Kde AI automatizace firmě opravdu pomůže

Když obchodník každý den přepisuje údaje z e-mailů do CRM, účetní páruje platby podle poznámek a podpora hledá odpovědi ve třech systémech, problém nebývá v nedostatku lidí. Problém je proces. AI automatizace může odstranit ruční kroky, které se opakují stále stejně, ale jen tehdy, když má jasný vstup, odpovědnost a místo v reálném provozu firmy.

Nezačínáme otázkou, jaký model použít. Začínáme otázkou, co dnes konkrétně nefunguje: kde vznikají chyby, kde čekají zákazníci a které informace lidé kopírují mezi systémy. Teprve pak lze rozhodnout, zda dává smysl jazykový model, klasická automatizace, nebo úprava samotného procesu.

AI automatizace není chatbot ani kouzelné tlačítko

AI automatizace není chatbot vložený na web ani tlačítko, které samo vyřeší provoz firmy. V praxi jde o software, který přijme data, vyhodnotí je podle nastavených pravidel a kontextu, provede navazující akci a zanechá dohledatelnou stopu.

Typickým příkladem je zpracování příchozích poptávek. Systém přečte e-mail nebo formulář, vytáhne z něj firmu, typ služby, termín a rozpočet, přiřadí poptávku správnému týmu a založí úkol v interním systému. Pokud si není jistý, předá případ člověku místo toho, aby si odpověď vymyslel.

Právě tato poslední část odlišuje použitelný systém od efektní ukázky. Model může dobře pracovat s nestrukturovaným textem, dokumenty nebo klasifikací požadavků. Neměl by však bez kontroly rozhodovat o platbě, smluvním závazku, zamítnutí klienta nebo změně citlivých dat. Míra autonomie se vždy odvíjí od ceny případné chyby.

Které procesy jsou vhodné pro AI automatizaci

Nejlepší kandidáti nebývají nutně nejviditelnější. Často jde o administrativu mezi obchodem, zákaznickou podporou, financemi a provozem. Zaměstnanci ji zvládají, ale spotřebovává čas a vznikají v ní rozdíly podle toho, kdo ji právě dělá.

Vhodný proces má obvykle čtyři vlastnosti:

• opakuje se ve větším objemu a pravidelně,
• vstupy existují digitálně, například v e-mailech, dokumentech nebo databázi,
• výsledek má rozumně popsatelnou podobu,
• firma dokáže určit, kdo řeší výjimky a schvaluje rizikové kroky.

Může jít o třídění požadavků zákazníků, vytěžování údajů z objednávek, kontrolu úplnosti podkladů, přípravu návrhů odpovědí nebo porovnání informací napříč interními systémy. V náborové platformě může systém předzpracovat životopisy a přiřadit je k otevřeným pozicím. Ve fintech procesu může ověřit, zda příchozí doklad obsahuje potřebné údaje, a připravit jej pro další schválení.

Naopak špatným začátkem je proces, který firma sama neumí popsat. Pokud každý zaměstnanec pracuje jinak a nikdo neví, co je správný výstup, AI tento zmatek nevyřeší. Jen jej začne zpracovávat rychleji. Nejprve je potřeba rozhodnout, jak má proces fungovat, kde jsou hranice a co se děje při výjimce.

Ne každá automatizace potřebuje AI

Tohle rozlišení šetří peníze i budoucí údržbu. Má-li systém pouze přenést schválenou objednávku z jednoho nástroje do druhého, je často spolehlivější použít běžnou integraci a pevná pravidla. AI dává smysl tam, kde vstup není jednotný: lidé píší e-maily různě, dokumenty mají rozdílné formáty nebo je potřeba rozpoznat význam textu.

Dobré řešení proto často kombinuje obě vrstvy. AI vytěží a zařadí nestrukturovaná data. Pravidla následně ověří povinná pole, oprávnění, limity a stav záznamu. Integrační část pak bezpečně zapíše výsledek do CRM, ERP nebo vlastního systému. Každá vrstva má jinou úlohu a jiný způsob kontroly.

Jak vybrat první případ použití

První projekt by neměl být největší strategickou změnou ve firmě. Lepší je vybrat úzký proces s jasným výsledkem, na kterém lze ověřit kvalitu dat, chování modelu i napojení na stávající aplikace. Výstupem nemusí být plně autonomní rozhodování. Často je správným prvním krokem kvalitní návrh, který zaměstnanec pouze potvrdí.

