Zapytanie ofertowe wpada na skrzynkę w piątek o 16:30. Handlowiec widzi je w poniedziałek rano, sprawdza cennik, pisze odpowiedź, klient w tym czasie dostał już trzy oferty od konkurencji. Ten scenariusz powtarza się w większości firm B2B i kosztuje więcej niż wydaje się na pierwszy rzut oka — nie chodzi tylko o utracone leady, ale o wrażenie, jakie firma robi na etapie pierwszego kontaktu.
Szybka odpowiedź
Agent AI do zapytań ofertowych to system łączący skrzynkę mailową, bazę wektorową z ofertą firmy (RAG) i model językowy, który klasyfikuje zapytanie, wyszukuje odpowiedni produkt i cennik, a następnie generuje szkic odpowiedzi do zatwierdzenia przez handlowca. Dobrze wdrożony skraca czas reakcji nawet z 24 godzin do 15 minut, bez utraty kontroli nad ofertą.
Najważniejsze wnioski
- Architektura oparta na RAG (Retrieval-Augmented Generation) pozwala agentowi opierać odpowiedzi na aktualnym cenniku firmy, a nie na wiedzy ogólnej modelu.
- Kluczowy jest etap klasyfikacji zapytania — bez niego agent zacznie generować odpowiedzi na podstawie błędnych danych.
- Model human-in-the-loop (zatwierdzenie handlowca przed wysyłką) jest w B2B praktycznie obowiązkowy, przynajmniej w pierwszych miesiącach działania.
- Realne wdrożenie w firmie produkującej komponenty przemysłowe skróciło czas pierwszej odpowiedzi z 24h do 15 minut przy zachowaniu jakości ofert.
- Koszt startowy takiego systemu jest zaskakująco niski w porównaniu do kosztu utraconych leadów przez wolną reakcję.
Jak działa agent AI do zapytań ofertowych — architektura krok po kroku
Cały system składa się z czterech współpracujących elementów, które działają w ustalonej sekwencji od momentu, gdy mail trafia na skrzynkę, do momentu, gdy handlowiec widzi gotowy szkic odpowiedzi.
Krok 1: Nasłuch skrzynki mailowej
Agent musi mieć dostęp do skrzynki firmowej przez API (Gmail API, Microsoft Graph dla Outlooka) lub protokół IMAP. W praktyce najlepiej działa dedykowany adres, np. oferty@firma.pl, przekazywany dalej z formularza kontaktowego na stronie i widoczny w materiałach marketingowych. Dzięki temu agent nie miesza się w prywatną korespondencję handlowców i łatwiej kontrolować, co dokładnie trafia do automatyzacji.
Skrzynka jest monitorowana w czasie prawie rzeczywistym — nowy mail wyzwala cały łańcuch przetwarzania w ciągu kilkudziesięciu sekund od dotarcia wiadomości.
Krok 2: Klasyfikacja zapytania
Zanim agent zacznie szukać cennika, musi zrozumieć, o co właściwie prosi klient. Ten etap wykorzystuje LLM (model językowy) do wydobycia z treści maila kluczowych informacji: jakiego produktu lub usługi dotyczy zapytanie, jaka jest szacowana skala (ilość, wielkość zamówienia), czy klient podał termin realizacji, czy to nowy kontakt czy stały odbiorca.
Wynikiem tego kroku jest ustrukturyzowany obiekt danych (najczęściej JSON), a nie wolny tekst. To istotne, bo dalsze etapy architektury muszą działać na przewidywalnym formacie, inaczej cały system staje się kruchy i podatny na błędy przy nietypowych zapytaniach.
Krok 3: Wyszukiwanie w bazie wektorowej (RAG dla działu handlowego)
To serce całej architektury. Oferta firmy, cenniki, karty produktów, warunki handlowe i FAQ zostają wcześniej podzielone na fragmenty i zamienione na wektory (embeddingi), które trafiają do bazy wektorowej — np. Qdrant, Pinecone albo Weaviate. Gdy przychodzi sklasyfikowane zapytanie z kroku 2, agent tworzy z niego zapytanie do bazy i wyszukuje najbardziej pasujące fragmenty oferty.
