Nawet jeśli sztuczna inteligencja nie zbawi nas od wszelkich bolączek prowadzenia biznesu, przy umiejętnym wprowadzaniu jej do firmy możemy uzyskać więcej niż się spodziewamy.
Wdrożenie modeli AI może przyczynić się do optymalizacji procesów, automatyzacji rutynowych zadań oraz szybszego rozwiązywania problemów. To z kolei minimalizuje ryzyko błędów i zwiększa efektywność pracy.
Ważne jest zrozumienie i akceptacja ograniczeń AI, co pozwala uniknąć nadmiernych oczekiwań i skupić się na realnych korzyściach.
Proces wdrożenia powinien zakładać fazę określania celów, przechodzić do fazy prototypowania i tworzenia MVP. Umożliwia to stopniowe testowanie i dostosowywanie rozwiązań. W ten sposób, organizacje mogą lepiej dostosować technologię AI do swoich specyficznych potrzeb.
Równie istotne dla stabilnego działania organizacji jest ograniczanie sytuacji stresowych oraz budowanie sprzyjającego środowiska pracy. W sytuacji dużej zmienności warunków prowadzenia biznesu przyjemnością jest już sama minimalizacja napotykanych przeszkód.
W oparciu o nasze doświadczenie, stworzyliśmy opis wdrażania AI w 9 krokach, czyli przewodnik dla tych, którzy nie lubią błądzić.
1. Co Cię motywuje?
Na początek zastanów się, co Cię skłoniło do rozważań nad wdrożeniem AI w firmie.
FOMO to jeden z dobrze przebadanych błędów poznawczych, czyli mechanizmów, którymi nasze mózgi posługują się, by działać mniejszym nakładem wysiłku (w domyśle – efektywniej). Fear of Missing Out, czyli strach przed utratą, ma miejsce wtedy, gdy 50 razy na dobę sprawdzasz maile, komunikatory i serwisy informacyjne, żeby nie przegapić „ważnych” wiadomości. Obserwujemy, że FOMO dotyczy również biznesu i technologii. Dla części liderów obawa przed „zostaniem w tyle” jest motorem do wprowadzania zmian technologicznych, a ostatnio – rozwiązań opartych na sztucznej inteligencji.
Optymalizacja to robić rzeczy szybciej i przestać tracić czas na nudne powtarzalne zadania. Skupić się na rzeczach istotnych dla rozwoju firmy. Znaleźć czas na eksperymentowanie z innowacją.
Są to dwa częste powody, dla których firmy decydują się na wdrożenie AI oraz automatyzację procesów.
Każdy z nich może prowadzić do optymalizacji operacyjnej w celu odzyskania czasu na zadania twórcze i rozwijające organizacje.
Jeżeli często zastanawiasz się „dlaczego po każdym spotkaniu poświęcam 30 minut na zrobienie notatki?”, „Czy muszę wysyłać kolejną umowę do tłumacza?” lub „Czy moi pracownicy muszą odbierać telefony, żeby odpowiadać na powtarzające się pytania klientów?” to znaczy, że szukasz optymalizacji we właściwym miejscu. Najprawdopodobniej osiągniesz te optymalizacje bez dużych nakładów finansowych i w ramach pakietu jednego z dostawców technologicznych.
Jest jeszcze trzecia, najbardziej dalekowzroczna strategia: przeglądając problemy i potrzeby firmy oraz jej klientów, zastanawiamy się jak je rozwiązać, a także czy AI może nam w tym pomóc. Wychodzimy od celów wysokopoziomowych i ustalamy, w jakich obszarach spodziewamy się zmiany. Takie wykorzystanie AI, w przeciwieństwie do codziennych, prostych zastosowań, może dać przewagę konkurencyjną, wypozycjonować firmę na lidera innowacji oraz zyskać zaufanie klientów.
Zakładanie, że istnieje problem możliwy do rozwiązania przy użyciu sztucznej inteligencji, różni się od szukania problemu wyłącznie po to, aby uzasadnić wdrożenie nowoczesnych narzędzi typu Claude czy Co-pilot.
