W ciągu 60 dni Gartner opublikował 2 prognozy, które każdy lider CX planujący wydatki na AI na najbliższe 24 miesiące powinien przeczytać razem.
26 stycznia firma przewidziała, że do 2030 roku koszt rozwiązania zgłoszenia przez generatywną AI w obsłudze klienta przekroczy 3 USD, czyli będzie wyższy niż koszt pracy wielu konsultantów offshore w segmencie B2C. 31 marca prognozowała z kolei, że do 2028 roku ponad połowa działów obsługi klienta podwoi wydatki na technologię bez odpowiedniej redukcji zatrudnienia.
Razem te prognozy opisują ekonomię CX, w której krzywa wydatków rośnie, krzywa zatrudnienia pozostaje mniej więcej płaska, a koszt rozwiązania przez AI zbliża się do kosztu konsultanta offshore, który miał przecież obniżyć. Narracja, że AI obniża koszty obsługi klienta – założenie, na którym od 2023 roku opiera się większość budżetów na oprogramowanie CX – przestaje się w pełni sprawdzać.
Gartner wskazuje 2 zmienne stojące za tym trendem: dostępność talentów i złożoność narzędzi. Obie są realne, ale pod nimi kryje się trzecia zmienna, której większość zespołów nie monitoruje. Jest nią rozwiązanie zgłoszeń, a konkretnie luka między tym, co AI obsługuje, a tym, co AI faktycznie rozwiązuje. To ona decyduje, czy każdy nowy dolar wydany na technologię CX przynosi efekt, czy jedynie generuje kolejną transakcję.
Luka w rozwiązywaniu zgłoszeń wyrażona w dolarach
Większość dashboardów CX jako główny wskaźnik pokazuje „wskaźnik automatyzacji” lub „wskaźnik deflekcji”. Wpływa zgłoszenie, AI odpowiada, rozmowa kończy się bez udziału konsultanta, a platforma oznacza zgłoszenie jako obsłużone. Wskaźnik na dashboardzie rośnie.
Dashboard nie zawsze pokazuje jednak, czy problem klienta został rzeczywiście rozwiązany. To właśnie luka w rozwiązywaniu zgłoszeń: przestrzeń między interakcjami, w których AI bierze udział, a problemami, które AI naprawia.
Gdy luka jest duża, wolumen nie znika. Wraca do systemu na 3 sposoby:
- Jako ponowne kontakty, gdy klient wraca tym samym kanałem, bo problem nadal występuje
- Jako eskalacja międzykanałowa, gdy klient próbuje czatu, rezygnuje, dzwoni i trafia do konsultanta, który zaczyna od zera
- Jako odejście klienta, gdy uzna, że firma nie jest w stanie mu pomóc, i przestaje próbować
Każdy z tych scenariuszy generuje koszt, którego dashboard deflekcji nie uwzględnia. Badanie McKinsey AI in Customer Service 2026 wyraźnie pokazuje ekonomię jednostkową: rozwiązanie zgłoszenia przez AI kosztuje około 0,62 USD, a przez człowieka 7,40 USD (według zestawienia benchmarków Digital Applied na 2026 rok). Ten rachunek działa jednak tylko dla wskaźnika rozwiązań, a nie deflekcji. Każda interakcja zarejestrowana jako zdeflektowana, która wraca jako eskalacja do konsultanta, oznacza 2 rachunki: za licencję AI i za konsultanta, który przejmuje porzucony wątek. Gdy luka jest duża, koszty się kumulują – a krzywa wydatków prognozowana przez Gartnera do 2028 roku pokazuje, jak to wygląda w skali.
Dlatego przy porównywaniu ekonomii AI z obsługą przez ludzi liczy się koszt rozwiązania, a nie koszt interakcji czy wskaźnik deflekcji. Prognoza Gartnera na poziomie 3 USD za rozwiązanie w 2030 roku mierzy, ile kosztuje AI, gdy faktycznie rozwiązuje problem, a nie gdy tylko obsługuje wiadomość.
