Intervjuer

Zack Peng, medgrundare och vd för Seel – intervjuserie

Antoine Tardif
Lägg till Unite.AI bland dina föredragna källor på Google
Zack Peng, Co-Founder and CEO of Seel
Viktiga punkterSeel löser över 99 % av supportärendena genom att låta AI slutföra lösningar i stället…
Visa mer
  • Seel löser över 99 % av supportärendena genom att låta AI slutföra lösningar i stället för att avleda ärenden.
  • Förtroendet för AI-support beror på en synlig väg ut till en människa snarare än på botens träffsäkerhet.
  • Handlare bör kräva bevis på lösningsgrader från början till slut och ansvar snarare än polerade demonstrationer.

Zack Peng är medgrundare och vd för Seel, där han fokuserar på de problem som kunder och handlare möter efter köpet. Hans arbete började med att förutsäga returer och återbetalningar och har utvecklats till AI-system som hanterar kundförfrågningar genom olika handelsflöden. Han förespråkar att agenter som kan agera kombineras med tydliga ramar för hur de får arbeta, möjlighet att eskalera ärenden till människor och ansvar för det resultat kunden får.

Seel erbjuder tjänster efter köp och AI-byråer för e-handel, bland annat skydd för köp och leverans, kundsupport och återförsäljning. Plattformen kopplar samman handlarnas system, orderinformation och serviceflöden för att hjälpa till att lösa kundernas problem. Samtidigt ger LLM Gateway tillgång till modeller och stöd för uppgiftsbaserad dirigering. I den här intervjun talar Peng om skiftet från att besvara frågor till att ta ansvar för resultat, vilka kontroller som krävs för att agenter ska kunna agera i flera system och hur handlare kan bedöma om AI-tjänster är tillförlitliga.

Vad inspirerade dig att vara med och grundlägga Seel, och hur ledde arbetet med att lösa kundernas problem efter köpet till att ni började utveckla en AI-arbetsstyrka för e-handel?

Det började med en marknadsplats. Vi träffade en grundare som drev en marknadsplats och såg hur mycket arbete branschen lade på att förutsäga kortreklamationer, som kostar omkring 0,5 % av GMV. Returer och återbetalningar låg på 10 till 20 %, men ingen försökte förutsäga dem. Därför byggde vi en modell som kunde göra det och använde den för att låta kunder betala en liten avgift för att kunna returnera varor på slutrea. Jag trodde att 3 till 5 % skulle välja det. Andelen blev 10 till 20 %. Det visade oss att kunder är villiga att betala för trygghet efter köpet, av samma skäl som människor köper AppleCare eller självriskeliminering för hyrbil.

AI-arbetsstyrkan växte fram ur vår egen supportinkorg. Mer än 70 % av våra supportärenden hade inget med returer att göra. Kunder ville veta var deras beställning befann sig eller om de kunde byta en vara. I stället för att hänvisa dem tillbaka till handlaren började vi själva lösa ärendena. Vi insåg att AI:s verkliga värde inom handel inte ligger i att spara pengar. Värdet ligger i att kunna göra saker omedelbart och i stor skala, även under perioder med hög belastning. Det innebär bland annat AI-system som kan bedöma och godkänna återbetalningar som uppfyller villkoren innan returförsändelserna har kommit fram, samt AI-agenter som dygnet runt kan agera för att lösa kundförfrågningar.

Du beskriver en utveckling från chattbotar som besvarar frågor, via agenter som utför handlingar, till AI-byråer som tar ansvar för hela resultatet. Vad förändras tekniskt och operativt mellan de här stegen, och kan du illustrera det med ett verkligt kundproblem?

Skillnaden handlar om vem som ansvarar för resultatet. En chattbot svarar på frågan ”Var är min beställning?”. En agent utför en enskild uppgift, till exempel gör en skadeanmälan. En AI-byrå ansvarar för resultatet: att kunden får det hen har betalat för.

