Zanim jakikolwiek proces trafi u nas pod AI, przechodzi przez audyt — konkretny, kilkuetapowy przegląd, a nie rozmowę o “potencjale sztucznej inteligencji”. W praktyce to właśnie audyt decyduje, czy wdrożenie ma sens, ile będzie kosztować i od czego zacząć. Poniżej pokazujemy, jak wygląda krok po kroku — bez skrótów i bez marketingowego lania wody.

Dlaczego audyt to pierwszy krok, nie formalność

Większość wdrożeń AI, które utykają na etapie demo, ma jedną wspólną cechę: nikt wcześniej nie zmapował procesu na tyle dokładnie, żeby wiedzieć, co faktycznie da się zautomatyzować, a co tylko wygląda na proste w prezentacji. Piszemy o tym szerzej w tekście o pięciu błędach, które najczęściej to powodują — audyt jest właśnie mechanizmem, który pozwala je wyłapać, zanim padną pieniądze i czas zespołu.

Audyt to też punkt, w którym powstaje realny szacunek kosztu wdrożenia — bez niego każda wycena jest zgadywanką. W tym artykule zostawiamy szerszy kontekst całego procesu wdrożenia, opisany w tekście od audytu do utrzymania, i skupiamy się wyłącznie na samym audycie: co robimy krok po kroku.

Krok 1: mapowanie procesu, jaki jest naprawdę

Pierwszy krok to rozmowa z osobami, które wykonują proces na co dzień — nie z osobami, które go opisały w instrukcji. Te dwa opisy prawie nigdy się nie pokrywają.

Kto faktycznie wykonuje pracę

Pytamy wprost: kto siada do tego zadania każdego dnia, ile czasu mu to zajmuje i co robi, kiedy coś nie pasuje do standardowego przypadku. Odpowiedzi na to ostatnie pytanie są zwykle najważniejsze — pokazują, gdzie proces naprawdę się komplikuje.

Warianty i wyjątki, nie tylko instrukcja procedury

Każdy proces ma swoją wersję “podręcznikową” i swoją wersję rzeczywistą, pełną wyjątków: brakujący dokument, nietypowy format faktury, klient, który odpowiada e-mailem zamiast przez formularz. Automatyzacja, która ignoruje te wyjątki, kończy się tym, że ludzie i tak muszą pilnować wszystkiego ręcznie — a to oznacza, że nic się nie zaoszczędziło. Dlatego na etapie mapowania szukamy wyjątków tak samo starannie, jak głównego przebiegu.

Krok 2: dane wejściowe — skąd pochodzą i w jakiej są formie

Drugi krok to spis źródeł danych: skany, PDF-y, e-maile, arkusze, eksporty z systemów, czasem papier. Forma danych wejściowych determinuje, jak trudne — i jak kosztowne — będzie wdrożenie. Dane w jednolitym formacie elektronicznym to zupełnie inny punkt startowy niż stos zeskanowanych papierowych dokumentów o różnej jakości.

Dobrym przykładem jest to, jak podchodzimy do tego w Qkwicie — AI czyta dokumenty księgowe, faktury i potwierdzenia, ale to, co dzieje się z tymi danymi dalej, czyli wyliczenie podatku czy składki ZUS, wykonuje deterministyczny silnik, a nie model językowy. Ten podział jest kluczowy i wraca w kolejnym kroku audytu.

Jakie procesy trafiają na audyt najczęściej

W praktyce najczęściej mapujemy procesy z czterech obszarów: obieg dokumentów (faktury, umowy, zgłoszenia), obsługę zapytań klientów, rekoncyliację danych między systemami oraz decyzje operacyjne, które dziś podejmuje człowiek według mniej lub bardziej spisanych reguł. Każdy z tych obszarów ma inny profil ryzyka i inną strukturę danych wejściowych, dlatego audyt zawsze zaczynamy od tego samego pytania — co dokładnie ma się zmienić — a nie od razu od pytania, jakiego modelu użyć. Dopiero po zmapowaniu konkretnego procesu ma sens rozmowa o narzędziach.

Krok 3: punkty decyzyjne — gdzie proces się rozgałęzia

Każdy proces ma miejsca, w których ktoś podejmuje decyzję: zaakceptować czy odrzucić, przypisać do kategorii A czy B, eskalować czy nie. Podczas audytu rozdzielamy te punkty na dwie grupy.

Pierwsza grupa to decyzje regułowe — dają się opisać jednoznacznym warunkiem, na przykład “jeśli kwota przekracza X, przekaż do działu Y”. Te nadają się do automatyzacji wprost, często bez udziału AI — wystarczy zwykła logika warunkowa.

