Liderzy opinii
Najmądrzejszą decyzją AI może być niewysłanie wiadomości

Kluczowe punktyOptymalizacja pod kątem kliknięć nagradza wysyłanie większej liczby wiadomości, nawet…
Zobacz więcej
- Optymalizacja pod kątem kliknięć nagradza wysyłanie większej liczby wiadomości, nawet gdy powściągliwość lepiej chroniłaby relację z klientem.
- Dobrze napisana promocja wysłana, gdy zwrot pieniędzy pozostaje nierozwiązany, jest błędem decyzyjnym, którego lepsza treść nie naprawi.
- Przegląd przez człowieka powinien koncentrować się na niejednoznacznym kontekście i działaniach o wysokich konsekwencjach, a nie na rutynowych przypadkach zgodnych z polityką.
Generatywna AI znacznie obniżyła koszt tworzenia spersonalizowanych wiadomości. Nie ułatwiła jednak podjęcia decyzji, czy taką wiadomość w ogóle należy wysłać.
To rozróżnienie ma znaczenie, ponieważ AI przejmuje coraz więcej decyzji związanych z interakcjami z klientami. System może przygotować trafną ofertę i przewidzieć, że ktoś w nią kliknie, a mimo to podjąć niewłaściwą decyzję. Klient może czekać na zwrot pieniędzy. Może mieć nierozwiązaną reklamację. Mógł już kupić produkt, używając innego adresu e-mail.
Lepszy tekst nie rozwiąże żadnego z tych problemów. System potrzebuje lepszego rozeznania w sytuacji klienta, celu odzwierciedlającego to, co firma naprawdę ceni, oraz jasno określonych granic swoich działań.
Pod kątem czego system ma optymalizować działanie?
Liczbę wysłanych wiadomości, otwarć i kliknięć łatwo zmierzyć. Dzięki temu wskaźniki te są przydatne w zarządzaniu, ale łatwo też ulec pokusie, by potraktować je jako zastępnik tego, czego firma naprawdę chce: klienta, który dostrzega wartość relacji i do niej wraca.
System AI optymalizujący łączną liczbę kliknięć i mający niewiele ograniczeń dotyczących częstotliwości kontaktu może uznać, że wysyłanie większej liczby wiadomości poprawia jego wynik. Każda kolejna wysyłka z osobna może wydawać się uzasadniona. Jednak w różnych kampaniach i kanałach ten sam klient może otrzymywać wiadomości od marki znacznie częściej, niż ktokolwiek zamierzał.
Koszty ujawniają się poza optymalizowanym wskaźnikiem. W świątecznym badaniu konsumentów Validity z 2026 roku jedna trzecia respondentów stwierdziła, że sama liczba świątecznych wiadomości e-mail wystarczyła, by zrezygnowali z subskrypcji. Nie wynika z tego, że to AI spowodowała nadmiar wiadomości. Wynika natomiast, że zwiększenie aktywności może odbywać się kosztem relacji z klientem.
Rezygnacja z subskrypcji jest widoczna. Frustracja, która ją poprzedziła, często nie. Jeśli system otrzymuje nagrodę za kliknięcie dzisiaj, ale nie ponosi żadnej kary za zmniejszenie prawdopodobieństwa, że klient wróci w przyszłym miesiącu, ma niewiele powodów, by uwzględniać ten kompromis.
Powstrzymanie się od działania też jest decyzją
Pomyślmy o kliencie, który w zeszłym tygodniu zwrócił zamówienie i wciąż czeka na zwrot pieniędzy. System marketingowy widzi osobę, która niedawno dokonała zakupu i z dużym prawdopodobieństwem zareaguje, po czym kolejkuje promocyjną wiadomość e-mail. Z perspektywy klienta marka prosi o kolejne pieniądze, zanim odda te, które jest mu winna.
