Automatyzacje AI

Automatyzacja AI łączy modele sztucznej inteligencji z przepływami pracy: system analizuje dane, a następnie wykonuje wynikające z nich działania. [1] W artykule pokazujemy, jak przygotować proces do wdrożenia i kontrolować jego wyniki. Przyglądamy się też pracy nad treściami oraz widoczności firmy w odpowiedziach AI. Według szacunków McKinsey z 2023 r. czynności o teoretycznym potencjale automatyzacji z użyciem generatywnej AI i innych technologii zajmują 60–70% czasu pracy [2].

Jakie wyzwania skłaniają firmy do automatyzacji AI

Firmy sięgają po AI, gdy pracownicy wielokrotnie odczytują informacje, interpretują je i dopiero wtedy mogą przejść do następnego zadania. Zespół obsługi klienta musi na przykład rozpoznać temat zapytania, znaleźć właściwe dane i przygotować odpowiedź. Jeśli robi to ręcznie w kilku systemach, więcej czasu poświęca na przenoszenie informacji niż na rozwiązanie sprawy. W badaniu Brynjolfssona, Li i Raymond pracownicy wspierani przez AI rozwiązywali średnio o 14% więcej zgłoszeń klientów na godzinę [3].

Rozproszenie danych utrudnia utrzymanie spójnego procesu. Szczegóły tej samej sprawy bywają zapisane w wiadomości, dokumencie i systemie obsługi klientów; po zmianie trzeba je ponownie uzgodnić. Automatyzacja ma sens, gdy wiemy, skąd pochodzą dane, komu przekazać zadanie i kto odpowiada za wynik. W raporcie MuleSoft z 2024 r. 81% badanych liderów IT wskazało silosy danych jako przeszkodę w transformacji cyfrowej [4].

Zmienne treści wejściowe stawiają firmie inne wymagania. Klienci nie będą przecież zadawać pytań według jednego szablonu. Model językowy może uporządkować zgłoszenia albo przygotować roboczą odpowiedź, ale firma musi wskazać decyzje wymagające zatwierdzenia przez człowieka. Wdrożenie ma odciążyć zespół w wybranym procesie, nie automatyzować każdą czynność. W przypadku systemów AI wysokiego ryzyka art. 14 ust. 4 AI Act przewiduje nadzór człowieka, w tym możliwość zignorowania wyniku [5].

Czym są automatyzacje AI i co warto o nich wiedzieć

Automatyzacja procesów biznesowych przekazuje zadania i informacje między ludźmi lub systemami według ustalonego przebiegu pracy. W automatyzacji AI część informacji interpretuje model, zamiast opierać całe działanie na wcześniej zapisanych warunkach. Model może rozpoznać temat zgłoszenia, a reguła biznesowa wskazać osobę, która je otrzyma. IBM wyróżnia pięć etapów cyklu zarządzania procesem: projektowanie, modelowanie, wykonanie, monitorowanie i optymalizację [6].

Dane nieustrukturyzowane nie mają jednolitego układu pól – należą do nich choćby swobodnie napisane wiadomości. Automatyzacja oparta na stałych regułach potrzebuje przewidzianych warunków, podczas gdy AI może interpretować e-maile, umowy i transkrypcje rozmów. [1] Nie znaczy to, że jej wynik można przyjąć bez sprawdzenia. Zakres samodzielnego działania systemu zależy od skutków błędnej odpowiedzi [7].

RPA, czyli zrobotyzowana automatyzacja procesów, wykonuje powtarzalne czynności w interfejsach systemów. Hiperautomatyzacja łączy AI, narzędzia niskokodowe i RPA. [8] Każdy z tych elementów ma inne zadanie: model interpretuje treść, pozostałe mechanizmy przekazują wynik lub wykonują czynność w systemie. Gartner prognozował, że do 2024 r. połączenie hiperautomatyzacji z przeprojektowaniem procesów obniży koszty operacyjne organizacji o 30% [9].

Tabela porównuje automatyzację opartą na regułach z automatyzacją AI: ich dane wejściowe, sposób działania, ograniczenia i przypadki, w których nie są odpowiednie.

Gdy treść wymaga interpretacji, model uzupełnia stałe reguły. To one nadal wyznaczają przebieg procesu i granice działania systemu.

Jak działają automatyzacje AI krok po kroku

Proces prowadzi od zgłoszenia lub dokumentu do konkretnego zadania. Człowiek zachowuje kontrolę tam, gdzie wynik wymaga decyzji. Przy przygotowaniu oferty na podstawie rozmowy telefonicznej system może uporządkować informacje, wskazać braki i przekazać projekt sprzedawcy. Ramy NIST AI RMF 1.0 obejmują cztery funkcje zarządzania ryzykiem: Govern, Map, Measure i Manage [10].

