Wywiady
Zack Peng, współzałożyciel i dyrektor generalny Seel – cykl wywiadów

Kluczowe punktySeel rozwiązuje ponad 99% zgłoszeń do działu wsparcia, pozwalając sztucznej…
Zobacz więcej
- Seel rozwiązuje ponad 99% zgłoszeń do działu wsparcia, pozwalając sztucznej inteligencji dokończyć rozwiązywanie spraw zamiast przekierowywać zgłoszenia.
- Zaufanie do wsparcia opartego na sztucznej inteligencji zależy od widocznej możliwości przejścia do człowieka, a nie od dokładności bota.
- Sprzedawcy powinni wymagać dowodów na kompleksowe wskaźniki rozwiązywania spraw i odpowiedzialność, a nie dopracowanych demonstracji.
Zack Peng jest współzałożycielem i dyrektorem generalnym Seel. Zajmuje się problemami, z którymi po zakupie mierzą się klienci i sprzedawcy. Zaczynał od prognozowania zwrotów i refundacji, a jego praca rozszerzyła się na systemy AI rozwiązujące zgłoszenia klientów w różnych procesach handlowych. Opowiada się za łączeniem agentów zdolnych do działania z jasno określonymi limitami operacyjnymi, możliwością przekazania sprawy człowiekowi i odpowiedzialnością za rezultat, jaki otrzymuje klient.
Seel oferuje usługi posprzedażowe i agencje AI dla handlu elektronicznego, w tym ochronę zakupów i dostaw, obsługę klienta oraz odsprzedaż. Platforma łączy systemy sprzedawców, informacje o zamówieniach i procesy obsługi, aby pomagać w rozwiązywaniu problemów klientów, a LLM Gateway zapewnia dostęp do modeli i kierowanie zadań na podstawie ich rodzaju. W tym wywiadzie Peng mówi o przejściu od odpowiadania na pytania do przejmowania odpowiedzialności za rezultaty, zabezpieczeniach niezbędnych, by agenci mogli działać w różnych systemach, oraz o tym, jak sprzedawcy mogą ocenić niezawodność usług AI.
Co skłoniło Cię do współzałożenia Seel i jak rozwiązywanie problemów, z którymi klienci mierzą się po zakupie, doprowadziło Cię do stworzenia zespołu AI dla handlu elektronicznego?
Zaczęło się od jednego marketplace’u. Poznaliśmy założyciela, który prowadził taki serwis, i zobaczyliśmy, jak wiele wysiłku branża wkładała w prognozowanie obciążeń zwrotnych, które kosztują około 0,5% GMV. Zwroty i refundacje sięgały 10–20%, a nikt ich nie prognozował. Stworzyliśmy więc model, który potrafił to robić, i wykorzystaliśmy go, by umożliwić klientom uiszczenie niewielkiej opłaty, dzięki której mogli zwrócić produkty sprzedawane bez możliwości zwrotu. Spodziewałem się, że zdecyduje się na to 3–5% klientów. Było ich 10–20%. To pokazało nam, że klienci są skłonni zapłacić za poczucie bezpieczeństwa po zakupie — z tego samego powodu kupują AppleCare albo wykupują zniesienie odpowiedzialności przy wynajmie samochodu.
Pomysł na zespół AI zrodził się w naszej własnej skrzynce zgłoszeń do obsługi klienta. Ponad 70% zgłoszeń nie miało nic wspólnego ze zwrotami. Klienci chcieli wiedzieć, gdzie jest ich zamówienie albo czy mogą wymienić produkt. Zamiast odsyłać ich do sprzedawcy, zaczęliśmy samodzielnie rozwiązywać te sprawy. Zrozumieliśmy, że prawdziwa wartość AI w handlu nie polega na oszczędzaniu pieniędzy. Chodzi o natychmiastowe działanie na dużą skalę, nawet w okresach największego natężenia ruchu. Obejmuje to systemy AI, które mogą oceniać i zatwierdzać kwalifikujące się refundacje, zanim otrzymają przesyłki zwrotne, a także całodobowych agentów AI zdolnych do podejmowania działań w celu rozwiązania zgłoszeń klientów.
Opisujesz przejście od chatbotów odpowiadających na pytania, przez agentów podejmujących działania, po agencje AI odpowiedzialne za cały rezultat. Co zmienia się pod względem technicznym i operacyjnym na kolejnych etapach? Czy możesz to zilustrować przykładem rzeczywistego problemu klienta?
Różnica polega na tym, kto odpowiada za rezultat. Chatbot odpowiada na pytanie: „Gdzie jest moje zamówienie?”. Agent wykonuje pojedyncze zadanie, na przykład składa reklamację. Agencja odpowiada za rezultat: klient otrzymał to, za co zapłacił.
