Zamietli ste reklamáciu. Povedali ste zákazníkovi prečo? (CX Signál · august 2026)

Zákazníkovi príde poškodený tovar, napíše vám a o hodinu dostane odpoveď: reklamáciu zamietame, nespĺňa podmienky. Ktorú podmienku a prečo, sa nedozvie. Už nenapíše. Nabudúce jednoducho nakúpi inde — a vy to nikde neuvidíte, lebo stratený zákazník nemá faktúru.

Prečo odchádzajú zákazníci po reklamácii, sa zvyčajne vysvetľuje samotným zamietnutím. Podľa mňa často nejde o zamietnutie, ale o to, že ho nikto nevysvetlil tak, aby mu zákazník porozumel. Augustový výskum ukazuje, prečo na tom vysvetlení záleží.

V júlovom článku som písal, že vybavený kontakt ešte nie je vyriešený problém. August pridáva ťažší prípad: čo keď je vec vyriešená, ale v neprospech zákazníka. Vtedy nestačí, že je uzavretá a zákazník to vie. Rozhoduje, či rozumie, prečo dopadla práve takto.

Peniaze do AI v servise rastú rýchlejšie než celý rozpočet

Pritom práve do obsluhy, ktorá tieto odpovede posiela, dnes tečú peniaze — hlavne do AI. Gartner v auguste zverejnil prieskum medzi 199 vedúcimi zákazníckeho servisu a podpory o tom, ako sa im mení rozpočet. Výdavky na AI im vzrástli o 38 %, celý rozpočet servisu len o 2 %. Peniaze teda nepribudli — firmy ich podľa Gartnera presúvajú z miezd a réžie do technológie. Výhrada: je to malá vzorka a tlačová správa bez tabuliek, čísla sú to, čo vedúci sami uviedli, a Gartner nepíše, čo všetko počíta ako výdavky na AI.

Vedľa toho stojí júlové číslo z iného Gartnerovho prieskumu: len 24 % vedúcich servisu vedelo preukázať, že sa im investícia do AI finančne vrátila. Tieto dva prieskumy Gartner sám neprepája, takže nasledujúca veta je moja úvaha: peniaze do AI tečú rýchlejšie, než sa stihne ukázať, čo prinášajú. A keďže sa berú z ľudí, nedajú sa vrátiť tak ľahko ako licencia na softvér. Kapacitu, ktorú firma zruší, si nazad nekúpi zo dňa na deň.

Pomocník s AI urobil poradcov opatrnejšími — a klientov menej spokojnými

Ako to môže dopadnúť, ukazuje augustová štúdia v Journal of Marketing Research. Autori sledovali poradcov pri hypotékach v bankovníctve, ktorí dostali nástroj s AI. Ten im odporúčal postup podľa vzorcov z minulých prípadov. Išlo o úlohu, ktorá nie je rutinná — každý klient je trochu iný.

Poradcovia s AI pomocníkom začali rozhodovať opatrnejšie. Schválili menej hypoték a zároveň ubudlo tých, ktoré klienti nesplácali — riziko teda kleslo. Klesla však aj spokojnosť klientov s poradcami. Vysvetlenie hľadajú autori u zamestnanca, nie u klienta: odpovede z AI pôsobili strnulo, nenechávali priestor zvážiť inú možnosť a poradca mal pocit, že o veci už nerozhoduje on. A to bez ohľadu na to, či odporúčanie považoval za užitočné.

Výhrada: je to jedno odvetvie, jeden typ nástroja a nie úplne náhodne rozdelený pokus, štúdiu som čítal len v abstrakte a či to platí aj v e-shope, zatiaľ nevie nikto. Je to však prvý dôkaz z reálnej prevádzky, ktorý som našiel, že AI pomocník pri neštandardnej úlohe môže zákaznícku spokojnosť zhoršiť — a že sa to stane cez človeka, nie cez obrazovku.

Vysvetlenie nie je zdvorilosť, ale samostatná páka

Druhá augustová štúdia ide priamo k zamietnutej reklamácii. Fürst, Trißler a Friedrich v Journal of Service Research skúmali v šiestich štúdiách situáciu, ktorá je v praxi bežná a vo výskume málo pokrytá: náprava dopadne pre zákazníka len čiastočne dobre a on nerozumie prečo.

Záver je jasný: vysvetlenie rozhodnutia zvyšuje spokojnosť zákazníka aj to, či si firmu vyberie znova, lebo agent pôsobí kompetentnejšie a vrelejšie. Ale len za troch podmienok:

• Zdôvodnenie funguje lepšie než výhovorka aj než odvolávanie sa na postup. „Systém to nepustí“ je výhovorka. „Také máme obchodné podmienky“ je odvolanie sa na postup. Zdôvodnenie povie, na základe čoho firma rozhodla.
• Konkrétne vysvetlenie funguje lepšie než všeobecné. Šablóna, ktorá platí pre každého, nevysvetľuje nič tomu, kto ju číta.
• Vysvetlenie od AI môže fungovať lepšie než to isté vysvetlenie od človeka.