Tekniskt arbetar en AI-byrå i flera system – bland annat handlarens butik, fraktbolaget och betalningssystemen – i stället för att vara begränsad till ett enda system. Den följer ett ärende under flera dagar, inte bara under ett samtal, och måste kunna avgöra när det faktiskt är löst. Operativt innebär det att man slutar bemanna utifrån antalet ärenden och i stället bemannar för att hantera undantag.

Tänk dig ett paket som markerats som levererat men aldrig kom fram. En chattbot ber kunden vänta. En agent öppnar ett ärende. Seel Agencies kontrollerar fraktbolagets skanning och orderhistoriken, avgör om kunden har rätt till ersättning, betalar ut ersättning eller skickar en ersättningsvara, uppdaterar handlarens register och meddelar kunden att ärendet är löst. Som partner som tar hand om handlarens ärenden efter köp från början till slut testade vi först den här AI-infrastrukturen på våra egna ärenden. Detta resultatinriktade arbetssätt hjälpte oss att nå en lösningsgrad på över 90 % och samtidigt flagga och återbetala berättigade ärenden omedelbart.

Tänk dig en shoppingagent som köper fel storlek åt någon. Vad behöver hända mellan agenten, handlaren och Seel för att rätta till misstaget, och vem bör ansvara för resultatet?

Kunden ska inte behöva agera domare. Oavsett vem som gjorde misstaget är lösningen densamma: ett snabbt byte eller en återbetalning.

Tre saker gör det möjligt. Ordern måste innehålla uppgifter om vem som lade den och på vems instruktion, så att agentens beslut går att spåra. För det andra måste handlarens returpolicy gå att läsa maskinellt, så att en agent kan agera utifrån den. För det tredje måste någon ta ansvar för resultatet innan det har retts ut vem som gjort fel.

Det är där Seel kommer in. Vi tar på oss ansvaret. Om ordern omfattades av skydd får kunden först full ersättning, och ansvarsfrågan utreds sedan. Om en AI-shoppingagent beställer fel storlek åt någon ska kunden ha samma möjlighet att få problemet löst som om hen hade beställt själv – förutsatt att rätt skydd valdes till i kassan och att problemet omfattas av skyddet. Vi tar ekonomiskt ansvar för de resultat som omfattas av vårt skydd. Kunden ska inte behöva agera domare för att avgöra om det var hen själv eller agenten som gjorde fel.

Ni säger att AI snabbar upp hanteringen av 80 % av Seels supportärenden. Vad innebär ”snabbar upp” i praktiken, hur stor andel löses utan mänsklig inblandning och vilka mått visar om kunderna faktiskt får bättre service?

Det betyder att AI utför det arbete som tidigare sinkade en person: läser ärendet, hämtar order- och transportörsuppgifter, kontrollerar handlarens policy och i de flesta fall slutför ärendet. AI gör det för 80 % av vår ärendevolym. Sammantaget löser vi mer än 99 % av supportärendena, medan branschen vanligtvis talar om 60 till 70 %.

Men andelen avslutade ärenden kan i sig dölja dålig service, eftersom en bot som avvisar kunder ser bra ut i en instrumentpanel. Därför följer vi mätvärden som andelen ärenden som öppnas igen, eskaleringsgraden till en mänsklig handläggare och kundnöjdheten. Snabbhet spelar roll i situationer som frustrerar kunderna. Att ändra en leveransadress innebär vanligtvis en mejltråd mellan separata order- och leveranssystem. Våra handläggare klarar det på några minuter.

Det mått jag bryr mig mest om är om kunden handlar igen. I vårt nätverk hade 69 % av återkommande köpare skyddat sin första beställning.

Du har beskrivit dig själv som ”positiv till AI-agenter, men inte till autopilot”. Vilka beslut väljer du medvetet att låta människor fatta, och hur känner systemet igen när ett till synes rutinmässigt ärende kräver mänskligt omdöme?

Autopilot innebär att ingen håller uppsikt. Vi vill att AI-agenter ska utföra merparten av arbetet och att människor ska fatta besluten när omdöme spelar roll.

