Hoardy: živý obraz každého zákazníka

Problém

To, co dodavatel ví o svých zákaznících, je rozházené ve vláknech chatu, sdílených schránkách, ticketech, hovorech a v hlavách lidí. Kontext účtu mají jednotlivci, takže každé předání, eskalace i obnova smlouvy začíná čtením od nuly. Nikdo nemá aktuální a spolehlivý přehled o tom, jak na tom zákazník je, jaká hrozí rizika a co se mu slíbilo. Hledání znamená prohledávat pět nástrojů podle klíčových slov. A udržovat CRM nebo wiki je první věc, kterou lidé při spěchu vynechají.

Nejvíc to dopadá na management. Před obnovou smlouvy, eskalací nebo hovorem s vedením zákazníka stráví ředitel většinu hodiny skládáním příběhu dohromady: prochází kanály, hledá v poště, otevírá tickety a ptá se kolegů, co se minulý týden stalo. A do hovoru pak jde s nejistotou, jestli má aktuální obrázek.

Pro dodavatele bezpečnosti navíc nepřichází v úvahu vkládat data zákazníků do veřejného nástroje s AI.

Přístup

Hoardy sleduje místa, kde tým už pracuje, a znalostní bázi o zákaznících staví sám. Nikdo nemusí nic zapisovat dvakrát a nejaktuálnější pravdu o každém zákazníkovi najdete na jednom místě.

Na hovor vás připraví za pár minut. Otevřete souhrnnou stránku zákazníka, nebo se zeptejte „co se u tohoto zákazníka změnilo od našeho posledního hovoru?“, a dostanete současný stav, otevřená rizika, závazky a vývoj nálady, u každého s odkazem na zdroj.
Sbírá bez ručního zadávání. Hlídače čtou kanály ve Slacku, sdílené schránky, Confluence a Jiru. Dokumenty lze nahrát, jiné systémy posílají poznámky přes API a ze schválených schůzek v Teams vznikají poznámky také: celkem osm zdrojů.
Ze surového textu dělá znalosti. Každou zprávu jediné volání LLM přepíše do srozumitelného textu, zařadí, ohodnotí náladu a důležitost a propojí se souvisejícími poznámkami.
Přiřadí ji správnému zákazníkovi. Model navrhne zákazníka, porovnání se známými názvy a aliasy to potvrdí a vše pod prahem jistoty jde ke kontrole člověku, místo aby se hádalo.
Pro každého zákazníka drží živou stránku. Souhrn se sám přepisuje, jak přibývají nové poznatky, s historií a porovnáním před a po u každé změny, se skóre zdraví účtu a trendem nálady.
Odpovídá na otázky běžnou řečí. Stejný asistent funguje ve webové aplikaci i v soukromých zprávách ve Slacku: zeptáte se na zákazníka, upravíte, co o něm ví, nebo založíte úkoly.
Ze znalostí dělá práci. Ze závazku nebo rizika se stane úkol u daného zákazníka, s připomínkami, projekty a časovým plánem.

Jak je postavený

Soukromí je součást návrhu, ne nastavení. Vše běží na vlastní infrastruktuře firmy: vlastní databáze Postgres a vlastní brána k modelům (LiteLLM proxy provozovaná ve firmě), která je jedinou cestou k poskytovateli modelu. Písemné pravidlo zakazuje posílat data zákazníků, ani nic, co z nich vzniklo, do jakékoli veřejné služby třetí strany.

Koordinátor a devět specialistů. Hlavní agent nemá vlastní doménovou logiku. Každý požadavek předá jednomu z devíti odborných agentů (poznámky, zákazníci, dokumenty, úkoly, provoz a další) a každý z nich smí používat jen své nástroje. Odborníci běží ve výchozím stavu na levnějším modelu a každého lze za běhu přepnout na silnější. To drží náklady nízko a každého agenta v jeho mezích.

Jedna sada pravidel za dvěma rozhraními. Logika je napsaná jednou, ve sdílené vrstvě služeb. Webový asistent i bot ve Slacku jsou nad ní jen tenkou vrstvou a písemná pravidla drží obě rozhraní stejná.

