Sådan automatiserer du refusioner og bytninger med AI i e-handel
Mandagen efter jul viser din supportkø 412 sager før kl. 9. De fleste af dem er de samme fire spørgsmål: "Hvor er min refusion?", "Kan jeg bytte den til en større størrelse?", "Hvordan starter jeg en returnering?", "Blev min pakke modtaget?" Dit tomandshold vil bruge hele ugen på at slå ordrer op, kopiere sporingsnumre og udstede fragtlabels én ad gangen. Branchedata viser, at detailhandlere forventer, at 17 % af julesalget kommer retur.
Denne guide viser dig, hvordan du bygger et AI-system, der håndterer anmodninger om refusion og bytning fra ende til ende: telefon- og chatsamtaler, politiktjek, svindelscoring, labelgenerering og statusopdateringer i realtid. Til sidst har du en fungerende opsætning, der afviser de rutinemæssige 70-80 % af retursager og eskalerer kun de sager, der reelt kræver et menneske, bygget på Retell AI.
Et altid-tilgængeligt system til returneringer og bytninger, der håndterer indgående opkald og beskeder, verificerer ordrer mod dit OMS, anvender politikregler, genererer labels og sender statusopdateringer til kunden uden at et menneske rører sagen.
Ved slutningen af denne vejledning vil din opsætning:
Før du starter, skal du bruge:
Start med en fungerende agent, før du kobler noget komplekst på. Opret dig på retellai.com, åbn agent-builderen, og vælg en varm, tydelig stemme fra ElevenLabs-biblioteket. Sæt åbningslinjen til noget, dit brand faktisk ville sige: "Hej, det er Maya fra [Brand] — ringer du angående en returnering, en bytning eller noget andet?"
Foretag et testopkald til det midlertidige nummer, som dashboardet tildeler. Du vil høre agenten svare på omkring 600 ms og viderelede baseret på, hvad du siger. På dette tidspunkt kan den endnu ikke slå ordrer op — den viderelder kun intention. Det er fint. Bekræft, at AI-stemmeagenten svarer rent, håndterer afbrydelse, når du taler henover den, og identificerer "returnering", "refusion" og "bytning" som de tre primære intentioner.
Resultat: en live agent, der besvarer opkald og korrekt klassificerer returneringer, refusioner og byttanmodninger som separate flows.
De fleste brands prøver at bygge ét kæmpe flow og fortryder det. Byg tre korte i stedet: refusionsanmodning, byttanmodning og "hvor er min refusion"-statustjek. Hvert flow har brug for en hilsen, et ordreopslagstrin, et politiktjek, en beslutningsforgrening og en bekræftelsesbesked.
For refusionsflowet: hils → bed om ordrenummer eller e-mail → slå ordre op → tjek returvindue → tjek tilstandsspørgsmål → beslut godkend/afvis/eskaler → generer label → bekræft. For byttaflowet indsætter du et "foreslå samme vare i anden størrelse"-trin, før du godkender en refusion — bytninger bevarer den omsætning, som refusioner ødelægger. For statusflowet springer du politiktjekket helt over og trækker refusionsstatussen fra din betalingsudbyder.
Brug den drag-and-drop agentiske framework til at koble hver forgrening. Hold samtalen kort — kunder, der ringer om returneringer, vil have hurtighed, ikke small talk. Sigt efter under 90 sekunder fra hilsen til levering af label på en ren sag.
Resultat: tre kortlagte flows, der dækker 80 % af reelle retursamtaler.
Agenten har brug for live ordredata, ellers er den bare en chatbot med en stemme. Åbn function-calling-sektionen af din agent, og konfigurer en HTTP-forespørgsel til din butiks ordre-API. For Shopify er det Admin API'ens /orders.json-endpoint filtreret efter e-mail eller ordrenummer. For WooCommerce, /wp-json/wc/v3/orders-endpointet. For custom-systemer, det endpoint dit OMS eksponerer.
Sæt webhook-timeouten til mindst 5 sekunder — ordre-API'er kan være langsomme i spidsbelastningstimer. Videregiv det ordrenummer eller den e-mail, den, der ringer, oplyser, som query-parametre. Map de responsfelter, du har brug for: order_date, fulfillment_status, financial_status, line_items, total_price. Tilføj en fallback-forgrening, der beder den, der ringer, om at stave sin e-mail bogstav for bogstav, hvis det første opslag fejler.