Vi låter människor fatta tre typer av beslut: sådana som fastställer policy, ärenden där ett felaktigt beslut blir dyrt att rätta till och ärenden som är så ovanliga att svaret enligt regeln kanske inte är det rättvisa. AI hanterar rutinärenden inom de här gränserna och får inte utöka sina egna befogenheter. Om en åtgärd inte har godkänts, eller om ett ärende kräver ytterligare godkännande eller särskild hantering, eskaleras det direkt till en person.

Systemet ser bortom typen av förfrågan och tar hänsyn till sammanhanget: risk, brådska, kundens frustration och hur känslig frågan är ur policysynpunkt. Högriskärenden hänvisas till människor, medan ärenden som är känsliga ur policysynpunkt kan kräva ytterligare verifiering innan någon åtgärd vidtas. Tröskelvärdena konfigureras utifrån handlaren och arbetsflödet i stället för att uttryckas som ett universellt belopp i dollar eller ett universellt konfidensvärde. En begäran om snabbare utbetalning eller högre ersättning kan till exempel ligga utanför AI:ns självständiga befogenheter.

Er kundundersökning tyder på att många Gen Z-konsumenter fortfarande vill att en person deltar i lösningen av deras problem. Vad har ni lärt er om att utforma AI-support som inger förtroende, särskilt när kunder vill bestrida ett beslut eller få kontakt med en människa?

Gen Z är den generation som känner sig mest bekväm med AI, men också den som snabbast märker när ett företag använder AI för att slippa hantera dem. I vår rapport om Gen Z:s shoppingvanor från 2026 uppgav 49 % av Gen Z att de hellre skulle lösa ett problem med en person. De vill fortfarande att det ska gå snabbt: 87 % av kunderna förväntar sig att ett problem ska lösas inom två till tre dagar.

Det vi har lärt oss är att förtroendet bygger på möjligheten att komma vidare, inte på boten. När kunder vet att de kan få kontakt med en person låter de gärna AI hantera saker. När AI blir en mur rasar förtroendet, även om svaret var rätt.

Därför utformar vi lösningen med tre saker i åtanke:

  • Snabbhet, så att problem löses innan frustrationen hinner uppstå
  • En tydlig förklaring på vanligt språk när AI säger nej
  • Och en eskalering till en person i ett enda steg, där personen omedelbart får se hela historiken, så att kunden aldrig behöver upprepa sig.

När AI-agenter kan utfärda återbetalningar, ändra beställningar eller utföra åtgärder i handlarens system får misstag ekonomiska konsekvenser. Hur tillämpar ni behörigheter, förhindrar dubbla eller obehöriga åtgärder och rekonstruerar händelseförloppet när något går fel?

Varje AI-agent får den åtkomst som arbetsuppgiften kräver, och inget utöver det. Vi begränsar åtkomsten till de specifika arbetsflöden som handlaren har godkänt. Vi använder särskilda konton eller API-token, separata från de anställdas identiteter, så att handlaren när som helst kan ändra, tillfälligt stänga av eller återkalla åtkomsten.

För åtgärder med högre risk, till exempel stora återbetalningar, kan vi konfigurera mänsklig granskning eller belopps- och regelbaserade gränsvärden utifrån handlarens krav. Att ge en AI-agent åtkomst till ett system ska inte innebära att den får ett obegränsat mandat.

Varje systemåtgärd loggas med information om när den utfördes, vad som gjordes och vad som utlöste den. Om något går fel ger det oss ett underlag för att utreda saken tillsammans med handlaren, hjälpa till att återställa ändringen och skärpa reglerna efteråt.

Med 1-Click Resale skapar AI-agenter annonser, sätter priser och samordnar försäljning på flera marknadsplatser. Hur validerar ni produktbeskrivningar och prissättning, och förhindrar att en vara säljs två gånger när uppdateringar från marknadsplatserna dröjer?

Vår Resale-tjänst utför det arbete som säljaren vanligtvis helst slipper. Den granskar kundens foto för att bedöma varans skick, prissätter den utifrån marknaden, skapar annonsen och avpublicerar den när varan har sålts.

