Wdrożenie AI w firmie: od audytu procesu do utrzymania

Wdrożenie AI, które realnie działa, rzadko zaczyna się od wyboru modelu. Zaczyna się od zrozumienia procesu, który ma wspierać. Poniżej pokazujemy praktyczny szkielet, którym się kierujemy: audyt, pilotaż, produkcja, utrzymanie — i to, co faktycznie dzieje się na każdym z tych etapów.

Krok 1: Audyt procesu

Zanim padnie słowo „model”, trzeba odpowiedzieć na dużo bardziej przyziemne pytania: jakie dokumenty czy dane wpływają do procesu, gdzie w nim podejmowane są decyzje, które z tych decyzji są rutynowe, a które wymagają wiedzy eksperckiej, i gdzie leżą największe koszty czasu. Audyt procesu to mapowanie tego wszystkiego razem z zespołem, który dziś wykonuje pracę ręcznie — bo to on wie, gdzie proces się psuje i gdzie leżą wyjątki, o których nie ma mowy w żadnej instrukcji.

Efektem audytu nie jest jeszcze żadna automatyzacja, tylko jasny obraz procesu i odpowiedź na pytanie, które jego elementy w ogóle nadają się do wsparcia przez AI — a które lepiej zostawić bez zmian.

W praktyce oznacza to rozmowy, a nie tylko analizę dokumentacji procesowej — instrukcje opisują, jak proces powinien wyglądać, a rzeczywistość na hali czy przy biurku zwykle odbiega od nich w kilku miejscach. To właśnie te odstępstwa najczęściej decydują o tym, czy późniejsza automatyzacja faktycznie odciąży zespół, czy tylko doda mu nową warstwę pracy do pilnowania.

Krok 2: Pilotaż

Pilotaż obejmuje wąski, dobrze określony wycinek procesu — nie cały proces naraz. Ma jeden, jasno zdefiniowany miernik sukcesu: na przykład, jak duża część dokumentów danego typu zostaje poprawnie odczytana i przekazana dalej bez interwencji człowieka. Wąski zakres pozwala szybko zobaczyć, gdzie model radzi sobie dobrze, a gdzie pojawiają się przypadki brzegowe — zanim zainwestuje się w pełne wdrożenie.

Ważne jest też to, czego pilotaż nie robi: nie zastępuje jeszcze człowieka w podejmowaniu decyzji krytycznych. To etap zbierania dowodów, nie etap przekazywania odpowiedzialności. Dobrze zaprojektowany pilotaż z góry określa też, co się stanie, jeśli miernik sukcesu nie zostanie osiągnięty — czy proces wraca do rysownicy, czy testowany jest węższy zakres.

Krok 3: Produkcja

Dopiero tu zaczyna się różnica między demo a systemem, który działa na co dzień — pisaliśmy o tym szerzej osobno. Przejście na produkcję oznacza dodanie monitoringu jakości, integrację z istniejącymi systemami firmowymi i jasny podział ról: AI czyta, klasyfikuje i proponuje, a to, co dotyczy pieniędzy i decyzji krytycznych, liczy deterministyczny kod.

W praktyce wdrożeń, które prowadzimy (zobacz naszą pełną ofertę AI), ten podział obejmuje zwykle cztery obszary: pracę z dokumentami (odczyt i klasyfikacja), asystentów działających na danych firmowych, automatyzację decyzji z eskalacją do człowieka tam, gdzie sprawa jest niejednoznaczna, oraz integrację AI z systemami, które firma już ma. W każdym z nich obowiązuje ta sama zasada — model proponuje, system rozstrzyga.

Praca z dokumentami oznacza, że model czyta i klasyfikuje treść, a dalsze działania — zapis, obliczenia, powiadomienia — wykonuje już zwykły kod. Asystent na danych firmowych odpowiada na pytania w oparciu o to, co firma faktycznie ma w swoich systemach, a nie o ogólną wiedzę modelu. Automatyzacja decyzji z eskalacją oznacza, że rutynowe przypadki są obsługiwane automatycznie, a te niejednoznaczne trafiają do człowieka wraz z uzasadnieniem, dlaczego AI nie było pewne. Integracja z istniejącymi systemami sprawia, że wdrożenie nie wymaga wymiany narzędzi, których firma już używa — dopina się do nich, zamiast je zastępować.