Test med fem rigtige ordrenumre fra din database. Agenten bør sige "Det har jeg, jeg kan se din ordre på den marineblå hættetrøje fra 12. november" inden for 2-3 sekunder efter, at den, der ringer, har afsluttet sin anmodning.
Resultat: agenten kan trække enhver rigtig kundeordre og læse de relevante detaljer op under opkaldet.
Generisk AI håndhæver ikke din specifikke politik. Du er nødt til at stave den ud. I agentens beslutningslogik tilføjer du en politiktjek-node efter ordreopslag. Noden evaluerer fire ting i rækkefølge: købsdato mod returvindue, produktkategori mod undtagelser, kundens returhistorik mod din svindeltærskel og varens tilstand baseret på svarene fra den, der ringer.
Eksempel på regelsæt for et tøjbrand: 30-dages vindue fra levering, final-sale-varer ekskluderet, kunder med mere end 6 returneringer på 90 dage markeret til manuel gennemgang, badetøj og undertøj kan ikke returneres. Skriv hver regel som en simpel betingelse, som vidensbasen kan referere til. Inkludér det præcise politiksprog, som de, der ringer, hører, når en anmodning afvises — "Denne vare blev købt for 47 dage siden, og vores returvindue er 30 dage, men jeg kan tilbyde dig 20 % butikskredit som en engangskulance" er bedre end "Din returnering er afvist."
Resultat: agenten godkender berettigede returneringer, afviser uberettigede med en specifik årsag og tilbyder politik-overholdende alternativer som butikskredit eller delvis refusion.
Returneringssvindel udgør cirka 9 % af alle returneringer ifølge NRF, og nogle kategorier ligger langt højere. Din agent skal fange de åbenlyse mønstre uden at bremse legitime kunder. Byg en scoringsfunktion, der kører parallelt med politiktjekket og markerer ethvert af disse signaler: mere end 3 returneringer på 30 dage, retur-til-køb-forhold over 50 %, ordrer med en historik af "aldrig ankommet"-klager modsagt af fragtselskabets leveringsbevis, eller førstegangskunder, der anmoder om refusioner af høj værdi på flere varer fra en enkelt ordre.
Viderelede markerede sager til en viderestilling af opkald med fuld kontekst — den menneskelige agent tager over med en note som "Kunde på ordre 10847, tre returneringer de sidste 21 dage, anmoder om refusion på vare, der vises som leveret og kvitteret." Fortæl ikke den, der ringer, at vedkommende er markeret. Sig "Lad mig få fat i en supervisor, der kan kigge på det sammen med dig."
Resultat: åbenlyse svindelforsøg når manuel gennemgang med bevis vedhæftet, mens rene returneringer glider igennem uden friktion.
Når politiktjekket er bestået, skal agenten handle, ikke bare love handling. Kobl et andet funktionskald til din label-udbyders API — Shippo, EasyPost og ShipStation eksponerer alle et /transactions-endpoint, der returnerer en label-URL givet en ordreadresse og et serviceniveau. Konfigurer agenten til at udløse dette kald i det øjeblik, en returnering godkendes, og send derefter labelen til kunden via SMS eller e-mail under samtalen.
Parallelt affyrer du en webhook til dit WMS eller 3PL, så lageret ved, at en returnering er på vej. Inkludér ordrenummeret, de forventede varer og årsagskoden, så modtagelsen kan viderelede varer, der er beskadiget ved ankomst, til inspektion i stedet for genopfyldning. Dette er trinnet, der adskiller reel automatisering fra smarte chatbots — lagerworkflowet starter, mens den, der ringer, stadig er i røret.
Resultat: kunden modtager en fungerende label inden for 30 sekunder efter godkendelse, og lageret ser den indkommende returnering i sit dashboard, før opkaldet slutter.
