Intervjuer
Zack Peng, medgründer og administrerende direktør i Seel – intervjuserie

Viktige punkterSeel løser over 99 % av supporthenvendelser ved å la AI fullføre løsninger i stedet for…
Vis mer
- Seel løser over 99 % av supporthenvendelser ved å la AI fullføre løsninger i stedet for å avvise saker.
- Tillit til AI-support avhenger av en synlig vei ut til et menneske, ikke av botens nøyaktighet.
- Forhandlere bør kreve bevis på ende-til-ende-løsningsrater og ansvar i stedet for polerte demoer.
Zack Peng er medgründer og administrerende direktør i Seel, der han arbeider med problemene kunder og forhandlere møter etter kjøpet. Arbeidet hans startet med å forutsi returer og refusjoner, og har siden utviklet seg til KI-systemer som løser kundehenvendelser på tvers av handelsprosesser. Han arbeider for å kombinere agenter som kan handle, med tydelige begrensninger for hva de kan gjøre, mulighet for å eskalere saker til mennesker og ansvar for utfallet kundene får.
Seel tilbyr tjenester etter kjøpet og KI-byråer for netthandel, blant annet beskyttelse av kjøp og leveranser, kundestøtte og videresalg. Plattformen kobler sammen forhandlersystemer, ordreopplysninger og tjenesteprosesser for å løse kundenes problemer, mens LLM Gateway gir tilgang til modeller og oppgavebasert ruting. I dette intervjuet snakker Peng om skiftet fra å besvare spørsmål til å ta ansvar for resultater, kontrollene som trengs for at agenter skal kunne handle på tvers av systemer, og hvordan forhandlere kan vurdere om KI-tjenester er til å stole på.
Hva inspirerte deg til å være med på å grunnlegge Seel, og hvordan førte arbeidet med å løse problemene kundene møter etter kjøpet, til at du begynte å utvikle en KI-basert arbeidsstyrke for netthandel?
Det begynte med én markedsplass. Vi møtte en gründer som drev en markedsplass, og så hvor mye arbeid bransjen la i å forutsi tilbakeføringer, som kostet rundt 0,5 % av GMV. Returer og refusjoner utgjorde 10–20 %, og ingen forsøkte å forutsi dem. Derfor bygde vi en modell som kunne gjøre det, og brukte den til å la kundene betale et lite gebyr for å få refundert varer som ellers ble solgt uten returrett. Jeg forventet at 3–5 % ville takke ja. Andelen ble 10–20 %. Det viste oss at kundene er villige til å betale for trygghet etter kjøpet, av samme grunn som folk kjøper AppleCare eller egenandelsfritak ved leiebil.
Den KI-baserte arbeidsstyrken oppsto i vår egen innboks for kundestøtte. Mer enn 70 % av kundestøttehenvendelsene våre hadde ingenting med returer å gjøre. Kundene ville vite hvor bestillingen deres var, eller om de kunne bytte noe. I stedet for å sende dem tilbake til forhandleren begynte vi å løse disse henvendelsene selv. Vi lærte at den virkelige verdien av KI i handel ikke handler om å spare penger. Den ligger i å utføre oppgaver umiddelbart og i stor skala, også når pågangen er på sitt høyeste. Dette omfatter KI-systemer som kan vurdere og godkjenne refusjoner som oppfyller vilkårene, før returforsendelsene er mottatt, samt KI-agenter som er tilgjengelige døgnet rundt og kan handle for å løse kundehenvendelser.
Du beskriver en utvikling fra chatboter som besvarer spørsmål, via agenter som utfører handlinger, til KI-byråer som tar ansvar for et helt resultat. Hva endrer seg teknisk og operasjonelt mellom disse trinnene, og kan du illustrere det med et reelt kundeproblem?
Forskjellen handler om hvem som tar ansvar for resultatet. En chatbot svarer på «Hvor er bestillingen min?» En agent utfører én enkelt oppgave, for eksempel å sende inn et krav. Et KI-byrå tar ansvar for resultatet: at kunden får det vedkommende har betalt for.