Při výběru si s klienty procházíme konkrétní případy, ne obecné představy o úspoře. Kolik požadavků přichází týdně? Jak dlouho trvá jejich zpracování? Kolik jich obsahuje nestandardní údaje? Jak často dnes vznikne chyba a co tato chyba způsobí? Bez těchto odpovědí se přínos snadno zamění za dojem z technologie.

Důležitá je také dostupnost dat. Pokud jsou klíčové informace zavřené ve starém systému bez rozhraní, v přílohách s nekonzistentní strukturou nebo pouze v hlavách zaměstnanců, je potřeba s tím počítat v návrhu. Někdy je správným výsledkem nejdřív modernizace datového toku, nikoli přidání AI vrstvy.

U vlastního produktu je otázka podobná, jen se mění perspektiva. Neřešíme pouze interní úsporu, ale i to, zda nová funkce přinese zákazníkovi konkrétní hodnotu. Například automatické zpracování dokumentů může zkrátit zavedení uživatele. Musí však fungovat i ve chvíli, kdy dokument není čitelný, je v jiném jazyce nebo obsahuje chybějící údaj.

Návrh pro provoz, ne pro prezentaci

Funkční AI automatizace potřebuje více než kvalitní prompt. Potřebuje přesně definované vstupy a výstupy, oprávnění k datům, logování, monitoring a možnost zásahu člověka. U systémů, které pracují se zákaznickými nebo finančními údaji, řešíme navíc retenční pravidla, přístupová práva a to, kam data odcházejí.

Stejně podstatné je vyhodnocování kvality. Nestačí říct, že systém většinou funguje. Je nutné stanovit, co znamená správný výsledek: zda vytěžené údaje odpovídají dokumentu, zda bylo zařazení požadavku správné a zda automatizace nevytváří více práce při opravách, než kolik jí ušetří.

V praxi proto navrhujeme stavy typu „zpracováno automaticky“, „čeká na kontrolu“ a „nelze vyhodnotit“. Neurčitý případ nekončí v tichu. Dostane se do fronty konkrétního člověka s informací, proč ho systém nepředal dál. Tím chráníme zákaznickou zkušenost i data v navazujících systémech.

Modely se navíc mění a mění se i firemní procesy. Výjimky, které se zpočátku objevují zřídka, mohou po několika měsících tvořit významnou část provozu. Proto je potřeba řešení průběžně sledovat, upravovat pravidla a testovat změny na reálných, bezpečně anonymizovaných případech.

Co rozhoduje o návratnosti

Největší přínos nebývá jen v minutách ušetřených na jednom úkolu. Projevuje se v kratší době reakce, menším počtu ztracených požadavků, čistších datech a v tom, že seniorní lidé nemusí kontrolovat rutinní administrativu. Tyto dopady je ale potřeba měřit podle konkrétního procesu, ne podle obecného slibu o produktivitě.

Cena řešení se zase neodvíjí jen od počtu obrazovek. Záleží na počtu napojovaných systémů, kvalitě zdrojových dat, požadované přesnosti, úrovni schvalování a bezpečnostních pravidlech. Automatizace, která pouze připravuje návrhy pro interní tým, má jiný rozsah než funkce, jež zapisuje data do účetnictví nebo komunikuje se zákazníky.

V Nextrey stavíme AI funkce jako součást produktu nebo interního systému, ne jako izolovanou vrstvu bez odpovědnosti za provoz. To znamená řešit architekturu, integrace a následnou údržbu stejně pečlivě jako u jakékoli jiné části aplikace. Technologie má zůstat v pozadí. Uživatel má vidět rychlejší a spolehlivější proces.

Začněte jedním rozhodnutím, které dnes zdržuje lidi

Nejlepší první krok není výběr modelu ani dlouhý seznam nápadů. Vezměte jeden opakující se proces, projděte jeho skutečný průběh od vstupu po výsledek a označte místa, kde musí člověk přemýšlet, a místa, kde pouze přepisuje nebo kontroluje totéž.

Tam obvykle vznikne návrh, který má smysl postavit. Ne proto, že obsahuje AI, ale proto, že po jeho nasazení bude firma pracovat s méně ručními kroky, jasnějšími daty a lépe zvládnutými výjimkami.