• Pozyskanie danych zaczyna się od odebrania wiadomości, formularza, nagrania lub dokumentu. System przypisuje materiał do właściwej sprawy, by nie pomieszać informacji różnych klientów.
• Transkrypcja AI zamienia nagraną rozmowę w tekst do dalszego przetwarzania. Zapis jest materiałem wejściowym, nie potwierdzeniem poprawności nazw, liczb czy ustaleń [11].
• Przetwarzanie dokumentów wyodrębnia pola potrzebne do pracy: przedmiot zapytania, wymagania klienta lub dane z faktury. System oznacza informacje, których nie znalazł albo nie potrafi jednoznacznie przypisać.
• Sprawdzenie warunków procesu polega na porównaniu wyodrębnionych informacji z wymaganiami zadania. Jeśli zapytanie jest niepełne, system przygotowuje prośbę o uzupełnienie danych, zamiast zgadywać treść oferty.
• Przygotowanie wyniku daje projekt odpowiedzi lub oferty oparty na danych dopuszczonych do użycia. Sprzedawca otrzymuje informacje potrzebne do sprawdzenia treści przed wysłaniem jej klientowi.
• Zatwierdzenie i wykonanie zadania kieruje projekt do osoby odpowiedzialnej. Po akceptacji system zapisuje wynik we właściwym miejscu lub wysyła odpowiedź. Sprzeczne wymagania klienta pozostają do rozstrzygnięcia przez człowieka.

Rezultatem automatyzacji procesu ofertowego jest projekt oparty na dostępnych danych, ze wskazaniem braków i kwestii wymagających zatwierdzenia. Nie jest nim oferta wysłana bez wiedzy sprzedawcy. Dla systemów AI wysokiego ryzyka art. 14 ust. 4 lit. d AI Act przewiduje możliwość zignorowania przez nadzorującego wyniku systemu [5].

Czym jest automatyzacja AI w firmie i jak wykorzystuje modele językowe w procesach?

W firmowym procesie model interpretuje dane albo przygotowuje materiał do dalszej pracy. Uczenie maszynowe polega na wyznaczaniu wzorców z danych, a przetwarzanie języka naturalnego obejmuje analizę i tworzenie tekstu w ludzkim języku. Model językowy przydaje się, gdy trzeba zrozumieć pytanie, dokument lub swobodnie napisaną wiadomość. Art. 3 pkt 1 AI Act definiuje system AI, wskazując, że może generować między innymi predykcje, treści, zalecenia lub decyzje [12].

Generatywna sztuczna inteligencja tworzy nową treść na podstawie polecenia i udostępnionego kontekstu. Może to być projekt odpowiedzi dla klienta. Przy obsłudze zapytań model rozpoznaje produkt, o który pyta klient, i korzysta z zatwierdzonych informacji. Gotowy tekst nadal trzeba sprawdzić z ofertą firmy; proces powinien wskazywać źródła i osobę zatwierdzającą odpowiedź. Według komunikatu Klarny jej asystent AI obsłużył dwie trzecie rozmów z działem obsługi klientów w pierwszym miesiącu działania [13].

Asystent zakupowy nie zawsze potrzebuje modelu językowego. Gdy klient wybiera produkt w zamkniętym formularzu, wystarczą reguły przypisujące opcje do odpowiedzi. Model pomaga wtedy, gdy klient opisuje potrzeby własnymi słowami. System musi wówczas rozpoznać wymagania i wskazać dane brakujące do przygotowania propozycji.

Agenci AI to systemy, w których model wybiera kolejne działania spośród udostępnionych funkcji. Może pobrać dane z katalogu albo przekazać sprawę pracownikowi. Zakres tych działań wyznaczają uprawnienia agenta, dostępne źródła i warunki zatwierdzenia. Model językowy interpretuje treść, ale nie zastępuje reguł biznesowych ani odpowiedzialności pracownika [14].

Z jakich elementów składa się automatyzacja AI, na przykład modelu, danych, integracji i kontroli człowieka?

Na rozwiązanie składają się model, dane potrzebne do zadania, integracje z firmowymi systemami i kontrola człowieka. Model wykonuje określoną pracę, na przykład wyodrębnia wymagania z zapytania. Dane to zarówno treść zapytania, jak i firmowe informacje dopuszczone do wykorzystania w odpowiedzi. Art. 5 ust. 1 lit. c RODO wymaga, by przetwarzane dane osobowe były adekwatne, stosowne i ograniczone do niezbędnych [15].

Integracja przenosi dane między modelem a systemem zespołu, na przykład rejestrem zgłoszeń. Trzeba ustalić, co model może odczytać oraz czy może zapisać wynik, czy tylko przygotować projekt. Kontrola człowieka pozostawia pracownikowi decyzje wymagające oceny, w tym zatwierdzenie indywidualnych warunków współpracy. Art. 25 ust. 2 RODO wymaga domyślnej ochrony dostępności danych osobowych, w tym zapobiegania ich udostępnianiu nieokreślonej liczbie osób [15].

