AI do obsługi reklamacji i zwrotów: szybciej, ale zgodnie z prawem

Sklep z elektroniką obsługuje 1 200 reklamacji miesięcznie. Połowa wpływa w weekendy i wieczorami, kiedy zespół jest niepełny. Analiza 6 miesięcy historii pokazuje, że średni czas pierwszej odpowiedzi wynosi 38 godzin, a 18% spraw eskaluje z powodu nieprecyzyjnej klasyfikacji na wejściu. Wdrożenie agenta AI do klasyfikacji i wstępnej obsługi może skrócić czas pierwszej odpowiedzi do 2-4 godzin i zredukować eskalacje o 40-60%, jeśli granice automatyzacji są poprawnie zaprojektowane.

Każde zgłoszenie reklamacyjne lub zwrotowe ma kilka wymiarów, które klasyfikator ustala jednocześnie.

Typ sprawy to pierwszy wymiar. Model rozróżnia reklamację z tytułu rękojmi (wada fizyczna, niezgodność z opisem), gwarancję producenta, zwrot w ustawowym 14-dniowym terminie przy zakupie online, i zwrot po terminie lub spoza zakresu prawa. Te kategorie mają różne ścieżki obsługi i różne uprawnienia konsumenta, więc błędna klasyfikacja prowadzi do złej propozycji rozwiązania.

Termin i uprawnienie to najtrudniejszy wymiar z perspektywy prawnej. AI sprawdza datę zakupu z bazy zamówień, datę zgłoszenia i wynikający z tego termin. Rękojmia na towary konsumenckie w Polsce to 2 lata od wydania, z domniemaniem wady przez pierwsze 12 miesięcy. Ustawowy zwrot bez podania przyczyny to 14 dni od odbioru przy sprzedaży na odległość. Model nie interpretuje prawa samodzielnie; sprawdza fakty (daty, stan produktu, kanał sprzedaży) względem zakodowanych reguł zbudowanych przez prawnika.

Żądanie konsumenta jest kolejnym wymiarem. Konsument może żądać naprawy, wymiany, obniżenia ceny lub odstąpienia od umowy, i ma prawo do zmiany żądania pod warunkami z ustawy. Klasyfikator odczytuje żądanie z treści zgłoszenia i flaguje niespójność między żądaniem a uprawnieniem (np. żądanie zwrotu pieniędzy za produkt z gwarancją producenta, który nie spełnia warunków rękojmi).

Dowody i braki. Agent sprawdza, czy zgłoszenie zawiera wymagane elementy: opis wady, datę jej stwierdzenia, żądanie. Jeśli brakuje kluczowych informacji, wysyła spersonalizowaną prośbę o uzupełnienie, nie odrzuca sprawy. To ważne z perspektywy RODO i prawa: odmowa z powodu niekompletności musi być poprzedzona wezwaniem do uzupełnienia.

Wzorzec dla e-commerce z 500-2000 reklamacji miesięcznie to pipeline strukturyzowanego wyjścia z warstwą reguł prawnych.

Krok 1: odczyt i normalizacja. Zgłoszenie z każdego kanału (formularz, e-mail, czat) sprowadzane jest do wspólnej struktury: treść zgłoszenia, metadane kanału, ID zamówienia jeśli podano. OCR przetwarza zdjęcia wad i dokumenty PDF (faktury, potwierdzenia).

Krok 2: wzbogacenie o dane. Agent pobiera z bazy zamówień: datę zakupu, datę odbioru, wartość zamówienia, historię poprzednich reklamacji klienta, kanał sprzedaży (online lub stacjonarny, bo to zmienia uprawnienia). Bez tych danych klasyfikacja uprawnień jest niemożliwa.

Krok 3: klasyfikacja z walidacją. Model zwraca JSON: { "claim_type": "rękojmia|gwarancja|zwrot_ustawowy|poza_uprawnieniem", "days_since_purchase": ..., "within_legal_deadline": true|false, "customer_request": "naprawa|wymiana|obniżka_ceny|zwrot", "missing_info": [...], "confidence": 0.0-1.0 }. Schemat jest walidowany; niski confidence (poniżej 0,70) lub brakujące pole claim_type automatycznie kierują sprawę do kolejki ręcznej.

Krok 4: propozycja rozwiązania. Na podstawie wyniku klasyfikacji system generuje propozycję zgodną z zbudowanym przez prawnika drzewem decyzyjnym. Rękojmia w terminie z opisaną wadą dostaje propozycję naprawy lub wymiany z harmonogramem. Zwrot w 14-dniowym terminie dostaje instrukcję zwrotu z potwierdzeniem uprawnienia. Sprawa poza uprawnieniem trafia do człowieka z kontekstem, nie dostaje automatycznej odmowy.

Krok 5: human-handoff. Konsultant widzi brief: klasyfikacja, uzasadnienie, propozycja AI, historia klienta, sygnały prawne. Zatwierdza, modyfikuje lub odrzuca propozycję. Decyzja odmowna zawsze pochodzi od człowieka.

Największe ryzyko prawne w automatyzacji reklamacji to decyzja odmowna wydana bez człowieka. Ustawa o prawach konsumenta i kodeks cywilny dają konsumentowi konkretne uprawnienia, których naruszenie przez automatyczny system może prowadzić do skarg do UOKiK, spraw sądowych i reputacyjnych kosztów.

AI nie powinna samodzielnie:

• odrzucać reklamacji z powołaniem na brak uprawnień,
• decydować, że wada jest z winy użytkownika (to wymaga ekspertyzy),
• stosować domniemań niekorzystnych dla konsumenta bez weryfikacji przez człowieka,
• wysyłać odpowiedzi w sprawach spornych lub gdy klient zapowiada eskalację do UOKiK, rzecznika lub sądu.

