Hvert supportteam akkumulerer det samme stille problem: sager hober sig op, agenter svarer på de samme spørgsmål gentagne gange, og ingen har tid til at omsætte det signal til dokumentation. Holdet bag Bolusso.nl , Eroticon.nl og Shop-toppers.nl løste det med én enkelt FlowHunt AI-agent, der automatisk tager sig af læsning, gruppering og identifikation af huller — hver uge, uden at blive bedt om det.
Fra supportsager til vidensbase: At omdanne kundefrustration til dokumentation
Supportsager er en af de rigeste kilder til produkt- og dokumentationsfeedback, et team har. Kunder fortæller dig præcist, hvad de ikke kan finde, hvad der forvirrer dem, og hvad din vidensbase fejler i at besvare. Men at udtrække det signal manuelt — læse hundredvis af sager, gruppere lignende spørgsmål, tjekke om KB allerede dækker dem — er præcis den slags repetitivt analytisk arbejde, der aldrig finder vej til nogens prioriteringsliste.
Shop-toppers-teamet ønskede et system, der automatisk omdanner sagsdata til KB-handlingspunkter. Resultatet er en ugentlig automatiseret pipeline, der kører helt inde i FlowHunt AI Projects.
AI-drevet e-handelschatbot: Én vidensbase der betjener tre nederlandske netbutikker
Inden man dykker ned i den ugentlige analysepipeline, hjælper det at forstå, hvordan supportinfrastrukturen er sat op. Teamet driver Bolusso.nl , Eroticon.nl og Shop-toppers.nl fra én enkelt delt FlowHunt-vidensbase — ét sæt produktbeskrivelser, returpolitikker, FAQ’er og fragtregler, som alle tre sites henter fra.
Hver netbutik har sin egen chatbot drevet af den delte vidensbase. Når en kunde på Bolusso lander på sitet og åbner chatten, bliver de mødt af “Chatbot Bob” — en AI-assistent, der kender hele produktkataloget, kan hjælpe med at spore ordrer og håndterer returspørgsmål øjeblikkeligt, 24/7.
Chatbottens velkomstbesked — “Welkom bij Bolusso! Ik ben je persoonlijke assistent voor supportvragen en het ontdekken van ons assortiment.” — og dens hurtigsvarsknapper (“Volg je bestelling”, “Product retourneren”) er alle drevet af de samme flows, der bruges på tværs af alle tre brands.
Når en politik ændres eller en ny produktkategori lanceres, opdaterer teamet vidensbasen én gang. Alle tre chatbots afspejler ændringen øjeblikkeligt. Den samme logik gælder for flows: byg én gang, implementer overalt.
Automatiseret supportsagsanalyse: Hvordan FlowHunt AI Projects finder videnshuller hver uge
Chatbotten håndterer frontlinjen. Men den genererer en anden type signal: spørgsmål den ikke kan løse og sager, der alligevel flyder igennem til menneskelige agenter. Den ugentlige gapanalysepipeline er det, der lukker den feedbacksløjfe.
Inde i FlowHunt AI Projects kører teamet ét enkelt projekt: LiveAgent FAQ knowledge base checker. Dens opgave er at læse hver sag fra de seneste 7 dage og fortælle teamet præcist, hvilken dokumentation de mangler.
Agenten tildeles en præcis persona og strenge retningslinjer. Den opererer skrivebeskyttet mod LiveAgent — den henter sagsdata men kan ikke ændre, slette eller lukke noget. Denne retningslinje er eksplicit i systemprompt og håndhæves på værktøjsniveau.
Den tofasede pipeline: LiveAgent sagsgrupering og vidensbasekontrol
Agenten udfører en tofaset undersøgelse ved hver kørsel.
Fase 1 — Sagsgruppering og emneekstraktion
Agenten henter alle sager fra de seneste 7 dage via LiveAgent-integrationen. Den filtrerer straks støj fra: automatiserede platformsnotifikationer, Amazon-ordreadvarsler og systemgenererede beskeder kasseres. Kun ægte menneskelige kundehenvendelser behandles.