Dokładnie analizujemy procesy, np. obserwujemy pracowników w trakcie pracy przy taśmie produkcyjnej bądź śledzimy uważnie obieg dokumentów w firmie, aby zdiagnozować problemy i zastanowić się, które z nich mogą zostać rozwiązane z użyciem sztucznej inteligencji. W Edisondzie przyglądamy się pracownikom w trakcie wykonywania zadań w badaniach AI Discovery.
2. Co chcesz osiągnąć?
„Nie chcemy zostać w tyle” – to nie jest konkretny cel. Łatwiej jest wprowadzać zmiany, gdy dokładnie rozumiemy, co chcemy osiągnąć.
Przykładem dobrze sformułowanego celu może być optymalizacja usługi transportowej gabarytowych materiałów budowlanych. Uszczegóławiając ten cel, skupimy się na organizacji zamówień i dostaw w taki sposób, by docierały one bez problemu, na czas i w optymalnym stanie.
W Edisondzie wspieraliśmy kilka takich projektów, od zamówień płynnego betonu, przez wielkoskalowe zamówienia stali konstrukcyjnej, po współdzielenie środków transportu małych zamówień uzupełniających ze składów budowlanych na place budowy.
W każdym z nich, dzięki zastosowaniu algorytmów i systemów przetwarzania dużych i różnorodnych zbiorów danych oraz interfejsów zrozumiałych dla klientów o różnym poziomie kompetencji, można było uzyskać jakość usług dotąd niedostępną dla klientów na poszczególnych rynkach.
3. Od czego wychodzisz?
Odpowiedz sobie na pytanie: Jaki jest obecny stan w Waszej firmie? Skupiamy uwagę na tych obszarach, które wskazaliśmy w tym kroku.
- Jaką działalność prowadzicie? Jaką chcielibyście prowadzić? Co macie w ofercie, a co chcielibyście mieć?
- Ilu macie klientów?
- Czy ta liczba jest stabilna? Czy zgłaszają zadowolenie z waszej oferty? Czy mają potrzeby, których nie zaspokajacie? Czy zmiana jest przez nich oczekiwana, czy też może ich odstraszyć? Co da Wam szanse na nowe zamówienia?
Jeśli nie dysponujesz taką wiedzą, warto zacząć od przeglądu danych, które posiadasz: liczby zamówień, reklamacji, opinii o firmie i ofercie. Dobrą inwestycją będzie też zlecenie badań. Niezależne, zewnętrzne „oko” i „ucho” pomaga często zredefiniować potrzeby, problemy i rozwiązania, które przyniosą firmie największe korzyści.
Przykładowo, dla dużej organizacji z Wielkiej Brytanii wykonaliśmy analizę ich usług, związanych z certyfikacją kwalifikacji uczestników szkoleń zawodowych. Pomogło to organizacji oszacować zasadność inwestycji w nowoczesny system obsługi egzaminów i certyfikacji, wskazać kluczowe aspekty oferowanych usług oraz obszary, w których inwestycja przyniesie najwięcej korzyści. Ostatecznie, organizacja zaniechała budowy wielkiej dedykowanej platformy, opierając nową odsłonę usługi o prostsze, m.in. zdalne rozwiązania, bardziej dostępne dla użytkowników.
- Jaką technologią dysponujecie? Jaką chcielibyście dysponować? W czym mogłaby Wam pomóc? Czy stać Was na wprowadzenie zmian?
Jeśli technologia jest „za darmo” (a tak często reklamowania jest AI) – czym za nią zapłacicie? Czy możecie sobie pozwolić na taki wydatek (pieniędzy, czasu, pracy, danych)?
- Czy nowa technologia będzie kompatybilna z Waszym stack’iem technologicznym?
Jeżeli Wasza firma funkcjonuje w ekosystemie np. Microsoft wdrożenie sztucznej inteligencji do procesów może okazać się łatwiejsze niż myślisz. Uruchomienie co-pilota to koszt kilkunastu dolarów miesięcznie, a może on usprawnić codzienne działania takie jak organizacja maili, podsumowanie spotkań czy planowanie zadań. Inaczej będzie, jeżeli funkcjonujecie w rozproszonym środowisku technologicznym. Wtedy stają przed Wami możliwości dopasowania i zaprojektowania rozwiązania w oparciu o znane Large Language Models (LLM) takiej jak Open AI czy Lama.