Właściwy wzorzec to: AI przygotowuje propozycję z uzasadnieniem, człowiek zatwierdza decyzję. Czas reakcji i tak skraca się z 38 godzin do 4-8 godzin, bo konsultant dostaje gotowy brief zamiast surowego zgłoszenia.

Human-oversight jest tu wymaganiem nie tylko etycznym, ale prawnym. Polska ustawa o ochronie konsumenta, dyrektywa unijna 2019/771 i wytyczne AI Act wskazują, że zautomatyzowane decyzje w sprawach konsumenckich muszą być poddane możliwości zaskarżenia przez człowieka.

Reklamacja zawiera dane osobowe: imię, adres, numer zamówienia, opis problemu, czasem zdjęcia produktu z danymi w tle. Kilka wymogów RODO jest tutaj szczególnie istotnych.

Podstawa prawna przetwarzania to wykonanie umowy (art. 6 ust. 1 lit. b RODO) dla danych niezbędnych do rozpatrzenia reklamacji. Dane nadmiarowe (np. długie opisy osobistych okoliczności) powinny być usuwane lub anonimizowane przed zapisem do systemu.

Retencja. Dokumentacja reklamacyjna jest przechowywana przez 3-5 lat ze względów dowodowych (przedawnienie roszczeń). Dane poza tym zakresem należy usunąć. Jeśli reklamacja trafia do modelu AI jako dane treningowe, wymagana jest DPIA i anonimizacja.

PII masking. Jeśli do klasyfikacji używasz zewnętrznego API (chmurowego LLM), dane zgłoszenia powinny przejść przez PII masking przed wysłaniem do modelu. Numer zamówienia, e-mail, imię można zamaskować tokenami przed wywołaniem API i odtworzyć po stronie aplikacji.

Alternatywą jest self-hosting modelu klasyfikacyjnego, co eliminuje problem transferu danych do zewnętrznego dostawcy. Przy skali powyżej 2 000 reklamacji miesięcznie koszty self-hostingu zaczynają być uzasadnione.

Wdrożenie klasyfikatora reklamacji w shadow mode eliminuje ryzyko błędnych decyzji na starcie. Przez pierwsze 4-8 tygodni system klasyfikuje i proponuje rozwiązania, ale konsultant nadal podejmuje każdą decyzję samodzielnie. Porównanie decyzji AI z decyzjami konsultantów buduje dane do kalibracji modelu i ujawnia kategorie, gdzie AI systematycznie myli się lub proponuje rozwiązania niezgodne z regulaminem.

Dobry pilot zaczyna się od 3 kroków:

1. Zbierz 300-500 historycznych reklamacji z etykietami (typ, decyzja, uzasadnienie). To dane treningowe i punkt odniesienia dla oceny modelu.
2. Zdefiniuj z prawnikiem drzewo decyzyjne dla każdego typu sprawy. Model jest tak dobry, jak reguły, które realizuje.
3. Uruchom shadow mode z dashboardem porównującym propozycje AI z decyzjami konsultantów. Próg akceptacji przed przejściem do auto-asysty: powyżej 85% zgodności dla danego typu sprawy.

Więcej o projektowaniu agenta obsługującego wieloetapowe procesy: agent AI wielokrokowy planowanie i automatyzacja obsługi klienta AI.

Nie. Decyzja odmowna musi zawsze być zatwierdzona przez człowieka. AI przygotowuje propozycję z uzasadnieniem, ale konsultant podejmuje finalną decyzję. Automatyczna odmowa bez nadzoru człowieka może naruszać ustawowe prawa konsumenta i rodzić odpowiedzialność prawną sprzedawcy wobec UOKiK i sądu.

Pilotaż shadow mode z klasyfikatorem few-shot można uruchomić w 3-6 tygodni, jeśli masz historyczne dane z etykietami i gotowe drzewo decyzyjne uzgodnione z prawnikiem. Pełne wdrożenie z integracją do systemu CRM, metrykami i procedurami eskalacji zajmuje 8-14 tygodni. Większość czasu pochłania przygotowanie danych i definiowanie reguł, nie programowanie modelu.

Minimum to 200-500 historycznych reklamacji per typ sprawy z etykietami (kategoria, decyzja, uzasadnienie). Przed wykorzystaniem danych do treningu lub fine-tuningu konieczna jest anonimizacja danych osobowych (imię, adres, numer zamówienia) lub przeprowadzenie DPIA. Jeśli używasz zewnętrznego API do klasyfikacji, zastosuj PII masking przed wysłaniem danych.

Agent wysyła spersonalizowaną prośbę o podanie numeru zamówienia lub danych umożliwiających identyfikację transakcji. Nie odrzuca sprawy z powodu braku danych, lecz zawiesza klasyfikację do czasu uzupełnienia. Jeśli klient nie uzupełni po 2 próbach kontaktu, sprawa trafia do kolejki ręcznej z historią komunikacji.

Systemy AI wspomagające obsługę reklamacji konsumenckich należy przeanalizować pod kątem klasyfikacji ryzyka AI Act. Jeśli system wpływa na decyzje dotyczące praw konsumenta (odmowa, przyznanie świadczenia), może wymagać przejrzystości działania i możliwości zaskarżenia decyzji. Zasada human-in-the-loop przy decyzjach odmownych spełnia te wymogi praktycznie, niezależnie od ostatecznej klasyfikacji ryzyka. Skonsultuj się z prawnikiem przed wdrożeniem.

Powiązane artykuły: Klasyfikacja i routing zgłoszeń AI, Automatyzacja obsługi klienta AI, Agent AI do umawiania spotkań, AI w e-commerce. Zaprojektuj architekturę swojego agenta reklamacyjnego z narzędziem blueprint agenta.