Teknisk sett arbeider et KI-byrå på tvers av systemer, blant annet forhandlerens nettbutikk, transportøren og betalingssystemene, i stedet for å holde seg til ett system. Det følger en sak over flere dager, ikke bare gjennom én samtale, og må vite når saken faktisk er løst. Operasjonelt går man fra å bemanne etter antall henvendelser til å bemanne for unntakstilfellene.
Tenk deg en pakke som er markert som levert, men aldri kom fram. En chatbot ber kunden vente. En agent oppretter et krav. Seel Agencies sjekker transportørens skanning og ordrehistorikken, avgjør om saken oppfyller vilkårene, utbetaler penger eller sender en erstatningsvare, oppdaterer forhandlerens registre og gir kunden beskjed om at saken er løst. Som partner som tar hånd om forhandleres henvendelser etter kjøpet fra start til slutt, testet vi først denne KI-infrastrukturen på våre egne henvendelser. Denne resultatorienterte tilnærmingen hjalp oss med å oppnå en løsningsgrad på over 90 %, samtidig som vi kunne flagge og refundere henvendelser som oppfylte vilkårene, umiddelbart.
Tenk deg at en handleagent kjøper feil størrelse på vegne av noen. Hva må skje mellom agenten, forhandleren og Seel for å rette opp feilen, og hvem bør ha ansvaret for utfallet?
Kunden skal ikke måtte være dommer i saken. Uansett hvem som gjorde feilen, er løsningen den samme: et raskt bytte eller en refusjon.
Tre ting gjør dette mulig. Det må finnes en registrering av hvem som la inn bestillingen, og på hvilke instrukser, slik at agentens beslutning kan spores. For det andre må forhandlerens returregler være maskinlesbare, slik at en agent kan følge dem. For det tredje må noen stå ansvarlig for utfallet før det er avklart hvem som har skylden.
Det er her Seel kommer inn. Vi påtar oss ansvaret. Hvis bestillingen var beskyttet, sørger vi først for at kunden får full erstatning, og finner ut hvem som har ansvaret etterpå. Hvis en KI-handleagent bestiller feil størrelse på vegne av noen, bør kunden ha samme mulighet til å få saken løst som om vedkommende hadde bestilt selv – så lenge den riktige beskyttelsen ble lagt til i kassen og saken omfattes av dekningen. Vi tar det økonomiske ansvaret for utfallene vi dekker. Kunden skal ikke måtte være dommer i saken for å avgjøre om det var kunden selv eller agenten som gjorde feil.
Teamet ditt sier at KI fremskynder behandlingen av 80 % av Seels kundestøttehenvendelser. Hva betyr «fremskynder» i praksis, hvor mange saker løses uten menneskelig inngripen, og hvilke måltall viser om kundene faktisk får bedre service?
Det betyr at KI gjør arbeidet som tidligere sinket en person: leser saken, henter ordre- og transportørdata, sjekker forhandlerens retningslinjer og i de fleste tilfeller fullfører løsningen. KI håndterer 80 % av saksvolumet vårt på denne måten. Totalt løser vi mer enn 99 % av kundesakene, mens bransjen vanligvis snakker om 60–70 %.
Men løsningsgraden alene kan skjule dårlig service, fordi en bot som avviser kunder, ser bra ut på et dashbord. Derfor følger vi med på måltall som andelen saker som åpnes på nytt, andelen saker som eskaleres til en menneskelig medarbeider, og kundetilfredshet. Rask respons er viktig i situasjoner som frustrerer kundene. Å endre en leveringsadresse innebærer vanligvis en e-postutveksling på tvers av separate ordre- og leveringssystemer. Medarbeiderne våre ordner det på få minutter.
Det viktigste måltallet for meg er om kunden handler igjen. I hele nettverket vårt hadde 69 % av kundene som handlet flere ganger, beskyttet den første bestillingen sin.
Du har beskrevet deg selv som «for agenter, bare ikke for autopilot». Hvilke beslutninger lar du bevisst mennesker ta, og hvordan oppdager systemet ditt at en sak som virker rutinemessig, krever menneskelig skjønn?
