Kokó AI Platform — Saját AI ügyfélszolgálati ökoszisztéma
Miért építettünk saját AI ügyfélszolgálati platformot, amikor a piacon van tucatnyi chatbot? Mert egyik sem volt magyar, GDPR-konform, és egyik sem érte el a 3 másodperces válaszidőt költséghatékonyan. Ez az út a nullától a termelésig.
A probléma
Magyar KKV-k és nagyvállalatok folyamatosan jöttek hozzánk AI chatbot kéréssel. A piacon elérhető megoldások (Intercom, Drift, ChatBot.com) 3 problémát produkáltak:
- Nyelvi minőség: magyarul akadozó, néha hibás válaszokat generáltak.
- GDPR-kockázat: US-szervereken tároltak ügyféladatot → potenciális bírság.
- Költség: egy aktív widget havi 50-150 e Ft-ba került API-hívások miatt, nagy cégeknek több százezer.
Az ügyfelek nem akartak kompromisszumot — mi megoldást. Így született meg a Kokó.
A megoldás — Kokó architektúra
A Kokó egy Python alapú mikroszolgáltatás-architektúra, Gemini 2.0 Flash AI motorral. Kulcsinnováció a saját Gemini Context Caching réteg: ismétlődő tudásbázis-elemeket cache-elünk, csak az ügyfélspecifikus részt küldjük a Gemini-nek.
Főbb komponensek
- Chat widget (weboldalba ágyazható JS) — Chatwoot-alapon
- Email integráció — bejövő emailekre automata válaszgenerátor
- Discord csatorna-integráció — közvetlen ügyfélkiszolgálás Discord-on
- Időpontfoglaló — Google Calendar API-n
- Tudásbázis-kezelő — admin felület a gyakori kérdések és tudásbázis-frissítéshez
- Analytics dashboard — beszélgetés-kategóriák, sikerességi ráta, ügyfél-elégedettség
Fejlesztési timeline
1. hét — Discovery
BMAD Business Discovery: pontos KPI-ok, architektúra, adatfolyam-tervezés
2-3. hét — Core chat engine
Gemini integráció, Chatwoot-widget, alap konverzáció-flow
4. hét — Context Caching
A legkritikusabb rész: a cache-layer fejlesztése és benchmarking
5. hét — Integrációk
Email, Discord, Google Calendar, időpontfoglaló UI
6. hét — Admin + Analytics
Tudásbázis-kezelő felület, dashboard, konfigurációs eszközök
7-8. hét — Finomhangolás + pilot
2 ügyfélnél élesítés, adatok alapján optimalizálás
Kihívás: a „Mi volt a rendelésem?" probléma
Az első pilot során egy ügyfelünknél (webshop) a Kokó meglepő hibát produkált: amikor egy vevő megkérdezte „mi a rendelésem státusza", a bot random válaszolt, hogy „kiszállítás alatt" — de valójában nem ellenőrizte a rendelést.
A gyökérok: a Gemini hallucinált, mert nem volt function calling implementálva a rendelés-adatokhoz. Ezt megoldandó beraktuk a function calling réteget (Tool use), amely a Gemini kérésére a backend lekérdezi a tényleges rendelést.
Az eredmény — számokkal
- 75% API-költségcsökkentés — egy átlagos napi 500 kérdés/ügyfélnél havi 45 ezer Ft helyett 11 ezer Ft a Gemini-szám
- <3 másodperc átlagos válaszidő — a cache miatt
- 24/7 elérhetőség — nulla humán beavatkozás
- 67% automatizálási ráta — a kérdések 2/3-át a bot oldja meg, 1/3-a megy emberhez
Mit adott ez az ügyfeleinknek
A Kokó-val felvérteződő ügyfelek jellemzően:
- 1-2 hónapon belül megtérül a platform díja
- 1-3 FTE-t szabadítanak fel ügyfélszolgálatból magasabb értékű feladatokra
- Az ügyfelek elégedettsége (NPS) átlagosan +15 ponttal javul a 24/7 elérhetőség miatt
Tanulságok a MyForge Labs-nak
A Kokó építése volt az első nagyobb BMAD-módszeres projektünk. Amit tanultunk:
- A BMAD Architect agent már a tervezésnél felvetette a cache-layer szükségességét. Enélkül 3× drágább lenne most a termék.
- A QA agent szisztematikus pre-mortem-je 4 kritikus bug-ot megelőzött (pl. a fenti hallucinált „rendelés státusz" problémát mi már az architektúra szintjén sejtettük).
- Saját termék = több szabadság, de több belső prioritás-harc is. A Product Owner agent sokat segített a „mit NE csináljunk most" kérdésben.
A Kokó jelenleg 5 aktív ügyfélnél fut, havi 150 000+ üzenetet kezel. 2026 végéig 15-20 ügyfélre célzunk.
Szeretnéd a Kokót a cégednél kipróbálni?
2 hetes pilot, ingyenes — ha beválik, marad; ha nem, kiszállsz semmi kötelezettség nélkül.