AI ügyfélszolgálati copilot — FinPálya Kft., 62% AHT csökkenés

A kihívás

A FinPálya Kft. (~150 fős magyar B2C fintech) ügyféltámogató csapata havi 8.500 kérdést kezelt, átlagos AHT 11 perc, csúcsidőben 25 perc várakozási idő. A CSAT csökkenőben, a team növekedése nem tartott lépést a forgalommal. A termékdokumentáció, a belső policy-k és a CRM adat mind különböző helyeken voltak, ami a válaszidőt extra lassította.

Az elvárások

3 számszerű cél: (1) átlagos kezelési idő (AHT) 40%+ csökkenés, (2) self-service arány 60% feletti az egyszerű kérdéseknél, (3) zéró hallucináció regulated válaszokban (compliance audit követelmény). Szoros határidő: 10 hét PoC-tól élesedésig.

Miért a UseAIEasily-t választották?

Budapesti központ, magyar banki ügyfélszolgálati szókincs ismerete, EU-kompatibilis zero-retention Anthropic Claude integrációja, és senior-mérnöki csapat (nem junior army). A Big4 által ajánlott €400k projekt helyett €78k fix-scope ajánlatot adtunk — azonos minőségi kerettel.

Architektúra

Hibrid RAG pipeline: (1) embedding multilingual-e5-large modellel a ~12.000 magyar nyelvű dokumentumra (termékleírás, policy, GYIK, training material), (2) Qdrant EU-région hostolt vector store, (3) BM25 full-text szűrés, (4) Cohere Rerank re-ranking, (5) Claude Sonnet 4.6 context-engineering-gel, citation-kötött válasz formátum. Human-in-the-loop review minden pénzügyi tanácsadást érintő válasznál. PII redaction layer az LLM prompt előtt. Teljes audit trail LangSmith-ben.

Szállítás

Fázis 1 (discovery, 2 hét): use-case feltárás, adatstruktúra audit, SOW. Fázis 2 (PoC, 3 hét): működő RAG egy szűkített dokumentum-halmazon, 50 kérdéses eval suite-tal. Fázis 3 (production, 5 hét): teljes embedding pipeline, integráció a CRM-hez (Freshdesk), admin UI a nem-IT csapatnak, monitoring, költség-limit, A/B test vs base agent.

Eredmények (6 hónap az élesedés után)

• Átlagos AHT: 11 perc → 4,2 perc (−62%)
• Self-service arány az egyszerű kérdéseknél: 12% → 87%
• CSAT: 3.8/5 → 4.6/5 (magyar ügyfélszolgálati benchmark átlag 4.2)
• Escalation rate (emberi ügyintézőhöz): 88% → 31%
• Team bővítés elkerülése: 2 fő tervezett toborzás visszavonva (évi ~€60k megtakarítás)
• Hallucináció-incidens: 0 (kritikus regulated válaszokban, 6 hónap alatt)

Tanulságok

A RAG sikerének kulcsa a golden eval set (150 kérdés, mindet human-review-zott), nem pedig a modell választása. A re-ranker (Cohere Rerank) önmagában 18%-os pontosság-növekedést hozott a sima vector searchhez képest. A PII redaction layer az LLM prompt ELŐTT futtatva teljes compliance-t adott, mindeközben a Claude enterprise zero-retention szerződéssel EU-régió hostolás mellett dolgozott.

Költségek

Fejlesztési díj: €78.000 fix-scope. Havi futóköltség: ~€1.400 (Anthropic API + Qdrant + LangSmith + Vercel + Cohere). 6 hónap alatt az évi €60k toborzás-megtakarítás + 45% support team produktivitás-növekedése fedezte a beruházást 7 hónap alatt.