Co naprawdę dzieje się w krzywej wydatków
Badanie Gartnera z października 2025 roku, przeprowadzone wśród 321 liderów obsługi klienta, wykazało, że tylko 20% organizacji zmniejszyło zatrudnienie konsultantów dzięki AI. Pozostałe 80% płaci zarówno za AI, jak i za konsultantów.
To nie jest etap przejściowy w drodze do niższych kosztów. To strukturalny skutek sposobu, w jaki AI wdraża się w większości działów CX. Jak ujął to CXOVoice, koszty obsługi klienta rosną, ponieważ AI dodaje kolejne warstwy zamiast je usuwać – stos technologiczny obejmuje dziś konwersacyjną AI, routing, bazę wiedzy, analitykę, orkiestrację i nadzór, a każda z tych warstw wiąże się z własnymi kosztami licencji, wdrożenia i integracji.
Żadna z tych warstw nie zastępuje istniejącej. To, co Gartner prognozuje do 2028 roku, nie jest jednorazowym kosztem migracji, lecz strukturalnym przejściem od budżetów CX opartych na wynagrodzeniach do budżetów opartych na oprogramowaniu – przy rosnącej, a nie malejącej, łącznej bazie kosztów.
W ramach tego przejścia to luka w rozwiązywaniu zgłoszeń decyduje, po której stronie bilansu wylądują wydatki na AI. Gdy AI rozwiązuje problem od początku do końca, warstwa oprogramowania zasługuje na swoje miejsce: wykonuje pracę, która inaczej wymagałaby człowieka, a ekonomia jednostkowa się zgadza. Gdy AI deflektuje, nie rozwiązując, warstwa oprogramowania dodaje koszty, nie eliminując żadnych istniejących, a dolar, który miał pochodzić z budżetu na konsultantów, finansuje AI dodatkowo.
Kumulujący się rachunek
Weźmy typową sytuację: 10 000 zgłoszeń przychodzących miesięcznie, dashboard dostawcy pokazujący 60% wskaźnika automatyzacji i 6 000 zgłoszeń oznaczonych jako „obsłużone” bez udziału człowieka.
Audyt, który odróżnia deflekcję od potwierdzonego rozwiązania, zwykle daje inny wynik. Badania branżowe dotyczące wdrożeń opartych na RAG konsekwentnie pokazują, że 15–25% „zdeflektowanych” zgłoszeń zawiera błędne lub niepełne odpowiedzi. Jeśli 25% z tych 6 000 zdeflektowanych zgłoszeń wraca do systemu w ciągu 72 godzin (jako ponowne kontakty, eskalacje lub próby w innych kanałach), to 1 500 interakcji, które wyglądały na zautomatyzowane, wcale takimi nie było.
Rzeczywisty wskaźnik autonomicznego rozwiązywania przy tym wolumenie nie wynosi 60%, lecz 45%. Luka ujawnia się w 3 pozycjach, których większość dashboardów CX nie pokazuje:
- Rachunek od dostawcy AI pozostaje bez zmian. Licencja jest wyceniana według interakcji, a AI obsługuje interakcje.
- Obciążenie zespołu konsultantów obejmuje te 1 500 powracających zgłoszeń, często bez kontekstu, bo przekazanie nie działa.
- Koszt ponownego pytania ponosi doświadczenie klienta. Dostawca nalicza opłaty za 6 000 interakcji. Państwo zapłacili za 4 500 rozwiązań.
To luka w rozwiązywaniu zgłoszeń decyduje, czy pozycja AI w budżecie zastępuje obsługę przez ludzi, czy się do niej dokłada. Gdy luka jest mała, wydatki na AI równoważą wydatki na konsultantów. Gdy jest duża, wydatki na AI nakładają się na wydatki na konsultantów – i to właśnie krzywa, którą Gartner prognozuje do 2028 roku.
Zmienna architektoniczna
Luka w rozwiązywaniu zgłoszeń nie jest problemem modelu. To problem architektury.
Większość agentów AI działających dziś produkcyjnie potrafi czytać, ale nie potrafi działać. Pobierają informacje z bazy wiedzy, streszczają zasady i sugerują kolejne kroki. Bez głębszej integracji zazwyczaj nie potrafią natomiast zrealizować zwrotu, zaktualizować konta, zmodyfikować zamówienia ani zmienić terminu wizyty. Architektoniczna linia podziału przebiega między dostępem tylko do odczytu a dostępem do odczytu i zapisu w systemach, w których faktycznie leży problem klienta.
