Większość rozmów o AI w firmie kończy się na liście pomysłów, z których żaden nie trafia dalej niż do prezentacji. Pokazujemy, jak wybieramy pierwszy proces do automatyzacji, czego nie dotykamy modelem językowym i jak mierzymy, czy wdrożenie w ogóle się opłaca.

Zanim wybierzecie proces, zadajcie właściwe pytanie

Pytanie „gdzie moglibyśmy użyć AI” prowadzi zwykle donikąd, bo pasuje do prawie wszystkiego. Pytanie, które faktycznie prowadzi do decyzji, brzmi inaczej: który proces w firmie polega dziś na tym, że człowiek czyta, klasyfikuje albo streszcza dużą ilość nieustrukturyzowanych informacji, a błąd w pojedynczym przypadku nie kosztuje firmy fortuny. To zawężenie eliminuje od razu większość pomysłów, które słyszymy na początku rozmowy z klientem — i to jest dobra wiadomość, bo oznacza mniej ślepych uliczek.

Dobre pierwsze kandydatury

Dokumenty

Faktury, umowy, zgłoszenia, formularze — wszystko, co dziś ktoś otwiera, czyta i przepisuje do systemu. Model językowy dobrze radzi sobie z ekstrakcją danych z dokumentu, nawet gdy format się zmienia między dostawcami czy klientami. To jedno z najbezpieczniejszych miejsc na start, bo wynik da się łatwo porównać z tym, co zrobiłby człowiek, i łatwo cofnąć, jeśli coś pójdzie nie tak.

Klasyfikacja

Przypisywanie zgłoszenia do kategorii, priorytetu czy działu, sortowanie wiadomości przychodzących, rozpoznawanie typu dokumentu zanim trafi dalej w proces. Klasyfikacja ma jasne kryterium sukcesu — albo etykieta jest trafna, albo nie — więc łatwo ją mierzyć i łatwo zauważyć, kiedy model zaczyna się mylić częściej niż zwykle.

Pytania klientów oparte na danych firmy

Asystent, który odpowiada na pytania klientów czy pracowników, korzystając z faktycznej dokumentacji, cennika czy historii zamówień firmy — a nie z ogólnej wiedzy modelu — to zupełnie inna kategoria ryzyka niż podpięcie ogólnego czatu. Odpowiedź jest zakotwiczona w konkretnych danych, więc dużo łatwiej sprawdzić, czy jest prawdziwa, i ograniczyć to, co model w ogóle może powiedzieć.

Propozycje z eskalacją do człowieka

AI może przygotować szkic odpowiedzi, wycenę, rekomendację czy plan działania — pod warunkiem że ostateczną decyzję podejmuje i podpisuje człowiek, zwłaszcza tam, gdzie stawką są pieniądze klienta albo relacja z nim. Model skraca czas przygotowania, człowiek bierze odpowiedzialność za wynik. To rozwiązanie sprawdza się dobrze właśnie dlatego, że nie próbuje zastąpić decyzji, tylko ją przyspieszyć.

Czego nie oddajemy modelowi językowemu

Jest jedna zasada, której trzymamy się we wszystkich naszych wdrożeniach: AI proponuje, kod liczy. Wszystko, co dotyczy obliczenia kwoty, podatku, składki, salda czy jakiejkolwiek liczby, na której ktoś się oprze finansowo, zostaje po stronie deterministycznego kodu — nie modelu językowego. Ta sama zasada dotyczy decyzji, których nie da się cofnąć bez kosztu: automatycznej odmowy, automatycznego zerwania umowy, automatycznej blokady konta. Model językowy z natury bywa niepewny i potrafi się mylić w sposób trudny do przewidzenia — nie dlatego, że jest zły, tylko dlatego, że tak działa. Obliczenia finansowe i decyzje krytyczne wymagają czegoś przeciwnego: powtarzalności i możliwości audytu krok po kroku. Dlatego w Qkwit, naszej księgowości z AI dla jednoosobowych działalności gospodarczych, Claude czyta dokumenty i ekstrahuje z nich dane, ale to deterministyczny silnik liczy podatek i składkę ZUS — nie model. Ten podział widać też w pozostałych naszych produktach: to nie jest wyjątek dla jednego wdrożenia, tylko sposób, w jaki w ogóle projektujemy systemy z AI.

Jak to mierzyć, żeby wiedzieć, czy działa

Wdrożenie bez metryk to w praktyce opinia, a nie decyzja biznesowa. Trzy liczby wystarczają na start.

Precyzja

Ile procent wyników jest poprawnych bez poprawki człowieka. Warto mierzyć to na próbce realnych, a nie wyselekcjonowanych przypadków — łącznie z tymi trudnymi, nietypowymi dokumentami, które w demie ktoś by pominął.

Czas zaoszczędzony

Nie „ile trwa jedno zapytanie do modelu”, tylko ile czasu zajmowała dana czynność wcześniej i ile zajmuje teraz, łącznie z czasem na weryfikację wyniku przez człowieka. To druga liczba często bywa pomijana, a potrafi zjeść większość oszczędności.

Koszt na dokument albo zgłoszenie

Koszt zapytania do modelu, pomnożony przez wolumen, plus koszt czasu człowieka, który nadal nadzoruje proces. Dopiero ta liczba, zestawiona z kosztem procesu sprzed automatyzacji, pokazuje, czy wdrożenie faktycznie się opłaca — nie samo „działa” czy „nie działa”.

