Automatiseeritud trahvid: õppetunnid Eesti e-poodidele

Detsembris 2025 käib Eestis arutelu, kas riik võiks hakata automaatselt määrama viiviseid ja muid trahve — ning jätta inimese rolli alles peamiselt vaidlustamise ja erandite jaoks. See pole lihtsalt “riigi IT” teema. See on väga praktiline signaal igale Eesti e-kaubandusele ja SaaS-ettevõttele: kui reeglitel põhinevaid otsuseid saab turvaliselt automatiseerida avalikus sektoris, saab seda teha ka e-poes.

Kõige huvitavam osa pole isegi tehnoloogia. See on protsess. Riigi plaanist joonistub välja mudel, mis töötab hästi ka e-kaubanduses: masin teeb standardse otsuse kiiresti, inimene jääb “appeal layer’iks”, ning kliendile peab jääma õigus saada aru, miks otsus tehti ja kuidas seda vaidlustada. Kui sa ehitad AI-d klienditoe, arvelduse, pettusetuvastuse või tagastuste haldusesse, on see raamistik kuldaväärt.

See postitus on osa sarjast “Tehisintellekt idufirmade ja SaaS-ettevõtete turunduses”. Turundus ei ole ainult reklaamtekst ja kampaaniad — turundus on ka see, kui kiiresti ja õiglaselt su teenus töötab. Eriti jõulujärgsel perioodil, kui tagastused, maksetõrked ja kliendipäringud kasvavad.

Mida Eesti riigi plaan tegelikult ütleb (ja miks see loeb)

Riigi ettepaneku keskne mõte on lihtne: lubada ametiasutustel teha teatud haldusotsuseid algoritmiga, sh mõnes olukorras ka otsuseid, mis varem olid “kaalutlusotsused” (nt kui suur viivis või trahv rakendada). Samas säilib inimese roll, sest:

• inimene peab saama ette teatatud enne negatiivset otsust,
• inimesel peab olema aeg reageerida (artiklis mainitakse suurusjärku 10–14 päeva),
• vaidlustamise korral peab protsessi üle võtma inimametnik,
• keerukamad ja nüansirohked juhtumid (nt ruumiplaneerimine) ei sobi automatiseerimiseks.

E-kaubanduse paralleel on ilmne. Sul on hulk protsesse, kus 80–90% juhtumitest on standardsed ja korduvad:

• hilinenud makse meeldetuletused,
• tagastuse staatuse muutmine,
• kompensatsioon tarnetõrke korral,
• pettuseriski skoorimine,
• klienditoe triage (piletite suunamine).

Enamik ettevõtteid saab automatiseerimisest kasu ainult siis, kui nad ehitavad samaaegselt ka vaidlustamise ja erandite tee. Riigi lähenemine on hea “sunnitud distsipliin”: automaatika + seletus + inimese tugi.

“Diskretsioon” e-poes: jah, sul on seda rohkem kui arvad

Riigitekstis räägitakse kaalutlusotsustest: reeglid lubavad mitut tulemust ja tuleb valida sobiv. Paljud e-poed arvavad, et neil on ainult “hard rules” (tasutud/mitte tasutud; saadetud/mitte saadetud). Tegelikult on diskretsiooni palju:

Tagastused ja garantiijuhtumid

Otsus ei ole ainult “kas võtta vastu”. Otsus on tihti:

• kas pakkuda raha tagasi või kinkekaarti,
• kas katta tagastuse saatmine,
• kas teha osaline tagasimakse (nt avatud pakend),
• kas lahendada kohe või küsida lisatõendeid.

Siin toimib hästi “riigi mudel”: algoritm teeb vaikimisi pakkumise, klient saab põhjenduse ja võimaluse vaidlustada.

Püsikliendi erandid ja kompensatsioon

Kui VIP-klient on saanud kaks hilinenud tarnet järjest, on “õige” kompensatsioon suurem kui uuel kliendil. See on kaalutlusotsus, mida saab standardiseerida:

• tellimuste arv 12 kuu jooksul,
• viivituste arv,
• kliendi LTV (life-time value),
• varasemad kompensatsioonid.

Tehisintellekt e-kaubanduses Eestis ei pea tähendama suurt keelemudelit. Sageli piisab läbipaistvast skoorist ja reeglimootorist, mis on seotud kliendiandmetega.

Kaks reeglit, mis määravad automatiseerimise edu: andmed ja seletatavus

Riigi nõunik rõhutas üht riski, mida ma näen ettevõtetes iga nädal: vale andmestik. Kui register on vale, on ka algoritmi otsus vale. E-poes on “register” sinu CRM, ERP, laohaldus, maksesüsteem ja tarnepartnerite staatused.

1) Andmete kvaliteet on automaatika tegelik eeldus

Kui sul on segadus aadressidega, laoseisudega või tagastusakende reeglitega, siis AI ainult skaleerib segadust.

Praktiline kontrollnimekiri enne automatiseerimist:

• Kas “tellimuse staatused” on üheselt mõistetavad (ja neid pole 17 varianti)?
• Kas tagastuse põhjus on struktureeritud valik, mitte vaba tekst?
• Kas tarneviivitus tuleb süsteemi automaatselt või käsitsi?
• Kas klienditeenindus logib lahenduse põhjuse ühtse klassifikaatoriga?

Kui vastus on “ei”, alusta siit. See on odavam kui hiljem AI-d “treenida” halvale infole.

2) Seletatavus ei ole juriidiline luksus, vaid kasvuvõimendi

Riigi plaanis on sees põhimõte: negatiivne otsus vajab inimesele arusaadavat teavitust ja võimalust reageerida. E-poes tähendab see:

• miks tellimus pandi kontrolli,
• miks tagastus lükati tagasi,
• miks makse läks “manual review” alla.