Reguła przekazania do weryfikacji oddziela zadania wykonywane automatycznie od spraw kierowanych do pracownika. System może sam wykonać działania przy wynikach o wysokiej pewności, a pozostałe przekazać człowiekowi. [1] Próg pewności trzeba jednak sprawdzić na rzeczywistych sprawach. Deklaracja modelu, że jest pewny odpowiedzi, nie dowodzi jej poprawności [16].

Skuteczny przepływ pracy potrzebuje wiarygodnych danych, ograniczonych uprawnień i jasnej ścieżki zatwierdzania. Sam model nie wystarczy.

W jakich sytuacjach automatyzacja AI może zawodzić lub wymagać dodatkowego nadzoru?

System potrzebuje nadzoru, gdy brakuje danych, informacje sobie przeczą albo wynik wpływa na zobowiązania wobec klienta. Wtedy powinien zatrzymać działanie i przekazać sprawę pracownikowi. Odpowiedź może brzmieć pewnie, lecz jej podstawę wciąż trzeba sprawdzić.

Obsługa klienta dobrze pokazuje tę granicę. Voicebot może odpowiadać na pytania na podstawie zatwierdzonej bazy informacji. Prośbę o indywidualną zmianę warunków umowy powinien natomiast skierować do uprawnionej osoby. Jeśli w bazie jest luka, system nie może przedstawiać własnego przypuszczenia jako stanowiska firmy.

Weryfikacja przez człowieka jest potrzebna również przy nieczytelnym dokumencie, rozbieżnych danych klienta lub prośbie poza zakresem uprawnień systemu. Pracownik powinien zobaczyć zgłoszenie, wykorzystane źródła i informację o tym, czego system nie ustalił. Dzięki temu może rozstrzygnąć sprawę bez odtwarzania całej rozmowy.

Granica samodzielnego działania AI pojawia się tam, gdzie brak potwierdzonej podstawy odpowiedzi albo decyzję musi wziąć na siebie pracownik.

Jakie ryzyka, w tym błędne wyniki i niewłaściwe przetwarzanie danych, wiążą się z automatyzacją AI?

Automatyzacja AI może udzielić błędnej odpowiedzi, zadziałać na podstawie niepełnych informacji lub ujawnić dane klienta poza uprawnionym procesem. Model potrafi napisać przekonujący tekst niezgodny z dokumentem źródłowym. Skutki błędu są poważniejsze, gdy system sam wysyła odpowiedź lub zmienia firmowe dane.

Prywatność danych wymaga jasnych zasad: jakie informacje otrzymuje model, kto widzi wynik i jak długo przechowuje się zapisy. Firma powinna przekazywać tylko dane potrzebne do zadania, ograniczyć uprawnienia integracji i ustalić sposób usuwania informacji. RODO reguluje przetwarzanie danych osobowych. Użycie modelu językowego nie zwalnia nas z określenia podstawy i celu tego przetwarzania.

AI Act jest unijnym rozporządzeniem dotyczącym sztucznej inteligencji. Jego wymagania trzeba odnieść do konkretnego zastosowania systemu. Odpowiedzialne wdrożenie wymaga ochrony danych, przejrzystości decyzji i nadzoru człowieka nad procesami o dużym wpływie. [8] Zapis danych wejściowych, wyniku modelu i zatwierdzenia pomaga ustalić źródło odpowiedzi oraz osobę, która zdecydowała o jej użyciu.

Kontrola ryzyka to ograniczony dostęp do danych i sprawdzanie wyników w źródłach. To również zatrzymanie systemu, gdy błąd mógłby zaszkodzić klientowi.

Jak opisać i przygotować proces firmowy do automatyzacji z wykorzystaniem AI?

Proces firmowy warto przygotować do automatyzacji od opisania celu, danych wejściowych, oczekiwanego wyniku, wyjątków i odpowiedzialności za decyzje. Opis powinien oddawać rzeczywistą pracę zespołu, nie tylko procedurę z dokumentacji.

• Wybór procesu do projektu pilotażowego zaczyna się od powtarzalnego zadania z wyraźnym początkiem i wynikiem, choćby porządkowania zapytań ofertowych. Zadania, w których pracownicy za każdym razem ustalają inne kryteria decyzji, lepiej na tym etapie odrzucić.
• Opis obecnego przebiegu pracy wskazuje odbiorcę zgłoszenia, źródła informacji, wykonywane czynności i osobę, która otrzymuje wynik. Warto zaznaczyć, kiedy sprawa wraca do poprzedniego pracownika albo czeka na wyjaśnienie.
• Opis danych wejściowych i źródeł wymienia dokumenty, pola i informacje potrzebne do zakończenia zadania. Wskazuje też źródło rozstrzygające rozbieżności. Dane konieczne do pracy należy oddzielić od pomocniczych.
• Definicja poprawnego wyniku zawiera przykłady ukończonych zadań i kryteria, które pracownik sprawdza przed akceptacją. Przy zapytaniu ofertowym może to być lista wymagań i brakujących danych, a nie gotowa decyzja handlowa [17].
• Opis wyjątków i odpowiedzialności określa, kiedy proces ma się zatrzymać i kto może rozstrzygnąć sprawę. Powinien obejmować sprzeczne dane, nieczytelne załączniki i prośby wykraczające poza zwykły zakres zadania [7].
• Plan oceny pilotażu pozwala zapisać, które wyniki pracownik przyjął bez zmian, które poprawił i dlaczego. Porównanie z dotychczasową pracą pokaże, czy automatyzacja rozwiązała wskazany problem [18].

