AI Agent w Salesforce – 10 procesów sprzedażowych i serwisowych, które warto automatyzować

AI Agent w Salesforce może rzeczywiście odciążyć sprzedaż i obsługę klienta, ale tylko wtedy, gdy rozwiązuje konkretny problem. Samo wdrożenie Agentforce nie sprawi, że proces stanie się lepszy. 
Najwięcej sens mają zadania powtarzalne, czasochłonne i oparte na danych, które już znajdują się w Salesforce lub mogą być do niego dostarczone. Kwalifikacja leadów, przygotowanie do spotkania, follow-up, aktualizacja CRM czy obsługa prostych zgłoszeń to dobre przykłady. 
W praktyce nie warto jednak zaczynać od pytania: „gdzie możemy zastosować AI?”. Lepiej sprawdzić, które czynności zabierają zespołowi najwięcej czasu i gdzie automatyzacja faktycznie przełoży się na wynik. 
Poniżej omawiamy 10 procesów sprzedażowych i serwisowych, które warto rozważyć przy wdrożeniu AI Agenta w Salesforce. 

Od czego zacząć wybór procesu? 

Nie każda powtarzalna czynność nadaje się do Agentforce. 
Jeżeli zadanie jest proste i zawsze przebiega według tej samej reguły, zwykle wystarczy Salesforce Flow. Jeżeli natomiast trzeba zrozumieć kontekst, przeanalizować wypowiedź klienta, dobrać kolejny krok albo pracować na kilku źródłach informacji, wtedy AI zaczyna być interesujące. 
Warto też spojrzeć na skalę. Automatyzowanie procesu wykonywanego kilka razy w miesiącu rzadko będzie priorytetem. Inaczej wygląda sytuacja, gdy ten sam krok wykonuje codziennie kilkunastu handlowców lub konsultantów. 
Przed wdrożeniem dobrze jest znać odpowiedź na trzy pytania: 

• co chcemy poprawić, 

• jakie dane są potrzebne, 

• jak zmierzymy efekt. 

Dopiero wtedy można ocenić, czy Agent rzeczywiście pomaga. 

AI Agent w sprzedaży- gdzie może mieć sens? 

1. Wstępna kwalifikacja leadów

Do Salesforce mogą trafiać leady z formularzy, kampanii, webinarów, wydarzeń i partnerów. Przy większym wolumenie samo sprawdzenie każdego kontaktu staje się obciążeniem. 
Handlowiec musi ustalić, z jakiej firmy pochodzi lead, czego potrzebuje, jaki jest potencjalny zakres projektu i czy kontakt w ogóle kwalifikuje się do dalszej rozmowy. 
AI Agent może przejąć pierwszy etap tego procesu. Może zebrać brakujące informacje, zadać pytania kwalifikacyjne i przekazać handlowcowi kontakt dopiero wtedy, gdy spełni określone warunki. 
Nie chodzi o to, żeby Agent samodzielnie „oceniał klienta”. Kryteria powinny wynikać z procesu sprzedaży. 
Jeżeli organizacja wykorzystuje np. BANT, MEDDPICC albo własny model scoringowy, Agent może pomóc zebrać informacje potrzebne do zastosowania tych kryteriów. 
Najbardziej praktyczne KPI w tym przypadku to czas pierwszej reakcji, czas kwalifikacji i konwersja Lead → Opportunity. 
Omega Pilzno – przykład uporządkowania procesu 
Dobrym punktem odniesienia jest projekt Salesforce realizowany przez NDLS dla Omega Pilzno. 
Przed wdrożeniem informacje z formularzy kontaktowych wymagały dalszej ręcznej obsługi. Po integracji zapytania mogły być przypisywane do odpowiednich obszarów oferty i kierowane do właściwych osób. 
To jeszcze nie Agentforce. To dobrze zaprojektowany proces. 
I właśnie od tego warto zaczynać. Jeżeli routing można opisać prostą regułą, nie potrzeba AI. Jeśli jednak system ma zrozumieć treść wiadomości, dopytać klienta i ocenić kontekst, wtedy Agent może być kolejną warstwą. 
Zobacz case study wdrożenia Tableau i Salesforce w Omega Pilzno. 