Dlaczego nie wystarczy sam model językowy bez tej bazy? Bo LLM bez dostępu do aktualnych danych firmy zacznie “zgadywać” ceny i warunki na podstawie ogólnej wiedzy z treningu, co w B2B jest prostą drogą do wysłania klientowi nieaktualnej lub wręcz nieprawdziwej oferty. RAG dla działu handlowego rozwiązuje ten problem, bo model generuje tekst wyłącznie na bazie faktycznie odnalezionych fragmentów dokumentów firmy.
Krok 4: Generowanie odpowiedzi i zatwierdzenie przez handlowca
Na koniec LLM składa znalezione fragmenty oferty i dane z klasyfikacji w gotowy szkic maila, zachowując ton i format zgodny ze stylem komunikacji firmy. Szkic trafia do skrzynki handlowca jako wersja robocza, nie jako wysłana wiadomość. Handlowiec czyta, poprawia jeśli trzeba, klika wyślij. Cały proces od otrzymania maila do gotowego szkicu trwa zwykle 1-3 minuty, resztę czasu pochłania weryfikacja człowieka.
Automatyczna odpowiedź na zapytanie ofertowe email — co powinna, a czego nie powinna robić
Częsty błąd we wdrożeniach to próba pełnej automatyzacji od pierwszego dnia, czyli wysyłki bez udziału człowieka. W praktyce B2B to ryzykowne, bo każde zapytanie ma swój kontekst: negocjacje z poprzedniego kwartału, indywidualne rabaty, specyficzne wymagania klienta, które nie są zapisane w bazie wiedzy.
Rozsądny zakres automatyzacji wygląda tak: agent przygotowuje kompletny szkic z poprawnym cennikiem i dopasowaną ofertą, ale finalna decyzja o treści i moment wysyłki zostają przy handlowcu. Taki układ nazywa się human-in-the-loop i w pierwszych 2-3 miesiącach działania systemu jest praktycznie obowiązkowy, bo pozwala zbierać poprawki handlowców i na ich podstawie dopracowywać prompty oraz zawartość bazy wektorowej.
Po tym okresie, gdy system osiągnie stabilną jakość (mierzoną np. odsetkiem szkiców wysyłanych bez poprawek), część firm decyduje się na pełną automatyzację dla najprostszych, standardowych zapytań, zachowując ręczną weryfikację dla większych lub nietypowych kontraktów.
| Poziom automatyzacji | Zastosowanie | Ryzyko |
|---|---|---|
| Pełna automatyzacja (bez weryfikacji) | Proste, powtarzalne zapytania o standardowe produkty | Wysokie przy niestandardowych warunkach |
| Human-in-the-loop (zatwierdzenie handlowca) | Większość zapytań B2B, zwłaszcza na starcie wdrożenia | Niskie, kontrola pełna |
| Tylko klasyfikacja i priorytetyzacja | Zapytania złożone, wieloproduktowe, nietypowe | Minimalne, agent tylko wspiera |
Case study: skrócenie czasu reakcji z 24h do 15 minut
Firma produkująca komponenty przemysłowe dla klientów B2B otrzymywała średnio 40-60 zapytań ofertowych dziennie przez formularz na stronie i bezpośrednio na skrzynkę handlową. Standardowy czas reakcji wynosił od kilku godzin do całej doby, zależnie od obciążenia zespołu i tego, czy zapytanie trafiło na skrzynkę przed weekendem.
Wdrożenie agenta obejmowało trzy elementy: przygotowanie bazy wektorowej z pełnym cennikiem produktowym (ponad 300 pozycji z wariantami), skonfigurowanie klasyfikatora rozpoznającego typ produktu i skalę zamówienia, oraz integrację z Gmail API do automatycznego tworzenia szkiców odpowiedzi. Najwięcej czasu w projekcie zajęło nie samo programowanie, a uporządkowanie danych ofertowych, bo cenniki firmy istniały w kilku wersjach Excela, częściowo nieaktualnych.
Po wdrożeniu czas od otrzymania zapytania do wysłania odpowiedzi klientowi spadł do 15-20 minut w typowych przypadkach, gdzie te 15-20 minut to głównie czas reakcji handlowca na powiadomienie o gotowym szkicu, nie czas pracy samego agenta (ten działał w mniej niż 2 minuty). Dodatkowym efektem, którego firma nie planowała mierzyć na starcie, było ujednolicenie treści ofert między handlowcami, bo wszyscy zaczęli korzystać z tej samej, aktualnej bazy wiedzy.