Hea seletus vähendab tiketeid. Halb seletus teeb klienditoe kalliks ja sööb NPS-i.

Snippet-worthy lause, mida tasub meeles pidada: Automaatne otsus ilma selgituseta on lihtsalt automaatne konflikt.

Kuidas siduda automatiseerimine turundusega (eriti SaaS-is)

Selles sarjas räägime tehisintellektist turunduses, sest kasv ei tule ainult reklaamieelarvest. Kui su protsessid on aeglased või ebaõiglased, maksad sa selle kinni:

• kehvade arvustustega,
• kõrgema churn’iga,
• kõrgema CAC’iga (sest uute klientide ostmine kompenseerib lahkujaid).

Eriti SaaS-ettevõtetes on automatiseeritud otsustamine turunduse tuum:

• automaatne trial-to-paid konversiooni suunamine,
• arveldusprobleemide “dunning” (meeldetuletused, makseviiside uuendamine),
• riskipõhine ligipääs (nt kõrge pettuseriskiga kontode piiramine).

Kui sa teed seda, tee nagu riik plaanib: default on automaatika, aga kasutajal on tee inimeseni. See üks detail hoiab ära palju brändikahju.

Praktiline raamistik: “Auto-otsus + paus + inimene”

Riigi mudeli saab e-kaubanduses võtta tööle nelja sammuga.

1) Vali üks kitsas protsess, kus otsus on sagedane

Head stardikohad (tavaliselt suurima mahuga):

• hilinenud arve meeldetuletused (B2B e-kaubandus või järelmaks),
• tagastuse esmane sobivuskontroll,
• tarnetõrke kompensatsiooni pakkumine.

2) Kirjuta otsus reeglitena, mitte “AI-na”

Näide tagastusele:

• kui ostust < 14 päeva ja toode on “standard” ja pole hügieenitoode → auto-approve,
• kui klient on varem teinud > 5 tagastust 60 päeva jooksul → suuna inimesele,
• kui toode on “erandkategooria” → küsi lisainfot.

Selle peale saab hiljem lisada ML-i, kuid algus peab olema auditeeritav.

3) Lisa “paus”, kus klient saab reageerida

Riigi mõttes on see etteteatamine. E-poes võib see olla:

• e-kiri või äpisõnum: “Me kavatsesime teha X, sest Y. Kui see pole õige, vasta 72h jooksul.”
• iseteeninduse vorm: “Lisa tõend / selgita olukorda.”

4) Inimene võtab üle vaid siis, kui signaal ütleb “erand”

Kogu mõte on koormust vähendada, mitte seda uude kohta tõsta. Seega määra “escalation triggers”:

• kliendi vastus/vaidlustus,
• kõrge rahaline risk,
• ebatavaline käitumine (nt mitu kontot, mitu kaarti),
• andmete vastuolu (aadressid, tarnekoodid, laoseis).

“Kas AI võib teha negatiivseid otsuseid?” — e-poe vaade

See on küsimus, mida juhid kardavad põhjusega. Minu seisukoht: AI võib teha negatiivseid otsuseid ainult siis, kui kolm tingimust on täidetud:

1. Otsus on tõendatavalt seotud kindlate reeglite või selgete signaalidega.
2. Kliendil on arusaadav selgitus ja lihtne viis vaidlustada.
3. Ettevõttel on logid: kes, millal, mis andmetega, mis reegliga otsustas.

Kui mõni neist puudub, tekib “robot ütles ei” olukord. See on brändile kallis ja tavaliselt ka juriidiliselt ebamugav.

Mida teha juba jaanuaris 2026: 30-päeva plaan e-poele või SaaS-ile

Kui tahad tehisintellekti e-kaubanduses Eestis kasutada nii, et see annaks päriselt efekti, tee see järjekorras.

1. Kaardista 20 kõige korduvamat otsust (klienditugi, arveldus, tagastused, pettus). Pane juurde maht nädalas.
2. Vali üks protsess, kus on suur maht ja madal risk. See on sinu piloot.
3. Standardiseeri andmed: põhjusekoodid, staatuseväljad, ajad, SLA-d.
4. Kirjelda otsus reeglitena ja defineeri erandid.
5. Ehita teavitus + vaidlustuskanal (isegi kui see on alguses lihtne vorm).
6. Loo mõõdikud: keskmine lahendusaeg, tiketite maht, vaidlustuste osakaal, kliendirahulolu.

Kui see töötab, siis alles vali, kas juurde on vaja masinõpet, LLM-i või piisab reeglitest.

Automaatika pole eesmärk. Õiglane kiirus on.

Eesti riigi plaan automatiseerida viiviseid ja muid trahve näitab, kuhu suund liigub: standardne otsus tehakse masinaga, erand läheb inimesele, ja kliendil jääb kontroll. E-kaubanduses ja SaaS-is on see sama valem kõige sirgem tee kulude alla toomiseks, ilma et kliendikogemus kannataks.

Kui sa ehitad automatiseerimise nii, et klient ei saa aru, mis juhtus, tõstad sa lihtsalt pinge klienditoele ja brändile. Kui sa ehitad selle nii, et otsus on seletatav ja vaidlustatav, saad sa samaaegselt kolm tulemust: kiirem teenus, madalamad kulud ja rohkem usaldust.

Mis on sinu ettevõttes see üks otsus, mida tehakse iga päev kümneid kordi — ja mida sa tegelikult ei peaks enam käsitsi tegema?