دراسات حالة في الأتمتة، من المشكلة إلى النتيجة

التحدي

كان العملاء المحتملون القادمون من البوابات العقارية والموقع الإلكتروني وإعلانات Facebook يصلون إلى صندوق بريد مشترك، ولا يُلتفت إليهم إلا حين يجد أحد الوسطاء لحظة فراغ. وكان متوسط زمن الرد الأول يقارب ثلاث ساعات، وكثيرًا ما انتظر من يتواصلون مساءً أو في عطلة نهاية الأسبوع حتى صباح اليوم التالي. وبحلول ذلك الوقت، كان كثير من المشترين قد تحدثوا بالفعل مع شركة وساطة منافسة، ولم يكن أحد يعرف عدد العملاء الذين ضاعوا.

ما بنيناه

يجمع سيناريو في Make العملاء المحتملين من جميع المصادر ويسجّلهم في GoHighLevel. وخلال 90 ثانية، يتصل وكيل صوتي مبني على Retell AI بالمشتري، فيؤكد الميزانية والمنطقة والجدول الزمني، ويعرض مواعيد معاينة من تقويم Google الخاص بوسيط العقار. وإذا لم يُرد على المكالمة، تتبعها رسالة نصية عبر Twilio. ويُطلق كل عميل مؤهل تنبيهًا فوريًا في Slack للوسيط المناسب، مرفقًا بملخص قصير للمكالمة.

التحدي

كان نحو 180 عميلًا من الشركات الصغيرة يرسلون الإيصالات والفواتير وكشوف الحسابات البنكية عبر البريد الإلكتروني وWhatsApp والمجلدات المشتركة، وبكل صيغة يمكن تخيّلها. وكان الموظفون المبتدئون يقضون الأسبوع الأول من كل شهر في إعادة تسمية الملفات، وإدخال المجاميع في QuickBooks وXero، وملاحقة المستندات الناقصة. فتبدأ التسويات متأخرة، وتظهر الأخطاء أثناء المراجعة، ولم تكن الشركة قادرة على استقبال عملاء جدد دون توظيف المزيد لإدخال البيانات.

ما بنيناه

يسحب سير عمل في n8n كل ملف وارد من البريد الإلكتروني وWhatsApp Business API والمجلدات المشتركة إلى قائمة انتظار واحدة. ويقرأ Google Gemini كل مستند، فيستخرج المورّد والتاريخ والمبلغ والضريبة، ويحفظه تحت العميل الصحيح. وتُرحَّل البنود السليمة إلى QuickBooks أو Xero كمعاملات مسودة جاهزة للتسوية البنكية، بينما تنتقل عمليات الاستخراج منخفضة الثقة والكشوف الناقصة إلى لوحة مراجعة في Airtable ليتحقق منها أحد ماسكي الدفاتر.

التحدي

كان العملاء يراسلون العلامة عبر WhatsApp وInstagram والبريد الإلكتروني، وكان أكثر من نصف الأسئلة صيغة ما من «أين طلبي؟». وكان فريق دعم من ثلاثة أشخاص ينسخ أرقام التتبع من Shopify إلى مواقع شركات الشحن يدويًا. وفي مواسم التخفيضات تأخرت الردود حتى يوم كامل، ودُفنت طلبات الاسترداد والاستبدال، وبدأت التقييمات السلبية تشير إلى بطء الدعم.

ما بنيناه

يعمل روبوت محادثة على WhatsApp Business API، تُديره منظومة n8n، ويجيب بالعربية والإنجليزية باستخدام نماذج OpenAI المستندة إلى سياسات العلامة وأدلة المقاسات الخاصة بها. ويتحقق من حالة الطلب لحظيًا في Shopify وفي واجهة API لتتبع شركة الشحن، ويجيب عن أسئلة الإرجاع ضمن قواعد محددة. أما طلبات الاسترداد والمنتجات التالفة والعملاء غير الراضين فتُحوَّل إلى شخص مع المحادثة كاملة. وتُعدّ تقارير الدعم الأسبوعية في Looker Studio.

