[{"data":1,"prerenderedAt":632},["ShallowReactive",2],{"homepage-cases":3},[4,225,427],{"id":5,"title":6,"body":7,"branza":203,"date":204,"description":194,"extension":205,"lokalizacja":206,"meta":207,"metrics":208,"navigation":218,"path":219,"rozmiar":220,"seo":221,"stem":222,"summary":223,"__hash__":224},"realizacje\u002Frealizacje\u002Fkancelaria-prawna.md","AI klasyfikator maila dla kancelarii prawnej",{"type":8,"value":9,"toc":193},"minimark",[10,15,19,22,26,29,52,56,59,62,100,103,107,110,124,127,131,134,160,164,167,181,184],[11,12,14],"h2",{"id":13},"kontekst-klienta","Kontekst klienta",[16,17,18],"p",{},"Średniej wielkości warszawska kancelaria prawna obsługująca 200+ aktywnych spraw, 30 osób w zespole (prawnicy + paralegals + back-office). Specjalizacja: prawo gospodarcze, własność intelektualna, spory korporacyjne.",[16,20,21],{},"Dziennie do skrzynki głównej kancelarii wpadało 200-400 maili — od klientów, sądów, drugich stron, instytucji. Każdy musiał zostać sklasyfikowany (pilne \u002F standardowe \u002F spam), przypisany do właściwej sprawy w systemie kancelaryjnym, i wysłany do odpowiedzialnego prawnika.",[11,23,25],{"id":24},"problem","Problem",[16,27,28],{},"Klasyfikacją zajmowały się 2 osoby z back-office na pełnym etacie. Łącznie ~25h tygodniowo czystej, powtarzalnej pracy. Efekt:",[30,31,32,40,46],"ul",{},[33,34,35,39],"li",{},[36,37,38],"strong",{},"Opóźnienia w pilnych sprawach."," Maile z sądu zgłaszane jako pilne wpadały do tej samej kolejki co zapytania ogólne. Średni czas odpowiedzi na pilny mail: 4-6h zamiast docelowych 2h.",[33,41,42,45],{},[36,43,44],{},"Błędne przypisania spraw."," Przy 200+ aktywnych sprawach o podobnych nazwach (kilku klientów z tej samej grupy kapitałowej), back-office mylił sprawy ~5% przypadków.",[33,47,48,51],{},[36,49,50],{},"Wąskie gardło na urlopach."," Gdy jedna osoba z back-office szła na urlop, druga była zalana — albo jakość klasyfikacji spadała, albo pilne maile czekały.",[11,53,55],{"id":54},"rozwiązanie","Rozwiązanie",[16,57,58],{},"Quick Win Sprint (4 tygodnie). Zbudowaliśmy AI klasyfikator zintegrowany bezpośrednio z istniejącym systemem kancelaryjnym (Microsoft Exchange + custom CRM).",[16,60,61],{},"Architektura:",[30,63,64,70,76,82,88,94],{},[33,65,66,69],{},[36,67,68],{},"Webhook na Exchange"," wysyła każdy przychodzący mail do naszego serwisu klasyfikatora",[33,71,72,75],{},[36,73,74],{},"Pierwszy model (klasyfikacja pilności)"," — własny fine-tuned model na podstawie historycznych maili kancelarii",[33,77,78,81],{},[36,79,80],{},"Drugi model (przypisanie do sprawy)"," — RAG na bazie aktywnych spraw + nazwiska klientów + numery sygnatur",[33,83,84,87],{},[36,85,86],{},"Trzeci krok (przypisanie do prawnika)"," — reguły biznesowe na podstawie matrycy odpowiedzialności",[33,89,90,93],{},[36,91,92],{},"Fallback"," — jeśli dowolny model ma confidence \u003C85%, mail trafia do kolejki review zamiast automatycznej klasyfikacji",[33,95,96,99],{},[36,97,98],{},"UI dla back-office"," — Vue 3 + UI v4, dashboard z kolejką review, statystykami, możliwością korekty",[16,101,102],{},"Wszystko deployowane on-premise (Wasza VPN, brak danych w chmurach trzecich), Anthropic Claude w trybie zero-retention API dla modeli wymagających większego modelu, własny fine-tuned model na lokalnym GPU dla klasyfikacji pilności.",[11,104,106],{"id":105},"implementacja","Implementacja",[16,108,109],{},"4 tygodnie, fixed price 14 900 PLN (Quick Win Sprint). Pracował 1 senior engineer + zewnętrzny prawnik konsultant (do oznaczania danych treningowych).",[30,111,112,115,118,121],{},[33,113,114],{},"Tydzień 1: discovery + dostęp do historycznych maili (2 lata, ~120k maili) + setup środowiska",[33,116,117],{},"Tydzień 2: fine-tuning modeli + budowa UI dashboardu",[33,119,120],{},"Tydzień 3: integracja z Exchange + CRM, testy z back-office",[33,122,123],{},"Tydzień 4: deployment do produkcji, soft launch z paralelnym human review przez pierwsze 2 tygodnie",[16,125,126],{},"Po 2 tygodniach paralelnego review przeszliśmy na pełną automatyzację z 5% próbą do dziennego audytu jakości.",[11,128,130],{"id":129},"wyniki","Wyniki",[16,132,133],{},"Po 3 miesiącach produkcji:",[30,135,136,142,148,154],{},[33,137,138,141],{},[36,139,140],{},"120h\u002Fmies. zaoszczędzonego czasu"," — 2 osoby z back-office przeniesione do bardziej strategicznych zadań (paralegal support, klient onboarding)",[33,143,144,147],{},[36,145,146],{},"94% dokładność klasyfikacji"," — mierzone na 5% losowej próbie auditowanej przez back-office",[33,149,150,153],{},[36,151,152],{},"Czas odpowiedzi na pilne maile: 25 min"," (vs poprzednio 4-6h) — bo maile od sądu są klasyfikowane jako pilne automatycznie i wysyłane natychmiast do odpowiedzialnego prawnika",[33,155,156,159],{},[36,157,158],{},"Zwrot z inwestycji: 3 miesiące"," (oszczędność czasu × stawka godzinowa back-office)",[11,161,163],{"id":162},"co-dalej","Co dalej",[16,165,166],{},"Klient kontynuuje współpracę na Retainerze. Kolejne kroki:",[30,168,169,175],{},[33,170,171,174],{},[36,172,173],{},"Q2 2026:"," AI assistant dla paralegals — wyszukiwanie precedensów w historii kancelarii",[33,176,177,180],{},[36,178,179],{},"Q3 2026:"," Automatyczne generowanie wstępnych draftów pism procesowych",[182,183],"hr",{},[185,186,187],"blockquote",{},[16,188,189],{},[190,191,192],"em",{},"Dane klienta zanonimizowane na ich życzenie. Konkretne metryki, referencje i intro do klienta dostępne podczas rozmowy.",{"title":194,"searchDepth":195,"depth":195,"links":196},"",2,[197,198,199,200,201,202],{"id":13,"depth":195,"text":14},{"id":24,"depth":195,"text":25},{"id":54,"depth":195,"text":55},{"id":105,"depth":195,"text":106},{"id":129,"depth":195,"text":130},{"id":162,"depth":195,"text":163},"Prawo","2026-03-15","md","Warszawa",{},[209,212,215],{"value":210,"label":211},"120h\u002Fmies.","zaoszczędzonego czasu zespołu",{"value":213,"label":214},"94%","dokładność klasyfikacji",{"value":216,"label":217},"3 mies.","zwrot z inwestycji",true,"\u002Frealizacje\u002Fkancelaria-prawna","30 osób",{"title":6,"description":194},"realizacje\u002Fkancelaria-prawna","25h tygodniowo na ręcznej klasyfikacji maila — sprowadzone do 1h dziennego review.","6fBaAG8MjVQEAgS1Fvr3vMdutJqh2ogGtAJQQJRHI5A",{"id":226,"title":227,"body":228,"branza":407,"date":408,"description":194,"extension":205,"lokalizacja":409,"meta":410,"metrics":411,"navigation":218,"path":421,"rozmiar":422,"seo":423,"stem":424,"summary":425,"__hash__":426},"realizacje\u002Frealizacje\u002Fbiuro-ksiegowe.md","RAG na bazie wiedzy podatkowej dla biura księgowego",{"type":8,"value":229,"toc":399},[230,232,235,238,240,243,246,266,268,271,285,287,319,321,324,335,337,340,372,374,377,391,393],[11,231,14],{"id":13},[16,233,234],{},"Krakowskie biuro księgowe, 15 osób, obsługujące ~120 klientów (głównie spółki z o.o. i jednoosobowe działalności gospodarcze) w sektorach: e-commerce, IT services, branża kreatywna.",[16,236,237],{},"Klienci pisali do biura średnio 600-800 razy miesięcznie z pytaniami: jak rozliczyć konkretną