AI z dostępem tylko do odczytu jest strukturalnie ograniczona do tych zgłoszeń, które da się rozwiązać, udostępniając informacje. W większości programów CX w przedsiębiorstwach to pasmo poziomu 1: resetowanie haseł, sprawdzanie statusu zamówień i pytania o zasady – realny wolumen, ale z wyraźnym sufitem. Reklamacje, wyjątki, spory dotyczące rozliczeń i zmiany na kontach, które generują koszty wsparcia, leżą po drugiej stronie granicy odczytu i zapisu.
Dlatego wskaźniki „automatyzacji” powyżej 70% dla szerokich zbiorów zapytań warto weryfikować. Zwykle odzwierciedlają albo agresywną warstwę triażu, która odfiltrowuje trudne przypadki, zanim trafią do AI, albo definicję rozwiązania, która liczy zakończone rozmowy bez potwierdzenia efektu. Wdrożenia produkcyjne z integracją odczytu i zapisu z systemami backendowymi osiągają zwykle 70–85% potwierdzonych rozwiązań przy szerokich zbiorach zapytań obejmujących zgłoszenia zależne od zasad.
To decyzja architektoniczna przesądza, czy każdy nowy dolar wydany na technologię CX zmniejsza lukę w rozwiązywaniu zgłoszeń, czy ją powiększa. Tylko odczyt czy odczyt i zapis, nakładka czy całkowita wymiana, AI jako warstwa na wierzchu czy AI wewnątrz help desku – to nie są szczegóły wdrożeniowe. To mnożnik wydatków. Framework oceny Maven omawia te wymiary bardziej szczegółowo.
Jak wygląda podejście „najpierw rozwiązanie” w praktyce
Firmy, które zamykają lukę w rozwiązywaniu zgłoszeń, łączy wspólna cecha architektoniczna: integracja odczytu i zapisu z systemami, w których faktycznie leżą problemy klientów. Dane produkcyjne są konkretne:
- Mastermind osiągnął 93% autonomicznych rozwiązań w ciągu 6 tygodni od wdrożenia.
- Papaya Pay osiągnęła 90% autonomicznych rozwiązań w 3 tygodnie.
- Clio przeszło ze starszego chatbota na autonomiczne rozwiązywanie na poziomie 80%, rozwiązało o 60% więcej zgłoszeń i 4-krotnie skróciło czas odpowiedzi wsparcia na żywo.
- Rho utrzymało CSAT na poziomie 95%, obsługując o 12% więcej kontaktów miesięcznie bez zwiększania zatrudnienia.
Nad ostatnim wynikiem warto się zatrzymać. Komunikat Gartnera z 31 marca przewiduje, że podwojeniu wydatków na technologię CX do 2028 roku nie będzie towarzyszyć redukcja zatrudnienia, i ostrzega, że firmy redukujące liczbę konsultantów, by sfinansować AI, ryzykują zakłócenia operacyjne, pogorszenie doświadczenia klienta i kosztowne wycofywanie zmian. Prognoza zakłada, że AI nie rozwiązuje samodzielnie wystarczająco wielu zgłoszeń, by obsłużyć rosnący wolumen.
Wynik Rho to najczytelniejsza ilustracja ekonomii „najpierw rozwiązanie” w praktyce. CSAT utrzymał się na poziomie 95%, wolumen kontaktów wzrósł o 12%, a zespół się nie powiększył. Tak wygląda przepustowość, gdy wskaźnik rozwiązań jest rzeczywisty: więcej obsłużonych klientów, ten sam zespół, nienaruszony CSAT.
To wersja rachunku, w której pozycja AI w budżecie zasługuje na swoje miejsce. Wydatki na technologię rosną, wydatki na konsultantów pozostają na stałym poziomie, wolumen klientów rośnie, a łączna baza kosztów w przeliczeniu na rozwiązany problem spada. Działa to tylko wtedy, gdy wskaźnik rozwiązań jest wystarczająco wysoki – czyli gdy luka między deflekcją a rozwiązaniem jest na tyle mała, że wolumen obsługiwany przez AI przekłada się bezpośrednio na efekty.
