Hapag-Lloyd przetwarza feedback klientów przez AI — bez analityka

Hapag-Lloyd i Amazon Bedrock zamiast działu analityki

Hapag-Lloyd, jeden z największych armatorów kontenerowych na świecie, odpalił system generatywnej AI do analizy feedbacku klientów — a za jego stworzeniem stoi m.in. zespół z Gdańska. Digital Customer Experience & Engineering team, rozproszony między Hamburgiem a Gdańskiem, zaprojektował rozwiązanie oparte na Amazon Bedrock, które automatycznie przetwarza opinie użytkowników i zwraca gotowe do działania wnioski.

Zanim system powstał, analiza feedbacku wyglądała jak w większości korporacji: ktoś musiał ręcznie przeczytać setki komentarzy, pogrupować je i wyciągnąć wnioski. Proces czasochłonny, podatny na błędy i nijak nieskalujący się przy globalnej bazie klientów.

Jak to działa pod maską?

Rozwiązanie korzysta z Amazon Bedrock — zarządzanej usługi AWS dającej dostęp do modeli językowych różnych dostawców bez konieczności stawiania własnej infrastruktury. Zespół Hapag-Lloyd podłączył do niej strumienie feedbacku z produktów webowych i mobilnych firmy.

System przetwarza opinie w kilku krokach. Najpierw klasyfikuje komentarze tematycznie, potem wyciąga z nich konkretne problemy i priorytety, a na końcu generuje syntezy gotowe do wrzucenia do backlogu produktowego. Menedżer produktu dostaje skondensowany raport zamiast surowego CSV z tysiącem wierszy.

Gdańsk odgrywa tu nieprzypadkową rolę — polska część zespołu aktywnie uczestniczy w budowaniu i utrzymaniu produktów cyfrowych armatora, co stawia miasto w centrum cyfrowej transformacji jednej z największych firm logistycznych globu.

Czy to nie jest zbyt proste, żeby działać?

Sceptycyzm jest uzasadniony. Automatyczna analiza tekstu od lat obiecywała więcej niż dostarczała — sentiment analysis wykrywający sarkazm na poziomie studenta pierwszego roku, klastry tematyczne generujące kategorie w stylu „inne (82%)”. Modele językowe klasy GPT-4 czy Claude zmieniają jednak równanie.

Bedrock pozwala Hapag-Lloyd wybrać konkretny model bazowy dopasowany do zadania i regionu danych — co przy globalnym operatorze logistycznym, przetwarzającym dane klientów z różnych jurysdykcji, ma znaczenie zarówno techniczne, jak i prawne. AWS gwarantuje, że dane nie trafiają do trenowania modeli zewnętrznych dostawców.

Efekt? Zamiast tygodni na kwartalny przegląd feedbacku — cykl tygodniowy lub krótszy. Zespół produktowy może reagować na sygnały od użytkowników zanim problem urośnie do rozmiarów kryzysu obsługowego.

Gdańsk jako hub AI dla globalnej logistyki

Wdrożenie Hapag-Lloyd to konkretny przykład tego, jak polskie centra technologiczne przestają być wyłącznie tanim zapleczem do kodowania. Gdański oddział współtworzy architekturę systemu, nie tylko implementuje specyfikacje dostarczone z Hamburga.

Dla branży logistycznej ten model ma sens. Feedback klientów w shippingu dotyczy bardzo konkretnych bolączek: opóźnienia, błędy w dokumentacji, problemy z śledzeniem przesyłek. LLM-y radzą sobie z taką domeną dobrze, bo terminologia jest powtarzalna, a intencja użytkownika rzadko wieloznaczna.

Hapag-Lloyd obsługuje rocznie około 12 milionów kontenerów TEU. Nawet jeśli ułamek procenta klientów zostawia feedback, skala danych wejściowych uzasadnia automatyzację.

Co to oznacza dla zespołów produktowych?

Najciekawszym efektem ubocznym takich systemów jest zmiana sposobu pracy PM-ów. Zamiast spędzać czas na agregowaniu danych, mogą skupić się na decyzjach. System nie zastępuje osądu człowieka — wciąż ktoś musi zdecydować, czy zgłaszany problem jest wystarczająco poważny, żeby wjechać do najbliższego sprintu.

Amazon Bedrock notuje rosnące zainteresowanie w sektorze enterprise właśnie dlatego, że oferuje izolację danych i zgodność z regulacjami — dwa argumenty, które otwierają drzwi do rozmów z działami prawnymi i compliance w dużych korporacjach. Hapag-Lloyd, operując w dziesiątkach krajów, musiał te rozmowy przeprowadzić przed wdrożeniem.

Najbliższe miesiące pokażą, czy Hapag-Lloyd rozszerzy system na kolejne kanały zbierania feedbacku — call center, e-maile czy czaty obsługi klienta generują dane o zupełnie innej strukturze niż formularze ocen w aplikacji.