Štúdia skúmala nápravu, ktorá dopadla len čiastočne dobre; že to platí aj pri úplnom zamietnutí reklamácie, je môj prenos. Ako by to mohlo vyzerať v e-shope, je tiež môj príklad: „Reklamáciu sme zamietli, lebo na fotke je prasknutý roh z nárazu po vybalení, nie poškodenie z prepravy — škatuľa je celá. Ak to bolo inak, pošlite nám fotku obalu a pozrieme sa na to znova.“ Rozhodnutie je rovnaké ako pri „nespĺňa podmienky“. Zákazník však vie, čo sa stalo, a má ďalší krok.

Výhrada aj tu: sú to experimenty so scenármi, nie pozorovanie v prevádzke, a veľkosti účinkov abstrakt neuvádza.

Rozdiel nie je v tom, kto odpovedá, ale akú úlohu dostal

Na prvý pohľad si tie dve štúdie protirečia. V banke AI spokojnosť zhoršila, pri vysvetlení môže byť lepšia než človek. Podľa mňa to nie je rozpor — a tu je to už moja interpretácia, nie tvrdenie autorov. V banke bola AI v pozadí a radila zamestnancovi pri rozhodnutí, ktoré nie je rutinné. Pri vysvetlení je AI vpredu a robí jednu presne ohraničenú vec: povie zákazníkovi, prečo dopadol tak, ako dopadol.

Preto by som AI v obsluhe nehodnotil podľa toho, koľko kontaktov vybaví. Hodnotil by som ju podľa toho, či vie zákazníkovi vysvetliť rozhodnutie, ktoré mu nevyhovuje.

Prepojenie na operátora nie je automaticky lepšia služba

Tu čakám nesúhlas. Pravidlo „ťažké prípady patria človeku“ znie ako starostlivosť. Ak však môže byť vysvetlenie od AI účinnejšie než od človeka, prepojenie na operátora pri zamietnutej reklamácii môže byť skôr organizačný zvyk než dôkaz, že sa o zákazníka staráte. Štúdia to ukázala v testovaných situáciách, nie v celom servise — ako dôvod neprepájať automaticky to však stačí.

A naopak: keď to isté zamietnutie vysvetlí človek rovnako zle ako robot, problém nie je v tom, kto odpovedal. Je v tom, že nikto nemá napísané, prečo sa rozhodlo práve takto. Ako s kritikou zákazníka pracovať ďalej, keď už prišla, som rozoberal aj v epizóde podcastu o kritike.

Čo môžete spraviť tento týždeň bez rozpočtu

Vypíšte miesta, kde zákazníkovi hovoríte „nie“. Prejdite si cestu zákazníka od objednávky po vrátenie tovaru a zapíšte každé rozhodnutie, ktoré zákazník nemusí uvítať: zamietnutá reklamácia, čiastočné vrátenie peňazí, náhradný tovar, posunutý termín, zamietnutá výnimka.

Pri každom si otvorte odpoveď, ktorá dnes zákazníkovi odchádza, a položte si dve otázky. Je to zdôvodnenie, alebo výhovorka či odkaz na podmienky? A hovorí o tomto konkrétnom zákazníkovi, alebo o všetkých? Potom vezmite rozhodnutie, ktoré sa opakuje najčastejšie, a prepíšte jeho šablónu tak, aby z nej bolo jasné, na základe čoho ste rozhodli a čo môže zákazník urobiť ďalej. Je to práca na hodinu a šablóna potom pracuje pri každej ďalšej reklamácii.

Odmietnutie, ktoré zákazník pochopí, ho neodoženie

Do AI v obsluhe dnes idú peniaze, ktoré predtým platili ľudí. Ak má táto výmena dávať zmysel, AI musí zvládnuť práve tie chvíle, keď firma zákazníkovi povie „nie“. Vybaviť ich vie aj šablóna. Vysvetliť ich vie len ten, kto vie, prečo sa rozhodlo.

Keď vaša firma povie zákazníkovi „nie“ — vie mu povedať aj prečo, tak, aby tomu rozumel?

Zdroje: Gartner, tlačová správa z 26. 8. 2026 (199 vedúcich servisu a podpory, zber apríl – máj 2026) · Gartner, tlačová správa z 8. 7. 2026 (1 303 vedúcich servisu, zber január – apríl 2026) · Nanni, Ordanini & Kannan, „When AI Assists at the Frontline“, Journal of Marketing Research (online-first, kvázi-experiment v bankovníctve) · Fürst, Trißler & Friedrich, „Managing Critical Frontline Agent–Customer Interactions“, Journal of Service Research (online-first, 3 hlavné a 3 doplnkové štúdie). Akademické štúdie som čítal v abstraktoch, plné texty sú za platenou bránou.