Interviews
Zack Peng, medstifter og administrerende direktør for Seel – interviewserie

NøglepunkterSeel løser over 99 % af supportssager ved at lade AI gennemføre løsninger i stedet for…
Vis mere
- Seel løser over 99 % af supportssager ved at lade AI gennemføre løsninger i stedet for at afvise sager.
- Tillid til AI-support afhænger af en synlig udvej til et menneske snarere end af bottens nøjagtighed.
- Forhandlere bør kræve bevis for end-to-end-løsningsrater og ansvar snarere end polerede demoer.
Zack Peng er medstifter og administrerende direktør for Seel, hvor han fokuserer på de problemer, kunder og forhandlere står over for efter købet. Hans arbejde begyndte med at forudsige returneringer og refusioner og er siden blevet udvidet til AI-systemer, der håndterer kundehenvendelser på tværs af handelsprocesser. Han går ind for at kombinere agenter, der kan handle, med tydelige operationelle begrænsninger, mulighed for at eskalere sager til mennesker og ansvar for det resultat, kunderne får.
Seel tilbyder tjenester efter købet og AI-agenturer til e-handel, herunder beskyttelse af køb og levering, kundesupport og videresalg. Platformen forbinder forhandlernes systemer, ordreoplysninger og serviceprocesser for at hjælpe med at løse kundernes problemer, mens virksomhedens LLM Gateway giver adgang til modeller og understøtter opgavebaseret dirigering. I dette interview taler Peng om skiftet fra at besvare spørgsmål til at tage ansvar for resultater, om de kontroller, der skal til, for at agenter kan handle på tværs af systemer, og om, hvordan forhandlere kan vurdere, om AI-tjenester er pålidelige.
Hvad inspirerede dig til at være med til at grundlægge Seel, og hvordan førte arbejdet med at løse de problemer, kunder står over for efter købet, til, at du begyndte at opbygge en AI-arbejdsstyrke til e-handel?
Det begyndte med én markedsplads. Vi mødte en iværksætter, der drev en markedsplads, og så, hvor mange kræfter branchen brugte på at forudsige chargebacks, som kostede omkring 0,5 % af GMV. Returneringer og refusioner udgjorde 10 til 20 %, og ingen forsøgte at forudsige dem. Derfor byggede vi en model, der kunne gøre det, og brugte den til at lade kunder betale et mindre gebyr for at få varer, der var solgt uden returret, gjort refunderbare. Jeg forventede, at 3 til 5 % ville vælge det. Det blev 10 til 20 %. Det viste os, at kunder gerne betaler for tryghed efter købet – af samme grund, som folk køber AppleCare eller en selvrisikofritagelse ved billeje.
AI-arbejdsstyrken udsprang af vores egen supportindbakke. Mere end 70 % af vores supportsager handlede ikke om returneringer. Kunderne ville vide, hvor deres ordre var, eller om de kunne bytte noget. I stedet for at sende dem tilbage til forhandleren begyndte vi selv at løse sagerne. Vi fandt ud af, at AI’s egentlige værdi i handel ikke handler om at spare penge. Værdien ligger i at kunne gøre ting med det samme og i stor skala, også når der er spidsbelastning. Det omfatter AI-systemer, der kan vurdere og godkende berettigede refusioner, før returnerede varer modtages, samt AI-agenter, der er tilgængelige døgnet rundt og kan handle for at løse kundehenvendelser.
Du beskriver en udvikling fra chatbots, der besvarer spørgsmål, til agenter, der handler, og videre til AI-agenturer, der tager ansvar for et helt resultat. Hvad ændrer sig teknisk og operationelt mellem de forskellige trin, og kan du illustrere det med en konkret kundehenvendelse?
Forskellen handler om, hvem der tager ansvar for resultatet. En chatbot besvarer spørgsmålet: »Hvor er min ordre?« En agent udfører en enkelt opgave, som for eksempel at indgive et krav. Et AI-agentur tager ansvar for resultatet: at kunden får det, vedkommende har betalt for.
