AI w serwisie posprzedażowym: dlaczego 3 na 4 działy nie widzą ROI

Wydatki na AI ponoszone przez szefów obsługi klienta wzrosły w 2026 roku o 38 %, podczas gdy ich łączny budżet zwiększył się zaledwie o 2 % – wynika z danych Gartnera. Tymczasem tylko 24 % ankietowanych przez Gartnera szefów Service & Support deklaruje, że potrafi wykazać dodatni zwrot finansowy ze swoich zastosowań AI.

W przemysłowym serwisie posprzedażowym i serwisie terenowym McKinsey również obserwuje wiele obiecujących projektów, ale wciąż niewiele firm potrafi przełożyć te wyniki na mierzalny wpływ na rachunek zysków i strat.

Gdzie zatem ginie wartość?

Zacznij od problemu, nie od AI

91 % szefów Service & Support deklaruje, że zarząd naciska na nich, by wdrażali AI – podaje Gartner.

Taka presja łatwo odwraca logikę: najpierw wybiera się chatbota, asystenta albo agenta AI, a dopiero potem szuka się dla niego zastosowania.

Lepiej zacząć od problemów serwisu posprzedażowego:

• Na jakie trudności napotyka klient w kontakcie z Twoim serwisem?
• Gdzie technicy tracą czas? Dlaczego?
• Jaki odsetek zgłoszeń to zgłoszenia powtarzalne?
• Których wyjazdów można by uniknąć?
• Ile wynosi średni czas diagnozy? Dlaczego?

To, jak łatwo dziś zbudować prototyp interfejsu oprogramowania, tylko wzmacnia to zniekształcenie: przekonujące pierwsze demo powstaje bardzo szybko, zanim ktokolwiek zajmie się integracją, danymi i pomiarem.

BCG zauważa, że pionierzy wdrożeń często osiągają doraźne wzrosty produktywności, nie osiągając oczekiwanego ROI – głównie dlatego, że ich pierwsze zastosowania nie idą wystarczająco daleko albo skalowanie kończy się porażką.

AI musi znać Twój serwis i działać w określonych ramach

Ogólna AI potrafi wyjaśnić kod błędu na podstawie instrukcji.

Ale żeby naprawdę pomóc technikowi lub klientowi, powinna też wiedzieć, że ta usterka wystąpiła już w tej serii maszyn, jakie rozwiązania zadziałały, jakie części wymieniono i czego już próbowano na tym konkretnym urządzeniu.

Tymczasem te informacje rzadko znajdują się w jednym miejscu.

Są rozproszone między dokumentację techniczną, CRM, ERP, zgłoszenia, raporty z interwencji, historię maszyn, WhatsApp, e-maile i wiedzę techników.

McKinsey wskazuje właśnie rozproszenie danych i starsze systemy jako dwie z głównych przeszkód w skalowaniu AI w serwisie posprzedażowym i terenowym.

Wybór modelu AI to więc tylko niewielka część projektu. Wartość zależy przede wszystkim od kontekstu biznesowego, do którego AI ma dostęp, oraz od infrastruktury, która ją obudowuje (tzw. „harness”):

• Jak znajduje właściwą informację wśród tysięcy dokumentów?
• Skąd wie, jakie pytanie zadać we właściwym momencie w Twoim kontekście biznesowym?
• Jak reaguje w zależności od typu użytkownika (dystrybutor ma inne potrzeby niż klient końcowy)?
• Jak upewnić się, że odpowiada na podstawie Twojej wiedzy, a nie ogólnej wiedzy swojego modelu?

To właśnie te ramy decydują, czy AI opiera się na Twoim serwisie, czy odpowiada nie na temat.

Wzrost produktywności to nie ROI

Załóżmy, że asystent oszczędza technikowi 20 minut dziennie.

Zysk jest realny. Ale jeśli dalej nic się nie zmienia, koszt serwisu pozostaje praktycznie taki sam.

Aby stworzyć wartość, te 20 minut musi przełożyć się na coś konkretnego:

• Lepsza diagnoza zdalna: mniej wyjazdów, a więc niższy koszt interwencji.
• Krótsze wyszukiwanie: więcej obsłużonych zgłoszeń, a więc dodatkowa wydajność bez rekrutacji.
• Automatycznie dokumentowane interwencje: wiedza do ponownego wykorzystania, a więc szybsze rozwiązania przy kolejnej awarii.

Dlatego dodanie Copilota, ChatGPT czy Claude’a do istniejącego etapu nie zawsze wystarcza.

BCG zaleca, by wyjść poza same wzrosty produktywności i przemyśleć procesy oraz przepływy pracy wokół AI. Gartner dochodzi do tego samego wniosku w odniesieniu do ścieżki klienta: zamiast dokładać pojedyncze chatboty, firmy powinny budować ścieżki, na których AI naprawdę pomaga rozwiązać problem od początku do końca.

W serwisie przydaje się, gdy raport powstaje pięć minut szybciej. Ale sprawienie, by interwencja automatycznie zasilała historię urządzenia i dała się wykorzystać przy następnej awarii, tworzy znacznie ciekawszą pętlę:

Każde rozwiązanie przyspiesza kolejne.

Od AI, która działa, do AI, która się opłaca

Dane Gartnera pokazują nie tyle ograniczenia AI w serwisie, ile mylenie trzech poziomów dojrzałości:

• AI, która działa: potrafi wykonać zadanie.
• AI, która jest użyteczna: ma właściwy kontekst i realnie usprawnia pracę serwisu.
• AI, która jest rentowna: zysk operacyjny przekłada się na niższe koszty, dodatkową wydajność lub przychody.

Zazwyczaj to właśnie między tymi trzema etapami ginie ROI.

Zanim uruchomisz nowy projekt AI, pierwszym pytaniem nie jest więc „jakie narzędzie AI wdrożyć?”, lecz „jaki problem chcemy rozwiązać i w jakim celu biznesowym?”