fakturę, czy dany koszt można odliczyć, jak udokumentować przejazd służbowy, co z VAT na usługi cyfrowe do UE. 80% pytań było powtarzalna — te same wątpliwości, tylko z różnymi konkretami.",[11,239,25],{"id":24},[16,241,242],{},"Każde pytanie księgowi musieli ręcznie odpowiedzieć. Średni czas: 15-20 min od przeczytania do wysłanej odpowiedzi (lookup w przepisach, sprawdzenie czy nie ma niuansu w sytuacji klienta, sformułowanie odpowiedzi).",[16,244,245],{},"W skali miesiąca: ~150-200h pracy zespołu na odpowiedzi na powtarzalne pytania. Efekty uboczne:",[30,247,248,254,260],{},[33,249,250,253],{},[36,251,252],{},"Klienci czekali 24-48h na odpowiedź"," — bo księgowi mieli też zamknięcia okresów, deklaracje, kontakt z US",[33,255,256,259],{},[36,257,258],{},"Niespójność odpowiedzi"," — różni księgowi różnie interpretowali te same przepisy, czasem klient dostawał inną odpowiedź od kolegi z biura",[33,261,262,265],{},[36,263,264],{},"Stres przed deadline'ami"," — w okresach kumulujących się terminów (kwartalny VAT, roczne zeznania) jakość odpowiedzi spadała",[11,267,55],{"id":54},[16,269,270],{},"AI Integration Project (3 miesiące). Zbudowaliśmy portal klienta z RAG-asystentem, który odpowiada na pytania na podstawie:",[30,272,273,276,279,282],{},[33,274,275],{},"Aktualnej Ordynacji Podatkowej + Ustawy o VAT\u002FPIT\u002FCIT + rozporządzeń",[33,277,278],{},"Interpretacji indywidualnych KIS (Krajowej Informacji Skarbowej)",[33,280,281],{},"Wewnętrznej bazy wiedzy biura (FAQ, precedensy z poprzednich klientów — zanonimizowane)",[33,283,284],{},"Historii rozmów z konkretnym klientem (kontekst: branża, forma opodatkowania, charakter biznesu)",[16,286,61],{},[30,288,289,295,301,307,313],{},[33,290,291,294],{},[36,292,293],{},"Portal klienta (Nuxt 4 + UI v4)"," — login, dashboard, czat z asystentem, historia",[33,296,297,300],{},[36,298,299],{},"RAG pipeline:"," wektoryzacja dokumentów do Pinecone, embedding via OpenAI ada-002, retrieval top-5 → reranking → generacja odpowiedzi przez Claude 4.5 Sonnet",[33,302,303,306],{},[36,304,305],{},"Klasyfikacja confidence:"," jeśli model nie jest pewny (confidence \u003C80%), pytanie trafia do księgowego z draftem odpowiedzi",[33,308,309,312],{},[36,310,311],{},"Audit trail:"," każda odpowiedź AI ma podlinkowane źródła + jest logowana dla audytu jakości",[33,314,315,318],{},[36,316,317],{},"Disclaimer engine:"," automatyczne dodawanie zastrzeżeń tam gdzie pytanie wymaga indywidualnej analizy",[11,320,106],{"id":105},[16,322,323],{},"3 miesiące, cena z górnej połowy widełek Integration Project. Pracował 1 senior engineer + konsultant podatkowy (do walidacji RAG outputów).",[30,325,326,329,332],{},[33,327,328],{},"Miesiąc 1: scope + architektura + portal klienta MVP + RAG pipeline na bazie ordynacji",[33,330,331],{},"Miesiąc 2: dodanie interpretacji KIS + wewnętrznej bazy wiedzy + UAT z 5 klientami pilotażowymi",[33,333,334],{},"Miesiąc 3: rollout do wszystkich klientów + monitoring + iteracje",[11,336,130],{"id":129},[16,338,339],{},"Po 4 miesiącach produkcji:",[30,341,342,348,354,360,366],{},[33,343,344,347],{},[36,345,346],{},"70% pytań klientów obsługiwanych przez AI bez interwencji księgowego"," (mierzone: pytania zakończone bez eskalacji)",[33,349,350,353],{},[36,351,352],{},"400+ pytań miesięcznie odpowiedzianych natychmiast"," (vs 24-48h czekania)",[33,355,356,359],{},[36,357,358],{},"15h\u002Ftydzień odzyskane przez księgowych"," — przeniesione na strategiczne konsultacje (planowanie podatkowe, optymalizacja