Sztuczna inteligencja w biznesie: gdzie oszczędza czas

Sztuczna inteligencja w biznesie sprawdza się tam, gdzie proces jest powtarzalny i dobrze opisany, a decyzja zostaje przy człowieku. W odróżnieniu od generatywnej AI, o której pisaliśmy przy okazji rewolucji w tworzeniu treści i projektowaniu produktów, takie zastosowania to praca w tle: klasyfikacja, ekstrakcja danych, alarmowanie. Jest mniej efektowna, za to częściej się opłaca.

Gdzie AI już pracuje w firmach

W obsłudze klienta chatboty oparte na przetwarzaniu języka naturalnego (natural language processing) przejmują pierwszy kontakt: klasyfikują zgłoszenie, dopasowują odpowiedź z bazy wiedzy albo kierują sprawę do właściwego działu. Człowiek wchodzi tam, gdzie wzorzec się kończy: przy nietypowej reklamacji, zirytowanym kliencie albo sprawie bez precedensu w historii zgłoszeń.

Podobnie działa ekstrakcja danych z dokumentów. Faktura, umowa albo zamówienie wchodzi jako skan albo PDF, a model odczytuje z niego kwotę, termin i strony, zamiast żeby ktoś przepisywał to ręcznie do systemu. Błąd odczytu zdarza się rzadko, ale się zdarza. Dlatego wynik trafia najpierw do zatwierdzenia, a dopiero potem do księgowania.

W finansach najczęstszym zastosowaniem jest wykrywanie odchyleń: transakcja poza typowym zakresem kwoty, faktura bez powiązanego zamówienia, płatność do nowego kontrahenta. Model oznacza taką sprawę do przejrzenia przez człowieka, zanim pieniądze pójdą dalej, a ocenę, czy to oszustwo, zostawia jemu.

W zarządzaniu AI najrzadziej podejmuje decyzję, a najczęściej przygotowuje do niej materiał: zestawienie sprzedaży z ostatniego tygodnia, odchylenie od planu, listę klientów o rosnącym ryzyku odejścia. AI w zarządzaniu procesami biznesowymi zaczyna się właśnie tutaj, od skrócenia czasu między pytaniem a odpowiedzią, a interpretacja tej odpowiedzi zostaje przy człowieku.

W marketingu i sprzedaży rola AI jest węższa, niż można by sądzić. Segmentacja klientów na podstawie zachowań i dynamiczne dopasowanie oferty do popytu działają dobrze tam, gdzie dane historyczne są czyste i regularne. Tam, gdzie ich brakuje, model uczy się szumu zamiast wzorca.

We wszystkich czterech obszarach proces musi być opisany, zanim ktokolwiek zacznie go automatyzować.

Automatyzacja procesu jako pierwszy krok

Zanim firma podłączy model językowy do procesu, warto sprawdzić, czy ten proces w ogóle da się opisać jako powtarzalna sekwencja kroków z jasnymi wyjątkami. Jeśli tak, automatyzacja powtarzalnego procesu sama w sobie bywa większą oszczędnością niż jakikolwiek model. Prosty proces wewnętrzny często da się najpierw złożyć na platformie low-code jako prototyp, zanim ktoś zacznie budować go od zera.

Przed samą sztuczną inteligencją jest jeszcze etap porządkowania: ujednolicenie formatu danych wejściowych, nazwanie reguł wyjątków, ustalenie, kto przegląda wynik przed jego użyciem. Model dołożony do procesu, który tego etapu nie przeszedł, dziedziczy chaos, który miał rozwiązać.

Cyber Katalog: automatyzacja bez modelu językowego

Cyber Katalog pokazuje tę zasadę bez udziału modelu językowego. Cała warstwa danych serwisu opiera się na zaplanowanych przebiegach uruchamianych cyklicznie, a każde źródło ma własny harmonogram, rozsunięty względem pozostałych. Nieudany przebieg trafia na Slacka, zanim ktokolwiek zdąży zajrzeć do logów. Osobna bramka jakości w CI przepuszcza zmianę dopiero po komplecie zielonych etapów, więc zmiana z błędem nie przechodzi po cichu.

Taka dyscyplina jest warunkiem udanego wdrożenia AI: dane muszą spływać bez ręcznego kroku, a błąd musi być widoczny od razu. Firma, która nie ma tego poukładanego, nie rozwiąże problemu samym dołożeniem modelu.

Czego AI nie zrobi za firmę

Wdrożenie kosztuje więcej niż licencja na model albo sprzęt, na którym działa, od procesorów serwerowych Intela po karty graficzne. Trzeba opisać proces, wyczyścić dane wejściowe i ustalić, kto przegląda wynik, zanim trafi dalej. Model, który klasyfikuje zgłoszenie błędnie raz na sto przypadków, wygląda dobrze na demo, ale po miesiącu produkcji wygląda źle, jeśli nikt nie sprawdza tego jednego przypadku na sto.

Tam, gdzie błąd kosztuje więcej niż czas zaoszczędzony przez automatyzację, nadzór człowieka jest stałym elementem procesu. Im wyższa stawka decyzji, tym mocniej ta zasada się utrzymuje. W praktyce oznacza to próg: poniżej pewnej kwoty albo pewnego poziomu pewności model działa sam, a powyżej czeka na człowieka. Ten próg trzeba świadomie ustawić, a potem sprawdzać, ile spraw przez niego faktycznie przechodzi.

Firma, która najpierw porządkuje proces, a dopiero potem dokłada do niego model, zwykle kończy z rozwiązaniem tańszym w utrzymaniu niż ta, która zaczyna od modelu i dorabia proces wokół niego. Skontaktuj się z nami, jeśli chcesz sprawdzić, który z Twoich procesów jest gotowy na ten pierwszy krok.