Sztuczna inteligencja była jednym z najczęściej powracających tematów tegorocznego Dealer Kongresu. Nie występowała jednak jako jedna technologia rozwiązująca wszystkie problemy. Pojawiała się w bardzo konkretnych zastosowaniach: analizie kosztorysów, interpretowaniu biuletynów handlowych, controllingu, priorytetyzacji leadów oraz wybieraniu spośród setek informacji tych, które wymagają reakcji właśnie dzisiaj. To przesunięcie jest ważniejsze niż kolejna lista możliwości AI. Ważne jest jednak upewnienie się, gdzie zastosowanie AI rzeczywiście poprawi wynik. Ten sam mechanizm może przecież skrócić analizę z dwóch dni do godziny albo wygenerować setki alertów, których nikt nie będzie w stanie obsłużyć.
Przed wdrożeniem AI warto więc ustalić, jaki problem ma ona rozwiązać i czy organizacja jest gotowa wykorzystać otrzymaną podpowiedź. Automatyzacja źle zaprojektowanego procesu nie usuwa jego wad. Pozwala jedynie wykonywać go szybciej i na większą skalę, a czasem wręcz pogłębia problem.
Najpierw trzeba zdecydować, co naprawdę chcemy automatyzować
Pod hasłem automatyzacji mogą kryć się bardzo różne zadania. System może zbierać dane, porównywać dokumenty, wykrywać odstępstwa, ustalać priorytety, proponować decyzję albo samodzielnie wykonywać działanie. Każdy z tych poziomów wymaga innej jakości danych, kontroli i tolerancji ryzyka.
W dealerstwie szczególnie użyteczne może być automatyzowanie nie samej decyzji, lecz wcześniejszego etapu: rozpoznania sytuacji, która wymaga uwagi managera lub pracownika. System nie musi sam ustalać ceny samochodu, aby zauważyć, że pojazd stracił pozycję wobec porównywalnych ofert. Nie musi decydować o odkupie, aby wskazać brakujące dane albo nietypowe ryzyko. Nie musi prowadzić rozmowy z klientem, aby ocenić, który lead ma obecnie największy potencjał. Takie zastosowania pozostawiają odpowiedzialność po stronie człowieka, ale ograniczają czas potrzebny na przeglądanie informacji i szukanie wyjątków. Zamiast zastępować decyzję, AI pomaga dotrzeć do niej we właściwym momencie.
To rozróżnienie chroni również przed zbyt ambitnym początkiem. Im większy wpływ automatycznej decyzji na cenę, klienta lub wynik finansowy, tym większa potrzeba nadzoru. Proces, który dopiero porządkuje dane i wskazuje odstępstwa, może być dobrym pierwszym wdrożeniem. Samodzielna zmiana warunków oferty wymaga już znacznie wyższego poziomu pewności.
Więcej alertów nie oznacza lepszego zarządzania
Jeden z kongresowych przykładów dotyczył organizacji, w której informacje o kończących się polisach, samochodach czekających na przygotowanie czy częściach tracących możliwość zwrotu ginęły wśród setek innych danych. Pierwsza wersja mechanizmu miała rozwiązać ten problem, ale potrafiła wygenerować ponad 300 zdarzeń dziennie. Część alertów trafiała do niewłaściwych osób, a niektóre podpowiedzi były technicznie poprawne, lecz biznesowo nieprzydatne. Dopiero kolejne zmiany pozwoliły ograniczyć szum i powiązać sygnały z realnym działaniem. Ten przypadek pokazuje podstawowy problem automatyzacji. Informacja ma realną wartość dopiero, gdy zmienia kolejność pracy albo uruchamia konkretną reakcję. Jeżeli system jedynie dodaje kolejną listę do sprawdzenia, przenosi przeciążenie z raportów do powiadomień.
Dlatego przed stworzeniem alertu trzeba określić jego dalszy los. Kto ma go otrzymać? Co powinien zrobić? Ile ma na to czasu? Które zdarzenia są pilne, a które mogą poczekać? Kiedy alert należy zamknąć i po czym poznać, że reakcja przyniosła oczekiwany rezultat? Bez odpowiedzi na te pytania AI może bardzo sprawnie wykrywać problemy, ale organizacja nadal nie będzie ich skutecznie rozwiązywać.
Sześć warunków dobrego procesu do automatyzacji
Nie każdy obszar przyniesie taki sam efekt. Zanim dealerstwo rozpocznie wdrożenie, warto przeprowadzić prosty test. Proces jest dobrym kandydatem do wsparcia AI, jeżeli spełnia większość poniższych warunków.
| Warunek | Pytanie kontrolne |
|---|---|
| Powtarzalność | Czy podobna sytuacja występuje na tyle często, że ręczna obsługa zabiera zauważalną ilość czasu? |
| Dostępność danych | Czy informacje potrzebne do oceny znajdują się w systemach i mają wystarczająco spójną postać? |
| Rozpoznawalny sygnał | Czy potrafimy wskazać, po czym poznać, że sprawa wymaga uwagi? |
| Określony odbiorca | Czy wiadomo, kto powinien otrzymać informację i odpowiada za dalsze działanie? |
| Możliwa reakcja | Czy odbiorca ma uprawnienia, czas i narzędzia potrzebne do wykonania zadania? |
| Mierzalny efekt | Czy można sprawdzić, czy automatyzacja skróciła czas, ograniczyła stratę albo poprawiła konwersję? |
Najczęstszym błędem jest rozpoczynanie od technologii, zanim organizacja opisze sygnał, odbiorcę i oczekiwaną reakcję. W efekcie powstaje rozwiązanie, które prawidłowo przetwarza dane, ale nie pasuje do codziennego sposobu pracy. Jeżeli natomiast pracownicy potrafią powiedzieć: „codziennie przeglądamy te informacje, szukamy takiego wyjątku, po jego znalezieniu wykonujemy określone działanie”, proces jest znacznie lepszym kandydatem do automatyzacji. Wiadomo, jaki fragment pracy można usprawnić i jak zmierzyć zmianę.
