Claude Code w e-commerce — jak zintegrowaliśmy AI z katalogiem motoryzacyjnym

Sytuacja wyjściowa: świetny produkt, trudna obsługa

Klient prowadzi sklep specjalistyczny w segmencie premium motoryzacyjnego — bagażniki dachowe, boxy bagażowe, uchwyty rowerowe, akcesoria do transportu wyposażenia sportowego. Branża, w której klient kupuje raz na kilka lat, ale wybór musi być idealny: niewłaściwy bagażnik to ryzyko zarysowania auta, problem techniczny, a w skrajnych przypadkach niebezpieczeństwo na drodze.

Konsekwencja: każde zapytanie klienta to nie "ile to kosztuje", tylko ciąg pytań technicznych — "czy pasuje do mojego Volvo XC60 rocznik 2019 z reling", "ile uniesie", "czy mogę zamontować równocześnie box i uchwyt na rower", "jakie momenty dokręcania". I tutaj zaczynała się siła i słabość firmy jednocześnie.

Siła: mała, doświadczona ekipa, która zna produkty jak własną kieszeń. Klienci wracają, bo dostają fachową konsultację.

Słabość: ta wiedza siedziała w głowach 2-3 osób. Gdy ktoś był na urlopie albo na drugiej rozmowie, klient czekał. Niektóre informacje były w plikach Excela, niektóre w PDF-ach od producenta, niektóre tylko w pamięci najstarszego pracownika. Skalowanie zespołu wymagało miesięcy onboardingu.

Co zaproponowaliśmy

Pierwsza opcja, którą rozważaliśmy, to klasyczny chatbot dla klientów — taki, jakiego widzisz na stronach większości firm. Odrzuciliśmy ten pomysł szybko. Powód: chatboty dla klientów w branżach specjalistycznych zwykle pogarszają doświadczenie. Klient z pytaniem za 1500 zł nie chce rozmawiać z botem, który zgaduje. Chce rozmawiać z ekspertem.

Zamiast tego zaproponowaliśmy odwrotne podejście: nie zastępujemy zespołu AI-em, dajemy zespołowi AI jako narzędzie. Pracownik nadal rozmawia z klientem — przez czat, telefon, mail — ale za jego plecami stoi Claude Code podpięty do wszystkich danych firmy. Ekspert + AI obsługuje klienta szybciej, dokładniej i z większą pewnością niż sam ekspert.

Konkretnie: jak to wygląda w praktyce

Pracownik dostaje na czacie pytanie: "Mam Skodę Octavię III kombi 2018, czy pasuje wasz bagażnik bazowy, i jakie skrzynie mogę założyć żeby zmieścić sprzęt narciarski dla 4 osób?"

Wcześniej: pracownik szuka w bazie, sprawdza w katalogu PDF od Thule, pyta kolegę, wraca po 5 minutach z odpowiedzią. Albo łapie się, że nie zna szczegółu i musi przekazać do innego specjalisty.

Teraz: pracownik pisze do Claude'a (w swoim systemie, prywatnie, klient tego nie widzi): "Klient ma Skodę Octavię III kombi 2018, chce bazowy bagażnik + box na sprzęt narciarski 4 osób."

Claude w 5-10 sekund:

• sprawdza w bazie kompatybilność z modelem auta (Octavia III kombi to fabryczne longitudinal rails),
• identyfikuje konkretne SKU bagażnika bazowego pasującego do tego modelu,
• sugeruje 2-3 skrzynie o pojemności odpowiedniej do sprzętu 4 osób,
• podaje aktualną cenę i dostępność,
• dodaje uwagę o maksymalnym dopuszczalnym obciążeniu dachu Octavii III (75 kg).

Pracownik weryfikuje (bo ostatecznie to on bierze odpowiedzialność za rekomendację), modyfikuje jeśli trzeba i odpowiada klientowi. Czas obsługi spadł z 5-15 minut do 1-2 minut, a jakość rekomendacji wzrosła, bo Claude ma dostęp do wszystkich danych jednocześnie — pracownik wcześniej znał ich tylko część.

Architektura techniczna wdrożenia

Krok 1: Inwentaryzacja danych firmy

Zaczęliśmy od najbardziej niewdzięcznej, ale najważniejszej pracy: spisaliśmy gdzie w firmie znajduje się jaka wiedza. Okazało się że:

• Baza produktów (SKU, ceny, dostępność) — w MySQL silnika sklepu
• Tabele kompatybilności (jaki bagażnik pasuje do jakiego auta) — w arkuszu Excela, ręcznie utrzymywanym
• Specyfikacje techniczne (nośności, momenty dokręcania, normy) — w PDF-ach od producentów (Thule, Yakima, Atera, ...)
• Procedury montażu — w PDF-ach + filmach na YouTube
• Historie zamówień + wcześniejsze korespondencje z klientami — w systemie CRM
• "Plemienna wiedza" — w głowach pracowników (rozwiązania nietypowych przypadków, lessons learned)

Najtrudniejszy okazał się ten ostatni punkt — bo dopóki tej wiedzy nie wydobędziemy z głów, AI nigdy nie będzie tak skuteczny jak ekspert. Zrobiliśmy 8 godzin wywiadów z zespołem, nagraliśmy i przetranskrybowaliśmy. Powstał dokument "Wiedza domenowa" — 60+ stron praktycznych zasad, edge cases, rzeczy "których nigdzie nie znajdziesz".