struktur)",[33,361,362,365],{},[36,363,364],{},"Spójność odpowiedzi: 98%"," — wszystkie odpowiedzi z tego samego źródła wiedzy",[33,367,368,371],{},[36,369,370],{},"NPS klientów: wzrost o 28 punktów"," w ankiecie po 3 miesiącach",[11,373,163],{"id":162},[16,375,376],{},"Klient na Retainerze. Plany na 2026:",[30,378,379,385],{},[33,380,381,384],{},[36,382,383],{},"Q2:"," asystent do automatycznego klasyfikowania faktur kosztowych (zdjęcie\u002FPDF → kategoria + przypisanie do konta)",[33,386,387,390],{},[36,388,389],{},"Q3:"," integracja z systemem księgowym klienta → autogenerated draft deklaracji do review",[182,392],{},[185,394,395],{},[16,396,397],{},[190,398,192],{},{"title":194,"searchDepth":195,"depth":195,"links":400},[401,402,403,404,405,406],{"id":13,"depth":195,"text":14},{"id":24,"depth":195,"text":25},{"id":54,"depth":195,"text":55},{"id":105,"depth":195,"text":106},{"id":129,"depth":195,"text":130},{"id":162,"depth":195,"text":163},"Księgowość","2026-02-20","Kraków",{},[412,415,418],{"value":413,"label":414},"70%","redukcja czasu odpowiedzi",{"value":416,"label":417},"400+","pytań\u002Fmies. obsłużonych przez AI",{"value":419,"label":420},"15h\u002Ftydz.","odzyskane przez księgowych","\u002Frealizacje\u002Fbiuro-ksiegowe","15 osób",{"title":227,"description":194},"realizacje\u002Fbiuro-ksiegowe","70% redukcja czasu odpowiedzi na powtarzalne pytania klientów o podatki.","TFnp9VFhgYBJYUjhMD4YhH9YYKhyeYoINTd7Ghu2GSk",{"id":428,"title":429,"body":430,"branza":612,"date":613,"description":194,"extension":205,"lokalizacja":614,"meta":615,"metrics":616,"navigation":218,"path":626,"rozmiar":627,"seo":628,"stem":629,"summary":630,"__hash__":631},"realizacje\u002Frealizacje\u002Fecommerce-b2b.md","AI assistant L1 customer support dla e-commerce B2B",{"type":8,"value":431,"toc":604},[432,434,437,440,442,445,471,473,476,478,516,519,521,524,538,540,543,579,581,584,596,598],[11,433,14],{"id":13},[16,435,436],{},"Wrocławska platforma e-commerce B2B (komponenty elektroniczne dla MŚP), 45 osób, ~2 000 aktywnych klientów (głównie małe i średnie firmy produkcyjne), 50 000+ SKU w katalogu.",[16,438,439],{},"Dziennie do customer support wpadało 300-500 zgłoszeń (email, chat, formularz w sklepie): status zamówienia, dostępność produktu, parametry techniczne, faktury, zwroty, problemy z logowaniem.",[11,441,25],{"id":24},[16,443,444],{},"Customer support to było 12 etatów (8 L1 + 3 L2 + 1 manager). 70% zgłoszeń to L1 (powtarzalne, proste). Mimo to:",[30,446,447,453,459,465],{},[33,448,449,452],{},[36,450,451],{},"Średni response time: 6-8h"," w godzinach pracy, 12-24h poza",[33,454,455,458],{},[36,456,457],{},"Zespół wypalał się"," na powtarzalnych pytaniach (rotacja 30%\u002Frok w L1)",[33,460,461,464],{},[36,462,463],{},"Trudność z rekrutacją"," — dla MŚP we Wrocławiu trudno znaleźć osoby do customer support z minimalną znajomością elektroniki",[33,466,467,470],{},[36,468,469],{},"Wzrost biznesu blokowany kosztem skali supportu"," — każde +500 klientów = +1 etat L1",[11,472,55],{"id":54},[16,474,475],{},"AI Integration Project (4 miesiące). AI assistant zintegrowany z ERP (status zamówień), katalogiem produktów (dostępność, parametry, datasheety), bazą klientów (historia zakupów, kontrakty, limity kredytowe), system ticketingowy (Zendesk).",[16,477,61],{},[30,479,480,486,492,498,504,510],{},[33,481,482,485],{},[36,483,484],{},"Multi-channel input:"," email parser, chat widget (Vue 3), API dla mobile (jeśli klient ma własną