2. Follow-up po kontakcie z klientem

Sam fakt, że handlowiec powinien wysłać wiadomość siedem dni po spotkaniu, nie jest zastosowaniem AI. 
To zadanie dla automatyzacji. 
Sytuacja robi się ciekawsza, kiedy kolejny krok zależy od tego, co wydarzyło się wcześniej. 
Jeden klient miał wrócić po wewnętrznym spotkaniu. Inny czeka na wycenę. Jeszcze inny nie odpowiada od dwóch tygodni, mimo że planowana data zamknięcia szansy jest blisko. 
W takim scenariuszu Agent może analizować historię aktywności i wskazywać, które szanse wymagają działania. 
Może także przygotować wersję roboczą follow-upu. 
Przy klientach strategicznych wiadomość nadal powinna trafić do handlowca do weryfikacji. Automatyzacja nie musi oznaczać pełnej autonomii. 
Najważniejsze pytanie brzmi: czy dzięki temu mniej wartościowych szans zostaje bez kolejnego kroku? 

3. Przygotowanie handlowca do spotkania

Przed spotkaniem z dużym klientem handlowiec często przegląda historię relacji, otwarte szanse, poprzednie rozmowy, produkty, zgłoszenia serwisowe i notatki. 
Dane mogą już być w Salesforce, ale ich zebranie nadal zajmuje czas. 
AI Agent może przygotować krótkie podsumowanie przed spotkaniem. Nie kolejny raport, tylko konkretny briefing: co wydarzyło się ostatnio, jakie tematy są otwarte, kto uczestniczy w procesie decyzyjnym i gdzie mogą występować ryzyka. 
To jeden z lepszych przykładów użycia AI, bo Agent nie próbuje zastąpić sprzedawcy. Skraca etap przygotowania. 
Jeżeli handlowiec przed każdym większym spotkaniem poświęca 20 minut na research, przy kilkunastoosobowym zespole łatwo policzyć potencjalną oszczędność. 

4. Podsumowanie spotkania i aktualizacja CRM

To obszar, który dobrze zna praktycznie każdy zespół korzystający z CRM. 
Po spotkaniu trzeba uzupełnić Opportunity, wpisać ustalenia, dodać Next Step, zaplanować kolejną aktywność i czasem zmienić forecast. 
W teorii wszystko powinno zostać zrobione od razu. W praktyce informacje trafiają do systemu później albo nie trafiają tam wcale. 
AI może przygotować notatkę ze spotkania, wyciągnąć najważniejsze ustalenia i zasugerować aktualizację danych. 
Nie oznacza to jednak, że wszystko powinno zapisywać się automatycznie. 
Budżet, termin decyzji czy prawdopodobieństwo zamknięcia mogą wymagać interpretacji handlowca. Dlatego w tym przypadku sensownym modelem jest human in the loop: Agent przygotowuje propozycję, człowiek ją zatwierdza. 
Tu warto mierzyć nie tylko czas oszczędzony na administracji, ale też kompletność i aktualność danych w CRM. 

5. Priorytetyzacja szans sprzedażowych

Problemem w sprzedaży rzadko jest brak danych. Częściej problemem jest to, że jest ich za dużo. 
Handlowiec może mieć kilkadziesiąt otwartych Opportunity i nie każda z nich wymaga reakcji w tym samym momencie. 
Agent może wskazać te, które odbiegają od przyjętego procesu. 
Na przykład: 
planowana data zamknięcia przypada za tydzień, ale nie ma kolejnego kroku; 
albo: 
od ostatniego kontaktu minęło 18 dni, mimo że szansa nadal ma wysoki forecast. 
To może być bardziej użyteczne niż kolejny dashboard z pipeline’em. 
Dashboard pokazuje stan. Agent może pomóc zauważyć, gdzie warto zareagować. 

