Czym jest Agent Sklepowy w RTV Euro AGD?

Agent Sklepowy to narzędzie AI oparte na modelach Gemini, przeznaczone dla doradców pracujących w salonach stacjonarnych sieci RTV Euro AGD. Ma pomagać w szybkim odnajdywaniu informacji potrzebnych przy obsłudze klienta.

Co oznacza architektura RAG w Agencie Sklepowym?

RAG (Retrieval-Augmented Generation) polega na tym, że model najpierw wyszukuje odpowiednie fragmenty dokumentów, a dopiero potem formułuje odpowiedź. Dzięki temu odpowiedzi opierają się na konkretnych regulaminach i materiałach firmy.

Jakie dane może przeszukiwać Agent Sklepowy?

Narzędzie obejmuje regulaminy, prezentacje, pliki PDF oraz e-maile. Łączy je z wewnętrznymi bazami wiedzy i systemem Jira działającym on-premise.

Do czego doradcy mogą wykorzystać Agenta Sklepowego?

Narzędzie wspiera sprawy związane z reklamacjami, ubezpieczeniami, historią zakupów, zwrotami oraz dostępnością produktów. Może też porównywać dokumenty i wykrywać niespójności w regulaminach.

Czy wdrożenie Agenta Sklepowego ma wpływ na szkolenie nowych pracowników?

Testy w sklepach wskazały krótszy czas adaptacji nowych pracowników oraz mniej błędów proceduralnych. Wyniki dotyczą etapu testowego, a nie pełnej skali sieci.

Agent Sklepowy od RTV Euro AGD: AI oparte na Gemini dla doradców

RTV Euro AGD wdraża Agenta Sklepowego, narzędzie AI na modelach Gemini, które wspiera doradców w salonach. Sprawdź, jak działa i co zmienia w pracy sprzedawców.

RTV Euro AGD wdrożyło w salonach stacjonarnych narzędzie Agent Sklepowy, oparte na modelach Gemini, które ma pomagać doradcom w bieżącej obsłudze klienta.

Czym jest Agent Sklepowy i jak działa?

Agent Sklepowy to asystent AI przeznaczony dla pracowników sprzedaży. Jego zadaniem nie jest zastępowanie doradcy, lecz szybkie dostarczanie informacji, które wcześniej trzeba było wyszukiwać ręcznie w wielu miejscach. Całość opiera się na modelach Gemini, a odpowiedzi są generowane na podstawie dokumentów firmy, a nie wyłącznie ogólnej wiedzy modelu.

Jak architektura RAG łączy dokumenty z odpowiedziami?

Kluczem do wiarygodności narzędzia jest architektura RAG (Retrieval-Augmented Generation). Najpierw system przeszukuje zasoby firmy i wybiera fragmenty najbardziej pasujące do pytania, a dopiero potem model tworzy odpowiedź. Taki układ ogranicza ryzyko, że asystent poda wymyśloną regułę, bo opiera się na konkretnym tekście regulaminu lub procedury.

Rola protokołu MCP w integracji z systemami

Do połączenia asystenta z zewnętrznymi systemami wykorzystano Model Context Protocol (MCP). To standard, który pozwala modelowi bezpiecznie korzystać z narzędzi i źródeł danych w uporządkowany sposób. W praktyce oznacza to, że narzędzie może sięgać po informacje z systemu zgłoszeń Jira działającego on-premise oraz z wewnętrznych baz wiedzy, bez przenoszenia tych danych do otwartej chmury.

Z jakich źródeł korzysta doradca?

Agent Sklepowy nie ogranicza się do jednego typu dokumentów. Poniższa tabela zestawia rodzaje danych objętych narzędziem i to, do czego służą w codziennej pracy.

Źródło danych	Typowe zastosowanie w salonie
Regulaminy	Sprawdzanie zasad zwrotów i reklamacji
Prezentacje	Przygotowanie argumentów sprzedażowych o produkcie
Pliki PDF	Dostęp do kart produktów i instrukcji procedur
E-maile	Odnalezienie wcześniejszych ustaleń z klientem lub centralą
Jira on-premise	Status zgłoszeń i spraw w toku
Wewnętrzne bazy wiedzy	Procedury i odpowiedzi na częste pytania

Najciekawszą funkcją w praktyce jest porównywanie dokumentów oraz wykrywanie niespójności w regulaminach. Jeżeli dwa dokumenty opisują ten sam proces inaczej, narzędzie może to wskazać, zanim doradca trafi na rozbieżność przy kliencie.

Do czego doradca może użyć narzędzia na co dzień?

Zakres zastosowań obejmuje pięć głównych obszarów: reklamacje, ubezpieczenia, historię zakupów, zwroty oraz dostępność produktów. W praktyce pomaga to uporządkować rozmowę. Zamiast przeszukiwać kilka zakładek i skrzynkę pocztową, doradca może zadać pytanie i otrzymać odpowiedź z przypisanym źródłem.

Przy reklamacji dobrze sprawdzić kolejność działań:

Ustalić, czego dotyczy zgłoszenie i jaki produkt był kupowany.
Sprawdzić historię zakupów oraz wcześniejsze wpisy w systemie.
Zweryfikować zapisy w regulaminie dla danej kategorii.
Upewnić się, że zgłoszenie nie koliduje z inną procedurą opisaną w dokumentach.

Taki schemat zmniejsza ryzyko pominięcia kroku, szczególnie w sytuacjach rzadziej spotykanych.

Jakie efekty przyniosły testy w salonach?

W testach sklepowych zauważono trzy zjawiska: krótszy czas adaptacji nowych pracowników, mniejszą liczbę błędów proceduralnych oraz wzrost konwersji przy akcesoriach i usługach. Połączenie tych efektów jest istotne, ponieważ dotyczy jednocześnie jakości pracy wewnętrznej i wyników sprzedażowych.

Warto jednak pamiętać, że są to wyniki testów w wybranych placówkach. Ich przeniesienie na całą sieć wymaga kolejnych pomiarów, zwłaszcza że skuteczność zależy od jakości samych dokumentów, które narzędzie przeszukuje.

Co dalej z Agentem Sklepowym w sieci?

Plany zakładają rozbudowę środowisk wieloagentowych, czyli współpracy kilku wyspecjalizowanych agentów AI przy jednym zadaniu. Równolegle rozważane jest udostępnienie podobnych narzędzi w innych działach firmy. To oznacza, że doświadczenia z salonów mogą wyznaczyć standard dla całej organizacji.

Co to oznacza dla Ciebie?

Dla pracowników sprzedaży najważniejsza zmiana polega na tym, że wiedza firmy staje się dostępna w jednym miejscu, w czasie rozmowy z klientem. Trzeba jednak zachować czujność: odpowiedź AI warto zweryfikować z dokumentem źródłowym, zwłaszcza przy decyzjach o zwrocie lub ubezpieczeniu.

Dla menedżerów sieci detalicznych wdrożenie pokazuje, że efekty AI w handlu da się mierzyć konkretnymi wskaźnikami: czasem wdrażania nowych osób, liczbą błędów i konwersją w wybranych kategoriach. Sam fakt zastosowania modeli Gemini nie wystarcza, jeśli baza dokumentów nie jest uporządkowana i aktualna.