- Konkurencja – czy ją macie? Gdzie? Co robi, czego Wy nie robicie? Co robi, a Wy moglibyście to robić lepiej? Gdzie już teraz używają rozwiązań korzystających z AI?
To również obszar, w którym spojrzenie z zewnątrz daje nowe perspektywy. Rozważ zlecenie benchmarku, czy analizy konkurencji firmie, która się specjalizuje w takich usługach.
Nie chodzi tu o poświęcenie sześciu miesięcy na robienie szczegółowej dokumentacji sytuacji zastanej. Jeśli jednak zakładasz, że obsługa zamówienia klienta powinna przebiegać szybciej i sprawniej, ustal, jak jest przed wprowadzeniem zmiany.
Po pierwsze dzięki temu zweryfikujesz, czy nakład pracy i finansów na wdrożenie ma szanse się zwrócić. Po drugie, w kroku 9. będziesz mieć bazę do porównania, kiedy osiągniesz cel, a na wcześniejszych etapach łatwiej sprawdzisz, czy zmierzasz w dobrym kierunku.
Nie jest prawdą, że wdrażanie AI polega na zastąpieniu ludzkich pracowników maszyną, która na jedno zdanie odpowie gotowym rozwiązaniem. To tylko kolejna marketingowa obietnica, ze szczegółami dopisanym drobnym druczkiem.
4. Od czego zaczniesz, żeby „nie wywrócić łódki”?
Duża zmiana angażująca znaczne zasoby w wypadku niepowodzenia osłabia firmę. Gdy się powiedzie – czasem pozostawia gorycz, poczucie, że efekt jest poniżej oczekiwań w stosunku do zaangażowania.
Duża zmiana to często także duży stres, nawet dla tych, którzy nie są w nią bezpośrednio zaangażowani. W przypadku rozwiązań AI częstą obawą jest utrata pracy przez pracowników zastąpionych technologią.
Łatwiej jest uwierzyć w sukces i sens ponoszonych wysiłków, gdy mamy już na koncie sukces mniejszego projektu, oraz lekcje wyniesione z realizacji takiego, który niekoniecznie się powiódł.
Odważ się na eksperyment, nie zakładając, że musi się skończyć sukcesem, ale właśnie nauką.
Ponieważ technologie AI są nadal w fazie rozwojowej i ich potencjał zmienia się z miesiąca na miesiąc, najlepiej będzie zadecydować się na Proof of Concept rozwiązania. Takie podejście składa stworzenie prototypu modelu, który zazwyczaj dysponuje mniejszą funkcjonalnością i pracuje na ograniczonym zbiorze danych. Taki prototyp pozwoli nam potwierdzić, czy nasze założenie przynoszą zamierzony efekt oraz przetestować rozwiązanie w bezpiecznym środowisku. Faza PoC w projektach AI jest niezbędnym elementem procesu, którego nie powinniśmy omijać.
Eksperymenty i iterowanie to dobry pomysł również wtedy, gdy nie sposób ustalić, co dokładnie chcecie osiągnąć, z czym startujecie, czego Wam brakuje, jakich nakładów to wymaga, co może Was spowolnić, co może pójść nie tak, czy wreszcie: jak przekonać ludzi (pracowników i klientów) do nowego rozwiązania.
Pisząc krótko: jeżeli próbujesz na stosunkowo małym projekcie, to w trakcie tego eksperymentu zbierasz informacje potrzebne do zaplanowania większej zmiany. I możesz z niego wyciągać wnioski do realizacji większego projektu.
5. Nakłady – zrób przegląd rozwiązań
Przy porównywaniu kosztów nie poprzestawaj na cenie licencji. Sprawdź koszty utrzymania, wsparcia, szkolenia i wdrożenia innych zmian niezbędnych, by rozwiązanie, które planujesz, przyniosło zakładane efekty.
Przykładem są tu wdrożenia SAP, które wymagają sporo konfiguracji i tylko jeśli są obsługiwane przez osoby przyzwyczajone do tego rozwiązania i na bieżąco aktualizujące wiedzę działają efektywnie.
Jeśli natomiast zakłada się, że dane będą wprowadzać pracownicy nie znający logiki tych systemów, mogą oni polec na nieintuicyjnym dla nich interfejsie. W najlepszym przypadku zespoły organizują się, delegując do obsługi takich systemów pracownika, który radzi sobie najlepiej i to on (lub ona) obsługuje aplikacje w imieniu zespołu.
