AI-asszisztens a B2B webshop ügyfélszolgálatához: eszközök, jogosultságok és átadás embernek

Egy B2B shop ügyfélszolgálata másképp néz ki, mint a fogyasztói. Beszerzők, technikusok és könyvelők írnak, akik pontosan tudják, mit akarnak: a 4711-es rendelés szállítási idejét, a múlt havi számla másolatát, egy alkatrész megfelelőségi nyilatkozatát, egy kifutott cikk utódját. A válaszok többsége már megvan az ERP-ben, a PIM-ben vagy egy dokumentumtárban; az időt a megtalálásuk és leírásuk viszi el.

Ezért a B2B ügyfélszolgálat jó terep egy LLM-asszisztensnek, és egyben olyan hely, ahol a hibák drágák: egy rossz szállítási dátum leállít egy gyártósort, egy rossz ár vitás üggyé válik. Ez a bejegyzés leírja, hogyan tervezném meg egy ilyen asszisztenst egy B2B shophoz: milyen kéréseket vállaljon, hogyan kapják meg az eszközök a jogosultságaikat, hol maradnak bent az emberek a folyamatban, és miből látszik, hogy működik-e.

Mit kérdeznek valójában a B2B ügyfelek az ügyfélszolgálattól

Mielőtt modellt vagy szolgáltatót választanál, sorolj be néhány száz valódi jegyet kéréstípusokba. Az általam fejlesztett B2B shopokban ugyanazok a kategóriák térnek vissza, és főleg abban különböznek, hol van a válasz, és mibe kerül egy rossz válasz.

Az első három sor olyan lekérdezés, amelynek egyetlen helyes válasza van egy általad irányított rendszerben. Itt hálálja meg magát az asszisztens. Az utolsó sor az, ahol soha nem szabad rögtönöznie.

Két tanulság a fogyasztói ügyfélszolgálatból

A legismertebb számok a Klarnától származnak. 2024 februárjában a cég azt közölte, hogy AI-asszisztense az első hónapban 2,3 millió beszélgetést kezelt, az ügyfélszolgálati chatek kétharmadát, 700 teljes munkaidős ügyintéző munkájának megfelelően, 25%-kal kevesebb ismételt megkereséssel, és az ügyek 11 helyett 2 percen belül megoldódtak. 2025 májusában a vezérigazgató a Bloombergnek azt mondta, hogy a Klarna ismét embereket vesz fel az ügyfélszolgálatra, mert az olcsóbb AI-szolgáltatás gyengébb minőséget hozott, és az ügyfeleknek mindig tudniuk kell, hogy ha akarnak, emberrel is beszélhetnek.

A második tanulság jogi. A Moffatt kontra Air Canada ügyben egy brit columbiai testület egy olyan chatbottal foglalkozott, amely azt mondta egy ügyfélnek, hogy utólag is igényelhet gyászeseti viteldíjat, ami ellentmondott a légitársaság egy másik oldalának. Az Air Canada azzal érvelt, hogy a chatbot önálló jogi személy, amely maga felel a tetteiért. A testület ezt elutasította, a légitársaságot tette felelőssé a weboldalán lévő összes információért, akár statikus oldalról, akár chatbotból származik, megállapította, hogy nem tett meg minden észszerű lépést a chatbot pontosságáért, és körülbelül 650 kanadai dollárt ítélt meg kamattal és díjakkal. Ez egy kis értékű ügyekben hozott döntés, nem precedens Ausztriában vagy Németországban, de az érvelés olyan, amilyet bármely bíróságtól várnék.

Architektúra: visszakeresés, eszközök és átadási útvonal

Egy B2B ügyfélszolgálati asszisztensnek háromféle képessége van, és ezek szétválasztása teszi biztonságossá. Visszakeresés a nyilvános tudásban: termékdokumentáció, GYIK, általános szerződési feltételek, szállítási szabályok. Eszközök a fiókadatokon: rendelések, szállítások, számlák, mind a bejelentkezett cégre korlátozva. És egy átadási eszköz, amely összefoglalóval ügyet hoz létre a jegykezelő rendszerben vagy a CRM-ben, hogy az átvevőnek ne nulláról kelljen kezdenie.