AI powinna ustalać priorytety, a nie tylko przyspieszać analizę
Szczególnie obiecujące są procesy, w których problemem jest nadmiar danych. Dotyczy to między innymi leadów. W jednej bazie mogą znajdować się osoby, które dopiero pobrały katalog, klienci wracający na stronę, użytkownicy zainteresowani finansowaniem oraz osoby z kończącym się leasingiem. Traktowanie wszystkich kontaktów w taki sam sposób oznacza, że konsultanci poświęcają czas według kolejności wpływu, a nie prawdopodobieństwa sprzedaży. Scoring wykorzystujący kontekst może uporządkować pracę BDC i wskazać, z kim warto skontaktować się najpierw. Dobra podpowiedź powinna nie tylko ustawiać priorytetyzację, ale także wyjaśniać, dlaczego dany klient otrzymał wysoki priorytet i z jakim tematem należy do niego wrócić.
Podobny mechanizm można zastosować w zarządzaniu stockiem. Manager nie potrzebuje codziennie pełnego zestawienia wszystkich samochodów, jeśli większość z nich nie wymaga nowej decyzji. Większą wartość ma lista pojazdów, których pozycja cenowa się pogorszyła, czas stocku przekroczył ustalony próg albo przygotowanie zatrzymało się na określonym etapie.
AI i automatyzacja są więc najbardziej przydatne wtedy, gdy pomagają organizacji odpowiedzieć na pytanie: czym powinniśmy zająć się teraz? Samo szybsze przygotowanie raportu nie zmienia jeszcze sposobu zarządzania, jeśli później nikt nie przekłada go na priorytety.
Skuteczność trzeba mierzyć po reakcji, nie po liczbie podpowiedzi
Łatwo oceniać wdrożenie na podstawie aktywności systemu: liczby przeanalizowanych dokumentów, wykrytych zdarzeń albo wygenerowanych alertów. Takie dane mówią jednak przede wszystkim o skali pracy wykonanej przez narzędzie.
Znacznie ważniejsze jest to, co wydarzyło się później.
- Czy właściwa osoba otrzymała informację wcześniej?
- Czy wykonała zalecane działanie?
- Czy skrócił się czas reakcji?
- Czy udało się ograniczyć stratę, odzyskać marżę albo zwiększyć konwersję?
Dla alertu dotyczącego samochodu czekającego na przygotowanie wynikiem nie jest samo wykrycie opóźnienia. Jest nim krótszy czas przejścia auta do publikacji. Dla scoringu leadów nie jest nim liczba ocenionych kontaktów, lecz wzrost skuteczności rozmów i sprzedaży. Wskaźnik trzeba więc ustalić przed wdrożeniem. W przeciwnym razie organizacja może udowodnić, że narzędzie intensywnie pracuje, ale nie będzie wiedziała, czy poprawia wynik.
Najlepszy pierwszy projekt jest mały, ale kompletny
Dealerstwo nie musi rozpoczynać od rozwiązania obejmującego wszystkie działy. Lepszym wyborem jest jeden często występujący problem, którego skutki można jasno policzyć. Proces powinien mieć dostępne dane, określonego właściciela oraz prostą reakcję możliwą do wykonania w codziennej pracy. Pierwszy projekt może dotyczyć samochodów zbyt długo oczekujących na przygotowanie, leadów wymagających ponownego kontaktu albo ofert, które straciły ustaloną pozycję cenową. Ważne, aby obejmował całą drogę: od wykrycia sygnału przez przekazanie go właściwej osobie aż po sprawdzenie rezultatu.
W środowisku Omnetic raporty, powiadomienia, listy kontrolne i dane pochodzące z różnych etapów procesu mogą wspierać taki model pracy. Sam dostęp do narzędzi nie przesądza jednak o powodzeniu. Dealer musi najpierw ustalić, które sytuacje mają uruchamiać działanie, kto za nie odpowiada i jaki wynik ma zostać osiągnięty.
Najważniejszym wnioskiem z kongresowych przykładów nie jest zatem to, że AI potrafi analizować coraz więcej danych. Branża wiedziała to już wcześniej. Istotna zmiana polega na przejściu od eksperymentowania z możliwościami technologii do projektowania konkretnych zastosowań, osadzonych w pracy zespołu i ocenianych na podstawie wyniku biznesowego. AI może odjąć pracy, jeżeli przejmie powtarzalną analizę i skieruje uwagę na sprawy wymagające reakcji. Może też dołożyć kolejny raport, listę albo strumień alertów. Różnica nie wynika wyłącznie z jakości modelu. Zależy przede wszystkim od tego, czy przed wdrożeniem dealerstwo dobrze zaprojektowało decyzję, którą technologia ma wspierać.
📊 Interesują Cię analizy branżowe?
Czytaj także:
Po Dealer Kongres #1: Każdy pilnuje swojego wyniku. Kto w takim razie pilnuje wyniku dealerstwa?
Rynek rośnie, ale nie jest łatwiejszy. Z czym dealerzy wchodzą w IV kwartał 2026 roku?
Używany samochód konkuruje dziś nie tylko z używanym. Jak zmienia się punkt odniesienia klienta?