Bytninger er der, hvor marginen beskyttes. Når en person, der ringer, siger "Jeg skal returnere disse jeans, de er for store," mister en refusion-først-agent omsætning. En lager-bevidst agent siger "Jeg kan se dem i en størrelse mindre på vores lager — vil du have, jeg sender dem afsted i dag og inkluderer en forudbetalt label til returneringen?"
Tilføj et funktionskald, der tjekker din lager-API for samme SKU i den ønskede alternative størrelse eller farve, før du forgrener til refusionsstien. Hvis der er lager, tilbyder du bytningen først og behandler begge sider af transaktionen — udgående forsendelse af den nye vare, indgående label til den gamle — i et enkelt bekræftelsestrin. AI-kundesupport-flowet håndterer opfølgnings-SMS'en med begge sporingsnumre.
Resultat: 30-40 % af refusionsanmodninger konverteres til bytninger, hvilket bevarer omsætningen i stedet for at tilbageføre den.
Før du går live, kør simuleringstests mod 20-30 realistiske scenarier: ren returnering inden for vindue, returnering uden for vindue, bytning med lager, bytning uden lager, seriereturnør, wardrobing-mistænkt, en der ringer og ikke kender sit ordrenummer, en person med accent eller ikke-modersmålsengelsk, en der afbryder midt i en politikforklaring. Ret alle fejlpunkter, du finder.
Når du trykker på knappen, aktivér analyse efter opkald med tilpassede KPI'er: godkendelsesrate, byttakonverteringsrate, overførselsrate, gennemsnitlig håndteringstid og præcision af svindelmarkering. Sæt en ugentlig gennemgangskadence i den første måned — læs 20 opkaldsudskrifter, kig efter videnshuller, justér politikordlyden eller eskaleringstærsklerne baseret på det, du ser. Planlæg en 2-ugers tuningperiode. De fleste brands lander på 70-80 % fuld håndtering i uge et, stigende til 85-90 % efter den første runde af justeringer.
Resultat: en live returagent med målbare KPI'er og en gentagelig forbedringsløkke.
Hver refusion er et tilbageført salg. Hver bytning bevarer transaktionen. Når den, der ringer, giver en årsag, der antyder, at en bytning virker (forkert størrelse, forkert farve, kunne ikke lide pasformen), skal agenten tilbyde alternativet først. Brands, der omorganiserer samtalen på denne måde, ser 30-40 % af refusionsintentioner konvertere til bytninger. Tving det ikke — hvis den, der ringer, siger "Jeg vil bare have mine penge tilbage," så respektér det og gå videre.
Skriftlig politik læses anderledes end talt politik. "Varer skal være i original tilstand med mærker påsat" fungerer på en hjælpeside. På et opkald lyder det stift. Omskriv hver regel til almindeligt talt dansk, og optag dig selv sige det — hvis du snubler, gør den, der ringer, det også. Gem disse omskrevne linjer i vidensbasen, så agenten bruger dem ordret.
At viderestille til et menneske ved det første uklare svar dræber håndteringen. At lade agenten loope for evigt frustrerer den, der ringer. Sæt et hårdt loft: tre afklaringsforsøg, derefter enten løs eller eskaler. De fleste, der ringer, omformulerer sig succesfuldt på forsøg to; forsøg tre er der, hvor du lærer, om din vidensbase har et reelt hul, eller om den, der ringer, reelt har brug for et menneske.
Automatiserede returneringer lykkes eller fejler på grænsetilfælde, som din politik ikke forudså. Læs 15-20 fulde udskrifter hver uge i den første måned. Du finder mønstre — en produktlinje, der driver 30 % af returneringerne med samme klage, en politikregel, som agenten fortolker for strengt, en frase, som de, der ringer, bliver ved med at bruge, og som din vidensbase ikke genkender. Før rettelserne tilbage ugentligt, og håndteringen stiger synligt.
Agenten godkender en bytning til en kjole i størrelse 6, hvorefter lageret sender en størrelse 6, der har været udsolgt i tre uger. Kunden venter, ringer tilbage vred, og nu har du to sager i stedet for én. Rettelse: kræv lageropslag i realtid, før agenten nogensinde siger ordene "Jeg kan sende den afsted i dag." Hvis lageret er usikkert, lover agenten en erstatningsordre og planlægger en opdatering, ikke en garanteret afsendelsesdato.