3 pytania, zanim podwoją Państwo budżet
Prognoza wydatków Gartnera na 2028 rok nie musi się sprawdzić w każdym rachunku zysków i strat CX. Decyduje o tym architektura i ekonomia dodawanej warstwy AI. 3 pytania pozwalają przebić się przez wskaźniki, którymi każdy dostawca będzie się chwalił.
- Czy AI może wykonywać działania w systemach, w których leży problem klienta, czy tylko odpowiadać na podstawie dokumentów? Granica między dostępem tylko do odczytu a odczytem i zapisem to zmienna architektoniczna, która ogranicza, jaką część kosztów wsparcia AI może objąć. AI, która podaje status zamówienia, jest przydatna. AI, która realizuje zwrot, aktualizuje konto i potwierdza zmianę, zamyka lukę w rozwiązywaniu zgłoszeń.
- Jaki jest wskaźnik ponownych kontaktów w ciągu 72 godzin dla rozwiązanych zgłoszeń? To metryka audytowa. Jeśli 25% „rozwiązanych” zgłoszeń generuje ponowny kontakt w ciągu 3 dni, rzeczywisty wskaźnik rozwiązań jest istotnie niższy niż deklarowany. Dostawca pewny jakości rozwiązań swojej AI publikuje tę liczbę. Dostawca, który jej nie zmierzył, zwykle ma ku temu powód.
- Jaki jest wskaźnik potwierdzonych rozwiązań, a nie deflekcji? Potwierdzone rozwiązanie obejmuje tylko zgłoszenia, w których problem klienta został rozwiązany, a klient nie wrócił. Deflekcja obejmuje każde zgłoszenie, w którym AI wzięła udział. Dostawcy, którzy zmierzyli oba wskaźniki, udostępnią oba. Ci, którzy tego nie zrobili lub nie chcą ich ujawnić, zazwyczaj optymalizują pod liczbę, która stawia ich w lepszym świetle.
Odpowiedzi na te 3 pytania razem decydują, czy każdy nowy dolar wydany na technologię CX kupuje rozwiązania, czy tylko aktywność.
Zmienna, której Gartner nie nazwał
Obie prognozy z 2026 roku wskazują ten sam kierunek. Wydatki rosną, koszt rozwiązania przez AI zbliża się do poziomu kosztu pracy człowieka, a zatrudnienie pozostaje mniej więcej bez zmian. Łączny efekt to strukturalny wzrost bazy kosztów CX dla połowy organizacji, które do 2028 roku podwoją wydatki na technologię.
Prognozy nie mówią – bo mierzą wydatki na technologię, a nie architekturę – że to luka w rozwiązywaniu zgłoszeń decyduje, w której połowie znajdzie się dana organizacja. Firmy, które traktują rozwiązanie jako kluczową metrykę i projektują warstwę AI tak, by działała w systemach, w których faktycznie leżą problemy klientów, nie zobaczą podwojenia wydatków bez efektów. Firmy, które utożsamiają rozwiązanie z deflekcją, wydadzą więcej w 2026, 2027 i 2028 roku, a rozwiążą mniej więcej tyle samo co w 2024 roku.
Język branży zmienia się, by to odzwierciedlić. Autonomiczne rozwiązywanie staje się kluczową metryką. Resolution Rate zmierza do zastąpienia starszych benchmarków CX jako główna miara tego, czy AI we wsparciu działa. Komentarze dostawców i analityków coraz częściej zbiegają się w jednym punkcie: w 2026 roku dashboard, którym chwali się Państwa dostawca AI, to ten, który należy weryfikować najdokładniej.
Krzywa wydatków prognozowana przez Gartnera na 2028 rok nie jest nieunikniona. To konsekwencja decyzji architektonicznych, które większość zespołów CX podejmuje właśnie teraz.
Przekonaj się na własnych rozmowach.
Poproś o bezpłatne, spersonalizowane demo.