Rezultatem przygotowania jest opis procesu, który pozwala sprawdzić działanie AI i jednoznacznie przypisać decyzje pracownikom.

Jak wdrożyć automatyzację AI i połączyć model językowy z narzędziami używanymi w firmie?

Wdrożenie zaczyna się od określenia zadania modelu, właściwych danych firmowych i działań, które wolno wykonać w systemach. Przy zapytaniach handlowych model może przygotować projekt odpowiedzi na podstawie aktualnego katalogu. Nie musi przy tym sam wysyłać wiadomości klientowi.

• Przypisanie systemu źródłowego pokazuje, skąd pochodzą poszczególne informacje: dane klienta z systemu CRM, stany i warunki sprzedaży z platformy ERP, a opisy produktów z systemu PIM. Dzięki temu odpowiedź nie opiera się na przypadkowej kopii dokumentu.
• Definicja danych przekazywanych do modelu obejmuje tylko pola potrzebne do zadania. Jeśli identyfikacja klienta nie jest konieczna, dane identyfikujące trzeba usunąć lub zastąpić oznaczeniami przed wysłaniem zapytania.
• Kontrolowany interfejs integracji pobiera dane z dozwolonych pól i umieszcza wynik we wskazanym miejscu, na przykład jako projekt w CRM. Uprawnienia do odczytu i zapisu powinny być odrębne; integracja nie potrzebuje dostępu pracownika do całego systemu.
• Aktualny kontekst dla modelu pozwala oprzeć odpowiedź na właściwych informacjach. RAG polega na wykorzystaniu treści pobranych z wybranych źródeł w czasie wykonywania zadania. Przy pytaniu o produkt integracja może dołączyć zatwierdzony opis z PIM. Model nie musi polegać na swojej wiedzy o bieżącej ofercie.
• Reguły zatwierdzania działań pozwalają modelowi przygotować projekt wiadomości. Jej wysłanie lub zmianę danych w ERP pozostawiają uprawnionemu pracownikowi. Dla każdego wyjątku trzeba ustalić odbiorcę sprawy i zakres przekazywanych mu informacji.
• Test integracji obejmuje sprawy występujące w pracy: kompletne zapytania, brakujące dane, sprzeczne informacje i niedostępne źródło. Należy zapisać, czy system przygotował poprawny projekt, zatrzymał zadanie lub skierował je do pracownika [19].

Rezultatem wdrożenia jest przepływ pracy oparty na określonych źródłach, w którym systemy firmy wykonują wyłącznie dozwolone działania.

Jak wykorzystać automatyzację AI w procesach związanych z SEO, treściami i widocznością w odpowiedziach AI?

Automatyzacja AI w marketingu pomaga porządkować pytania odbiorców, przygotowywać materiały do redakcji i sprawdzać spójność firmowych informacji. Ułatwia pracę nad źródłami, z których korzystają użytkownicy wyszukiwarki i systemów generujących odpowiedzi. Nie gwarantuje jednak, że system AI zacytuje markę.

• Pytania odbiorców można zebrać ze zgłoszeń do firmy, rozmów sprzedażowych i danych o wyszukiwaniu. Model pogrupuje podobne pytania, ale redaktor musi sprawdzić, czy nie połączył różnych intencji.
• Zatwierdzone źródła odpowiedzi warto przypisać do pytań: mogą nimi być dokumentacja produktu, zasady usługi lub wypowiedź firmowego eksperta. Jeśli źródło nie potwierdza odpowiedzi, temat wymaga uzupełnienia, nie publikacji domysłu modelu.
• Projekt treści do redakcji powinien odpowiadać wprost na pytanie, używać dokładnych nazw produktów i wskazywać warunki odpowiedzi. Redaktor porównuje twierdzenia ze źródłami i usuwa informacje nieaktualne lub niepotwierdzone.
• Kontrola spójności informacji o firmie porównuje nazwy usług, opisy działalności i dane kontaktowe w serwisie oraz materiałach do publikacji. Rozbieżność trzeba poprawić w źródle, nie tylko w tekście wygenerowanym przez model [20].
• Kontrola opublikowanego rezultatu sprawdza dostępność strony, trafność odpowiedzi i podstawę istotnych twierdzeń. Osobno warto obserwować obecność marki w odpowiedziach AI na wybrane pytania. Publikacja sama w sobie nie oznacza, że system przywoła firmę.