Autopilot betyr at ingen følger med. Vi vil at agenter skal gjøre mesteparten av arbeidet, og at mennesker skal ta avgjørelsene der skjønn er viktig.
Vi lar mennesker ta tre typer beslutninger: alt som fastsetter retningslinjer, saker der det er kostbart å rette opp en feil avgjørelse, og saker som er så uvanlige at svaret etter reglene kanskje ikke er det rettferdige. KI håndterer rutinesaker innenfor disse grensene og kan ikke utvide sin egen myndighet. Hvis en handling ikke er godkjent, eller en sak krever ytterligere godkjenning eller særskilt håndtering, eskaleres den direkte til en person.
Systemet ser ikke bare på typen forespørsel, men også på konteksten: risiko, hvor mye det haster, kundens frustrasjon og hvor følsom saken er med tanke på retningslinjene. Saker med høy risiko sendes til mennesker, mens saker som er følsomme med tanke på retningslinjene, kan kreve ytterligere verifisering før tiltak settes i verk. Disse terskelverdiene konfigureres for den enkelte forhandler og arbeidsflyt, i stedet for å uttrykkes som ett universelt beløp eller en felles konfidensskår. En forespørsel om raskere behandling eller en høyere utbetaling kan for eksempel falle utenfor KIs selvstendige myndighet.
Undersøkelsene deres blant kunder tyder på at mange i generasjon Z fortsatt ønsker at en person skal være involvert i å løse problemene deres. Hva har dere lært om å utforme KI-basert kundestøtte som skaper tillit, særlig når kundene vil bestride en avgjørelse eller få kontakt med et menneske?
Generasjon Z er den generasjonen som er mest komfortabel med KI, og også den som raskest legger merke til når et selskap bruker KI for å unngå kontakt med dem. I rapporten vår om handlevanene til generasjon Z fra 2026 sa 49 % av de spurte i generasjon Z at de heller ville løse et problem sammen med en person. De ønsker fortsatt at det skal gå raskt: 87 % av kundene forventer at et problem løses innen to til tre dager.
Det vi har lært, er at tilliten avhenger av muligheten til å komme videre, ikke av boten. Når kundene vet at de kan få kontakt med en person, lar de gjerne KI håndtere saken. Når KI blir en mur, bryter tilliten sammen, selv om svaret var riktig.
Derfor utformer vi løsningene med tre ting i tankene:
- Rask behandling, slik at problemene løses før frustrasjonen setter inn
- En tydelig forklaring med et enkelt språk hver gang KI sier nei
- Og eskalering til en person i ett trinn, slik at personen straks får se hele historikken og kunden slipper å gjenta seg.
Når agenter kan utstede refusjoner, endre bestillinger eller utføre handlinger på tvers av forhandlersystemer, får feil økonomiske konsekvenser. Hvordan håndhever dere tilgangsrettigheter, hindrer dupliserte eller uautoriserte handlinger og rekonstruerer hendelsesforløpet når noe går galt?
Hver agent får den tilgangen jobben krever, og ikke noe mer. Vi avgrenser tilgangen til de konkrete arbeidsflytene forhandleren har godkjent. Vi bruker egne kontoer eller API-tokener, adskilt fra de ansattes brukerkontoer, slik at forhandleren når som helst kan endre, deaktivere eller tilbakekalle tilgangen.
For handlinger med høyere risiko, som store refusjoner, kan vi konfigurere menneskelig kontroll eller terskelverdier basert på beløp og regler, i tråd med forhandlerens krav. Å gi en agent tilgang til et system bør ikke bety at agenten får et ubegrenset mandat.
Alle handlinger i systemet loggføres med tidspunkt, hva som ble gjort og hva som utløste handlingen. Hvis noe går galt, gir dette oss dokumentasjon vi kan undersøke sammen med forhandleren, bruke til å bistå med tilbakeføring av endringer og bygge grunnlag for å stramme inn reglene i etterkant.
Med 1-Click Resale oppretter agenter annonser, fastsetter priser og koordinerer salg på tvers av flere markedsplasser. Hvordan kvalitetssikrer dere produktbeskrivelser og priser, og hindrer at en vare selges to ganger når oppdateringer fra markedsplassene blir forsinket?