Teknisk set arbejder et AI-agentur på tværs af systemer, herunder forhandlerens butik, fragtfirmaet og betalingssystemerne, i stedet for kun i ét system. Det følger en sag over flere dage, ikke blot én samtale, og skal kunne afgøre, hvornår sagen rent faktisk er løst. Operationelt holder man op med at bemande efter antallet af supportsager og begynder i stedet at bemande efter antallet af undtagelser.
Forestil dig en pakke, der står som leveret, men aldrig nåede frem. En chatbot beder kunden om at vente. En agent opretter et krav. Seel Agencies kontrollerer fragtfirmaets scanning og ordrehistorikken, afgør, om kunden er berettiget, udbetaler en refusion eller sender en erstatningsvare, opdaterer forhandlerens registreringer og giver kunden besked om, at sagen er løst. Som partner, der håndterer forhandleres supportsager efter købet fra start til slut, afprøvede vi først denne AI-infrastruktur på vores egne sager. Denne løsningsorienterede tilgang hjalp os med at nå en løsningsrate på over 90 %, samtidig med at vi kunne markere og refundere berettigede henvendelser med det samme.
Forestil dig en indkøbsagent, der på en persons vegne køber den forkerte størrelse. Hvad skal der ske mellem agenten, forhandleren og Seel for at rette fejlen, og hvem bør være ansvarlig for resultatet?
Kunden bør ikke skulle fungere som mægler. Uanset hvem der begik fejlen, er løsningen den samme: et hurtigt bytte eller en refusion.
Tre ting gør det muligt. Ordren skal indeholde en registrering af, hvem der afgav den, og efter hvilke instrukser, så agentens beslutning kan spores. For det andet skal forhandlerens returpolitik kunne læses af maskiner, så en agent kan handle ud fra den. For det tredje skal nogen stå inde for resultatet, før ansvaret er placeret.
Det er her, Seel kommer ind i billedet. Vi påtager os ansvaret. Hvis ordren var beskyttet, får kunden først fuld erstatning, og ansvarsplaceringen afklares bagefter. Hvis en AI-indkøbsagent på en persons vegne bestiller den forkerte størrelse, bør kunden have samme mulighed for at få problemet løst, som hvis vedkommende selv havde bestilt varen – så længe den rette beskyttelse blev tilføjet ved betaling, og problemet er dækket af beskyttelsen. Vi står økonomisk inde for de resultater, vi dækker. Kunden bør ikke skulle fungere som mægler for at afgøre, om det var kunden eller agenten, der begik fejlen.
Jeres team siger, at AI fremskynder behandlingen af 80 % af Seels supportsager. Hvad betyder »fremskynder« i praksis, hvor mange sager løses uden menneskelig indgriben, og hvilke målinger viser, om kunderne rent faktisk får bedre service?
Det betyder, at AI udfører det arbejde, der tidligere sinkede medarbejderne: læser sagen, henter ordre- og transportørdata, tjekker forhandlerens politik og i de fleste tilfælde gennemfører løsningen. AI håndterer 80 % af vores samlede antal supportsager. Samlet løser vi mere end 99 % af supportsagerne, mens man i branchen normalt taler om 60 til 70 %.
Men afslutningsgraden alene kan skjule dårlig service, fordi en bot, der leder kunderne væk, ser godt ud på et kontrolpanel. Derfor følger vi målepunkter som andelen af sager, der genåbnes, andelen, der eskaleres til en medarbejder, og kundetilfredsheden. Hurtig hjælp er vigtig i de situationer, der frustrerer kunderne. At ændre en leveringsadresse kræver som regel en mailudveksling på tværs af separate ordre- og leveringssystemer. Vores medarbejdere klarer det på få minutter.
Det vigtigste for mig er, om kunden handler igen. På tværs af vores netværk havde 69 % af de tilbagevendende kunder beskyttet deres første ordre.
Du har beskrevet dig selv som »tilhænger af agenter, bare ikke af autopilot«. Hvilke beslutninger forbeholder du bevidst mennesker, og hvordan genkender dit system, at en tilsyneladende rutinesag kræver menneskelig vurdering?
Autopilot betyder, at ingen holder øje. Vi vil have agenter til at udføre det meste af arbejdet og mennesker til at træffe de beslutninger, hvor dømmekraft er vigtig.