apkę)",[33,487,488,491],{},[36,489,490],{},"Intent classification:"," klasyfikator do 12 kategorii (status zamówienia, dostępność, faktura, zwrot, support techniczny, etc.)",[33,493,494,497],{},[36,495,496],{},"Specialized tools per intent:"," każda kategoria ma swoje narzędzia (ERP query, catalog lookup, payment gateway check)",[33,499,500,503],{},[36,501,502],{},"LLM orchestrator:"," Claude 4.5 Sonnet z function calling, kontrola wykonania narzędzi, generacja odpowiedzi w polskim",[33,505,506,509],{},[36,507,508],{},"Escalation logic:"," confidence \u003C85%, sentiment negatywny, wartość zamówienia >50 000 PLN, lub explicit \"rozmowa z człowiekiem\" → ticket do L2",[33,511,512,515],{},[36,513,514],{},"L2 panel:"," dashboard pokazujący kontekst rozmowy z AI + sugerowaną odpowiedź + szybkie akcje (refund, reissue, etc.)",[16,517,518],{},"Wszystko on-premise (własne GPU dla embeddings, Claude przez API z zero retention).",[11,520,106],{"id":105},[16,522,523],{},"4 miesiące, projekt Integration Project. 1 senior engineer + nasz UX designer (konsultacyjnie, 20h łącznie) + dedykowany product owner ze strony klienta.",[30,525,526,529,532,535],{},[33,527,528],{},"Miesiąc 1: architektura + integracje (ERP, katalog, Zendesk)",[33,530,531],{},"Miesiąc 2: intent classifier + 5 najczęstszych kategorii (status, dostępność, faktura, zwrot, login)",[33,533,534],{},"Miesiąc 3: pozostałe 7 kategorii + escalation logic + L2 panel",[33,536,537],{},"Miesiąc 4: rollout (10% → 50% → 100% zgłoszeń) + monitoring + iteracje",[11,539,130],{"id":129},[16,541,542],{},"Po 6 miesiącach produkcji:",[30,544,545,551,561,567,573],{},[33,546,547,550],{},[36,548,549],{},"80% L1 zamykanych bez człowieka"," — mierzone: rozmowy zakończone bez eskalacji do L2",[33,552,553,556,557,560],{},[36,554,555],{},"Response time: 2-3 min"," (vs 6-8h) dla AI-handled, ",[36,558,559],{},"45 min"," dla eskalacji do L2 (vs 6-8h)",[33,562,563,566],{},[36,564,565],{},"8 etatów L1 przeniesionych do strategicznych zadań:"," key account management, proaktywny outreach do nieaktywnych klientów, content (datasheety, gidy)",[33,568,569,572],{},[36,570,571],{},"NPS klientów: +35 pkt"," — szybsze odpowiedzi okazały się ważniejsze niż \"rozmowa z człowiekiem\"",[33,574,575,578],{},[36,576,577],{},"Skalowanie:"," wzrost klientów o 40% bez wzrostu kosztu supportu",[11,580,163],{"id":162},[16,582,583],{},"Klient na Retainerze (najwyższy tier — 12h\u002Fmies.). Plany:",[30,585,586,591],{},[33,587,588,590],{},[36,589,173],{}," proaktywne recommendations — AI assistant sugeruje komplementarne produkty przy zamówieniu",[33,592,593,595],{},[36,594,179],{}," integracja z partnerami logistycznymi → real-time tracking w odpowiedziach AI",[182,597],{},[185,599,600],{},[16,601,602],{},[190,603,192],{},{"title":194,"searchDepth":195,"depth":195,"links":605},[606,607,608,609,610,611],{"id":13,"depth":195,"text":14},{"id":24,"depth":195,"text":25},{"id":54,"depth":195,"text":55},{"id":105,"depth":195,"text":106},{"id":129,"depth":195,"text":130},{"id":162,"depth":195,"text":163},"E-commerce B2B","2026-01-10","Wrocław",{},[617,620,623],{"value":618,"label":619},"80%","L1 zamknięte bez człowieka",{"value":621,"label":622},"2x","szybszy response time",{"value":624,"label":625},"8","etatów do strategicznych zadań","\u002Frealizacje\u002Fecommerce-b2b","45 osób",{"title":429,"description":194},"realizacje\u002Fecommerce-b2b","80% zgłoszeń L1 zamykanych bez człowieka, 2x szybszy response time.","sewxZ73-BNVhCJPH7pSOLWLx-al17EjK9i0nS3TeyIQ",1781430259554]