Beskrivningarna utgår från uppgifter vi redan har. Eftersom varan kommer från en beställning hos en handlare använder tjänsten den ursprungliga produktposten som underlag. Prissättningen utgår från vad jämförbara varor faktiskt har sålts för, justerat efter skicket. Kunden bekräftar prisförslaget innan vi går vidare, och vårt team hanterar annonsen och kompletterar eventuella saknade uppgifter.

Målet är att göra det enklare att sälja vidare, så att kunder kan få tillbaka en del av värdet på varor de inte längre vill ha, även efter att returperioden har löpt ut

Vilka operativa utmaningar fick er att öppna upp Seel’s LLM Gateway, och hur väljer ni modeller för olika uppgifter utifrån tillförlitlighet, svarstid och kostnad? Utvärderar ni kostnaden per modellanrop eller per kundutfall som uppnås?

Vi byggde det först för vår egen skull. När vi utvecklade Seel Agencies för att hantera våra egna arbetsflöden insåg vi att AI i stor skala kräver en disciplinerad strategi för hur man väljer modeller. Vi behövde skalbarhet, tillförlitlighet, tillgång till de bästa modellerna och förutsägbar enhetsekonomi, så vi byggde infrastrukturen för det. Handlare märkte samma kostnadsökning, modell för modell och förfrågan för förfrågan, så vi öppnade upp lösningen för dem.

Vi väljer modell efter uppgift. Att hämta ett ordernummer från ett e-postmeddelande kräver inte samma modell som att lösa ett komplicerat problem i flera steg. LLM Router bedömer hur komplex förfrågan är och dirigerar den till någon av de modeller som kunden har godkänt. Kunderna väljer mellan prestanda, besparingar eller en balans mellan de två. På så sätt kan de själva avgöra hur mycket de vill spara på enklare uppgifter.

Tillförlitlighet och svarstid måste fortfarande hålla måttet för den faktiska arbetsbelastningen. Vi rekommenderar att man testar kvalitet, svarstid och kostnad innan man gör routningen mer aggressiv. För komplexa arbetsflöden eller uppgifter som kräver strikt konsekvens kan kunderna behålla en specifik modell i stället för att använda automatisk routning.

LLM Router tar betalt för modell användning, inte per kundutfall som uppnås. Med smart routning debiteras du enligt priset för den modell som faktiskt används. Seel står för kostnaden för att bedöma hur komplex förfrågan är och fatta routningsbeslutet.

Vad har Seel lärt er som grundare av AI-företag om skillnaden mellan en imponerande demonstration och en tjänst som kunderna kan lita på? Vilka belägg bör en handlare kräva innan en hel affärsfunktion överlåts till en AI-agent?

En demonstration visar att systemet fungerar en gång. En tjänst visar att det fungerar även i det tiotusende fallet klockan 02.00, när transportörens API ligger nere och kunden är arg. Det svåra har aldrig varit modellen. Det är dåliga data, system som säger emot varandra och att veta när AI:n inte bör agera.

Handlare bör be om belägg, inte demonstrationer. Hur stor andel av ärendena löser AI-agenten från början till slut? Hur lång tid tar det att lösa dem, och hur ser återköpsfrekvensen ut, utöver hur många supportärenden som avvärjs? Vem betalar när den gör fel, hur snabbt sker det, och kan ni se exakt vad den gjorde? Och hur många personer krävs för att driva den?

Tack för en givande intervju. Läsare som vill veta mer om AI-agenter, tjänster efter köp och automatisering inom e-handel kan besöka Seel.

Antoine är en visionär ledare och medgrundare av Unite.AI, driven av en orubblig passion för att forma och främja framtiden för AI och robotik. Som serieentreprenör tror han att AI kommer att förändra samhället lika genomgripande som elektriciteten, och han talar ofta entusiastiskt om potentialen i banbrytande teknik och artificiell generell intelligens (AGI).

Som futurist ägnar han sig åt att utforska hur dessa innovationer kommer att forma vår värld. Han är även grundare av Securities.io, en plattform med fokus på investeringar i spetsteknik som omdefinierar framtiden och omformar hela branscher.