Rezultatem jest proces tworzenia i aktualizowania treści ze sprawdzonych informacji, z podziałem pracy między model a redaktora. Bezpłatny audyt widoczności w AI może pomóc ustalić, jakie pytania i źródła wpływają na obecność firmy w odpowiedziach AI.

Co obejmuje wdrożenie automatyzacji AI

Wdrożenie automatyzacji AI obejmuje wybór zadania, przygotowanie danych, konfigurację modelu i integracji, testy oraz przekazanie procesu zespołowi. Zakres zależy od oczekiwanego wyniku, używanych systemów i odpowiedzialności za zatwierdzanie działań [21].

Prace wdrożeniowe obejmują mapę przepływu danych, zasady dostępu do źródeł, instrukcje dla modelu i obsługę wyjątków. Testy pokazują, czy wynik spełnia wymagania oraz czy system zatrzymuje zadanie, gdy brakuje podstaw do działania. Przed uruchomieniem trzeba też ustalić, jak zgłaszać błędy i aktualizować informacje udostępniane modelowi.

Pilotaż sprawdza rozwiązanie w ograniczonym zakresie, zanim firma rozszerzy je na kolejne procesy. Można zacząć od jednego zespołu i mierzyć czas pracy, błędy oraz opinie pracowników. [8] Wyniki pokażą, co poprawić albo czy zadanie powinno pozostać w obsłudze ręcznej [22].

Zakres wdrożenia kończy się na działającym procesie z ustalonymi źródłami danych, uprawnieniami i zasadami kontroli. Samo podłączenie modelu nie wystarczy [23].

Z jakich narzędzi i danych korzystamy

Automatyzacje AI korzystają z danych firmy, modeli dobranych do zadania i integracji z systemami zespołu. Narzędzia trzeba dopasować do formatu materiałów wejściowych, oczekiwanego wyniku oraz niezbędnych uprawnień. Nie każdy proces potrzebuje modelu językowego.

Dane źródłowe mogą pochodzić z zapytań klientów, dokumentacji produktów, zatwierdzonych odpowiedzi i zapisów spraw. Przed użyciem źródła trzeba ustalić, kto za nie odpowiada i jak będzie aktualizowane. Nieaktualny cennik lub opis usługi może prowadzić do błędnej odpowiedzi, choćby model działał poprawnie.

• Systemy firmowe przechowują dane i wyniki pracy, na przykład zgłoszenia klientów lub informacje o produktach. Integracja pobiera potrzebne pola i zapisuje wynik w uzgodnionym miejscu.
• Modele językowe analizują pytania i dokumenty oraz przygotowują projekty treści. Przed kontaktem z klientem ich odpowiedzi trzeba sprawdzić we wskazanych źródłach.
• Optyczne rozpoznawanie znaków (OCR) zamienia tekst ze skanu lub zdjęcia dokumentu na dane do dalszego przetwarzania. Nieczytelne fragmenty należy zweryfikować, zamiast automatycznie je uzupełniać.
• Wizja komputerowa analizuje obrazy, gdy zadanie wymaga pracy z materiałem graficznym, nie tylko tekstem. Jej zastosowanie zależy od informacji, które trzeba wydobyć z obrazu [24].
• Rejestr kontroli przechowuje informację o źródle danych, wyniku automatyzacji i decyzji pracownika. Dzięki temu można prześledzić błąd i poprawić reguły procesu [25].

Dobór narzędzi zaczyna się od danych i zadania. Kończy się na możliwości sprawdzenia wyniku i wskazaniu osoby odpowiedzialnej za jego użycie.

Jak mierzymy działanie automatyzacji AI

Działanie automatyzacji AI oceniamy, porównując ten sam proces przed wdrożeniem i po nim. Liczą się czas obsługi, poprawność, sprawy przekazane pracownikom i opinie zespołu. Uruchomiony model nie przynosi korzyści biznesowej, jeśli pracownicy muszą potem poprawiać jego odpowiedzi [26].