Pod względem technicznym agencja działa w różnych systemach — sklepie sprzedawcy, systemie przewoźnika i systemach płatniczych — zamiast ograniczać się do jednego z nich. Śledzi sprawę przez kilka dni, a nie tylko w trakcie jednej rozmowy, i musi wiedzieć, kiedy problem został faktycznie rozwiązany. Operacyjnie przestaje się planować obsadę na podstawie liczby zgłoszeń, a zaczyna — z myślą o wyjątkach.
Wyobraźmy sobie paczkę oznaczoną jako doręczona, która jednak nie dotarła. Chatbot każe klientowi czekać. Agent składa reklamację. Seel Agencies sprawdza skan przewoźnika i historię zamówienia, ocenia, czy sprawa kwalifikuje się do rekompensaty, wypłaca ją lub wysyła produkt zastępczy, aktualizuje dokumentację sprzedawcy i informuje klienta, że sprawa została załatwiona. Jako partner, który przejmuje od sprzedawców obsługę zgłoszeń posprzedażowych od początku do końca, najpierw przetestowaliśmy tę infrastrukturę AI na własnych zgłoszeniach. To podejście skoncentrowane na rozwiązywaniu spraw pomogło nam osiągnąć wskaźnik ich rozwiązywania przekraczający 90% i jednocześnie natychmiast oznaczać kwalifikujące się zgłoszenia oraz dokonywać refundacji.
Załóżmy, że agent zakupowy w czyimś imieniu kupuje niewłaściwy rozmiar. Co musiałoby się wydarzyć między tym agentem, sprzedawcą i Seel, aby naprawić błąd, i kto powinien odpowiadać za rezultat?
Klient nie powinien być zmuszony do rozstrzygania, kto zawinił. Niezależnie od tego, kto popełnił błąd, rozwiązanie jest takie samo: szybka wymiana albo refundacja.
Są trzy warunki, które to umożliwiają. W zamówieniu trzeba odnotować, kto je złożył i na jakiej podstawie, aby można było prześledzić decyzję agenta. Po drugie, polityka zwrotów sprzedawcy musi być czytelna dla maszyn, by agent mógł na jej podstawie działać. Po trzecie, ktoś musi wziąć odpowiedzialność za rezultat, zanim ustali się, kto zawinił.
Właśnie w tym miejscu pojawia się Seel. Bierzemy na siebie odpowiedzialność. Jeśli zamówienie było objęte ochroną, klient najpierw otrzymuje pełną rekompensatę, a dopiero później ustala się, kto ponosi odpowiedzialność. Jeśli agent zakupowy AI zamówi w czyimś imieniu niewłaściwy rozmiar, klient powinien mieć taką samą możliwość rozwiązania problemu, jak gdyby sam złożył zamówienie — pod warunkiem że odpowiednią ochronę dodano przy finalizacji zakupu, a problem mieści się w jej zakresie. Bierzemy na siebie finansową odpowiedzialność za rezultaty objęte naszą ochroną. Klient nie powinien być zmuszony do rozstrzygania, czy pomylił się on, czy jego agent.
Twój zespół mówi, że AI przyspiesza obsługę 80% zgłoszeń kierowanych do Seel. Co w praktyce oznacza „przyspiesza”, jaka część spraw jest rozwiązywana bez udziału człowieka i jakie wskaźniki pokazują, czy klienci rzeczywiście otrzymują lepszą obsługę?
Oznacza to, że AI wykonuje zadania, które wcześniej spowalniały pracę człowieka: analizuje sprawę, pobiera dane o zamówieniu i przewoźniku, sprawdza zasady sprzedawcy, a w większości przypadków także rozwiązuje sprawę. AI obsługuje 80% wszystkich naszych zgłoszeń. Łącznie rozwiązujemy ponad 99% spraw związanych z obsługą klienta, podczas gdy w branży zwykle mówi się o 60–70%.
Sam wskaźnik zamkniętych spraw może jednak maskować niską jakość obsługi, bo bot, który zbywa klientów, świetnie prezentuje się w panelu wyników. Dlatego śledzimy takie wskaźniki jak odsetek ponownie otwieranych zgłoszeń, odsetek spraw przekazywanych pracownikom oraz zadowolenie klientów. Szybkość ma znaczenie w sytuacjach, które frustrują klientów. Zmiana adresu wysyłki zwykle oznacza wymianę e-maili między osobnymi systemami obsługi zamówień i realizacji wysyłek. Nasi agenci załatwiają to w kilka minut.
Najbardziej zależy mi na tym, czy klient dokona ponownego zakupu. W całej naszej sieci 69% klientów dokonujących ponownych zakupów objęło ochroną swoje pierwsze zamówienie.
Opisałeś siebie jako „zwolennika agentów, ale nie autopilota”. Jakie decyzje celowo pozostawiacie ludziom i w jaki sposób system rozpoznaje, że pozornie rutynowa sprawa wymaga ludzkiej oceny?