Když si stroj není jistý, rozhoduje člověk. Přiřazení poznámky zákazníkovi, rozpoznání osob i propojování poznámek mají prahy. Pod nimi položky čekají ve frontě ke kontrole, místo aby se hádaly.

Dohledatelný a laditelný. Každé volání LLM i každá chyba se zaznamenají a každá změna souhrnu se uchová spolu s tím, co nahradila. Prahy, váhy vyhledávání i volba modelů se načtou z databáze do 30 sekund, takže se zpracování dá doladit bez restartu.

Python a FastAPI na serveru, LangGraph pro agenty, MCP pro nástroje, React 19 a TypeScript v prohlížeči, Postgres s pgvector pro vyhledávání, přihlášení přes Microsoft Entra ID s oprávněními podle rolí, vše jako jeden obraz Dockeru.

Kolik to přinese: ilustrace

Čísla níže jsou ilustrace, ne naměřené výsledky: záměrně skromné předpoklady, které ukazují, jak se návratnost skládá. Dosaďte si vlastní čísla.

Pět manažerů (obchodní ředitelé, vedoucí péče o zákazníky, členové vedení), každý se dvěma důležitými hovory se zákazníky týdně: obnovy smluv, eskalace, čtvrtletní schůzky. Příprava na jeden dnes zabere asi 40 minut hledání a vyptávání, s Hoardym asi 15 minut, protože dobrý manažer si před hovorem stejně čte. Předání účtu trvá o den méně, a to čtyřikrát ročně. Hodina času manažera stojí 90 €, modely a hosting 400 € měsíčně.

	Za rok
Připravené důležité hovory	460
Hodiny ušetřené na přípravě hovorů	192
Hodiny ušetřené na předávání účtů	32
Hodnota ušetřeného času managementu	20 130 €
Modely a hosting	4 800 €
Čistý přínos	15 330 €

Zhruba 50 minut týdně zpět pro každého manažera a asi tři eura zpět za každé euro vložené do provozu. Žádné ohromující číslo, a ani hlavní důvod, proč nástroj mít. Jednorázové náklady na vývoj nejsou zahrnuty a úspora znamená uvolněnou kapacitu: penězi se stává, jen když manažeři čas věnují zákazníkům místo hledání.

Co tabulka nezachytí

Většina přínosu není v penězích:

Rozhodnutí podle nejaktuálnější pravdy. Všichni se dívají na stejný a aktuální obraz zákazníka, ne na to, co si naposledy pamatují nebo co zrovna zahlédli v kanálu.
Znalosti, které neodejdou s lidmi. Když je správce účtu nemocný, na dovolené nebo z firmy odejde, historie zákazníka zůstane. Nikdo není závislý na paměti jednoho člověka.
Zákazníci, kteří se nemusí opakovat. Nový kontakt na vaší straně už zná otevřené problémy i to, co se slíbilo, a zákazník to pozná.
Problémy vidět včas. Zhoršující se nálada nebo riziko zmíněné mimochodem se objeví v souhrnu dřív, než z nich vznikne eskalace.
Méně vyrušování. Kolegů se už několikrát týdně nikdo neptá „jak to vypadá s tímhle zákazníkem?“.

Výsledek

Hoardy se používá déle než rok a pokrývá více než 50 stávajících zákazníků, korporace i zákazníky s nároky na úrovni bank. Pravidelně ho používá asi 25 lidí: hlavně manažeři a vedoucí týmů a role v kontaktu se zákazníkem, jako projektoví manažeři a obchod. Rychle se stal prvním místem, kam chodili pro informace o zákazníkovi. Místo procházení kanálů a vyptávání kolegů se zeptali Hoardyho. Každý dotaz se zaznamená, takže změna je měřitelná, a většina dotazů byla přesně na dvě věci, kvůli kterým vznikl: souhrn aktuálního stavu zákazníka a přípravu na hovor s ním.

Je to fungující platforma, ne prototyp:


Zdroje, ze kterých čte	8
Odborní agenti	9

Vznikl s AI agenty pro programování jako metodou, ne jako zkratkou: specifikace psané před kódem, pravidla, která musí splnit každá změna (obě rozhraní stejná, každá chyba zaznamenaná, poznámky k vydání u každé změny, kterou uživatel uvidí), a kontrolovaný výstup.