6. Przygotowanie oferty

Ofertowanie to dobry przykład procesu, w którym AI ma sens dopiero wtedy, gdy wcześniej uporządkowano logikę biznesową. 
Jeżeli oferta zawiera kilka produktów, reguły cenowe, limity rabatowe, konfiguracje i ścieżki zatwierdzeń, Agent nie może tych zasad „domyślać się”. 
Powinny już istnieć w systemie. 
AI może natomiast pomagać handlowcowi pracować na tej logice szybciej, np. przygotować wersję roboczą oferty, wprowadzić zmianę na podstawie polecenia albo wskazać brakujące informacje. 
Eagle Lasers – dlaczego proces jest ważniejszy niż AI 
Dobrym przykładem jest wdrożenie Salesforce w Eagle Lasers. 
To nie jest case study Agentforce, ale dobrze pokazuje, na czym później można budować warstwę AI. 
W sprzedaży zaawansowanych maszyn przygotowanie oferty wymaga uwzględnienia wielu zależnych od siebie elementów. NDLS wspólnie z Eagle Lasers przygotowało autorski kalkulator ofertowy, który uporządkował ten proces. 
Czas przygotowania rozbudowanej oferty skrócił się z około godziny do kilku minut. System wspiera też kontrolę rabatów, konfiguracji i ścieżek akceptacji. 
Dopiero mając takie reguły można sensownie zastanawiać się, gdzie w procesie ofertowania dołożyć AI. 
Zobacz case study wdrożenia Salesforce w Eagle Lasers. 
AI Agent w obsłudze klienta 
W serwisie potencjał Agentforce jest duży przede wszystkim tam, gdzie występuje wysoki wolumen podobnych zgłoszeń. 
Nie chodzi jednak o to, żeby Agent za wszelką cenę nie dopuścił klienta do człowieka. 
Dobrze zaprojektowany proces powinien działać odwrotnie: AI obsługuje to, co powtarzalne i przewidywalne, a konsultant przejmuje sprawy wymagające doświadczenia, decyzji lub indywidualnego podejścia. 

7. Obsługa prostych, powtarzalnych pytań

W wielu organizacjach duża część zgłoszeń dotyczy podobnych tematów: statusu sprawy, instrukcji, dokumentacji, warunków usługi czy prostych problemów technicznych. 
Jeżeli odpowiedź znajduje się w zatwierdzonej bazie wiedzy albo w danych klienta, Agent może obsłużyć takie pytanie bez angażowania konsultanta. 
Warunkiem jest jednak dobry mechanizm eskalacji. 
Jeśli Agent nie ma wystarczających danych albo sprawa wykracza poza standardowy proces, powinien przekazać ją człowiekowi. 
Nie warto tutaj patrzeć wyłącznie na liczbę spraw rozwiązanych przez AI. Znacznie ważniejsze są czas obsługi, First Contact Resolution i CSAT. 

8. Zebranie informacji przed przekazaniem sprawy

W serwisie dużo czasu potrafi zająć samo ustalenie, czego właściwie dotyczy problem. 
Klient pisze: „system nie działa”. 
Konsultant musi dopytać o produkt, wersję, komunikat błędu, moment wystąpienia problemu i wykonane wcześniej działania. 
To często kilka dodatkowych wiadomości, zanim rozpocznie się właściwa praca. 
Agent może przeprowadzić ten etap automatycznie. 
W zależności od rodzaju zgłoszenia może zadać odpowiednie pytania i przygotować komplet informacji dla konsultanta. 
Nawet jeśli nie rozwiąże sprawy sam, proces i tak jest szybszy. 

9. Klasyfikacja i routing zgłoszeń

Nie każdy routing wymaga AI. 
Jeżeli wiadomo, że każde zgłoszenie związane z fakturą trafia do zespołu finansowego, Salesforce Flow poradzi sobie z tym bez udziału modelu językowego. 
AI ma sens wtedy, gdy trzeba zrozumieć treść. 
Klient opisuje problem własnymi słowami, nie wybiera kategorii albo w jednym zgłoszeniu porusza kilka tematów. 
Agent może przeanalizować wiadomość, zebrać brakujące informacje i uruchomić odpowiedni proces. 
To dobrze pokazuje, jak Agentforce i Flow mogą działać razem. 
Agent interpretuje sytuację. 
Flow wykonuje konkretną operację. 
Nie ma powodu, żeby zastępować jedną technologię drugą. 

10. Przekazanie sprawy do konsultanta

Jednym z najczęstszych błędów w automatyzacji obsługi jest złe przekazanie rozmowy. 
Jeżeli klient przez kilka minut odpowiada Agentowi na pytania, a konsultant po przejęciu sprawy zaczyna od „proszę opisać problem”, automatyzacja przestaje mieć sens. 
Człowiek powinien dostać pełny kontekst: podsumowanie, dane zebrane od klienta, dotychczasowe działania i powód eskalacji. 
Dzięki temu konsultant nie zaczyna od początku. 
To niby drobny element, ale z punktu widzenia Customer Experience jest bardzo ważny. 

AI Agent czy Salesforce Flow? 

