Automatyzacja AI. Automatyzacja procesów w firmie

Automatyzacja AI procesów w firmie

Model językowy jest potrzebny dopiero tam, gdzie na wejściu pojawia się nieustrukturyzowany tekst albo decyzja, której nie da się zapisać regułą; dużą część procesów, dla których firmy szukają automatyzacji AI, da się zautomatyzować klasycznie: taniej, szybciej i bez kosztu zmiennego.

Robert MarczyńskiOpublikowano 08.07.20264 min czytania1 źródło

Pierwsze pytanie: czy tu w ogóle potrzebny jest model

Zaczynam od pytania, które bywa niewygodne dla wykonawcy: czy ten proces wymaga sztucznej inteligencji?

Bardzo często nie wymaga. Przepisywanie danych między dwoma systemami, które mają API. Wysyłka powiadomienia po zdarzeniu. Generowanie dokumentu z szablonu na podstawie pól z formularza. To są zadania dla klasycznej automatyzacji: tańsze w budowie, przewidywalne, bez kosztu zmiennego i bez ryzyka, że wynik będzie za każdym razem trochę inny.

Model językowy jest potrzebny dopiero wtedy, gdy występuje przynajmniej jedno z dwóch:

Wejście jest nieustrukturyzowane. Tekst napisany swobodnie przez człowieka, dokument o zmiennym układzie, wiadomość, w której informacja może być wszędzie.
Decyzji nie da się zapisać regułą. Ocena, czy zgłoszenie jest pilne. Rozpoznanie, o co klientowi naprawdę chodzi. Dopasowanie odpowiedzi do kontekstu.

Rozwiązania, które projektuję, zwykle są hybrydowe: model obsługuje wejście i decyzję, a wszystko, co da się zapisać regułą, wykonuje logika klasyczna. Model, któremu zleca się liczenie i przepisywanie, to najdroższy możliwy sposób wykonania tych czynności. I najmniej niezawodny.

Gdzie automatyzacja z AI daje najwięcej

Dokumenty przychodzące

Odczytanie danych z faktury, zamówienia, formularza o zmiennym układzie i wpisanie ich do systemu z akceptacją człowieka. Duża objętość, tani błąd, bo wyłapywany przy akceptacji.

Segregowanie i kierowanie

Rozdzielenie spraw prostych od wymagających specjalisty, przypisanie kategorii i priorytetu. To zwykle pierwszy krok wdrożenia AI w firmie. Często najbardziej opłacalne wdrożenie w firmie, bo nie wymaga, żeby AI rozwiązała sprawę. Wystarczy, że skieruje ją do właściwej osoby.

Wstępne wersje odpowiedzi

Przygotowanie propozycji odpowiedzi na typowe zapytanie, którą konsultant poprawia i wysyła. Wariant z nadzorem, więc tani we wdrożeniu i bezpieczny.

Ujednolicanie danych

Doprowadzanie do wspólnego formatu informacji, które przychodzą w różnych postaciach z różnych źródeł.

Rachunek opłacalności

Zrób go przed wyceną, samodzielnie. Zajmuje pół godziny i chroni przed rozczarowaniem:

Liczba wykonań procesu w miesiącu.
Średni czas jednego wykonania.
Punkty 1 × 2 = obecny koszt czasowy procesu.
Szacowany czas po automatyzacji, łącznie z czasem na weryfikację wyniku przez człowieka. Ten składnik jest pomijany najczęściej i bywa decydujący.
Różnica minus miesięczny koszt utrzymania i API.

Jeśli wynik po pięciu punktach jest bliski zeru, automatyzacja nie ma uzasadnienia ekonomicznego. Nawet jeśli technicznie jest wykonalna i efektowna w prezentacji.

Gdzie te wdrożenia najczęściej stają

Nie na modelu. Na styku z systemami, w których firma naprawdę pracuje.

Najczęstszą przyczyną nieudanych pilotaży jest według raportu MIT NANDA (2025) luka uczenia się: narzędzia nie zapamiętują informacji zwrotnej i nie adaptują się do procesów firmy, więc nie poprawiają się z czasem. Najlepszy zwrot raport widzi zaś nie w narzędziach dla front-office, tylko w automatyzacji zaplecza: ERP, łańcucha dostaw i finansów; jakość modelu i regulacje grają role drugorzędne.

To pokrywa się z tym, co widzę w wycenach. Sam model jest zwykle najtańszym elementem układanki, a rachunek robią integracje i stan danych. Rozwiązanie, które generuje świetne odpowiedzi, ale nie potrafi ich zapisać tam, gdzie zespół i tak musi wejść, nie oszczędza czasu. Przenosi go.

Praktyczny wniosek na etapie planowania: zanim wybierzesz narzędzie, sprawdź, czy systemy po twojej stronie mają API. System z nowoczesnym API podłącza się w godziny, system bez API przez eksporty i pliki pośrednie, czyli w tygodnie. Ta jedna odpowiedź przesuwa wycenę o rząd wielkości i to ją sprawdzam w audycie gotowości AI.

Czego nie robię

Nie automatyzuję procesów, których nikt nie mierzy, bo nie da się wykazać efektu, a projekt zostanie oceniony wrażeniami. Nie proponuję modelu tam, gdzie wystarczy reguła. Nie buduję automatyzacji na obejściach systemów bez API, jeśli nie powiem wprost, że takie rozwiązanie jest kruche i wymaga wyższego budżetu na utrzymanie.

Najczęstsze pytania

Czym automatyzacja AI różni się od zwykłej automatyzacji?

Klasyczna automatyzacja wykonuje zapisane z góry reguły: jeśli warunek, to działanie. Automatyzacja z użyciem AI radzi sobie z wejściem nieustrukturyzowanym. Tekstem pisanym swobodnie, dokumentem o zmiennym układzie. I z sytuacjami, których nikt nie przewidział regułą. Kosztuje za to więcej i generuje opłatę za każde wykonanie.

Kiedy nie warto używać AI do automatyzacji?

Gdy dane wejściowe są ustrukturyzowane i reguły dają się zapisać. Przepisywanie danych między systemami z API, wysyłka powiadomienia po zdarzeniu, generowanie dokumentu z szablonu. To zadania dla klasycznej automatyzacji. Użycie modelu językowego doda tu koszt zmienny i element niepewności bez żadnej korzyści.

Ile można zaoszczędzić na automatyzacji AI?

Nie da się tego uczciwie podać przed zmierzeniem konkretnego procesu. Rachunek robi się tak: liczba wykonań w miesiącu razy czas jednego wykonania to koszt obecny; od oszczędności odejmujemy czas na weryfikację wyniku przez człowieka i miesięczny koszt utrzymania. Każda liczba podana przed tym rachunkiem jest zgadywaniem.

Czy automatyzacja AI wymaga wymiany systemów?

Zwykle nie. Rozwiązania podłącza się do istniejących systemów przez API. Problem pojawia się przy systemach, które API nie mają. Wtedy potrzebne są obejścia, które działają, ale są kruche i podnoszą koszt utrzymania. To warto ustalić jeszcze przed wyceną.