které už nechtějí, a to i po uplynutí lhůty pro vrácení
Jaké provozní problémy vás vedly k tomu, že jste zpřístupnili LLM Gateway od Seel, a jak vybíráte modely pro různé úkoly s ohledem na spolehlivost, latenci a náklady? Vyhodnocujete ekonomickou efektivitu jednotlivých volání modelu, nebo úspěšně dokončených zákaznických požadavků?
Nejdřív jsme ho vytvořili pro vlastní potřebu. Vývoj Seel Agencies pro naše vlastní pracovní postupy nás naučil, že provozování AI ve velkém měřítku vyžaduje systematický přístup k výběru modelů. Potřebovali jsme škálovatelnost, spolehlivost, přístup k nejlepším modelům a předvídatelné jednotkové náklady, a tak jsme pro to vybudovali potřebnou infrastrukturu. Obchodníci čelili stejnému postupnému růstu nákladů, model po modelu a požadavek po požadavku, a tak jsme naši infrastrukturu zpřístupnili i jim.
Modely vybíráme podle úkolu. K získání čísla objednávky z e-mailu není potřeba stejný model jako k řešení složitého vícekrokového problému. LLM Router vyhodnotí složitost požadavku a vybere model z těch, které zákazník povolil. Zákazníci si volí výkon, úsporu nebo rovnováhu mezi nimi. Díky tomu mohou rozhodnout, jak výrazně chtějí u jednodušších úkolů šetřit.
Spolehlivost a latence musí obstát i při skutečném pracovním vytížení. Než začnete směrování požadavků nastavovat agresivněji, doporučujeme otestovat kvalitu, dobu odezvy a náklady. U složitých pracovních postupů nebo úkolů, které vyžadují striktní konzistentnost, mohou zákazníci místo automatického směrování používat konkrétní model.
LLM Router účtuje využití modelu, nikoli každý dokončený zákaznický požadavek. Díky chytrému směrování platíte sazbu za model, který se skutečně použije. Náklady na vyhodnocení složitosti požadavku, na jehož základě se model vybere, hradí Seel.
Co vás Seel naučil o rozdílu mezi působivou ukázkou a službou, na kterou se zákazníci mohou spolehnout, když jste zakladateli, kteří budují firmy zaměřené na AI? Jaké důkazy by měl obchodník požadovat, než svěří celé provozní oddělení AI agentuře?
Ukázka předvede, že systém funguje jednou. Služba prokáže, že funguje i při desettisícím případu ve dvě ráno, když nefunguje API přepravce a zákazník je rozzlobený. To nejtěžší nikdy nebyl samotný model. Problémem jsou nekvalitní data, systémy, které si odporují, a schopnost rozpoznat, kdy by AI neměla zasahovat.
Obchodníci by měli požadovat důkazy, ne ukázky. Jaký podíl případů agentura vyřeší od začátku do konce? Jaká je doba jejich řešení a míra opakovaných nákupů, nejen počet požadavků odkloněných od zákaznické podpory? Když se agentura splete, kdo za to zaplatí a jak rychle? A můžete přesně vidět, co udělala? Kolik lidí je potřeba k jejímu provozu?
Děkujeme za skvělý rozhovor. Čtenáři, kteří se chtějí dozvědět více o AI agenturách, službách po nákupu a automatizaci v e-commerce, by měli navštívit Seel.