Informacja o zwrocie może znajdować się w systemie obsługi zamówień, status zwrotu pieniędzy — w narzędziu do obsługi klienta, a zakup — w profilu marketingowym. Te dane mogą nawet nie być przypisane do tej samej osoby. Model może działać dokładnie zgodnie z założeniami, a mimo to podejmować decyzję na podstawie niepełnego obrazu klienta.
Połączenie tych danych zmienia to, co system może wiedzieć. Nie zmienia jednak automatycznie tego, jak system będzie działać. Proces decyzyjny musi też uwzględniać nierozliczony zwrot pieniędzy i dopuszczać wstrzymanie promocji jako prawidłowy rezultat. W przeciwnym razie system otrzymuje więcej informacji, ale jego zachowanie nadal jest nagradzane na tych samych zasadach.
Dlatego kontekst dotyczący klienta i cele trzeba projektować łącznie. Kontekst wyjaśnia, co się dzieje. Cel i reguły podejmowania decyzji określają, co powinno wydarzyć się dalej. Sam zwrot nie oznacza, że należy przerwać wszelką komunikację. Klient może potrzebować informacji o statusie zwrotu pieniędzy. Ważne jest rozróżnienie między przydatną wiadomością dotyczącą obsługi a kolejną promocją.
Źle napisana wiadomość e-mail to problem z treścią. Dobrze napisana wiadomość wysłana, gdy klient czeka na swoje pieniądze, to problem decyzyjny. Nie rozwiążesz tego drugiego, doskonaląc pierwsze.
Zapisanie się do programu to nie to samo co lojalność
Programy lojalnościowe stanowią kolejny przykład tego samego problemu. Jeśli miarą sukcesu jest większa liczba zapisów, system może nauczyć się przyciągać ludzi rabatem. Liczba zapisów rośnie. To, czy ci klienci wrócą bez kolejnego rabatu, to już osobna kwestia.
Na przydatne pytania trudniej znaleźć odpowiedź. Czy członkowie programu wracają? Czy ich zakupy są rentowne po uwzględnieniu kosztów oferowanych zachęt? Czy program zmienia ich zachowanie, czy głównie nagradza zakupy, których i tak by dokonali?
Odpowiedź na te pytania wymaga połączenia danych o aktywności w programie lojalnościowym z historią zakupów i obsługi klienta z dłuższego okresu. Potrzebne jest też porównanie, które pomoże oddzielić wpływ programu od zachowań, których można było się spodziewać niezależnie od niego. Sama większa liczba członków programu nie pozwala tego stwierdzić.
Nadzór człowieka musi wpływać na decyzje
To ludzie odpowiadają za określenie, pod kątem czego system ma optymalizować działanie. Kompromisy związane z utrzymaniem klientów, marżą i wysiłkiem, jaki muszą oni wkładać w kontakt z firmą, należą do odpowiedzialności kierownictwa. Model może pomóc ocenić te kompromisy. Nie może jednak wziąć odpowiedzialności za dokonany wybór.
To samo dotyczy ograniczeń nakładanych na działania. Dobrym pytaniem na początek jest: jak trudno byłoby cofnąć tę decyzję? Wstrzymanie promocyjnej wiadomości do weryfikacji ma inne konsekwencje niż zmiana ceny, przyznanie kredytu na koncie czy anulowanie rezerwacji. To konsekwencje, zakres zgód klienta i wiarygodność dostępnego kontekstu powinny decydować o tym, co może odbywać się automatycznie, a co wymaga zatwierdzenia.
Nierozstrzygnięta sprawa zwrotu nie musi za każdym razem trafiać do ręcznej weryfikacji. Jeśli zasady są jasne, reguła może wstrzymać wysyłkę materiału promocyjnego, a komunikacja dotycząca obsługi klienta może być kontynuowana. Ręczna weryfikacja jest potrzebna, gdy kontekst jest niejednoznaczny, zasady są sprzeczne lub konsekwencje wykraczają poza uprawnienia systemu. Jeśli brakuje informacji potrzebnych do rozróżnienia tych sytuacji, system powinien mieć określone rozwiązanie awaryjne zamiast przyzwolenia na zgadywanie.