Nasz sposób pracy w czterech krokach

1. Audyt procesu

Zanim napiszemy linijkę kodu, patrzymy na sam proces: skąd biorą się dane wejściowe, jak wygląda dzisiejsza ścieżka decyzyjna, gdzie są wyjątki i kto dziś bierze odpowiedzialność za błąd. Ten krok pokazuje też, czy dany proces w ogóle nadaje się na pierwsze wdrożenie AI, czy lepiej zacząć od czegoś innego.

2. Prototyp na prawdziwych danych

Prototyp budujemy na rzeczywistych, niewyselekcjonowanych przykładach z danej firmy — nie na próbce dobranej tak, żeby demo wyglądało dobrze. To etap, na którym widać większość realnych problemów: nietypowe formaty, brakujące dane, przypadki brzegowe, które w idealnym świecie by nie istniały.

3. Produkcja z monitoringiem

Dopiero tu proces trafia do codziennego użytku — z monitoringiem jakości odpowiedzi, jasną ścieżką eskalacji do człowieka i limitem kosztowym, który nie pozwoli budżetowi urosnąć niezauważenie wraz ze skalą.

4. Utrzymanie

AI na produkcji wymaga bieżącej opieki: dane wejściowe się zmieniają, model bywa aktualizowany przez dostawcę, pojawiają się nowe przypadki brzegowe. Wdrożenie, które ma działać za rok tak samo dobrze jak w pierwszym tygodniu, potrzebuje kogoś, kto je obserwuje — nie tylko kogoś, kto je uruchomił.

Pułapki, które widzimy najczęściej

Demo, które nigdy nie miało zostać produkcją. Świetnie wygląda na pokazie, bo działa na jednym, przygotowanym przykładzie — a nikt nie sprawdził, co się stanie na tysięcznym, nietypowym dokumencie.

Jakość danych wejściowych. Model językowy nie naprawi bałaganu w danych źródłowych — w najlepszym razie go ukryje, co jest gorsze niż jego brak, bo błąd wychodzi na jaw później i trudniej go namierzyć.

Uzależnienie od jednego dostawcy bez planu B. Wdrożenie zbudowane tak, że nie da się bez przepisania od zera zmienić dostawcy modelu czy przenieść danych, jest ryzykiem samym w sobie — niezależnie od tego, jak dobrze działa dziś.

Rozwiązania oparte wyłącznie na promptach. Sam dobrze napisany prompt bez warstwy walidacji, monitoringu i jasnego podziału ról między AI a kodem to demo, które udaje produkt. Widzieliśmy to wielokrotnie: różnica między pilotażem a wdrożeniem, które faktycznie działa, rzadko leży w modelu — leży w tym, co się buduje wokół niego.

Co to oznacza dla Waszej firmy

Jeśli zastanawiacie się od czego zacząć, dobry pierwszy proces to taki, który dziś kogoś nudzi, jest powtarzalny i nie wymaga liczenia pieniędzy ani podejmowania nieodwracalnej decyzji. Zmierzcie go najpierw na małej próbce — precyzję, czas i koszt — zanim zdecydujecie się na pełne wdrożenie. To znacznie tańszy sposób na sprawdzenie, czy dany proces w ogóle nadaje się do automatyzacji, niż budowanie systemu produkcyjnego od razu na pełną skalę.

Najczęstsze pytania

Od jakiego procesu najlepiej zacząć wdrożenie AI w firmie? Od procesu opartego na czytaniu, klasyfikacji lub odpowiadaniu na pytania na podstawie danych firmy — powtarzalnego i takiego, w którym pojedynczy błąd nie kosztuje dużo. Obliczenia finansowe i decyzje nieodwracalne zostawiamy kodowi.

Czy AI może samodzielnie liczyć podatki albo zatwierdzać płatności? W naszych wdrożeniach nie. AI czyta, klasyfikuje i proponuje, a obliczenia dotyczące pieniędzy wykonuje deterministyczny kod — dokładnie tak, jak w Qkwit, gdzie Claude czyta dokumenty, a silnik liczy podatek i ZUS.

Jak zmierzyć, czy wdrożenie AI się opłaca? Trzema liczbami: precyzją wyników bez poprawki człowieka, realnym czasem zaoszczędzonym (łącznie z czasem na weryfikację) i kosztem na dokument czy zgłoszenie w skali, zestawionym z kosztem sprzed automatyzacji.

Czym różni się prototyp AI od wdrożenia produkcyjnego? Prototyp testuje się na wyselekcjonowanych przykładach. Wdrożenie produkcyjne musi radzić sobie z prawdziwymi, nietypowymi przypadkami każdego dnia, mieć monitoring jakości i limit kosztowy.

Jakie są najczęstsze błędy przy wdrażaniu AI w firmie? Traktowanie demo jak gotowego produktu, ignorowanie jakości danych wejściowych, uzależnienie od jednego dostawcy bez planu na zmianę oraz poleganie wyłącznie na promptach bez warstwy walidacji i monitoringu.

Chcecie sprawdzić, który proces u Was nadaje się na start?

Jeśli zastanawiacie się, od czego zacząć wdrożenie AI, które faktycznie przetrwa do produkcji — napiszcie do nas. Przejrzymy razem konkretny proces, bez zobowiązań.