• Punkt odniesienia opisuje obsługę spraw przed wdrożeniem, od przyjęcia do zakończenia. Porównywać należy sprawy tego samego rodzaju, by większy udział trudnych zgłoszeń nie zniekształcił oceny.
• Czas całego procesu obejmuje okres od przyjęcia sprawy do jej zakończenia, także sprawdzenie lub poprawienie wyniku AI. Obliczamy go, odejmując godzinę przyjęcia od godziny zakończenia. Sam czas wygenerowania odpowiedzi nie pokazuje oszczędności, jeśli zadanie czeka na ręczne dokończenie.
• Poprawność wyników sprawdza się, porównując odpowiedzi i wyodrębnione dane z zatwierdzonymi źródłami. Każdą pomyłkę warto opisać. Błędy modelu należy odróżniać od błędów firmowej dokumentacji lub danych wejściowych.
• Udział spraw wymagających interwencji oblicza się przez podzielenie liczby spraw przekazanych pracownikom przez liczbę spraw objętych automatyzacją. Trzeba też sprawdzić powody przekazania. Część spraw trafia do ludzi dlatego, że system prawidłowo zatrzymał się przy braku danych.
• Opinie osób wykonujących pracę pokazują, które czynności zniknęły, a jakie obowiązki kontrolne się pojawiły. Warto zestawić je z zapisami spraw, zamiast polegać wyłącznie na deklarowanym poczuciu oszczędności czasu.
• Porównanie nakładu pracy z rezultatem uwzględnia utrzymanie integracji, aktualizowanie źródeł i poprawianie błędów. Dopiero obok tych prac widać zaoszczędzony czas. Proces warto rozszerzać, jeśli poprawa nie obniża jakości ani nie przerzuca pracy na inny zespół.

Wynik pomiaru powinien pokazywać pracę przejętą przez system oraz tę, która pozostała ludziom.

Jak unikać błędów przy wdrażaniu automatyzacji AI

Wdrożenie wymaga testów na rzeczywistych typach spraw, kontroli dostępu do danych i sposobu poprawiania wyników. Przeszkodą bywają początkowe koszty, starsze oprogramowanie i brak specjalistycznych umiejętności. [8] Te ograniczenia trzeba uwzględnić przed uruchomieniem, nie dopiero po błędzie.

• Ograniczenie zakresu pierwszego uruchomienia polega na wybraniu zadania z jasnym wynikiem i osobą odpowiedzialną za jego ocenę. Nie warto od razu łączyć procesów opartych na różnych danych i zasadach zatwierdzania.
• Test integracji ze starszym oprogramowaniem sprawdza odczyt pól, zapis wyniku i zgłaszanie przerwanego połączenia. Gdy zapis się nie uda, system powinien zatrzymać zadanie, a nie uznać je za wykonane.
• Przypadki trudniejsze niż standardowe zgłoszenie to niepełne dokumenty, sprzeczne informacje i pytania spoza zakresu procesu. Test musi ocenić zarówno odpowiedź modelu, jak i przekazanie sprawy właściwemu pracownikowi.
• Odpowiedzialność zespołu za poprawki określa, kto zgłasza błędny wynik, bada przyczynę i zatwierdza zmianę instrukcji lub źródła. Bez takich ustaleń pracownicy mogą poprawiać odpowiedzi ręcznie, a błąd pozostanie w systemie.
• Rejestrowanie korekt użytkowników dostarcza materiału, który może posłużyć do ponownego trenowania modeli automatyzacji AI. [1] Przed wykorzystaniem poprawki trzeba potwierdzić jej zgodność z zatwierdzonym źródłem. Trzeba też sprawdzić, czy nie dotyczyła wyjątkowej decyzji.

Bezpieczne wdrożenie pozwala wykryć błąd przed wykonaniem działania i usunąć jego przyczynę.

Dla kogo są automatyzacje AI, a kiedy nie są potrzebne

Automatyzacje AI pomagają firmom regularnie przetwarzającym zmienne treści lub duże zbiory danych, jeśli potrafią one określić poprawny wynik. O przydatności decydują dane, możliwość sprawdzenia odpowiedzi i skutki błędnej decyzji. Jeśli brakuje zatwierdzonych źródeł lub osoby odpowiedzialnej za wyjątki, najpierw warto uporządkować proces.

Tabela porównuje zastosowania AI, niezbędną kontrolę oraz sytuacje, w których wdrożenie nie ma uzasadnienia.

AI ma sens, gdy pomaga interpretować dane, a firma może sprawdzić wynik i przejąć decyzję.

Jak przebiega współpraca przy wdrożeniu automatyzacji AI

Współpraca przy wdrożeniu automatyzacji AI zaczyna się od celu biznesowego, następnie obejmuje projekt, testy i przekazanie procesu zespołowi. Firma wyznacza osobę znającą proces i uprawnioną do zatwierdzania decyzji. Wykonawca przygotowuje rozwiązanie i dokumentuje jego działanie.

• Rozpoznanie procesu i ustalenie zakresu wskazuje zadanie, właściciela, używane systemy i oczekiwany wynik. Zespół uzgadnia zakres prac oraz sprawy pozostające poza automatyzacją.
• Projekt przepływu pracy opisuje źródła danych, uprawnienia, przekazywanie wyników i decyzje zastrzeżone dla pracownika. Firma otrzymuje opis procesu do oceny przed konfiguracją.
• Konfiguracja i testy rozwiązania łączą uzgodnione elementy i sprawdzają typowe sprawy, wyjątki oraz utratę dostępu do danych. Powstaje działający proces i zapis błędów do poprawienia.
• Uruchomienie procesu pod nadzorem pozwala zespołowi pracować w ustalonym zakresie i zgłaszać wyniki wymagające korekty. Dzięki temu firma ocenia rozwiązanie na własnych sprawach, nie tylko na przykładach testowych.
• Przekazanie procesu do utrzymania wyjaśnia, jak zatwierdzać wyniki, zgłaszać błędy i aktualizować źródła. Zespół otrzymuje dokumentację i jasny podział odpowiedzialności za dalsze działanie automatyzacji.