W projektach Agentforce warto od początku rozdzielić dwa rodzaje procesów. 
Pierwsze są deterministyczne. 
Jeśli wydarzy się X, wykonujemy Y. 
Tutaj zwykle wystarczy Flow. 
Drugie wymagają interpretacji: zrozumienia języka naturalnego, kontekstu, wyboru ścieżki albo pracy na danych nieustrukturyzowanych. 
Tutaj Agent ma znacznie więcej sensu. 
Dlatego w praktyce najlepsza architektura często wygląda tak: 
Agent rozpoznaje sytuację → Flow realizuje właściwy proces. 
To jest zwykle bardziej kontrolowalne niż próba oddania całej logiki biznesowej modelowi AI. 

AI Agent potrzebuje pełnego kontekstu 

Nawet dobrze skonfigurowany Agent nie pomoże, jeśli widzi tylko fragment danych. 
Załóżmy, że przygotowuje handlowca do spotkania. 
W Salesforce widzi Opportunity i historię kontaktów. Nie widzi jednak, że w osobnym systemie serwisowym od trzech tygodni trwa poważna reklamacja. 
Technicznie jego podsumowanie może być poprawne. 
Biznesowo będzie niepełne. 
Dlatego projekty agentowe bardzo szybko prowadzą do integracji danych. 

Jak dużo autonomii powinien dostać Agent? 

Nie ma jednej odpowiedzi. 
Wyszukanie informacji albo przygotowanie podsumowania zwykle niesie niewielkie ryzyko. 
Wysłanie ważnej wiadomości do klienta, zmiana warunków oferty albo aktualizacja kluczowych danych Opportunity to już inna sytuacja. 
Takie działania można najpierw przygotować i przedstawić człowiekowi do zatwierdzenia. 
Negocjacje, wyjątki cenowe, duże reklamacje czy niestandardowe decyzje biznesowe powinny pozostać po stronie ludzi. 
Nie chodzi więc o maksymalną autonomię. 
Chodzi o to, żeby człowiek nie wykonywał pracy, która nie wymaga jego doświadczenia. 

Jak zacząć wdrożenie AI Agenta w Salesforce? 

Najlepiej od jednego procesu. 
Jeżeli problemem jest kwalifikacja leadów, najpierw warto sprawdzić stan obecny: 

• ile leadów wpływa miesięcznie, 

• jaki jest średni czas pierwszej reakcji, 

• ile czasu zajmuje kwalifikacja, 

• jaki procent kontaktów przechodzi do Opportunity. 

Dopiero potem definiujemy rolę Agenta. 
Na przykład: 
Agent prowadzi pierwszy kontakt, zbiera określone informacje i przekazuje handlowcowi leady spełniające kryteria. 
Do tego dochodzą wyjątki: kiedy rozmowę przejmuje człowiek, czego Agent nie może zrobić i z jakich danych może korzystać. 
Po wdrożeniu porównujemy wyniki. 
Jeżeli czas reakcji spadł, handlowcy poświęcają mniej czasu na wstępną kwalifikację, a jakość pipeline’u się nie pogorszyła, projekt ma biznesowe uzasadnienie. 

10 procesów w skrócie 

Proces	Gdzie pomaga AI	Co warto mierzyć
Kwalifikacja leadów	zebranie danych i wstępna ocena	czas reakcji, Lead → Opportunity
Follow-up	wskazanie szans wymagających działania	szanse bez Next Step
Przygotowanie do spotkania	zebranie kontekstu klienta	czas przygotowania
Aktualizacja CRM	podsumowanie i proponowane zmiany	kompletność danych
Priorytetyzacja pipeline’u	wskazanie ryzyk i kolejnych działań	długość cyklu, win rate
Ofertowanie	wsparcie pracy na zdefiniowanych regułach	czas przygotowania
Self-service	obsługa prostych pytań	FCR, CSAT
Intake	zebranie danych do zgłoszenia	czas rozwiązania
Routing	interpretacja treści i wybór procesu	liczba przekazań
Handoff	przekazanie pełnego kontekstu konsultantowi	czas obsługi

AI Agent w Salesforce- najpierw proces 

Agentforce daje możliwość automatyzacji działań, które wcześniej trudno było opisać za pomocą prostych reguł. 
Nie oznacza to jednak, że AI powinna znaleźć się w każdym procesie. 
Najpierw warto ustalić, gdzie rzeczywiście tracimy czas, jakie dane są potrzebne i co chcemy poprawić. 
Dopiero później można zdecydować, czy najlepszym rozwiązaniem będzie AI Agent w Salesforce, Salesforce Flow czy połączenie obu technologii. 
To podejście jest mniej efektowne niż hasło „automatyzujemy wszystko z AI”, ale w praktyce daje znacznie większą szansę na mierzalny efekt biznesowy.