Osoby weryfikujące potrzebują czegoś więcej niż tylko oceny pewności. Muszą wiedzieć, na podstawie których danych klientów sformułowano rekomendację, jak aktualne są te dane, jaki cel próbuje osiągnąć system i jakie ograniczenia go obowiązują. Rekomendacja oparta na nieaktualnych lub niedopasowanych danych pozostaje błędna, nawet jeśli system jest jej pewien.
Ręczne zmiany decyzji powinny dostarczać informacji. Jeśli ludzie wielokrotnie wstrzymują ten sam rodzaj promocji, należy zapisywać przyczyny. Powtarzający się wzorzec może ujawnić brakujące dane dotyczące obsługi klienta, problem z identyfikacją lub cel, który premiuje niewłaściwe zachowanie. Usunięcie przyczyny takiego wzorca jest cenniejsze niż oczekiwanie, że ktoś będzie bez końca wychwytywać ten sam błąd.
Sprawdź, czy wstrzymanie wysyłki przynosi korzyści
Zespoły mogą zacząć od jednej decyzji, zamiast od razu próbować przeprojektować wszystkie interakcje z klientami. Wybierz wysyłkę promocyjną, określ, jakiego kontekstu wymaga, i zdefiniuj warunki, w których należy ją wstrzymać. Nie obejmuj tą regułą wstrzymania niezbędnych komunikatów dotyczących obsługi klienta.
Następnie sprawdź, czy zmiana przynosi korzyści. W przypadku kwalifikujących się wiadomości promocyjnych porównaj dotychczasowe podejście z zasadą wstrzymywania wysyłki w określonych warunkach. Przez okres odpowiadający cyklowi zakupowemu śledź ponowne zakupy, utrzymanie klientów, skargi i marżę. Wysłane wiadomości i kliknięcia nadal pomagają wyjaśnić, co się wydarzyło, ale nie powinny być ostatecznym kryterium oceny.
Test może wykazać, że ograniczenie liczby promocji chroni relację z klientem. Może też pokazać, że określone ograniczenie jest zbyt szerokie. Oba wyniki są użyteczne. Milczenie nie powinno być bezkrytycznie akceptowane bardziej niż wysyłanie wiadomości. Jedno i drugie jest decyzją, której konsekwencje można zmierzyć.
Żadne z tych działań nie eliminuje konieczności pracy inżynieryjnej. Dane klientów trzeba prawidłowo powiązać z właściwymi osobami. Informacje o najnowszych zdarzeniach muszą dotrzeć do procesu decyzyjnego na czas, by mogły mieć znaczenie. Uprawnienia muszą ograniczać podejmowane działania, a zespoły potrzebują zapisu tego, co się wydarzyło i dlaczego. Lepszy cel nie zrekompensuje braku kontekstu, tak jak lepszy kontekst nie naprawi niewłaściwego celu.
Buduj z myślą o relacji
Pytanie dla liderów jest proste: co system uznaje za dobrą decyzję? Jeśli odpowiedzią jest kliknięcie, system może wykonywać swoje zadanie, a jednocześnie pogarszać doświadczenia klientów.
Wiarygodny kontekst dotyczący klientów daje ludziom i sztucznej inteligencji solidniejszą podstawę do podejmowania decyzji o dalszych działaniach. Jasno określone cele i mechanizmy kontroli wyznaczają sposób wykorzystania tej wiedzy. W rezultacie powinien powstać system, który potrafi wyjaśnić, dlaczego dana wiadomość jest przydatna właśnie teraz, rozpoznać, kiedy tak nie jest, i uczyć się na podstawie późniejszych zdarzeń.
Czasami najmądrzejszą decyzją, jaką może podjąć system AI, jest niewysłanie żadnej wiadomości.