Teams bliver begejstrede for grænsetilfælde — gavereturneringer, internationale returneringer, B2B-engrosreturneringer — og prøver at bygge dem i uge et. Resultatet er et skrøbeligt flow, der fejler på de 80 % simple sager. Rettelse: lancer med indenlandske, enkeltvare-, inden-for-vindue-returneringer. Tilføj undtagelser én om ugen derefter, målt mod udskriftsdata.
Dette spørgsmål er ikke support, det er status. Svaret er altid i din betalingsudbyder — Stripe, Braintree, Shopify Payments. Viderelede det ikke gennem agentens politiklogik eller eskaler det til et menneske. Kobl et direkte funktionskald til betalings-API'en, træk refusionsstatussen, og lad agenten læse den op. Brands, der gør dette rigtigt, afviser 90 %+ af refusionsstatus-opkald med nul menneskelig involvering.
Returvolumen stiger 3-5x over det månedlige gennemsnit i januar for de fleste tøj- og gavetunge brands. Hvis din agent er konfigureret til normal volumen, eksploderer din overførselsrate, og de menneskelige agenter drukner. Rettelse: hæv din kapacitet for samtidige opkald før 26. december, ikke efter, og gennemgå dine svindeltærskler — refusionsmisbrug stiger også i samme vindue.
Beskadigede varer bestridt af kunden, internationale toldtvister, B2B-delvise returneringer og enhver sag, der involverer en chargeback, er stadig menneskearbejde. Prøv ikke at automatisere dem. Fortæl den, der ringer, ærligt: "Denne her kræver, at nogen fra vores team kigger på den — jeg forbinder dig nu med den fulde kontekst af, hvad vi har drøftet." De, der ringer, respekterer ærlige overdragelser langt mere end en bot, der lader som om.
SWTCH implementerede en AI-stemmeagent ved navn Lucas til at håndtere supportopkald med høj volumen fra EV-førere. Teamet oplevede, at supportomkostningerne faldt med mere end 50 %, mens svartiderne styrtdykkede fra minutter til sekunder. CEO Carter Li bemærkede, at agenten forbedrede SaaS-marginer, mens servicekvaliteten forblev intakt. Læs SWTCH-casestudiet.
Anker genopbyggede global kundesupport på AI-stemmeagenter til at håndtere produktspørgsmål, garantikrav og returneringer på tværs af flere sprog. Resultatet var samtaler af menneskelig kvalitet i stor skala, uden bemandingsomkostningerne ved at køre døgnbaseret flersproget dækning. Forbrugerelektronik-brandet kører nu den samme agent-framework på tværs af sine internationale markeder.
Medical Data Systems skalerede håndtering af indgående opkald til 100 % AI-dækning med kun en 30 % overførselsrate til mennesker. Teamet indsamler cirka 280.000 USD om måneden gennem AI-stemmeagenter, mens de opretholder de compliance-standarder, deres branche kræver — en model, som e-handelsbrands kan tilpasse til returarbejde, der berører betalinger og PII.
De fleste brands går fra oprettelse til en live agent, der håndterer grundlæggende returflows, på 3-5 dage. Det længere arbejde er at kode dine politikregler og forbinde dit OMS, hvilket typisk tilføjer endnu en uge. Budgettér to fulde uger fra oprettelse til produktion, hvis din politik er ligetil, fire uger, hvis du har komplekse kategoriundtagelser eller internationale flows.
Ja. Agenten forbindes til Shopifys Admin API for ordreopslag, kundehistorik og initiering af refusion, og til din valgte fragtudbyder for labelgenerering. Ingen Shopify Plus-krav for den grundlæggende integration. Hvis du kører et 3PL, tilføjer du en webhook til deres modtagelses-endpoint, så returneringer dukker op i deres dashboard.
Retell AI-priser starter ved 0,07 USD pr. minuts opkaldstid uden platformsgebyrer, og hver ny konto får 10 USD i gratis kreditter — nok til cirka 140 minutters agenttest. For et brand, der håndterer 1.000 returopkald om måneden med et gennemsnit på 2 minutter hver, er det omkring 140 USD/måned i agentomkostninger, sammenlignet med 15-25 USD/time for en menneskelig agent, der håndterer samme volumen.
