Case study: AI agent ušetřil 4 hodiny denně na třídění support ticketů
Klient: SaaS firma v oblasti workspace managementu. 50+ zaměstnanců, zákazníci v 5 zemích, support tickety v 6 jazycích. Jméno anonymizováno.
Problém
Support tým dostával desítky ticketů denně přes HubSpot. Každý ticket musel někdo ručně:
- Přečíst a pochopit (často v němčině, francouzštině nebo holandštině)
- Klasifikovat podle typu (bug, feature request, dotaz, billing)
- Určit urgenci (P1–P4)
- U technických problémů — najít relevantní část kódu
- Přiřadit správnému člověku v týmu
Zabíralo to jednomu člověku 4+ hodiny denně. A ten člověk místo řešení problémů třídil emaily.
Řešení
Nasadili jsme AI agenta napojeného přímo na HubSpot. Agent automaticky:
Klasifikuje ticket — rozpozná typ problému z textu i příloh. Funguje ve všech 6 jazycích bez překladu.
Určí urgenci — na základě obsahu, historie klienta a SLA podmínek přiřadí prioritu P1–P4.
Investiguje kód — u technických ticketů prohledá codebase a najde relevantní soubory a funkce. Support dostane rovnou kontext, ne jen “někde je bug”.
Přiřadí správné osobě — podle typu problému a aktuální kapacity týmu.
Napíše první odpověď — draft odpovědi v jazyce klienta, připravený ke schválení.
Technické detaily
- Napojení: HubSpot API (tickety, kontakty, SLA)
- LLM: Claude pro klasifikaci a generování odpovědí
- Code search: Propojení s GitHub repo pro investigaci bugů
- Jazyky: čeština, angličtina, němčina, francouzština, holandština, španělština
- Deployment: 2 týdny od kick-offu po produkci
Výsledky
| Metrika | Před | Po |
|---|---|---|
| Čas na třídění/den | 4+ hodiny | ~30 minut (review) |
| Průměrná first response | 2-4 hodiny | 15 minut |
| Správnost klasifikace | — | 94 % |
| Jazyková bariéra | Problém | Vyřešeno |
4 hodiny denně zpět. To je 20 hodin týdně. 80 hodin měsíčně. Jeden člověk, který teď řeší problémy místo třídění emailů. Podobné výsledky vidíme i u jiných firem, které nasadily AI agenty pro zákaznickou podporu.
Co jsme se naučili
Třídění ticketů vypadá jako jednoduchý problém. Není. Kontext zákazníka, historie komunikace, SLA pravidla, technická investigace — to všechno musí agent zvládnout.
Klíčové bylo napojení na codebase. Support agent, který dokáže říct “problém je pravděpodobně v souboru X, funkce Y” — to je rozdíl mezi chatbotem a užitečným nástrojem. Takové komplexní řešení vyžaduje profesionální implementační služby.
Nevíte, kde začít? Ozvěte se.
Podobný problém řešíte i vy? Zmapujeme vaše procesy a řekneme vám, kde AI agent ušetří nejvíc času.
Anonymizovaná case study. Klient souhlasil se zveřejněním výsledků bez uvedení jména firmy.