Az elmúlt években rengeteg webáruház vezetett be chatbotot. Sok esetben ez egy előre beállított, szabályalapú rendszer volt: gombok, előre megírt válaszok, néhány kulcsszavas felismerés.

Egy ideig ez működik. De egy ponton túl a „sima chatbot" nem segíti az értékesítést — sőt, akár ronthatja is a felhasználói élményt.

Mit nevezünk „sima chatbotnak"?

A legtöbb klasszikus chatbot előre definiált kérdés-válasz párokkal működik, kulcsszavak alapján próbál dönteni, és döntési fára épül — ha ezt írja a vásárló, ezt válaszolja a rendszer. Gyors és egyszerű megoldás. A probléma ott kezdődik, amikor a kérdések már nem ennyire egyszerűek.

A szabályalapú chatbotok korlátai

1. Csak azt tudja, amit előre beállítottak

Egy szabályalapú chatbot nem értelmezi a kérdést — csak ellenőrzi, hogy szerepel-e bizonyos szó, vagy illeszkedik-e egy mintára. Ha a felhasználó másképp fogalmaz, mint ahogy a rendszer „várja", könnyen elakad.

Beállított kulcsszó: „szállítás" — A vásárló ezt írja: „Mikor ér ide a csomag?" — A rendszer nem talál kulcsszót, nem tud válaszolni.

2. Nem érti a kontextust

Egy komolyabb webshopban gyakori az ilyen kérdés: „Ez jó lesz kültérre?" — Mit jelent az „ez"? A szabályalapú chatbot nem tudja, mire utal a vásárló, nem emlékszik az előző kérdésre, és nem tud kontextust kezelni.

3. Nem skálázható jól

Egy 50 termékes webshopnál talán még kezelhető kézzel a chatbot szabályrendszere. De 500 terméknél, műszaki termékeknél és egyedi paramétereknél a szabályrendszer exponenciálisan bonyolulttá válik — egy idő után karbantarthatatlan lesz.

4. Frissítéskor manuális munka kell

Ha változik a szállítási díj, a garancia vagy egy termék paramétere, a chatbot szabályait külön kell módosítani. Ez időigényes, és könnyen maradnak elavult válaszok a rendszerben.

A kulcsszavas kereső tipikus hibái

Sok webshopban a chatbot mögött valójában csak egy kulcsszavas kereső működik. Ha a termékleírásban „rozsdamentes acél" szerepel, de a vásárló azt kérdezi: „Nem fog berozsdásodni?" — a rendszer nem talál egyezést és irreleváns találatot ad. Pedig a jelentés azonos.

Ugyanígy: a „fúrószár", „fúrófej" és „bit" szavak sokszor ugyanarra a problémára utalnak — kulcsszavas rendszerben ezeket külön kell kezelni, vektoros rendszerben a jelentés számít.

Mikor érdemes RAG-re váltani?

1. Ha sok az egyedi, természetes nyelvű kérdés

Ha az ügyfélszolgálat rendszeresen kap ilyen üzeneteket: „Melyik típust válasszam ehhez?", „Ez kompatibilis azzal?", „Mennyi ideig bírja kültéren?" — akkor a szabályalapú rendszer már kevés.

2. Ha műszaki vagy részletes információt árulsz

Minél technikaibb a termék — csavarok, elektronikai eszközök, szerszámok, egészségügyi termékek — annál fontosabb a pontos válasz. A „nem tudom értelmezni a kérdést" típusú válasz konverzióvesztést jelent.

3. Ha nő a termékszám

500–1000+ terméknél nem lehet mindent kézzel leképezni, és nem lehet minden kérdésre szabályt írni. Itt jön képbe a vektoros tudásbázis és a RAG rendszer.

4. Ha skálázni szeretnél

Egy RAG rendszer automatikusan a weboldal tartalmából dolgozik, frissítéskor nem kell szabályt írni, és jelentésalapú keresést használ. Ez hosszú távon fenntarthatóbb megoldás.

Mi történik RAG esetén?

RAG (Retrieval-Augmented Generation) rendszerben a kérdésből jelentésalapú vektor készül, a rendszer megkeresi a legrelevánsabb tartalmat, majd a megtalált információ alapján generál választ. Nem talál ki adatot, nem sablonból válaszol — a webshop saját tartalmára épít.

A valódi kérdés: chatbot vagy értékesítő?

Egy szabályalapú chatbot információt ad. Egy RAG alapú chatbot értelmez, összefüggéseket lát, ajánl és kontextusban válaszol. Ez már inkább digitális értékesítő, mint egyszerű ügyfélszolgálati robot.

Összegzés

Egy sima chatbot jó, ha kevés a termék, egyszerűek a kérdések, és csak alapinformáció kell. De nem elég nagy termékkatalógusnál, műszaki tartalomnál, természetes nyelvű kérdéseknél és skálázódó webshopnál.

Ilyenkor a jelentésalapú, vektoros keresésre épülő RAG rendszer ad valódi versenyelőnyt. A különbség nem technológiai részlet — hanem üzleti eredmény.