Agenten eskalerer til et menneske med fuld kontekst. Mennesket ser ordredetaljerne, hvad den, der ringer, bad om, hvilket politiktjek der udløstes, og eventuelle markerede svindelsignaler. Overførslen tager under 2 sekunder, og den, der ringer, behøver ikke at gentage noget. De fleste teams ser overførselsrater lægge sig på 15-25 %, når agenten er tunet, mens resten løses fra ende til ende.
For rutinesager inden for politik, ja. For sager af høj værdi, bestridte eller markerede sager bør du holde mennesker i loopet uanset, hvor kapabel AI'en bliver. Konfigurer din agent til automatisk at godkende refusioner under en beløbstærskel, du definerer (mange brands starter ved 100 USD), og eskaler alt derover eller alt med et svindelsignal. Denne balance beskytter marginen uden at skabe efterslæb.
Agenten kan markere mønstre, der korrelerer med svindel — høj returfrekvens, leveringstvister modsagt af fragtselskabets registreringer, ordrer med wardrobing-signaler — og viderelede dem til manuel gennemgang. Den kan ikke definitivt identificere svindel, og det bør du ikke ønske, at den gør. Målet er at fange åbenlyst misbrug og lade mennesker træffe den endelige afgørelse i tvetydige sager.
"Hvor er min refusion" er det enkeltstående returrelaterede opkald med højeste volumen i e-handel. Agenten slår refusionsstatussen direkte op i din betalingsudbyder, fortæller den, der ringer, den aktuelle status og den forventede færdiggørelsesdato, og tilbyder en tilbagekaldelse, hvis noget ser fastlåst ud. Dette ene flow alene afviser typisk 25-35 % af al returrelateret opkaldsvolumen.
De fleste, der ringer, kan mærke det inden for de første 10-15 sekunder uanset, hvordan du indrammer det. Spørgsmålet er, om de bekymrer sig om det. Med ~600 ms responslatens og naturlig turtagning bliver de, der ringer, i samtalen, fordi oplevelsen er hurtigere end at vente i kø på et menneske. Vær ligefrem — "Jeg er en AI-assistent" i hilsenen forbedrer faktisk tilliden versus at prøve at gå for et menneske.
Ja. Platformen understøtter 31+ sprog med naturlig udtale gennem ElevenLabs, og 50+ med OpenAI TTS. Sæt sprogregistrering på den første ytring fra den, der ringer, og agenten skifter automatisk. Dette betyder mere for brands, der sælger internationalt — en enkelt agent dækker engelske, spanske, franske og tyske kunder uden separate implementeringer.
Spor fem tal ugentligt: håndteringsrate (procentdel af opkald løst uden overførsel), byttakonverteringsrate (procentdel af refusionsintentioner omdannet til bytninger), gennemsnitlig håndteringstid, præcision af svindelmarkering (hvor ofte markerede sager reelt var svindel) og CSAT fra undersøgelser efter opkald. Hvis håndteringen er under 70 % efter tre uger, har din vidensbase huller. Hvis byttakonverteringen er under 20 %, skal din anbefalingslogik forbedres.
Du har nu en fungerende agent til returneringer og bytninger, der håndterer berettigelsestjek, genererer labels, skubber bytninger frem for refusioner hvor muligt, og eskalerer svindelsignaler og grænsetilfælde til mennesker med fuld kontekst.
Herfra kan du udvide den samme agent-framework til at håndtere udgående refusionsbekræftelsesopkald, tilfredshedsopfølgninger efter bytning eller påmindelser om afbrudte returneringer for kunder, der startede en returnering, men aldrig sendte varen. Du kan også implementere den samme struktur til ordresporing, håndtering af leveringstvister eller fuld AI-kundesupport på tværs af alle returtilstødende workflows.
Kom godt i gang gratis med 10 USD i forbrugskreditter på retellai.com.
See how much your business could save by switching to AI-powered voice agents.
Total Human Agent Cost
AI Agent Cost
Estimated Savings
Et demonummer fra Retell Clinic Office
Start building smarter conversations today.
.avif)
.avif)