Vi forbeholder tre slags beslutninger til mennesker: alt, der fastlægger politikken, sager, hvor det er dyrt at omgøre en forkert beslutning, og sager, der er så usædvanlige, at regelværkets svar måske ikke er det rimelige. AI håndterer rutinesager inden for disse rammer og kan ikke udvide sine egne beføjelser. Hvis en handling ikke er godkendt, eller en sag kræver yderligere godkendelse eller særlig håndtering, sendes den direkte videre til et menneske.
Systemet ser ikke kun på typen af anmodning, men også på den omgivende kontekst: risiko, hastende karakter, kundens frustration og følsomhed over for politikken. Sager med høj risiko sendes videre til mennesker, mens sager, der er følsomme over for politikken, kan kræve yderligere verifikation, før der handles. Tærsklerne tilpasses den enkelte forhandler og arbejdsgang i stedet for at blive fastsat som ét universelt beløb eller én fælles tillidsscore. En anmodning om hurtigere behandling eller en højere udbetaling kan for eksempel ligge uden for AI’ens selvstændige beføjelser.
Jeres undersøgelser blandt kunder tyder på, at mange Gen Z-forbrugere stadig gerne vil have et menneske med til at løse deres problemer. Hvad har I lært om at udforme AI-support, der skaber tillid, især når kunderne vil gøre indsigelse mod en beslutning eller tale med et menneske?
Gen Z er den generation, der er mest tryg ved AI, men også den, der hurtigst opdager, når en virksomhed bruger teknologien til at undgå dem. I vores rapport om Gen Z’s shoppingvaner fra 2026 svarede 49 % af Gen Z, at de helst vil løse et problem sammen med et menneske. De vil stadig have det hurtigt: 87 % af kunderne forventer, at et problem bliver løst inden for to til tre dage.
Det, vi har lært, er, at tillid afhænger af, om der er en udvej – ikke af botten. Når kunderne ved, at de kan få fat i et menneske, overlader de gerne tingene til AI. Når AI bliver en mur, bryder tilliden sammen, selv hvis svaret var rigtigt.
Derfor tilrettelægger vi løsningen med fokus på tre ting:
- Hurtig hjælp, så problemer bliver løst, før frustrationen sætter ind
- En tydelig begrundelse i et enkelt sprog, hver gang AI siger nej
- Og mulighed for med ét trin at blive sendt videre til et menneske, der straks kan se hele sagsforløbet, så kunden aldrig behøver at gentage sig selv.
Når agenter kan udstede refusioner, ændre ordrer eller udføre handlinger på tværs af forhandleres systemer, kan fejl få økonomiske konsekvenser. Hvordan håndhæver I adgangsrettigheder, forhindrer dobbelte eller uautoriserede handlinger og genskaber hændelsesforløbet, når noget går galt?
Hver agent får den adgang, jobbet kræver, og ikke mere. Vi begrænser adgangen til de konkrete arbejdsgange, som forhandleren har godkendt. Vi bruger dedikerede konti eller API-tokens, der er adskilt fra medarbejdernes identiteter, så forhandleren til enhver tid kan ændre, suspendere eller tilbagekalde adgangen.
Ved handlinger med højere risiko, såsom store refusioner, kan vi indstille manuel kontrol eller beløbs- og regelbaserede tærskler efter forhandlerens krav. At give en agent adgang til et system bør ikke betyde, at den får et ubegrænset mandat.
Alle handlinger i systemet logges med tidspunkt, hvad der blev gjort, og hvad der udløste handlingen. Hvis noget går galt, giver det os en registrering, som vi kan undersøge sammen med forhandleren, bruge til at hjælpe med at rulle handlingen tilbage og efterfølgende stramme reglerne.
Med 1-Click Resale opretter agenter annoncer, fastsætter priser og koordinerer salg på tværs af flere markedspladser. Hvordan kontrollerer I produktbeskrivelser og priser og forhindrer, at en vare bliver solgt to gange, når opdateringer på markedspladserne er forsinkede?