Podobne problemy można napotkać, robiąc pierwsze kroki w pracy z rozwiązaniami opartymi o modele AI. Narzędzia te nadal do uzyskania efektu dobrej jakości wymagają zastosowania odpowiednio sformułowanych poleceń, co może przerastać umiejętności pracowników, którzy dotąd korzystali ze wsparcia profesjonalistów np. przy tworzeniu treści marketingowych.
Dokładane przeanalizowanie procesów pod kątem potencjalnych automatyzacji, sprawdzenie kosztów realizacji, a następnie utrzymania rozwiązania będzie kluczowe.
W efekcie może okazać się, że stanowiska co-pilota są zasadne tylko dla niektórych stanowisk, a optymalizację procesów można dokonać prostymi automatyzacjami, które nie potrzebują mocy obliczeniowej.
Edisonda już teraz doradza firmom w podejmowaniu właściwych decyzji w zastosowaniu technologii.
6. Czego może brakować Waszej firmie?
Ludzi i kompetencji
Wprowadzenie nowych rozwiązań i narzędzi pracy zawsze wiąże się z mniejszą lub większą zmianą sposobu pracy. Przykładowo sposób zadawania pytań, do którego przywykliśmy w wyszukiwarce Google, jest nieefektywny w ChatGPT, Co-pilocie czy Claude. To oznacza, że pracownicy będą musieli się nauczyć innego niż dotychczas sposobu wykonywania zadań, używania tych nowo wdrażanych narzędzi i innej organizacji pracy. Na początku zadania mogą im zająć więcej czasu niż dotychczas, gdy działali niemalże odruchowo. Ten czas na zmianę nawyków i naukę należy wkalkulować w plan wprowadzania zmiany.
Nie powinniśmy też zakładać, że każdy z pracowników doszkoli się na własną rękę. Zresztą, czasem mogłoby to przynieść opłakane skutki.
Przemyśl jak ja AI ma być wykorzystywana przez pracowników i przekaż im te informacje. Zastanów się, jak możesz im pomóc opanować nowe kompetencje. Być może masz w firmie osoby, które posiadają już kompetencje potrzebne do wdrażania, obsługi, i które potrafią dzielić się wiedzą z innymi. Jeśli nie masz w firmie takich kompetencji i nie chcesz, by specjaliści, których zatrudnisz w związku z wprowadzaną zmianą, poświęcali swój cenny czas na szkolenie innych, sprawdź ofertę dostępnych szkoleń.
Przeszkolić należy przynajmniej część pracowników, którzy nabytą wiedzą i umiejętnościami będą potrafili podzielić się z resztą.
Odpowiednio przygotowanych danych
Jeżeli mylisz o wykorzystaniu generative AI w swojej firmie musisz wiedzieć, że kluczem do sukcesu jest struktura danych. Dane, na których będzie pracował model językowy, powinny być ustrukturyzowane i oczyszczone ze zbędnych informacji. Im lepsze dane tym model działa lepiej.
Często ustrukturyzowanie danych generuje pomysły na wykorzystanie sztucznej inteligencji. Np. wprowadzenie elektronicznej obsługi ustrukturyzowanych faktur KSeF skłania obecnie wiele firm księgowych do wykorzystania AI w celu automatycznego księgowania faktur. Staje się to możliwe, ponieważ dane, na których szkoli się model AI, są ustrukturyzowane.
Technologii
I nie chodzi tu tylko o rozwiązanie cyfrowe, które chcesz wdrożyć, ale też o inne technologie – już działające w firmie. Także te, bez których wdrożenie nie pozwoli osiągnąć zamierzonych efektów.
Dostawcy technologii często współfinansują innowacyjne projekty związane z wykorzystaniem AI. Np. Microsoft dofinansowuje zarówno stworzenie prototypu jak i końcową implementację, często są to kwoty w okolicach 10-20 tys. dolarów. Takie wsparcie może być dobrym rozwiązaniem, jednak musimy pamiętać, że wiąże nas z danym dostawcą na dłuższy czas.