Krok 4: Utrzymanie

Wdrożenie nie kończy się w dniu uruchomienia. Modele językowe zmieniają się między wersjami dostawcy, dane wejściowe z czasem się zmieniają, a to, co działało dobrze w pierwszym miesiącu, może wymagać korekty w szóstym. Utrzymanie to bieżące śledzenie jakości odpowiedzi, reagowanie na nowe przypadki brzegowe i świadome zarządzanie kosztami w miarę wzrostu skali. Naszym zdaniem to właśnie ten etap — a nie sama budowa — pochłania większość pracy w cyklu życia wdrożenia AI, choć rzadko się o nim mówi na etapie sprzedaży projektu.

W praktyce oznacza to np. cykliczny przegląd próbki wyników, sprawdzanie, czy odsetek eskalowanych przypadków nie rośnie w czasie, i aktualizację reguł walidacji, gdy w danych pojawia się nowy, wcześniej nieobecny wariant dokumentu czy zapytania.

Przykład: biuro rachunkowe

Weźmy proces, który dobrze ilustruje te cztery kroki, bez odnoszenia się do konkretnego klienta: biuro rachunkowe obsługujące wielu klientów, do którego co miesiąc spływają dokumenty księgowe w różnej formie i jakości. Audyt pokazuje, gdzie najwięcej czasu zajmuje ręczne przepisywanie danych z dokumentów. Pilotaż sprawdza, jak dobrze model radzi sobie z odczytem tych konkretnych typów dokumentów. Produkcja dodaje monitoring i integrację z systemem księgowym biura, przy czym same obliczenia podatkowe i księgowe pozostają po stronie deterministycznego silnika, nie modelu językowego — dokładnie tak, jak w naszym produkcie Qkwit, gdzie Claude czyta dokumenty, a podatki i składki liczy kod. Utrzymanie oznacza dalsze śledzenie, czy odczyt pozostaje trafny, gdy klienci biura zaczynają przysyłać nowe formaty dokumentów.

Gdyby zamiast tego biuro zaczęło od wyboru modelu i wdrożenia bez audytu, ryzykowałoby zbudowanie systemu dobrze radzącego sobie z fakturami, które akurat posłużyły do testów, a gorzej z tymi, które w praktyce stanowią większość korespondencji napływającej co miesiąc.

Dlaczego ta kolejność ma znaczenie

Odwrócenie tej kolejności — czyli wybór modelu i wdrożenie „na już”, zanim proces zostanie w ogóle zmapowany — to jeden z najczęstszych powodów, dla których projekty AI utykają. Bez audytu trudno wiedzieć, co w ogóle warto automatyzować. Bez pilotażu trudno ocenić ryzyko, zanim stanie się ono kosztowne. Bez zaplanowanego etapu produkcji brakuje monitoringu, który wychwyci problem, zanim zrobi się poważny. A bez utrzymania system, który dobrze działał w dniu uruchomienia, po prostu z czasem się degraduje. Kolejność ta wynika też z kosztów błędu na każdym etapie: poprawienie założeń na etapie audytu jest tanie, poprawienie ich po uruchomieniu produkcyjnego systemu — znacznie droższe.

Najczęstsze pytania

Ile trwa audyt procesu przed wdrożeniem AI? To zależy od złożoności procesu i liczby osób zaangażowanych w rozmowy — kluczowe jest zaangażowanie zespołu, który dziś wykonuje pracę ręcznie, bo to on zna realne wyjątki.

Czy pilotaż od razu zastępuje pracę człowieka? Nie. Pilotaż ma wąski zakres i jeden miernik sukcesu — to etap sprawdzania, gdzie model radzi sobie dobrze, a nie etap przekazywania mu odpowiedzialności za decyzje.

Co dokładnie oznacza „utrzymanie” wdrożenia AI? Bieżące śledzenie jakości odpowiedzi, reagowanie na nowe przypadki brzegowe w danych oraz zarządzanie kosztami w miarę wzrostu skali — to praca, która trwa długo po uruchomieniu systemu.

Czy AI może całkowicie zastąpić osobę odpowiedzialną za proces? W naszym podejściu nie — AI czyta, klasyfikuje i proponuje, a decyzje krytyczne i obliczenia finansowe pozostają po stronie deterministycznego kodu i, tam gdzie trzeba, człowieka.

Od czego zacząć, jeśli firma jeszcze nie wie, czy jest gotowa na AI? Od audytu procesu — zanim padnie jakakolwiek decyzja o modelu czy narzędziu, warto dokładnie zrozumieć, gdzie dziś znika najwięcej czasu i gdzie leżą wyjątki.

Sprawdźmy, jak wygląda Wasz proces

Jeśli zastanawiacie się, od czego zacząć wdrożenie AI w swojej firmie, chętnie przejdziemy z Wami przez pierwszy krok — audyt procesu. Napiszcie do nas.