Nie każdy problem z danymi jest problemem dla AI
Firmy często wrzucają do jednego worka automatyzację, analizę danych i sztuczną inteligencję. Tymczasem są to różne narzędzia. Jeżeli faktura zawsze ma ten sam format, a numer zamówienia znajduje się w tym samym polu, zwykła reguła będzie tańsza, szybsza i łatwiejsza do sprawdzenia niż model językowy.
AI staje się interesujące wtedy, gdy wejście jest niejednoznaczne: wiadomości klientów są pisane własnymi słowami, dokumenty różnią się układem, a odpowiedź wymaga znalezienia sensu, nie tylko wartości w konkretnej kolumnie. Nawet wtedy model jest częścią procesu, a nie całym procesem.
Sytuacje, w których AI może dać realną wartość
Pierwsza grupa zastosowań to porządkowanie dużej ilości treści. Model może przygotować streszczenie korespondencji, wydobyć tematy z opisów zgłoszeń albo wstępnie sklasyfikować dokumenty. Człowiek nadal powinien mieć możliwość sprawdzenia źródła, szczególnie gdy decyzja wpływa na pieniądze, klienta lub zobowiązanie firmy.
Druga grupa to pomoc w tworzeniu pierwszej wersji: odpowiedzi, opisu, raportu lub instrukcji. Wartość nie polega na tym, że AI publikuje materiał samodzielnie, lecz że osoba odpowiedzialna zaczyna od roboczej propozycji zamiast pustej kartki. Trzecia grupa to wyszukiwanie informacji w rozproszonej wiedzy firmy, o ile odpowiedź prowadzi do dokumentów źródłowych i jasno pokazuje granice pewności.
Przykład: obsługa zapytań klientów
AI może rozpoznać temat wiadomości i przygotować propozycję odpowiedzi na podstawie zatwierdzonej bazy wiedzy. Zwykła automatyzacja może następnie przypisać zgłoszenie do właściwego zespołu i ustawić termin. Ostateczna wysyłka pozostaje po stronie pracownika w sprawach, których koszt pomyłki jest wysoki. To połączenie kilku prostych mechanizmów, a nie „agent”, który sam prowadzi cały dział.
Kiedy prostsza automatyzacja będzie lepsza
Jeżeli proces ma jasne reguły, przewidywalne dane i jeden prawidłowy wynik, AI zwykle dodaje niepotrzebną niepewność. Przeniesienie zaakceptowanego zamówienia do systemu magazynowego, wysłanie przypomnienia trzy dni przed terminem czy wygenerowanie dokumentu z ustalonego szablonu nie wymagają modelu.
Prostsze rozwiązanie łatwiej przetestować, monitorować i wyjaśnić. Wiadomo, dlaczego wykonało konkretną akcję oraz co stanie się po błędzie. To szczególnie ważne w procesach finansowych, prawnych i operacyjnych, w których przewidywalność ma większą wartość niż elastyczność językowa.
Trzy koszty, o których łatwo zapomnieć
Pierwszym jest przygotowanie danych i wiedzy. Model nie naprawi sprzecznych instrukcji, nieaktualnych dokumentów ani rozproszonych uprawnień. Drugim jest ocena jakości. Ktoś musi określić przykłady dobrych i złych wyników, a potem regularnie sprawdzać, czy rozwiązanie nadal działa zgodnie z oczekiwaniem.
Trzeci koszt to obsługa wyjątków. Co ma się wydarzyć, gdy model nie jest pewny, źródło nie zawiera odpowiedzi albo proponowana akcja przekracza uprawnienia? Bez tej ścieżki pozornie inteligentna automatyzacja przenosi pracę na ludzi w najmniej przewidywalnym momencie.
Jak wybrać pierwszy przypadek użycia AI
Wybierz zadanie, które występuje często, ma dostępne przykłady i obecnie zajmuje ludziom zauważalną część dnia. Jednocześnie koszt pojedynczej pomyłki powinien być ograniczony, a wynik możliwy do sprawdzenia przed dalszą akcją. To lepszy start niż proces rzadki, krytyczny i pozbawiony danych historycznych.
Przed wdrożeniem zapisz stan obecny: ile pracy wymaga zadanie, gdzie pojawiają się błędy i co uznajesz za dobry wynik. Następnie uruchom ograniczony pilotaż z ludzkim przeglądem. Jeżeli rozwiązanie nie daje przewagi nad dobrą regułą, wyszukiwarką lub zmianą procesu, rezygnacja jest poprawnym wynikiem testu.
AI powinno być uzasadnieniem, nie dekoracją
Sens wdrożenia nie wynika z tego, że narzędzie wykorzystuje model. Wynika z krótszego czasu dotarcia do informacji, mniejszej liczby ręcznych kroków albo lepszej jakości pierwszej wersji — przy zachowaniu kontroli nad decyzją. Jeśli nie da się wskazać takiego efektu, prawdopodobnie nie warto jeszcze dodawać AI.
Najlepsze zastosowania AI zwykle są mniej widowiskowe, niż sugerują prezentacje. Mają jasno wyznaczone zadanie, mierzalną jakość i człowieka, który wie, kiedy nie ufać wynikowi.