De resterende sager grupperes efter det specifikke spørgsmål, der stilles — ikke efter vag kategori, men efter præcis hensigt (f.eks. “Hvordan returnerer jeg en defekt vare?” snarere end blot “Returnering”). De 5 hyppigste emner identificeres, navngives tydeligt og dokumenteres med frekvenstellinger og repræsentative eksempler.
Fase 2 — KB-verifikation og gapanalyse
For hvert af de 5 bedste emner søger agenten i den delte vidensbase:
- Hvis artikler findes: agenten analyserer hvorfor kunder stadig åbner sager på trods af dækningen. Den leder efter forældelse, manglende edge cases, uklart sprog eller ufuldstændig dækning. Artiklen markeres som en KB-fejl — indholdet findes men løser ikke problemet.
- Hvis ingen artikler findes: emnet klassificeres straks som et kritisk hul — udokumenteret territorium, som KB-indholdsholdet skal adressere.
Denne sondring er vigtig. Et kritisk hul og en KB-fejl kræver forskellige svar: det ene behøver en ny artikel, det andet behøver en redigering.
Fra rå sager til handlingsorienterede briefings: Automatiserede ugentlige KB-gaprapporter
Ved afslutningen af hver kørsel sender agenten en struktureret rapport direkte til teamet via e-mail. Ingen behøver at logge ind på platformen for at se fundene.
E-mailen følger en fast struktur:
Tabel over hyppigste spørgsmål — hver række indeholder det specifikke kundespørgsmål, hvor mange gange det optrådte i den foregående uge, to eller tre eksempelsagstitler, relevante sags-ID’er og et udkast til løsning, som indholdsholdet kan bruge som udgangspunkt.
Strategiske KB-anbefalinger — bredere emner, ideer til nye artikler og portalforbedringer forankret i ugens sagsdata. Hver anbefaling inkluderer begrundelsen: hvorfor dette er vigtigt baseret på, hvad kunder faktisk spørger om.
Emnelinjen er altid Weekly KB Gap Analysis - [Date], hvilket gør e-mailene lette at arkivere og referere til over tid.
Vedvarende AI-hukommelse: Hvordan ugentlige fund akkumuleres til langsigtet supportintelligens
Én detalje, der adskiller dette fra en engangsrapport: agenten skriver sine fund til Project Memory — et vedvarende wiki inde i AI-projektet, der opdateres efter hver kørsel.
Teamet opbygger automatisk et longitudinelt register. Emner, der fortsætter med at dukke op uge efter uge på trods af tidligere at være flagget, skiller sig øjeblikkeligt ud. KB-huller, der er adresseret, kan markeres som løst. Agentens akkumulerede viden bliver mere nyttig jo længere den kører.
E-handelssupportautomatisering der kører sig selv: Planlagte AI-agenter uden manuel sortering
Hele pipelinen udløses af et Periodic Issue — en planlagt opgave i AI Projects, der automatisk aktiveres efter et fast interval uden manuel indgriben. Teamet satte det op én gang; det har kørt 16 gange siden.
Hver kørsel tager mellem 1 og 10 minutter afhængigt af sagsvolumet den pågældende uge. Omkostningen per kørsel er en brøkdel af, hvad en menneskelig analytiker ville bruge på tilsvarende arbejde manuelt. Teamet modtager en klar-til-handling-briefing hver uge uden at nogen behøver logge ind på LiveAgent, læse sager igennem eller sammenstille en rapport.
“Feel free to also include our other websites if you want to. The knowledge base and all our flows are used for the following websites combined.”
Byg én gang. Kør overalt. Lad agenten fortælle dig, hvad der mangler.
Virksomheder: Shop-toppers.nl · Bolusso.nl · Eroticon.nl Branche: E-handel Placering: Holland FlowHunt-funktioner brugt: AI Projects, AI Chatbot, Shared Knowledge Base, Flows, LiveAgent Integration, Email Notification Tool Agentmodel: claude-4.5-haiku (Supervisor)