Autopilot oznacza, że nikt nie nadzoruje jego działania. Chcemy, żeby agenci wykonywali większość pracy, a ludzie podejmowali decyzje tam, gdzie liczy się osąd.
Pozostawiamy ludziom trzy rodzaje decyzji: wszystkie dotyczące ustalania zasad, sprawy, w których błędna decyzja wiązałaby się z wysokimi kosztami odwrócenia jej skutków, oraz nietypowe przypadki, w których odpowiedź wynikająca z reguł może nie być sprawiedliwa. AI obsługuje rutynowe sprawy w tych granicach i nie może samodzielnie rozszerzać swoich uprawnień. Jeśli jakieś działanie nie zostało zatwierdzone albo sprawa wymaga dodatkowej zgody lub szczególnego potraktowania, jest od razu przekazywana człowiekowi.
System bierze pod uwagę nie tylko rodzaj prośby, lecz także jej kontekst: ryzyko, pilność, frustrację klienta i wrażliwość związaną z zasadami sprzedawcy. Sprawy wysokiego ryzyka są przekazywane ludziom, a sprawy wrażliwe pod względem zasad mogą wymagać dodatkowej weryfikacji przed podjęciem działania. Progi są konfigurowane dla danego sprzedawcy i procesu, a nie określane za pomocą jednej uniwersalnej kwoty ani poziomu pewności. Na przykład prośba o przyspieszenie realizacji lub podwyższenie wypłaty może wykraczać poza uprawnienia AI do samodzielnego działania.
Z waszych badań wynika, że wielu konsumentów z pokolenia Z nadal chce, aby w rozwiązywaniu ich problemów uczestniczył człowiek. Czego nauczyliście się o projektowaniu obsługi opartej na AI, która budzi zaufanie, zwłaszcza gdy klienci chcą zakwestionować decyzję lub skontaktować się z człowiekiem?
Pokolenie Z czuje się z AI najpewniej, a jednocześnie najszybciej dostrzega, gdy firma wykorzystuje ją, by uniknąć kontaktu z klientami. W naszym raporcie o zakupach pokolenia Z z 2026 roku 49% przedstawicieli tego pokolenia stwierdziło, że woli rozwiązywać problemy z pomocą człowieka. Nadal zależy im na szybkości: 87% klientów oczekuje, że problem zostanie rozwiązany w ciągu dwóch do trzech dni.
Nauczyliśmy się, że zaufanie buduje możliwość wyjścia z sytuacji, a nie sam bot. Klienci chętnie powierzają sprawy AI, jeśli wiedzą, że mogą skontaktować się z człowiekiem. Gdy AI staje się barierą, zaufanie znika, nawet jeśli odpowiedź była prawidłowa.
Dlatego projektujemy obsługę z myślą o trzech rzeczach:
- Szybkości, aby rozwiązywać problemy, zanim pojawi się frustracja
- Jasnym wyjaśnieniu prostym językiem za każdym razem, gdy AI odmawia
- Możliwości przekazania sprawy człowiekowi jednym krokiem, tak aby od razu widział on pełną historię i klient nie musiał niczego powtarzać.
Gdy agenci mogą wydawać zwroty pieniędzy, zmieniać zamówienia lub działać w różnych systemach sprzedawców, błędy mają konsekwencje finansowe. Jak egzekwujecie uprawnienia, zapobiegacie powielaniu działań lub działaniom bez upoważnienia i odtwarzacie przebieg zdarzeń, gdy coś pójdzie nie tak?
Każdy agent otrzymuje dostęp niezbędny do wykonywania swojej pracy i nic ponadto. Ograniczamy go do konkretnych procesów zaakceptowanych przez sprzedawcę. Korzystamy z dedykowanych kont lub tokenów API, oddzielonych od tożsamości pracowników, dzięki czemu sprzedawca może w dowolnym momencie zmienić lub zawiesić dostęp albo go cofnąć.
W przypadku działań wiążących się z większym ryzykiem, takich jak wysokie kwoty zwrotów, możemy skonfigurować weryfikację przez człowieka lub progi oparte na kwocie i regułach, dostosowane do wymagań sprzedawcy. Przyznanie agentowi dostępu do systemu nie powinno oznaczać udzielenia mu nieograniczonego pełnomocnictwa.
Każde działanie w systemie jest rejestrowane wraz z informacją, kiedy do niego doszło, co zrobiono i co je wywołało. Jeśli coś pójdzie nie tak, zapis ten pozwala nam wspólnie ze sprzedawcą zbadać sprawę, pomóc cofnąć zmiany i zaostrzyć reguły na przyszłość.