Vores videresalgsservice udfører det arbejde, sælgeren som regel helst vil undgå. Den gennemgår kundens foto for at vurdere varens stand, prissætter varen ud fra markedet, opretter annoncen og fjerner den, når varen er solgt.
Beskrivelserne tager udgangspunkt i de data, vi allerede har. Da varen stammer fra en ordre hos en forhandler, bruger videresalgsservicen den oprindelige produktoplysning som grundlag. Prisen tager udgangspunkt i, hvad tilsvarende varer faktisk er blevet solgt for, justeret efter varens stand. Kunden bekræfter tilbuddet, før vi går videre, og vores team tager sig af annoncen og eventuelle manglende oplysninger.
Målet er at gøre videresalg nemmere, så kunderne kan få noget af værdien tilbage for varer, de ikke længere ønsker, selv efter at returfristen er udløbet
Hvilke operationelle udfordringer fik jer til at åbne Seels LLM Gateway, og hvordan vælger I modeller til forskellige opgaver ud fra driftssikkerhed, latenstid og omkostninger? Vurderer I økonomien pr. modelkald eller pr. kundeopgave, der gennemføres med succes?
Vi byggede det først til os selv. Da vi udviklede Seel Agencies til at håndtere vores egne arbejdsgange, lærte vi, at AI i stor skala kræver en disciplineret tilgang til, hvordan man anskaffer modeller. Vi havde brug for skalerbarhed, driftssikkerhed, adgang til de bedste modeller og forudsigelig enhedsøkonomi, så vi byggede infrastrukturen til det. Forhandlere oplevede, at omkostningerne steg på samme måde, model for model og forespørgsel for forespørgsel, så vi åbnede løsningen for dem.
Vi vælger model efter opgaven. Det kræver ikke den samme model at hente et ordrenummer fra en e-mail som at løse et kompliceret problem i flere trin. LLM Router vurderer, hvor kompleks forespørgslen er, og vælger blandt de modeller, kunden har tilladt. Kunderne vælger mellem ydeevne, besparelser eller en balance mellem de to. Det giver dem mulighed for selv at bestemme, hvor meget de vil spare på enklere opgaver.
Driftssikkerhed og latenstid skal stadig kunne klare den faktiske arbejdsbelastning. Vi anbefaler, at man tester kvalitet, svartid og omkostninger, før man i højere grad lader systemet vælge modeller automatisk. Ved komplekse arbejdsgange eller opgaver, der kræver konsekvent ensartede resultater, kan kunderne fastholde en bestemt model i stedet for at bruge automatisk valg af model.
LLM Router opkræver betaling for modelbrug, ikke for hvert gennemført resultat for kunden. Med intelligent modelvalg faktureres du efter prisen for den model, der faktisk kører. Seel dækker omkostningerne ved at vurdere forespørgslens kompleksitet og træffe beslutning om modelvalg.
Hvad har Seel lært jer som grundlæggere af AI-virksomheder om forskellen på en imponerende demonstration og en tjeneste, kunderne kan stole på? Hvilken dokumentation bør en forhandler kræve, før vedkommende overlader en hel forretningsfunktion til et AI-bureau?
En demonstration viser, at systemet fungerer én gang. En tjeneste viser, at det også fungerer i sag nummer 10.000 kl. 2 om natten, når fragtfirmaets API er nede, og kunden er vred. Det svære har aldrig været modellen. Det er dårlige data, systemer, der er uenige, og at vide, hvornår AI’en ikke bør handle.
Forhandlere bør bede om dokumentation, ikke demonstrationer. Hvor stor en andel af sagerne løser bureauet fra start til slut? Hvor lang tid tager det at løse sagerne, og hvor høj er andelen af gentagne køb – ud over hvor mange supportsager der afledes? Hvem betaler, når bureauet tager fejl, hvor hurtigt sker det, og kan I se præcis, hvad det gjorde? Og hvor mange medarbejdere kræver det at drive løsningen?
Tak for et godt interview. Læsere, der gerne vil vide mere om AI-bureauer, tjenester efter købet og automatisering inden for e-handel, kan besøge Seel.