Krok 2: Budowa Custom MCP Server

Claude Code komunikuje się z systemami zewnętrznymi przez protokół MCP. Zbudowaliśmy dedykowany MCP server, który eksponuje 7 narzędzi do Claude'a:

// MCP Server - dostępne narzędzia
tools: [
  "produkt_szczegoly",       // Szczegóły konkretnego SKU
  "wyszukaj_produkty",       // Wyszukiwanie po kategorii/cenie
  "sprawdz_kompatybilnosc",  // Czy produkt pasuje do auta X
  "historia_klienta",        // Wcześniejsze zamówienia
  "specyfikacja_techniczna", // Z PDF-ów producentów
  "stan_magazynowy",         // Real-time z systemu
  "wiedza_domenowa"          // Search w dokumencie eksperckim
]

Każde z tych narzędzi to klasyczna funkcja PHP/Node po stronie serwera, która pobiera dane z odpowiedniego źródła. Claude sam decyduje którego narzędzia użyć, w jakiej kolejności i jak połączyć wyniki. To kluczowa różnica względem klasycznego chatbota — Claude nie próbuje wszystkiego "wiedzieć", tylko wie gdzie szukać konkretnej informacji.

Krok 3: Indeksacja dokumentów PDF

Specyfikacje techniczne od producentów to setki PDF-ów — od kilku do kilkudziesięciu stron każdy. Bez ich indeksacji Claude byłby ślepy na połowę wiedzy firmy. Wdrożyliśmy:

• OCR + parsing wszystkich PDF-ów do tekstu z zachowaniem struktury (tabele kompatybilności muszą zostać tabelami)
• Embedding każdego fragmentu (chunks ~500 tokenów) i zapis do lokalnej bazy wektorowej
• Tool "specyfikacja_techniczna" wykonuje wyszukiwanie semantyczne i zwraca top 5 fragmentów + odnośnik do pełnego PDF-a

Krok 4: Wiedza domenowa jako searchable knowledge base

Dokument 60+ stron z wywiadów z zespołem podzieliliśmy na pojedyncze "zasady" / "wskazówki" / "edge cases". Każda z nich to mały dokument tagowany (typ auta, typ akcesorium, rodzaj problemu). Claude może je przeszukiwać semantycznie.

Przykład wpisu z bazy:

Tag: Volvo XC60, bagażnik bazowy
W Volvo XC60 generacji II (2017+) fabryczne relingi mają niestandardową szerokość mocowania w stosunku do gen I. Bagażniki bazowe wymagają stóp WingBar Edge 9595B, nie 9594B. Klienci często mają błędne informacje z internetowych konfiguratorów, które nie aktualizują tej zmiany. Zawsze weryfikuj rocznik produkcji, nie tylko model. — wpis z bazy wiedzy domenowej

To jest dokładnie ten typ wiedzy, której nie ma w PDF-ach producenta i nie ma w internecie. To jest przewaga konkurencyjna firmy, zamknięta w działającym AI.

Krok 5: Przeszkolenie zespołu

Najczęściej pomijany krok wdrożenia AI. Większość projektów się kończy na "włożyliśmy system, dalej radźcie sobie sami". My zrobiliśmy odwrotnie — 4 sesje szkoleniowe po 2 godziny, indywidualne sesje z każdym pracownikiem, materiały referencyjne, ściągi przy każdym stanowisku.

Tematy szkolenia:

1. Sesja 1: Jak działa Claude Code, czego nie robi, gdzie się myli, jak weryfikować odpowiedzi
2. Sesja 2: Skuteczne prompty — jak formułować zapytania, żeby dostać dobre odpowiedzi
3. Sesja 3: Praca w połączeniu z istniejącym workflow — kiedy używać AI, kiedy nie
4. Sesja 4: Cykl ciągłego doskonalenia — jak zgłaszać przypadki gdzie Claude się pomylił, jak rozwijać bazę wiedzy domenowej

Harmonogram wdrożenia

• Tydzień 1-2

  Audyt i wywiady

  Inwentaryzacja źródeł danych, wywiady z zespołem, mapowanie procesów obsługi klienta. Wyciąganie wiedzy domenowej.

• Tydzień 3-4

  Budowa MCP server + integracje

  Implementacja narzędzi MCP, integracja z MySQL, CRM, magazynem. Pierwsze testy z prawdziwymi zapytaniami.