A visszakeresési oldalra a szokásos RAG-mérnökség érvényes: chunkolás, hibrid keresés a cikkszámokhoz és újrarangsorolás, ahogy az éles RAG pipeline cikkben. Egy B2B-specifikus pont: az ÁSZF, a szállítási szabályok és a jótállási feltételek változnak, és az az asszisztens, amely a tavalyi visszaküldési határidőt idézi, kicsiben az Air Canada-eset. A dokumentumokat érvényességi dátummal és egyetlen aktuális verzióval indexeld, és az asszisztens hivatkozzon arra a dokumentumra, amelyből válaszolt.

Az ügyfél kontextusában futó eszközök

Az OWASP LLM06:2025 Excessive Agency három kiváltó okot nevez meg: túlzott funkcionalitást, túlzott jogosultságot és túlzott autonómiát. A javasolt védekezések úgy hangzanak, mint egy ügyfélszolgálati asszisztens tervezési specifikációja: csak a szükséges eszközöket kínáld fel, minden eszköz legyen szűk, a bővítmények a felhasználó kontextusában, minimális jogosultsággal fussanak, a nagy hatású műveletekhez kelljen jóváhagyás, és a jogosultságot a downstream rendszerek kényszerítsék ki, ne a modellre bízd, mi engedélyezett.

Kódban a szabály egyszerű: a modell átadhat rendelésszámot, ügyfélszámot soha. A szerver a sessionből veszi a cégazonosítót, a backend API pedig újra ellenőrzi. Egy termékértékelésbe csempészett utasítás nem veheti rá az asszisztenst, hogy más számláit olvassa, mert egyik eszköz sem fogad el ilyen paramétert.

// server/api/assistant.post.ts (Nuxt, AI SDK style tools)
import { z } from 'zod'
import { tool } from 'ai'

export default defineEventHandler(async (event) => {
  const { user } = await requireUserSession(event)        // 401 if not logged in
  const companyId = user.companyId                          // from the session, never from the model

  const tools = {
    getOrderStatus: tool({
      description: 'Status, delivery date and tracking for one order of the current customer.',
      inputSchema: z.object({ orderNumber: z.string().regex(/^[0-9]{6,10}$/) }),
      execute: async ({ orderNumber }) => {
        const order = await erp.getOrder(orderNumber, { companyId })   // ERP enforces the scope too
        if (!order) return { found: false }
        return { found: true, status: order.status, confirmedDelivery: order.confirmedDate ?? null, tracking: order.trackingUrl ?? null }
      },
    }),
    handOffToSupport: tool({
      description: 'Create a support case with a summary when the request needs a person.',
      inputSchema: z.object({ topic: z.enum(['price', 'complaint', 'return', 'technical', 'other']), summary: z.string().max(1500) }),
      execute: async ({ topic, summary }) => crm.createCase({ companyId, userId: user.id, topic, summary }),
    }),
  }
  // ... streamText({ model, system, messages, tools, stopWhen: stepCountIs(5) })
})

Figyeld meg, mit ad vissza a rendelési eszköz: visszaigazolt szállítási dátumot vagy nullt. Ha az ERP-ben nincs visszaigazolt dátum, az asszisztens ezt mondja, ahelyett hogy becsülne. Ez az egy tervezési döntés megelőzi a B2B ügyfélszolgálati hibák legkárosabb osztályát. A tágabb identitáskérdésekről, a szolgáltatásfiókokról és a tokenek hatóköréről az AI-ágensek identitások cikkben írtam.

Mi marad az embereknél

A bevezetés jogosultságok sorozata, nem egyetlen indulás. Csak olvasással kezdek: állapot, dokumentumok, számlák. Az írási műveletek, például egy korábbi rendelés megismétlése vagy visszaküldési kérelem nyitása ezután jönnek, és csak a felületen megjelenő kifejezett megerősítési lépéssel, amely pontosan mutatja, mi kerül beküldésre, a human-in-the-loop jóváhagyási pontok mintája szerint. Néhány dolog soha nem kerül az asszisztenshez:

• A közzétett árlistán kívüli árak, kedvezmények és ajánlatok.
• Az ERP által vissza nem igazolt szállítási vállalások.
• Szerződések, jótállás vagy felelősség értelmezése.
• Helyettesítő alkatrész műszaki jóváhagyása biztonságkritikus alkalmazáshoz.
• Bármi, ami egy elégedetlen kulcsügyfelet érint; ügyfélszint szerint irányíts, ne csak téma szerint.

Ezekben az esetekben az asszisztens dolga a tények összegyűjtése, vagyis a rendelésszám, a cikk, a mennyiség és hogy mi romlott el, majd az átadás összefoglalóval. Ez is értékes munka, és ezt veszik észre az ügyfelek, amikor a visszahívó munkatárs már ismeri az ügyet.