W usłudze 1-Click Resale agenci tworzą ogłoszenia, ustalają ceny i koordynują sprzedaż na wielu platformach handlowych. Jak weryfikujecie opisy produktów i ceny oraz zapobiegacie podwójnej sprzedaży przedmiotu, gdy aktualizacje na platformach się opóźniają?
Nasza agencja Resale wykonuje pracę, której sprzedawcy zwykle woleliby uniknąć. Analizuje zdjęcie klienta, aby ocenić stan przedmiotu, wycenia go na podstawie sytuacji rynkowej, tworzy ogłoszenie, a po sprzedaży usuwa je z platformy.
Opisy powstają na podstawie danych, które już mamy. Ponieważ przedmiot pochodzi z zamówienia u sprzedawcy, agencja korzysta z pierwotnej karty produktu. Cenę ustalamy na podstawie rzeczywistych cen sprzedaży porównywalnych przedmiotów, uwzględniając ich stan. Klient zatwierdza wycenę, zanim przejdziemy dalej, a nasz zespół zajmuje się ogłoszeniem i uzupełnieniem ewentualnych brakujących informacji.
Celem jest ułatwienie odsprzedaży, aby klienci mogli odzyskać część wartości przedmiotów, których już nie chcą, nawet po upływie terminu zwrotu
Jakie wyzwania operacyjne skłoniły was do udostępnienia LLM Gateway firmy Seel i jak dobieracie modele do różnych zadań, biorąc pod uwagę niezawodność, opóźnienia i koszty? Czy analizujecie ekonomikę każdego wywołania modelu, czy każdego pomyślnie zrealizowanego celu klienta?
Najpierw zbudowaliśmy to na własny użytek. Rozwijanie Seel Agencies, które miało obsługiwać nasze własne procesy, nauczyło nas, że wykorzystanie AI na dużą skalę wymaga dyscypliny w doborze modeli. Potrzebowaliśmy skalowalności, niezawodności, dostępu do najlepszych modeli i przewidywalnej ekonomiki jednostkowej, dlatego stworzyliśmy odpowiednią infrastrukturę. Sprzedawcy zmagali się z takim samym wzrostem kosztów — model po modelu i zapytanie po zapytaniu — więc udostępniliśmy ją innym.
Dobieramy model do zadania. Wyodrębnienie numeru zamówienia z e-maila nie wymaga tego samego modelu co rozwiązanie złożonego, wieloetapowego problemu. LLM Router ocenia złożoność zapytania i kieruje je do jednego z modeli dopuszczonych przez klienta. Klienci wybierają wydajność, oszczędności albo równowagę między nimi. Dzięki temu mogą zdecydować, jak daleko posunąć się w ograniczaniu kosztów przy prostszych zadaniach.
Niezawodność i opóźnienia nadal muszą być odpowiednie przy rzeczywistym obciążeniu. Zalecamy przetestowanie jakości, czasu odpowiedzi i kosztów, zanim zwiększy się skalę automatycznego kierowania zadań. W przypadku złożonych procesów lub zadań wymagających ścisłej spójności klienci mogą pozostać przy konkretnym modelu zamiast korzystać z automatycznego routingu.
LLM Router pobiera opłaty za korzystanie z modeli, a nie za każdy zrealizowany cel klienta. Przy inteligentnym routingu opłata jest naliczana według stawki modelu, który faktycznie obsługuje zapytanie. Seel pokrywa koszt oceny jego złożoności na potrzeby wyboru trasy.
Czego Seel nauczyło was, jako założycieli firm z branży AI, o różnicy między imponującą prezentacją a usługą, na której klienci mogą polegać? Jakich dowodów sprzedawca powinien zażądać, zanim powierzy agencji AI obsługę całej funkcji biznesowej?
Prezentacja pokazuje, że system działa raz. Usługa dowodzi, że działa także przy dziesięciotysięcznym przypadku, o drugiej w nocy, gdy API przewoźnika nie działa, a klient jest zdenerwowany. Najtrudniejszym elementem nigdy nie był model. Problemem są złe dane, niespójne systemy i umiejętność rozpoznania, kiedy AI nie powinno podejmować działania.
Sprzedawcy powinni żądać dowodów, a nie prezentacji. Jaki odsetek spraw agencja rozwiązuje kompleksowo, od początku do końca? Jakie są czasy ich rozwiązywania i odsetek ponownych zakupów — nie tylko wskaźnik ograniczenia liczby zgłoszeń? Kto ponosi koszty, gdy agencja popełni błąd, jak szybko są one pokrywane i czy można dokładnie sprawdzić, co zrobiła? I ile osób potrzeba do jej obsługi?
Dziękujemy za świetny wywiad. Czytelnicy, którzy chcą dowiedzieć się więcej o agencjach AI, usługach posprzedażowych i automatyzacji w handlu elektronicznym, powinni odwiedzić Seel.