Efektem współpracy jest proces o zakresie, wynikach i zasadach nadzoru zrozumiałych dla decydenta oraz osób wykonujących pracę.

Co otrzymujesz po wdrożeniu automatyzacji AI

Po wdrożeniu automatyzacji AI firma otrzymuje działający proces w uzgodnionym zakresie i dokumentację potrzebną do jego obsługi. Przekazanie dotyczy nie tylko wyników modelu. Obejmuje też korzystanie z danych, obsługę wyjątków i zgłaszanie błędów.

• Działający przepływ pracy wykonuje uzgodnione zadanie w systemach objętych wdrożeniem. Zespół wie, gdzie znaleźć wynik i co trzeba zatwierdzić.
• Opis konfiguracji i źródeł danych wskazuje pochodzenie informacji oraz osobę odpowiedzialną za ich aktualizację. Pomaga ustalić przyczynę błędnej odpowiedzi.
• Instrukcja obsługi wyjątków określa, kiedy proces zatrzymuje zadanie i komu je przekazuje. Pracownik dostaje informacje potrzebne do sprawdzenia sprawy.
• Wyniki testów i zasady kontroli pokazują sprawdzone rodzaje spraw i sposób rejestrowania późniejszych korekt. Pomagają oceniać proces po przekazaniu go zespołowi.

Forma przekazania konfiguracji, kodu i dostępów zależy od architektury oraz uzgodnionego zakresu wdrożenia. Warto ją ustalić przed rozpoczęciem prac. Firma powinna umieć nadzorować automatyzację bez polegania wyłącznie na wiedzy wykonawcy.

Modele współpracy i sposób wyceny automatyzacji AI

Model współpracy przy automatyzacji AI zależy od celu firmy. Na zakres wyceny wpływają procesy i integracje, stan danych, wymagania dostępu oraz sposób nadzorowania wyników.

Tabela porównuje modele współpracy pod względem rezultatu, odpowiedzialności, ograniczeń i sytuacji, w których dany model nie pasuje.

Wycena automatyzacji wymaga ustalenia systemów do połączenia, stanu danych i przypadków do przetestowania. Trzeba też wiedzieć, kto po przekazaniu procesu będzie aktualizować źródła i obsługiwać wyjątki.

Model współpracy powinien odpowiadać potrzebie firmy: diagnozie, wdrożeniu albo stałej opiece nad działającą automatyzacją.

Porozmawiajmy o automatyzacjach AI w Twojej firmie

Automatyzacje AI w Twojej firmie warto rozważyć tam, gdzie można jasno wskazać dane wejściowe, oczekiwany wynik i zasady zatwierdzania. Rozmowa pomoże ustalić, które zadania potrzebują interpretacji modelu, a którym wystarczą proste reguły. Punktem wyjścia powinien być proces i jego ograniczenia, nie wybór narzędzia.

Widoczność firmy w odpowiedziach AI to osobna kwestia. Dotyczy informacji o marce dostępnych dla systemów i sposobu przedstawiania ich użytkownikom. Jeśli chcesz sprawdzić ten obszar, możesz skontaktować się z wykonawcą w sprawie bezpłatnego audytu widoczności w AI.

Najczęściej zadawane pytania

Czym różnią się automatyzacja i robotyzacja?

Automatyzacja przekazuje zadania i informacje między ludźmi lub systemami według ustalonego procesu. Robotyzacja procesów (RPA) wykonuje powtarzalne czynności w interfejsach systemów.

Co oznacza automatyzacja danych z wykorzystaniem AI?

System może odczytać wiadomość lub dokument, wyodrębnić potrzebne informacje i przekazać je do dalszej pracy. Model interpretuje treść, a reguły mogą określać, co zrobić z wynikiem.

Co to znaczy automatyzacja procesów?

To przekazywanie zadań i informacji między ludźmi lub systemami według ustalonego przebiegu pracy. AI może interpretować część danych, a reguły wskazywać dalszy krok.

Na czym może polegać automatyzacja procesów składowania?

Może obejmować przekazywanie informacji i zadań między systemami lub pracownikami według ustalonych reguł. Jeśli dane wymagają interpretacji, AI może pomóc je uporządkować, a reguły określają dalsze działanie.

Jakie przykłady automatyzacji można zastosować w procesach produkcyjnych?

