Wdrożenie deterministycznego agenta AI do 78% sporów zamówień w ERP | Bliss Software Case Study

Problem biznesowy i wąskie gardło operacji#

Międzynarodowy dystrybutor i platforma marketplace mierzyła się z lawinowym wzrostem sporów zamówieniowych, reklamacji i zwrotów przesyłek zagranicznych.

Każdego miesiąca dział back-office przetwarzał ręcznie ponad 3 500 spraw:

Czas obsługi pojedynczego zgłoszenia: Średnio 48 godzin oczekiwania klienta na weryfikację logów kurierskich, protokołów szkód i statusu w systemie ERP.
Koszty operacyjne: Dział obsługi wymagał zatrudniania kolejnych konsultantów proporcjonalnie do wzrostu sprzedaży.
Ryzyko pomyłek ludzkich: Niespójne decyzje dotyczące przyznawania zwrotów środków generowały straty finansowe i rozbieżności w magazynie.

Architektura deterministycznego agenta AI (Bez halucynacji)#

Wielu dostawców AI proponuje proste integracje z API modeli językowych oparte na naiwnych promptach. W procesach enterprise, gdzie w grę wchodzą rzeczywiste środki finansowe i stany magazynowe w ERP, takie podejście jest niedopuszczalne ze względu na ryzyko halucynacji.

Zaprojektowaliśmy i wdrożyliśmy wieloagentowy, deterministyczny system oparty na Python 3.12, FastAPI, pgvector oraz Pydantic Guardrails:

[Nowe Zgłoszenie / Dispute Event]
               │
               ▼
   [Dispute Orchestrator Agent (Python / AsyncIO)]
               │
               ├── (1. Ekstrakcja danych i dokumentów)
               ▼
   [Hybrydowy Silnik RAG]
   ├── [BM25 Full-text: Numery listów przewozowych, kody EAN]
   └── [pgvector: Semantyka regulaminów, polityka przewoźników]
               │
               ├── (2. Weryfikacja reguł biznesowych)
               ▼
   [Pydantic / Instructor Strict Guardrails]
   ├── [Idempotentna weryfikacja kwoty refundacji]
   └── [Deterministyczna walidacja statusu przesyłki]
               │
               ├── (3. Decyzja & Wykonanie)
               ▼
   [ERP / CRM Connector (Zapis audytowalny)]

Schemat Architektury Produkcyjnej AI Agentów ERP: Hybrydowy Silnik RAG i Deterministyczne Guardrails

Filary niezawodności systemu:#

Hybrydowy Search (BM25 + pgvector): Modele językowe zawodzą przy wyszukiwaniu dokładnych ciągów znaków (np. 18-cyfrowy numer listu przewozowego DHL/DPD). Połączenie wyszukiwania leksykalnego (BM25) z wektorowym (pgvector) zapewniło 100% precyzję odnajdywania dokumentacji źródłowej.
Deterministyczne Guardrails (Pydantic / Instructor): Odpowiedź agenta nie jest luźnym tekstem, lecz ściśle ustrukturyzowanym obiektem JSON z walidacją typów. Jeśli model nie spełni reguł biznesowych (np. próba refundacji kwoty wyższej niż wartość zamówienia), operacja jest natychmiast blokowana i kierowana do weryfikacji manualnej.
Pełna audytowalność i Idempotencja: Każde zapytanie posiada unikalny idempotency_key w bazie danych, eliminując ryzyko podwójnego zlecenia zwrotu środków w ERP.

Twarde rezultaty produkcyjne#

System został wdrożony bezpośrednio do produkcji i zintegrowany z systemem ERP:

Czas procesowania sprawy: Redukcja z 48 godzin do zaledwie 18 sekund (-99.9%).
Autonomia decyzji: 78% spraw rozwiązywanych całkowicie bez udziału człowieka, z pełną zgodnością z regulaminem firmy.
Współczynnik błędów finansowych / halucynacji: 0.00% w ciągu 12 miesięcy pracy produkcyjnej (dzięki deterministycznym guardrails).
Redukcja kosztów operacyjnych działu back-office: Spadek o 62%, umożliwiający przesunięcie pracowników do proaktywnej sprzedaży i obsługi VIP.

Kluczowy wniosek architektoniczny#

Sztuczna inteligencja w środowisku B2B działa skutecznie tylko wtedy, gdy jest obudowana deterministycznymi mechanizmami inżynieryjnymi. LLM powinien pełnić rolę elastycznego silnika wnioskowania i parsowania danych, ale ostateczna decyzja i zapis do bazy danych muszą podlegać żelaznym kontraktom typów i regułom biznesowym.