التحدي

كان السائقون يصوّرون إثباتات التسليم (POD) الموقّعة ويرسلونها عبر WhatsApp أو البريد الإلكتروني، أو يسلّمون نسخًا ورقية في نهاية الأسبوع. وكان على موظفَين إداريَّين مطابقة كل إثبات تسليم مع مهمته في نظام النقل قبل إصدار الفاتورة في Xero. فكانت الفوترة متأخرة عن التسليم بخمسة إلى ثمانية أيام، وكثيرًا ما أخّرت الإثباتات الناقصة الدفعات من كبار العملاء.

ما بنيناه

يرفع السائقون صور إثباتات التسليم عبر نموذج بسيط في AppSheet أو عبر WhatsApp. ويستخدم سير عمل في n8n نموذج Anthropic Claude لقراءة مرجع المهمة واسم المرسَل إليه والتوقيع وأي ملاحظات عن الأضرار، ثم يطابق كل إثبات مع مهمته في نظام النقل. وتُنشئ المطابقات السليمة فاتورة مسودة في Xero مع إرفاق الإثبات. أما التوقيعات الناقصة والمراجع غير المتطابقة ومطالبات الأضرار فتذهب إلى قائمة مراجعة إدارية في Microsoft Teams.

التحدي

كانت كل وظيفة تمريض أو رعاية تجذب ما بين 80 و200 طلب عبر مواقع التوظيف وموقع الوكالة. وكان مسؤولو التوظيف يتصفحون السير الذاتية يدويًا، ويتحققون من التسجيل المهني وأهلية العمل، ثم يقضون أيامًا في تبادل الرسائل لترتيب المقابلات الهاتفية. وكثيرًا ما وظّفت جهات أخرى المرشحين الأقوياء قبل أن يتصل بهم أحد، ولم يتبقَّ لمسؤولي التوظيف إلا القليل من الوقت لعلاقات العملاء التي تصنع التعيينات فعلًا.

ما بنيناه

يقرأ وكيل فرز مبني على LangGraph وAnthropic Claude كل سيرة ذاتية مقارنةً بالمعايير الأساسية للوظيفة، مثل نوع التسجيل المهني والتوفر للمناوبات والموقع، ويكتب ملخصًا قصيرًا مع درجة تقييم في مسار Pipedrive الخاص بالوكالة. ويراجع مسؤولو التوظيف كل قائمة مختصرة ويعتمدونها. ثم يتلقى المرشحون المعتمدون رسالة نصية وبريدًا عبر Twilio مع رابط لحجز مقابلة هاتفية في تقويم Microsoft 365 الخاص بمسؤول التوظيف، إضافة إلى تذكيرات تلقائية.

التحدي

كانت فرق الاستقبال في العيادات الأربع تتعامل مع تسجيل الوصول وأسئلة التأمين وسيل متواصل من المكالمات. وكانت مكالمة من كل أربع تقريبًا تبقى دون رد في الصباحات المزدحمة وأوقات الغداء، بينما يصل المتصلون بعد ساعات العمل إلى بريد صوتي قلّما يعاود أحد الاتصال بأصحابه. وكانت مكالمات المرضى الجدد هي الأعلى تكلفة عند تفويتها، لأن هؤلاء المتصلين يحجزون عادةً مع أول عيادة ترد عليهم.

ما بنيناه

يرد موظف استقبال بالذكاء الاصطناعي، مبني على Vapi ونموذج من OpenAI، على المكالمات الزائدة ومكالمات ما بعد ساعات العمل بصوت طبيعي. ويجيب عن الأسئلة الشائعة، ويحجز المواعيد ويغيّرها ويلغيها عبر واجهة API للجدولة في نظام إدارة العيادة، ويرسل التأكيدات نصيًا عبر Twilio. أما أسئلة التأمين والأسئلة السريرية فتُحوَّل إلى الطاقم مع ملخص للمكالمة. والإعداد مصمم مع مراعاة متطلبات HIPAA، إذ تُحفظ نصوص المكالمات في حساب Supabase الخاص بالمجموعة، وتقارير المكالمات في Looker Studio.