Typowe błędy przy budowie agenta do zapytań ofertowych
Największym błędem jest pominięcie etapu klasyfikacji i próba wrzucenia całej treści maila prosto do zapytania RAG. Efekt to niska trafność wyszukiwania, bo mail często zawiera dane firmowe, pozdrowienia i inne treści niezwiązane z samym produktem, które rozmywają zapytanie wektorowe.
Drugi częsty problem to brak mechanizmu wykrywania niskiej pewności. Agent powinien umieć powiedzieć “nie wiem” i oznaczyć zapytanie jako wymagające ręcznej analizy, gdy podobieństwo znalezionych fragmentów oferty do zapytania jest niskie. Bez tego mechanizmu system z pewnością siebie generuje odpowiedzi na pytania, których w gruncie rzeczy nie rozumie, co jest gorsze niż brak automatyzacji.
Trzeci błąd to zaniedbanie aktualizacji bazy wektorowej. Cennik zmienia się, produkty wychodzą z oferty, a baza wiedzy agenta zostaje w tyle. Proces aktualizacji bazy powinien być tak samo rutynowy jak aktualizacja cennika w CRM, inaczej po kilku miesiącach agent zacznie generować oferty na nieaktualnych danych.
Najczęściej zadawane pytania
Czy agent AI może całkowicie zastąpić handlowca w obsłudze zapytań ofertowych?
Nie i nie powinien. Sprawdzone podejście to model human-in-the-loop: agent przygotowuje odpowiedź, dobiera cennik i uzupełnia dane, a handlowiec zatwierdza lub poprawia treść przed wysyłką. To eliminuje ryzyko błędnej wyceny i zachowuje kontrolę nad relacją z klientem.
Jak długo trwa wdrożenie takiego agenta w firmie?
Przy uporządkowanej ofercie i cennikach pierwsza działająca wersja MVP powstaje w 3-4 tygodnie. Dłużej trwa etap dopracowania promptów i testowania na realnych zapytaniach, zwykle kolejne 2-3 tygodnie do stabilnej pracy produkcyjnej.
Czy potrzebuję drogiej infrastruktury, żeby postawić bazę wektorową?
Nie. Do startu wystarczy jedna z darmowych lub niskokosztowych baz wektorowych (np. Qdrant, Chroma) postawiona na małym serwerze albo w wersji cloud. Koszt utrzymania dla typowej firmy B2B to zwykle kilkadziesiąt złotych miesięcznie.
Co się dzieje, gdy zapytanie jest nietypowe i nie ma go w bazie wiedzy?
Dobrze zaprojektowany agent rozpoznaje niską pewność dopasowania i oznacza taki mail jako wymagający ręcznej analizy, zamiast zgadywać. To kluczowy element architektury, chroniący przed wysłaniem błędnej oferty.
Jakie systemy pocztowe współpracują z takim agentem?
Najczęściej integruje się go z Gmail (Google Workspace) lub Microsoft 365 przez ich API, co pozwala na automatyczne odczytywanie nowych wiadomości i wstawianie szkicu odpowiedzi bez opuszczania standardowej skrzynki firmowej.
Słowniczek
RAG (Retrieval-Augmented Generation)
Technika łącząca wyszukiwanie informacji z bazy wiedzy z generowaniem tekstu przez model językowy. Model odpowiada na podstawie faktycznie odnalezionych dokumentów, a nie tylko wiedzy z treningu.
Baza wektorowa
Rodzaj bazy danych przechowującej treści jako wektory liczbowe (embeddingi), co pozwala wyszukiwać informacje na podstawie podobieństwa znaczeniowego, nie tylko dopasowania słów.
Embedding
Numeryczna reprezentacja tekstu, która pozwala komputerowi porównywać znaczenie różnych fragmentów treści, np. zapytania klienta i opisu produktu w cenniku.
Human-in-the-loop
Model działania systemu AI, w którym ostateczna decyzja (np. wysłanie odpowiedzi) należy do człowieka, a system automatyzuje tylko wcześniejsze etapy procesu.
LLM (Large Language Model)
Model językowy trenowany na dużych zbiorach tekstu, wykorzystywany do klasyfikacji zapytań i generowania treści odpowiedzi w naturalnym języku.