Resale-formidlingstjenesten vår gjør jobben selgere vanligvis helst vil slippe. Den vurderer kundens bilde for å sjekke varens tilstand, fastsetter en pris ut fra markedet, oppretter annonsen og fjerner den når varen er solgt.
Beskrivelsene tar utgangspunkt i data vi allerede har. Siden varen stammer fra en bestilling hos en forhandler, bruker formidlingstjenesten den opprinnelige produktoppføringen. Prisen fastsettes først og fremst ut fra hva sammenlignbare varer faktisk er solgt for, justert etter varens tilstand. Kunden bekrefter tilbudet før vi går videre, og teamet vårt håndterer annonsen og eventuelle manglende opplysninger.
Målet er å gjøre videresalg enklere, slik at kundene kan få tilbake noe av verdien av varer de ikke lenger ønsker seg, også etter at returfristen er utløpt
Hvilke driftsmessige utfordringer førte til at dere åpnet Seels LLM Gateway, og hvordan velger dere modeller til ulike oppgaver ut fra pålitelighet, forsinkelse og kostnader? Vurderer dere økonomien per modellkall eller per vellykket resultat for kunden?
Vi bygde det først for vår egen del. Da vi utviklet Seel Agencies for å håndtere våre egne arbeidsflyter, lærte vi at bruk av KI i stor skala krever at man er nøye med hvordan man skaffer modeller. Vi trengte skalerbarhet, pålitelighet, tilgang til de beste modellene og forutsigbar enhetsøkonomi, så vi bygde infrastrukturen for det. Selgerne merket at kostnadene økte på samme måte, modell for modell og forespørsel for forespørsel, så vi åpnet løsningen for dem også.
Vi ruter etter oppgave. Å hente et ordrenummer fra en e-post krever ikke samme modell som å løse et komplisert problem i flere trinn. LLM Router vurderer hvor kompleks forespørselen er, og ruter den til en av modellene kunden har tillatt. Kundene velger mellom ytelse, besparelser eller en balanse mellom de to. Dermed kan de selv bestemme hvor mye de vil spare på enklere oppgaver.
Pålitelighet og forsinkelse må fortsatt holde mål med den faktiske arbeidsmengden. Vi anbefaler å teste kvalitet, responstid og kostnader før man øker graden av automatisk ruting. For komplekse arbeidsflyter eller oppgaver som krever streng konsistens, kan kundene beholde en bestemt modell i stedet for å bruke automatisk ruting.
LLM Router tar betalt for modellbruk, ikke per fullført kundeutfall. Med smart ruting faktureres du etter prisen for modellen som faktisk brukes. Seel dekker kostnaden ved å vurdere hvor kompleks forespørselen er, slik at rutingvalget kan tas.
Hva har Seel lært dere som gründere innen KI om forskjellen mellom en imponerende demonstrasjon og en tjeneste kundene kan stole på? Hvilke bevis bør en selger kreve før en hel forretningsfunksjon overlates til et KI-byrå?
En demonstrasjon viser at systemet fungerer én gang. En tjeneste viser at det fortsatt fungerer ved det ti tusende tilfellet klokken to om natten, når transportørens API er nede og kunden er sint. Det vanskelige har aldri vært modellen. Det er dårlige data, systemer som ikke stemmer overens, og å vite når KI-en ikke bør handle.
Selgere bør be om dokumentasjon, ikke demonstrasjoner. Hvor stor andel av sakene løser byrået fra start til slutt? Hvor lang tid bruker det på å løse sakene, og hva er andelen gjenkjøp, utover hvor mange kundesaker som avledes? Hvem betaler når byrået tar feil, hvor raskt skjer det, og kan dere se nøyaktig hva det gjorde? Og hvor mange personer trengs for å drifte det?
Takk for et flott intervju. Lesere som vil lære mer om KI-byråer, tjenester etter kjøp og automatisering innen netthandel, kan besøke Seel.












