PoC · prywatne AI · 14 września 2026
Lokalne AI do obsługi reklamacji. Co działa poza samym promptowaniem?
Zbudowaliśmy demonstrator dla fikcyjnego serwisu, który działa na Macu, czyta zgłoszenie ze zdjęciami, znajduje procedurę, przygotowuje szkic odpowiedzi i zatrzymuje działanie, gdy brakuje dowodów albo uprawnień.
To nasz własny demonstrator i materiał opisujący usługę. Dane, osoby, produkty i zdjęcia są syntetyczne. Nie przedstawiamy go jako wdrożenia klienta ani dowodu oszczędności.
Punkt wyjścia
Reklamacja jest procesem, a nie pytaniem do chatbota.
Wiadomość klienta może być niepełna. Zdjęcia trzeba powiązać ze sprawą. Odpowiedź powinna wynikać z aktualnej procedury, a decyzja finansowa z limitu przypisanego do roli. Model językowy może pomóc z tekstem, lecz nie powinien sam ustalać polityki firmy.
Dlatego PoC rozdziela zadania probabilistyczne od deterministycznych. LLM podsumowuje i redaguje. Wyszukiwarka wskazuje źródło. Zwykły kod sprawdza kompletność, kwotę oraz rolę. Człowiek zatwierdza skutek.
Architektura demonstratora
Sześć kroków, które można osobno testować.
PoC używa lokalnego Ollama, modelu Qwen 3.5 4B oraz lokalnych embeddingów. Na MacBooku Pro z M4 Pro i 24 GB pamięci cały profil modeli zajmuje około 4 GB. To informacja o demonstratorze, nie obietnica wydajności produkcyjnej.
- 01Zgłoszenie i zdjęciawejście z fikcyjnego helpdesku
- 02RAGwłaściwy fragment procedury
- 03LLMpodsumowanie i szkic w JSON
- 04Policy enginedowody, limit 200 zł, rola
- 05Człowiekzatwierdzenie albo eskalacja
- 06Audytczas, aktor, sprawa i powód
Trzy przypadki testowe
System ma umieć powiedzieć „stop”.
Każdy scenariusz sprawdza inną granicę procesu. Fotografie zostały wygenerowane na potrzeby demonstratora i nie zawierają danych klientów, marek ani numerów seryjnych.
Kompletna sprawa w limicie
Zgłoszenie ma numer zamówienia, dwa zdjęcia i wartość 179 zł. Pracownik może sprawdzić szkic i zatwierdzić dalszy krok.
Kwota wymaga właściciela
Dokumenty są kompletne, ale wartość 349 zł przekracza limit pracownika. Kod blokuje akcję niezależnie od tekstu modelu.
Brakuje dowodów
Nie ma numeru zamówienia i drugiego zdjęcia. System przygotowuje prośbę o uzupełnienie, zamiast zgadywać decyzję.
Co robi model, a co zwykły kod?
LLM pomaga z językiem.
- porządkuje wiadomość klienta;
- proponuje kategorię i pilność;
- przygotowuje szkic odpowiedzi;
- pracuje na fragmencie procedury znalezionym przez RAG.
Kod pilnuje zasad.
- wymaga numeru zamówienia;
- sprawdza liczbę załączników;
- porównuje kwotę z limitem roli;
- blokuje przycisk i zapisuje powód.
Od demo do pilota
Bez próbki prawdziwych spraw nie ma wyniku biznesowego.
Nie zmierzyliśmy jeszcze oszczędności u klienta, więc nie publikujemy sztucznego procentu. Demo potwierdza przepływ, reguły i możliwość uruchomienia lokalnie. Pilot ma dopiero odpowiedzieć, czy rozwiązanie opłaca się w konkretnym procesie.
Jeden proces, mierzalny pilot
Masz podobny proces z dokumentami, zdjęciami lub powtarzalnymi zgłoszeniami?
Możemy porównać wersję lokalną, biznesowe API i architekturę hybrydową na tej samej próbce. Wynikiem będzie działający PoC oraz decyzja oparta na jakości, czasie, koszcie i ryzyku.