Druga grupa to decyzje wymagające kontekstu i osądu — ocena treści nietypowego zgłoszenia, rozpoznanie intencji klienta, klasyfikacja niejednoznacznego dokumentu. Tu ma sens AI, ale w roli, która proponuje wynik, a nie go finalizuje. Piszemy o tym rozdzieleniu ról szerzej w tekście AI proponuje, kod liczy.

Krok 4: koszt błędu — kryterium, które decyduje o priorytecie

Nie każdy proces zasługuje na takie samo tempo wdrożenia. Kluczowe pytanie brzmi: co się stanie, jeśli AI się pomyli, i jak szybko to wychwycimy?

Procesy o niskim koszcie błędu — wewnętrzne, łatwo odwracalne, bez bezpośredniego skutku finansowego czy prawnego — to naturalni kandydaci do szybkiego pilotażu. Procesy o wysokim koszcie błędu — rozliczenia podatkowe, umowy, decyzje kredytowe czy zgodność regulacyjna — wymagają, żeby ostateczne wyliczenie czy decyzję wykonywał deterministyczny kod, a AI zostawało w roli asystenta, który czyta i proponuje. To rozróżnienie samo w sobie potrafi zmienić kolejność wdrażania procesów w firmie o sto osiemdziesiąt stopni.

Krok 5: kryteria automatyzowalności — nasza checklista

Po zmapowaniu procesu, danych wejściowych i punktów decyzyjnych zostaje jedno pytanie: czy to się w ogóle nadaje do automatyzacji teraz. Sprawdzamy:

  • Czy proces jest wystarczająco powtarzalny, żeby dało się opisać jego typowy przebieg?
  • Czy dane wejściowe są dostępne w formie, którą da się przetworzyć — albo da się je do takiej formy szybko doprowadzić?
  • Czy da się jasno określić koszt błędu i sposób jego wykrycia?
  • Czy istnieje punkt, w którym człowiek może zweryfikować wynik, zanim wywoła on skutek finansowy lub prawny?
  • Czy proces ma po stronie firmy właściciela biznesowego, który potwierdzi kryteria sukcesu?

Im więcej odpowiedzi “tak”, tym szybciej proces nadaje się do pilotażu. Odpowiedzi “nie” nie dyskwalifikują procesu na zawsze — po prostu pokazują, co trzeba najpierw poukładać, zanim w ogóle zacznie się pisać integrację.

Co wychodzi z audytu

Efektem audytu nie jest gotowe wdrożenie, tylko konkretny dokument: zmapowany proces, lista punktów decyzyjnych z podziałem na regułowe i wymagające AI, oszacowany koszt błędu dla każdego z nich oraz rekomendacja, od czego zacząć. To właśnie ten dokument jest podstawą realnej wyceny i harmonogramu — nie odwrotnie. Bez niego każda rozmowa o terminach i budżecie toczy się na domysłach.

Najczęstsze pytania

Ile trwa audyt procesu pod AI? Zależy od liczby procesów i dostępności danych. Pojedynczy, dobrze udokumentowany proces da się zmapować w ciągu kilku dni roboczych, zakładając dostęp do rozmów z osobami, które go wykonują, i próbek danych wejściowych.

Czy audyt wymaga dostępu do systemów produkcyjnych? Nie na tym etapie. Mapowanie procesu opiera się na rozmowach i próbkach dokumentów. Dostęp do systemów staje się potrzebny dopiero na etapie integracji, po podjęciu decyzji o wdrożeniu.

Co jeśli audyt pokaże, że proces nie nadaje się do automatyzacji teraz? To pełnoprawny wynik audytu, nie porażka. Lepiej wiedzieć to wcześniej niż po miesiącach pracy nad pilotażem. Często okazuje się, że da się zautomatyzować część procesu, a resztę zostawić po stronie ludzi.

Czy audyt kończy się gotowym wdrożeniem? Nie — audyt kończy się rekomendacją i priorytetyzacją kandydatów do automatyzacji. Decyzja, czy zacząć od pilotażu, czy od razu szerzej, to kolejny, osobny krok.

Kto powinien uczestniczyć w audycie ze strony firmy? Osoby, które wykonują proces na co dzień, oraz jedna osoba decyzyjna po stronie biznesu, która może potwierdzić priorytety i kryteria sukcesu.

Chcesz sprawdzić, czy Twój proces nadaje się na start

Jeśli zastanawiasz się, od którego procesu zacząć, skontaktuj się z nami — audyt to pierwszy krok, który realnie odpowiada na to pytanie, zanim ktokolwiek zacznie pisać kod. Więcej o naszym podejściu do wdrożeń AI znajdziesz na stronie oferty AI.