Pytanie o przykłady automatyzacji AI jest zwykle pytaniem o dowód: pokażcie, że to działa gdzie indziej, zanim uwierzymy, że zadziała u nas. Problem w tym, że najgłośniejsze przykłady z konferencji — asystenci zarządu, generowanie strategii, awatary — są najsłabszym możliwym dowodem, bo ich efektu nikt nie umie zmierzyć. Poniżej dziewięć przykładów mniej efektownych, za to takich, które w firmach naprawdę się spinają: z danymi, które już istnieją, z efektem widocznym w tygodnie i z człowiekiem zatwierdzającym wynik.
Po czym poznać dobry przykład
Zanim padnie lista, jedno zastrzeżenie: przykład jest coś wart tylko wtedy, gdy widać, dlaczego działa. Wszystkie poniższe łączy ten sam profil — proces oparty na dokumentach albo tekście, dane dostępne w systemach lub skrzynkach, reguły, które da się opowiedzieć, oraz pomyłka, którą widać i którą da się cofnąć. Pełną listę warunków, które musi spełnić dobry kandydat, opisaliśmy na stronie o automatyzacji AI — każdy z poniższych przykładów da się z tą listą zestawić.
1. Odczyt zamówień i zleceń przychodzących
Zamówienia przychodzą mailem, w PDF-ach, z portali i giełd — w kilkunastu układach, których nikt nie projektował. System odczytuje je i przygotowuje wpis do ERP, CRM albo TMS, a człowiek zatwierdza. To najczęstszy pierwszy projekt w handlu i transporcie, bo powtarza się codziennie, a wpis przechodzi jeszcze przez potwierdzenie, które wychwytuje większość pomyłek, zanim cokolwiek pójdzie dalej. Mierzalny efekt: minuty od wpływu zamówienia do wpisu w systemie, zamiast godzin.
2. Przypisywanie faktur kosztowych
Faktury przychodzące trzeba przypisać do właściwego projektu, budowy albo działu i przygotować do księgowania. System robi to na podstawie zleceń i umów, a niejednoznaczne przypadki odkłada na listę wyjątków dla człowieka — nie zgaduje. W firmach projektowych i budowlanych to często proces o najlepszym stosunku efektu do kosztu. Mierzalny efekt: godziny od wpływu faktury do gotowego dekretu i liczba faktur, które w ogóle wymagają ręcznego wyjaśniania.
3. Uzgadnianie dwóch rejestrów
Płatności z fakturami, faktury podwykonawców z umowami i protokołami, stany magazynowe z dokumentami dostaw. Wszędzie tam, gdzie ktoś ręcznie porównuje dwie listy, system może dopasować pozycje pewne i przygotować listę rozbieżności do wyjaśnienia. Ta kategoria bywa niedoceniana, bo brzmi księgowo — a to właśnie w niej pojedyncza przeoczona rozbieżność kosztuje najwięcej.
4. Kwalifikacja i rejestracja zgłoszeń
Zgłoszenia klientów z maili i formularzy trafiają do właściwej kolejki z kompletem danych i proponowanym priorytetem. Nie chodzi o chatbota — chodzi o to, żeby zgłoszenie nie czekało, aż ktoś je przeczyta i przepisze. To typowy pierwszy krok w obsłudze klienta i dobry przykład szerszej zasady, że automatyzację zaplecza warto robić przed czymkolwiek, co rozmawia z klientami.
5. Odpowiedzi przygotowane do zatwierdzenia
Na powtarzalne pytania — o status, o dokumenty, o warunki — system przygotowuje odpowiedź na podstawie danych ze zleceń i wcześniejszej korespondencji, a człowiek ją zatwierdza przed wysyłką. Zdejmuje z zespołu pracę odtwórczą, nie oddając na zewnątrz kontroli nad tym, co wychodzi do klientów. Z czasem dane z zatwierdzeń pokazują, które kategorie odpowiedzi są na tyle pewne, że nadzór można poluzować.
6. Kompletowanie dokumentów sprawy
Reklamacja, odbiór, wysyłka, rozliczenie — każda z tych spraw wymaga kompletu dokumentów, a brak jednego zatrzymuje całość. System dopina przychodzące dokumenty do właściwych spraw, pilnuje kompletności i przygotowuje przypomnienia o brakach. Efekt jest odczuwalny wszędzie tam, gdzie dziś najdłużej czeka się nie na pracę, tylko na papier.
7. Przygotowanie wycen i ofert
Wycena składana z cennika, warunków klienta i historii podobnych zamówień — jako projekt oferty do zatwierdzenia przez handlowca. Skraca odcinek między zapytaniem a ofertą, na którym najczęściej przegrywa się z szybszym konkurentem. W wariancie przetargowym ta sama mechanika wyciąga zakresy i warunki z dokumentacji, od której kosztorysant zaczyna pracę.
8. Asystent wiedzy wewnętrznej
Odpowiedzi na powtarzalne pytania proceduralne — jak coś zrobić, gdzie jest dokument, co mówi instrukcja — na podstawie wewnętrznej dokumentacji, ze wskazaniem źródła przy każdej odpowiedzi. Warunek uczciwie stawiany na starcie: asystent jest tak dobry jak dokumentacja, na której pracuje, więc częścią projektu bywa jej uporządkowanie. Mierzalny efekt: czas docierania do odpowiedzi i odsetek odpowiedzi z potwierdzonym źródłem.
9. Rejestry prowadzone same
Ustalenia z maili i rozmów — kto, kiedy, co uzgodnił — przygotowane jako wpisy do CRM albo rejestru projektu, zatwierdzane jednym kliknięciem. Najmniej efektowny przykład z całej listy i często najbardziej lubiany przez zespoły, bo zdejmuje wieczorne klepanie notatek, a rejestry zaczynają odzwierciedlać rzeczywistość.
Czego na tej liście celowo nie ma
Nie ma chatbotów sprzedażowych, generowania strategii ani predykcji bez historii danych. Nie dlatego, że są niemożliwe — tylko dlatego, że wymagają fundamentów, których większość firm jeszcze nie ma, a ich efekt trudno zmierzyć. Różnicę między systemem, który odpowiada, a systemem, który działa w Twoich systemach z nadanymi uprawnieniami, rozebraliśmy osobno w tekście Agent AI vs chatbot.
Wspólny mianownik dziewięciu przykładów jest inny: dane już istnieją, efekt da się zmierzyć jedną liczbą, a człowiek zatwierdza wynik, dopóki liczby nie pokażą, że nadzór można poluzować. Jeżeli chcesz sprawdzić, który z tych procesów u Ciebie ma najlepszy stosunek efektu do kosztu — i ile taki projekt kosztuje, co rozpisaliśmy w tekście o kosztach wdrożenia AI — opisz nam swój proces. Odpowiemy, od czego zaczęlibyśmy, również wtedy, gdy odpowiedź brzmi „jeszcze nie warto”.