Transportvirksomhed: AI-agent til ordrer på e-mail, uden genindtastning

Ordrer kom på e-mail som PDF-filer og fri tekst, og to personer indtastede dem igen i systemet. En AI-agent læser nu e-mailen, opretter posten og sender uklare tilfælde til et menneske, som bekræfter.

Transportvirksomhed: AI-agent til ordrer på e-mail, uden genindtastning

Situation

En transportvirksomhed i Panevėžys med omkring 90 medarbejdere kører gods i Litauen og til Vesteuropa. Ordrerne kommer, som kunderne finder det bekvemt: nogle sender en PDF-ordreformular, andre fri tekst i en e-mail, atter andre videresender et udtræk fra deres eget system med bilag. Der findes ikke et fælles format, og der kommer ikke et: virksomheden har flere dusin kunder, hver med sine egne vaner.

To medarbejdere i disponeringen brugte det meste af dagen ikke på at planlægge, men på at indtaste igen: åbne en e-mail, finde adresser for læsning og aflæsning, datoer, vægt, paller og referencenumre, indtaste dem i transportstyringssystemet og svare kunden, at ordren var modtaget. På travle dage ventede e-mails i kø i flere timer, og kunder ringede for at høre, om ordren var modtaget.

Fejl var det andet problem. En forvekslet aflæsningstid eller en overset bemærkning om rampehøjde betød en tom tur eller en bøde. Lederen regnede ud, at der var nogle få sådanne tilfælde om måneden, og hvert af dem kostede mere end en dags genindtastning. Virksomheden kom til os med et konkret spørgsmål: kan AI læse sådanne e-mails pålideligt, og er det sikkert?

Det skulle løses

  • Læsning af ordrer fra e-mail uanset format: PDF, fri tekst, en tabel i e-mailen, bilag.
  • Automatisk oprettelse af en post i transportstyringssystemet med alle obligatoriske felter.
  • Godkendelse fra et menneske før hver post de første måneder, og altid når agenten er i tvivl.
  • Ingen brug af kundedata til træning af modeller; data behandles via API på aftalte vilkår.
  • Indførelse uden at stoppe disponeringen og uden ny software til medarbejderne.

Det gjorde vi

Uge 1–2: analyse af e-mails og regler

Vi startede ikke med teknologien, men med e-mailene. Vi gennemgik flere måneders ordrehistorik og grupperede den efter format: omkring halvdelen kom som PDF-formularer, en tredjedel som fri tekst, og resten var blandet. Sammen med disponenterne skrev vi ned, hvad der er obligatorisk i en ordre, hvornår en ordre regnes for uklar, og hvem den i så fald skal gå til. Disse regler blev til agentens instruktioner.

Uge 3–5: agenten og integrationen

Vi byggede agenten på en Claude-model via API. Agenten læser en ny e-mail i postkassen, genkender, om det er en ordre, opdeler den i en struktur (afsender, rute, tidsvinduer, gods, særlige krav, referencenummer) og kontrollerer, at alle obligatoriske felter er udfyldt. Hvis de er det, opretter den en udkastpost i transportstyringssystemet via dets API og markerer e-mailen som behandlet. Hvis ikke, skriver den en kort opsummering af, hvad den nåede at læse, og hvad der mangler, og sender den til en disponent. Vi skriver særskilt om, hvordan sådanne Claude-agenter fungerer i virksomheders processer.

Det sværeste var ikke at læse PDF-filer, men adresser: kunder skriver ”til vores lager” eller angiver kun en by. Agenten sammenligner sådanne tilfælde med adresserne fra kundens tidligere ordrer, og hvis match er tvetydigt, sender den ordren til et menneske i stedet for at gætte.

Uge 6–8: kontrol og lempelse af godkendelser

I de første fire uger blev hver post, agenten oprettede, godkendt af en disponent med ét tryk, med e-mailen og de udlæste felter side om side. Vi indsamlede statistik over, hvor agenten laver fejl. Derefter slog vi godkendelsen fra for standardformularer fra faste kunder og beholdt den for ordrer med fri tekst og ordrer fra nye kunder. Det er en del af vores tilgang til procesautomatisering: automatisér så langt, som tilliden er målt, og ikke længere.

Resultat

Den manuelle indtastningstid i disponeringen faldt med omkring 65 %. Vi måler det enkelt: hvor mange ordrer om dagen der blev oprettet af agenten, og hvor mange af et menneske, og hvor lang tid en godkendelse i gennemsnit tager. En af de to medarbejdere arbejder nu hovedsageligt med planlægning og med vognmænd i stedet for ved tastaturet.

Fejl i ordrer faldt med omkring 40 %. Vi tæller tilfælde, hvor en post skulle rettes efter læsning, og tomme ture forårsaget af forkerte data. De resterende fejl stammer for det meste fra kundernes egne e-mails, og agenten markerer dem i det mindste som afvigelse fra tidligere ordrer.

Bekræftelsen til kunden sendes nu i gennemsnit inden for 20 minutter efter modtagelse af e-mailen; tidligere tog det i spidsbelastning omkring 2 timer. Kundernes opkald med ”har I modtaget den” er næsten forsvundet.

Vi var bange for, at AI ville lave fejl, som vi først opdagede ved læsserampen. Det viste sig at være omvendt: agenten er den første, der opdager, at en kunde sender en anden dato end for en uge siden.

Det vil vi anbefale i en lignende situation

  • Start med e-mailhistorikken, ikke med valget af model. Reglerne for, hvad der regnes for en uklar ordre, er den vigtigste del af systemet.
  • Behold godkendelse fra et menneske fra første dag, og lemp den kun, hvor statistikken viser, at agenten ikke laver fejl.
  • Integrér med det eksisterende system via dets API i stedet for at bygge en ny arbejdsplads: medarbejderne skal se resultatet, hvor de allerede arbejder.
  • Aftal vilkårene for data: hvor de behandles, hvor længe de gemmes, og at de ikke bruges til træning. Det er det spørgsmål, jeres kunder vil stille først.