Oceny ryzyka
Na pierwszym miejscu należy wymienić kwestie bezpieczeństwa danych. Sztuczna inteligencja wymaga dostępu do ogromnych zbiorów danych, co stawia przedsiębiorstwa przed ryzykiem naruszeń prywatności i bezpieczeństwa danych.
Drugim znaczącym wyzwaniem są kwestie etyczne, zwłaszcza w kontekście automatyzacji zadań, która może prowadzić do znaczących zmian na rynku pracy, zmniejszać zaangażowanie pracowników lub prowadzić do zwolnień grupowych.
Trzecim, ale nie mniej ważny atrybutem jest transparentność i wyjaśnialność algorytmów, które jest kluczowe dla budowania zaufania i zrozumienia wśród użytkowników.
Wiele z powyższych opisuje i reguluje już podpisana w ubiegłym miesiącu deklaracja AI ACT obligująca twórców oprogramowania wykorzystującego sztuczną inteligencję do całkowitej transparentności oraz projektowania rozwiązań z poszanowaniem praw człowieka.
7. Plan wdrożenia i zarządzanie zmianą
Oprócz implementacji samego rozwiązania cyfrowego, do sukcesu potrzebne jest odpowiednie przygotowanie podłoża dla zmiany. Tym podłożem są ludzie i procedury. Brak zrozumienia powodów wprowadzenia zmiany, korzyści z jej wprowadzenia, umiejętności korzystania z niej, opór wobec poświęcenia czasu i uwagi na nauczenie się tego, co niezbędne – to najczęstsze powody niskiej oceny wdrożeń.
Inne to: działanie rutynowe, polegające na próbach stosowania nowej technologii tak, jak poprzedniego rozwiązania, albo kontynuacji korzystania z tego „starego”.
Aby temu przeciwdziałać, należy odpowiednio zaadresować zmiany zarówno menedżerom, jak i klientom, w taki sposób by ich obawy nie przeważyły nad korzyściami, jakie odniosą.
8. Pomiar efektów
Na początku ustaliłeś cele, które chcesz osiągnąć wdrożeniem AI. Zgodnie z postawionymi celami (na podstawie systematycznie zbieranych danych) możesz ocenić, czy zbliżacie się do celu, czy też coś sprawia, że cel jest coraz odleglejszy. Wybierz odpowiednie, tzn. mierzalne wskaźniki i opieraj się na ich odczytach przy podejmowaniu decyzji o dalszych krokach.
Przykładowo, jeśli wdrożenie AI wprowadzasz, by usprawnić proces rekrutacji (i precyzyjnie zdefiniowałaś, co to znaczy w przypadku Waszej firmy), będziesz zwracać uwagę na czas preselekcji złożonych aplikacji, dopasowanie aplikacji do potrzeb stanowiska i zespołu, być może także czas usamodzielnienia się nowego pracownika w wykonywanych zadaniach. Żaden z tych wskaźników nie wskaże Wam, czy wdrożenie przyniosło zmiany na lepsze, jeśli nie zmierzyliście tych wskaźników przed wprowadzaniem zmiany.
Pamiętając, że AI może (przy braku wystarczających danych, albo opierając się na skrzywionym, zbiasowanym algorytmie) podejmować błędne decyzje, jesteś w stanie podjąć próbę weryfikacji decyzji algorytmu. Czy zdecydujesz się monitorować ścieżkę zawodową jakiejś próbki odrzuconych kandydatów, by sprawdzić, czy niezaproponowanie stanowiska tej osobie było najlepszym wyborem?
Jeśli mierzysz wskaźniki na bieżąco, a nie wstecznie po upływie czasu założonego na wdrożenie, możesz upewnić się, że podążasz we właściwym kierunku, skupiasz się na tym, co jest ważne dla Twojego biznesu i Twoich pracowników.
9. O czym pamiętać
- Eksperyment zakończony niepowodzeniem to nie porażka – to lekcja oraz metoda na uniknięcie strat.
- Czegoś Ci brakuje? Ludzi, kompetencji, technologii, danych? Nie rezygnuj, ani nie zakładaj, że jakoś to będzie. Poszukaj w swoim zespole – lub poza nim – kompetencji i sposobów na przeprowadzenie zmiany w możliwie optymalnym kształcie.
- Kalkuluj ryzyko. Nie zrzucaj winy. Dziel się odpowiedzialnością (i sukcesem!).
