Dedykowany system z AI dla GRUPA KRES — 100 zamówień miesięcznie w jednym pipeline

GRUPA KRES — firma kamieniarska z 20-osobowym zespołem — obsługuje średnio 100 zamówień miesięcznie. Każde zamówienie to kilka–kilkanaście etapów: zapytanie od klienta (telefon, formularz na stronie, email), umówienie pomiaru u klienta, pomiar, kalkulacja oferty, akceptacja klienta, zlecenie warsztatowe (cięcie i obróbka kamienia), kontrola jakości, transport, montaż na miejscu, dokumentacja końcowa. Każdy z tych etapów historycznie żył w innym narzędziu: telefon stacjonarny, papierowy notatnik recepcji, Excel z kalkulacjami, kalendarz Google, papier w warsztacie, faktury w księgowości.

Konsekwencje były codzienne. Klient dzwonił z pytaniem o status swojego zamówienia i recepcja musiała znaleźć papierową kartę, sprawdzić w kalendarzu, ewentualnie zadzwonić do warsztatu. Czas od pierwszego zapytania klienta do gotowej oferty wynosił średnio 5 dni — bo zapytania spływały do różnych osób, oczekiwały na pomiar (wykonywany przez 1 z 2 pomiarowców, każdy z innym kalendarzem), potem na kalkulację (która zależała od dostępności konkretnej osoby znającej ceny materiałów).

Dodatkowy problem: pricing był nierówny. Te same projekty — np. blat granitowy 240×60 cm z polerowaniem — kalkulowali różni pracownicy do różnych cen, bo każdy używał własnej wersji cennika materiałów i własnych marż. Niektóre wyceny były za niskie (firma traciła marżę), inne za wysokie (klient szedł do konkurencji). Zarząd chciał ujednolicić proces wyceny bez zatrudniania osobnego kalkulatora.

Pierwsze 3 tygodnie: warsztaty z każdą rolą w GRUPA KRES (właściciel, recepcja, pomiarowcy, kalkulator, technolog, monterzy) plus discovery na próbce 200 historycznych zamówień. Z tego wyszła pełna mapa procesu (dziewięć etapów, sześć ról) i baza wiedzy o cenach: 320 typów kamieni z aktualnymi cennikami dostawców, 18 wariantów obróbki krawędzi, 12 typów wykończenia powierzchni, formuły kalkulacyjne uwzględniające specyfikę montażu.

Build trwał 9 tygodni. Backend (Node.js + PostgreSQL) z pełnym modelem zamówienia — od inquiry po dokumenty końcowe. Warstwa AI (OpenAI GPT-4o) odpowiada za trzy rzeczy: parsuje przychodzące zapytania (telefon — transkrypcja → tekst, formularz, email, WhatsApp) i wyciąga strukturalne dane projektu (typ produktu, wymiary, materiał, obróbka); generuje wstępną wycenę na bazie historycznych zamówień plus aktualnego cennika materiałów; tworzy gotową ofertę PDF dla klienta z opisem zakresu i terminem realizacji. Frontend (React) dla zespołu z czterema widokami: dziennym pipeline'em recepcji, kalendarzem pomiarów, kolejką warsztatu, harmonogramem montaży. Mobilna aplikacja dla monterów do dokumentacji zdjęciowej na miejscu klienta.

Ostatnie 2 tygodnie to rollout etapowy z hipercare. Pierwszy tydzień — wszystkie nowe zapytania szły równolegle przez stary proces i nowy system, z weryfikacją każdej AI-wygenerowanej wyceny przez kalkulatora. Drugi tydzień — przejście na nowy system jako podstawowy, stary tylko jako backup. Trzeci tydzień bez równoległości — pełne zaufanie do systemu, z dziennym stand-upem zespołu na 15 minut żeby wyłapać sytuacje brzegowe i poprawić je w aplikacji w ciągu tego samego dnia.

Czas od pierwszego kontaktu klienta do gotowej oferty skrócił się średnio z 5 dni do jednego dnia. Zapytanie przychodzi telefonem rano, AI parsuje treść do strukturalnych pól, system automatycznie sugeruje termin pomiaru na podstawie kalendarza, po pomiarze kalkulator dostaje wstępną wycenę gotową do akceptacji — wystarczy zweryfikować i wysłać klientowi. To bezpośrednio przełożyło się na konwersję — klienci, którzy wcześniej szukali konkurencji w trakcie 5-dniowego czekania, teraz kupują u GRUPY KRES, bo dostają ofertę pierwsi.

Pricing stał się konsystentny. AI używa jednego źródła prawdy — aktualnego cennika materiałów i bazy historycznych zamówień — więc dwóch różnych kalkulatorów ofertowych dochodzi do tej samej wyceny dla tego samego projektu. Wyceny przestały być za niskie (firma odzyskała marżę, której wcześniej oddawała) ani za wysokie (klienci przestają iść do konkurencji z powodu ceny). Marża per zamówienie wzrosła średnio o 6 punktów procentowych w pół roku po wdrożeniu.

Klienci widzą swój status w portalu klienta dostępnym przez link w mailu potwierdzającym zamówienie — przykładowo: Twoje zamówienie jest na etapie cięcia w warsztacie, planowany montaż w czwartek o 18:00. Bez konieczności dzwonienia do recepcji. NPS klientów wzrósł o 28 punktów w pierwszym kwartale po wdrożeniu, a recepcja odbiera znacznie mniej telefonów z pytaniem o status zamówienia, co przesunęło ją na pracę aktywną — kontakt z klientami w sprawie powtórnych zamówień i serwisu posprzedażowego.