• Tydzień 5

  Indeksacja dokumentów i wiedzy

  OCR PDF-ów producentów, embedding, indeksacja wiedzy domenowej. Walidacja jakości wyszukiwania.

• Tydzień 6

  Pilot z jedną osobą

  Najbardziej doświadczony pracownik testuje system w prawdziwych rozmowach z klientami. Codzienna iteracja.

• Tydzień 7-8

  Szkolenia i rollout

  4 sesje szkoleniowe, indywidualne wsparcie, dokumentacja. Pełne wdrożenie dla całego zespołu.

• Po wdrożeniu

  Ciągłe doskonalenie

  Cykliczne sesje "co się popsuło, co dodać do bazy wiedzy", monitoring jakości odpowiedzi, rozszerzanie funkcji.

Efekty biznesowe

Najważniejsza zasada przy ocenie wdrożenia AI: nie patrz na "fajność" technologii, patrz na liczby z biznesu. Konkretne efekty, które zaobserwowaliśmy:

1. Czas odpowiedzi na zapytanie klienta

Przed wdrożeniem typowe zapytanie techniczne wymagało 5-15 minut przygotowania odpowiedzi. Po wdrożeniu — 1-3 minuty. Pracownik nadal myśli, weryfikuje, dodaje wartość interpretacyjną, ale 80% pracy "researchowej" robi Claude w tle.

2. Konsystencja jakości obsługi

Wcześniej jakość rekomendacji zależała od tego, kto akurat odebrał zapytanie. Najbardziej doświadczony specjalista vs nowa osoba — różnica diametralna. Po wdrożeniu wszyscy mają dostęp do tej samej bazy wiedzy. Junior z AI jest dziś bliżej jakości seniora.

3. Onboarding nowych pracowników

Wcześniej nowa osoba potrzebowała 2-3 miesięcy żeby być samodzielna. Teraz może pracować efektywnie po 2-3 tygodniach — bo system zastępuje znaczną część wiedzy, której wcześniej trzeba było się nauczyć od zera.

4. Capacity zespołu

Ten sam zespół obsługuje znacząco więcej zapytań na osobę. Bez konieczności rekrutacji, bez konieczności rozbudowy BOK.

5. Mniej błędów rekomendacyjnych

Claude weryfikuje kompatybilność na podstawie danych. Wcześniejszy proces — gdzie pracownik decydował z pamięci — od czasu do czasu prowadził do błędów. Klient dostaje produkt, ten nie pasuje, koszt zwrotu i nowej wysyłki to 80-200 zł plus utrata zaufania. Te przypadki praktycznie zniknęły.

Czego się nauczyliśmy z tego wdrożenia

Kilka rzeczy, które mocno wpłynęły na to jak prowadzimy kolejne projekty:

Lekcja 1: Dane firmy są niedoinwestowane

Każda firma mówi "mamy dużo danych". Praktyka pokazuje, że dane są rozsiane w PDF-ach, Excelach, mailach i głowach ludzi. Pierwszy miesiąc wdrożenia AI to praktycznie zawsze projekt "knowledge management" — porządkowanie, wydobywanie, strukturyzowanie. Bez tego AI niczego nie zdziała.

Lekcja 2: Nie zastępuj zespołu, wzmocnij go

Próby zastąpienia ludzi AI-em w obsłudze klienta są dziś źle przyjmowane przez klientów (zwłaszcza w segmencie premium) i wprowadzają ogromne ryzyko reputacyjne. AI jako "drugi mózg" dla zespołu działa zawsze, sprzeciwów nie ma, korzyści są natychmiastowe.

Lekcja 3: Adopcja > technologia

Najlepszy technicznie system, z którego nikt nie korzysta, nie ma wartości. Najprostsza implementacja, którą zespół codziennie używa, generuje ogromny zwrot. Inwestuj w szkolenia tyle, ile w kod.

Lekcja 4: Claude Code skaluje się świetnie do specjalistycznych branż

Spodziewaliśmy się że Claude będzie miał problem ze specjalistyczną terminologią motoryzacyjną. Praktyka pokazała coś innego — gdy dostarczysz mu odpowiedni kontekst (przez MCP), świetnie sobie radzi nawet z bardzo niszowymi tematami. Wąska domena + szeroka inteligencja modelu = potężne narzędzie.

Co dalej

Następny etap wdrożenia, który już planujemy z klientem, to analiza historii rozmów z klientami, którzy ostatecznie nie kupili. Claude przejdzie przez korespondencje i wskaże:

• Najczęstsze powody odejścia klienta (cena? brak dostępności? niepewność?)
• Pytania, na które zespół nie miał dobrej odpowiedzi (luki w wiedzy → uzupełnienie bazy)
• Wzorce klientów, którzy wracają po miesiącach — co ich przyciąga z powrotem

Czyli z systemu obsługującego bieżące zapytania robimy system uczący firmę o jej własnym rynku. AI jako CEO insights tool, nie tylko jako wsparcie BOK.