W opisanym podejściu system może odczytać dokument, wyodrębnić wymagane informacje, oznaczyć braki i przekazać wynik pracownikowi do sprawdzenia. Dalsze działania powinny zależeć od reguł procesu i wymagać zatwierdzenia tam, gdzie jest ono potrzebne.

Źródła

1. Czym jest automatyzacja AI? Definicja, przykłady i przypadki użycia | Vtiger — https://www.vtiger.com/pl/blog/what-is-ai-automation/
2. McKinsey Global Institute, The Economic Potential of Generative AI — https://www.mckinsey.com/~/media/mckinsey/locations/europe%20and%20middle%20east/deutschland/news/presse/2023/2023-06-14%20mgi%20genai%20report%2023/the-economic-potential-of-generative-ai-the-next-productivity-frontier-vf.pdf
3. National Bureau of Economic Research, Generative AI at Work — https://www.nber.org/system/files/working_papers/w31161/revisions/w31161.rev0.pdf
4. MuleSoft Research, 2024 Connectivity Benchmark Report — https://www.salesforce.com/wbin/sfdc-www/autodownloadpdf?path=%2F%2Fwww.salesforce.com%2Fcontent%2Fdam%2Fweb%2Fen_sg%2Fwww%2Fdocuments%2Fpdf%2Fconnectivity-benchmark-report.pdf
5. Komisja Europejska, AI Act Service Desk, art. 14 — https://ai-act-service-desk.ec.europa.eu/pl/ai-act/article-14
6. IBM, What is Business Process Management? — https://www.ibm.com/think/topics/business-process-management
7. Microsoft Learn, „FAQ for AI approvals” — https://learn.microsoft.com/en-us/microsoft-copilot-studio/faqs-ai-approvals
8. Automatyzacja AI | Microsoft Copilot — https://www.microsoft.com/pl-pl/microsoft-copilot/copilot-101/ai-automation
9. Cisco, Network Automation Trends and Strategy, przytaczający prognozę Gartnera — https://www.cisco.com/c/en/us/solutions/collateral/executive-perspectives/network-automation-strategy-wp.html
10. NIST, Artificial Intelligence Risk Management Framework 1.0 — https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-1.pdf
11. Google Cloud Documentation, „Best practices” dla Speech-to-Text — https://docs.cloud.google.com/speech-to-text/docs/best-practices
12. Komisja Europejska, AI Act Service Desk, art. 3 — https://ai-act-service-desk.ec.europa.eu/pl/ai-act/article-3
13. Klarna, komunikat z 27 lutego 2024 r — https://www.prnewswire.com/news-releases/klarna-ai-assistant-handles-two-thirds-of-customer-service-chats-in-its-first-month-302072744.html
14. Microsoft Learn, „How do enterprises control what agents can do?” — https://learn.microsoft.com/en-us/microsoft-agent-365/guidance/govern-tools
15. EUR-Lex, rozporządzenie (UE) 2016/679, art. 25 — https://eur-lex.europa.eu/legal-content/PL/TXT/PDF/?uri=CELEX%3A32016R0679
16. Microsoft Learn, „Transparency note for Document Intelligence” — https://learn.microsoft.com/legal/cognitive-services/document-intelligence/transparency-note
17. Microsoft Learn, „Review the agent evaluation checklist” — https://learn.microsoft.com/en-us/agents/agent-evaluation/evaluation-checklist
18. Google Cloud, „The KPIs that actually matter for production AI agents” — https://cloud.google.com/transform/the-kpis-that-actually-matter-for-production-ai-agents
19. Microsoft Learn, „Design a testing strategy for your agents” — https://learn.microsoft.com/en-us/microsoft-copilot-studio/guidance/sec-gov-phase4
20. Google Business Profile Help, „Guidelines for representing your business on Google” — https://support.google.com/business/answer/3038177?hl=en
21. ai.gov.pl, „Przewodnik po Sztucznej Inteligencji dla Administracji Publicznej”, część III: „Proces wdrażania systemu AI” — https://ai.gov.pl/media/2026/03/Przewodnik-AI-v2.pdf
22. Microsoft Learn, „Employee AI enablement pattern” oraz „Business plan for AI agents”. — https://learn.microsoft.com/en-us/agents/adoption-patterns/pattern-employee-ai-enablement
23. Microsoft Learn, „Responsible AI in Azure Workloads”. — https://learn.microsoft.com/en-us/azure/well-architected/ai/responsible-ai
24. Google Cloud Documentation, „Batch image annotation offline”. — https://docs.cloud.google.com/vision/docs/batch
25. NIST, „AI RMF Playbook — Measure”. — https://airc.nist.gov/airmf-resources/playbook/measure/
26. Microsoft Learn, „Monitor, measure, and report value” oraz „Core business process transformation pattern”. — https://learn.microsoft.com/en-us/agents/center-of-excellence/measure-report-value