Az átadás megtervezése

A Klarna vezérigazgatója egyértelműen megfogalmazta a követelményt: az ügyfeleknek tudniuk kell, hogy ha akarnak, mindig beszélhetnek emberrel. Egy B2B shopban ez a chatben folyamatosan látható „beszélni szeretnék egy munkatárssal” lehetőséget jelent, nem csak három sikertelen válasz után, valamint világos tájékoztatást az ügyfélszolgálati időről. Átadáskor az ügy tartalmazza a beszélgetést, a felhasznált eszközeredményeket és az asszisztens saját összefoglalóját, gépi generálásúként jelölve, hogy az ügyintéző ellenőrizze, ne vakon megbízzon benne.

Két automatikus átadási kiváltó ok jól működik: a kérés a „marad az embereknél” lista valamelyik témájába esik, vagy az asszisztensnek nincs eszközeredménye vagy forrása a válaszához. A második a fontos. Az az asszisztens, amely azt mondja: „Nem találtam visszaigazolt szállítási dátumot, továbbítottam a rendelési csapatunknak”, hasznos; amelyik találgat, az felelősségi kockázat.

Átláthatóság, AI Act és adatvédelem

Az EU AI Act 50. cikke 2026. augusztus 2-től alkalmazandó. Első bekezdése előírja a szolgáltatóknak, hogy az emberekkel közvetlenül kapcsolatba lépő AI-rendszereket úgy alakítsák ki, hogy az érintettek tudomást szerezzenek arról, hogy AI-rendszerrel kommunikálnak, kivéve, ha ez egy észszerűen tájékozott, figyelmes és körültekintő személy számára nyilvánvaló. Egy névvel ellátott munkatárssal folytatott élő chatnek kinéző widget pontosan az az eset, amikor nem nyilvánvaló, ezért jelöld. Az 50. cikkes ellenőrzőlistám a megvalósítás részleteit tárgyalja.

A B2B nem jelenti azt, hogy nincs személyes adat. Az ügyfeleidnél dolgozó emberek kapcsolattartói nevei, e-mail-címei és szállítási címei a GDPR szerint személyes adatok, és a beszélgetésnapló tartalmazni fogja őket. Döntsd el az átiratok megőrzési idejét, azt, hogy mi jut el a modellszolgáltatóhoz és milyen adatfeldolgozási feltételekkel, valamint hogy kell-e adatvédelmi hatásvizsgálat; a kidolgozott DPIA-példa éppen egy ügyfélszolgálati asszisztenst vesz esetként.

Annak mérése, hogy segít-e

A tehermentesítési arány, vagyis azoknak a chateknek az aránya, amelyek soha nem jutnak el emberhez, az a szám, amelyet a szolgáltatók szeretnek, és amely elrejti a kudarcokat: az az ügyfél, aki feladja, szintén nem jut el emberhez. A szolgáltatók ráadásul a maguk módján definiálják a megoldást. Az Intercom, amely a Fin ágensét eredményenként 0,99 dollárért árazza, akkor számol megoldást, ha Fin utolsó válasza után nem kérnek további segítséget, és beszélgetésenként egy eredményt számláz. Ez észszerű számlázási szabály, de gyenge minőségi mutató, ezért mérj magad.

Az átnézett beszélgetésekből készíts eval-készletet, és futtasd minden prompt- vagy modellváltás előtt, ahogy az LLM evalok termékfunkciókhoz cikkben leírtam. És mielőtt az ügyfelek bármit látnának, néhány hétig futtasd az asszisztenst belső eszközként a saját ügyfélszolgálati csapatod számára, amely elküldi vagy elveti a válaszvázlatokat. Így címkézett adatod lesz, a csapat megtanulja, hol hibázik, és az első ügyfeleknek szóló változat ismert korlátokkal indul, nem reményekkel.

Források

1. Klarna: AI assistant handles two-thirds of customer service chats in its first month (press release, 2024)
2. Entrepreneur: Klarna is hiring customer service agents again, according to its CEO (May 2025)
3. ABA Business Law Today: BC tribunal confirms companies remain liable for information provided by AI chatbot
4. OWASP GenAI Security Project: LLM06:2025 Excessive Agency
5. OWASP GenAI Security Project: LLM05:2025 Improper Output Handling
6. EU AI Act, Article 50: Transparency obligations
7. Intercom: Fin pricing and billable outcomes