Usprawnianie procesów z AI: od wąskich gardeł do realnych zmian

Optymalizacją procesów zawsze zajmowali się ludzie, którzy dobrze znają swoją branżę i potrafią pracować z metodami BPM. To wciąż od nich zależy jakość tej pracy. Zmieniło się natomiast to, ile jeden ekspert jest w stanie ogarnąć naraz – a AI sprawia, że może ogarnąć znacznie więcej.

Największa zaleta AI polega na tym, że zbiera w jednym miejscu wiedzę o procesach rozrzuconą po całej firmie. Informacje, które zwykle leżą osobno w różnych działach i systemach, zapisane w formatach, które się ze sobą nie komunikują, można teraz zestawić w jeden komplet danych – gotowy do konkretnej pracy nad usprawnieniami. Takie analizy wspierane przez AI szybko stają się standardem. Z raportu McKinsey wynika, że firmy, które najlepiej wykorzystują AI, niemal trzykrotnie częściej gruntownie przeprojektowały swoje procesy niż reszta rynku.

Ten wynik pokazuje ryzyko z dwóch stron. Przeprojektowanie procesu bez AI zostawia zbyt wiele niewiadomych: szanse na poprawę giną w danych operacyjnych, a zależności między systemami umykają uwadze, aż w końcu problemy, które narastały po cichu, wybuchają jako kryzys. Ale agentowa AI i automatyzacja nałożone na źle zaprojektowany proces też go nie naprawią. Bez solidnych podstaw procesowych pod AI AI nie usuwa błędów – tylko je powiela na większą skalę.

Dlatego firmy, które dziś są o krok do przodu, nie traktują AI i uporządkowanego BPM jako dwóch osobnych rzeczy, tylko łączą je w jedną praktykę. W tym artykule pokazujemy, jak to wygląda krok po kroku: od wyboru procesów, które najbardziej opłaca się usprawnić, przez diagnozę i redesign wspierane przez AI, po nadzorowane wdrożenie, które pilnuje, żeby optymalizacja działała długo po zakończeniu projektu.

Skuteczna optymalizacja procesów nie zaczyna się od narzędzia ani technologii – zaczyna się od pytania: gdzie wyniki biznesowe odstają od oczekiwań i które procesy za to odpowiadają?

W ADONIS pierwszą konkretną odpowiedź na to pytanie daje mapa procesów. Pokazuje ona wyniki całej organizacji i dzieli procesy według ich znaczenia biznesowego: te kluczowe są oznaczone na czerwono, ważne – na żółto. Nie każdy słabo działający proces ma takie samo znaczenie dla firmy, a ten widok od razu to pokazuje. Procesy oznaczone na czerwono to te, od których zależy działanie firmy i to, czy klienci dostają to, czego oczekują.

Segmentacja mapy procesów według wartości biznesowej

Jednym z nich jest proces CP.01 Doradztwo dla klientów banku (CP.01 Advise Bank Customers). Żeby zrozumieć, dlaczego działa gorzej, niż powinien, potrzeba kolejnej warstwy dowodów: wskaźników KPI. Widok statusu KPI i procesów (KPI Status & Processes) łączy wskaźniki wydajności bezpośrednio z inicjatywami strategicznymi, dzięki czemu widać, gdy jeden proces ciągnie w dół kilka celów naraz. Czas cyklu (Cycle time) dla zadania „Utwórz nowego klienta” („Create new customer”) jest oznaczony na czerwono, a kilka wskaźników KPI dotyczących obsługi klienta (Customer Service KPIs), powiązanych z tym samym procesem, też odbiega od normy.

Ocena KPI

Gdy cel jest już potwierdzony, kokpit poprawy wydajności pokazuje pełny obraz sytuacji. Proces „Utwórz nowego klienta” ma wysoką złożoność, wskaźnik czasu cyklu wyraźnie mieści się w strefie słabych wyników, czas rozwiązania sprawy przekracza cel, a koszt pozyskania leada – budżet. Każdy z tych wskaźników pokazuje inny wymiar tego samego problemu, a razem dają wystarczająco konkretny obraz, by zacząć działać.

Kokpit analizy poprawy wydajności

To właśnie daje uporządkowane zarządzanie procesami, zanim jeszcze zacznie się analiza AI: jasny, poparty konkretnymi danymi punkt wyjścia zamiast ustaleń wypracowanych na spotkaniu. A im lepszy jest ten punkt wyjścia, tym lepsze będą efekty dalszej optymalizacji.

Gdy proces do poprawy jest już wybrany, zdiagnozowanie problemu kiedyś oznaczało zebranie odpowiednich osób w jednym pokoju. Dziś ten punkt wyjścia wygląda inaczej. Właściciel procesu pracujący z AI może zbudować pełniejszy obraz diagnostyczny, niż zrobiłby to jakikolwiek zespół, ponieważ AI korzysta od razu z całego kontekstu procesu: atrybutów zadań, przypisań ról, dokumentacji zgodności, powiązanych polityk i ryzyk – zebranych z różnych systemów i formatów, których ręczne zestawienie zajęłoby tygodnie.

Gdy warsztat z interesariuszami wciąż jest potrzebny, zmienia się jego cel. Faza odkrywania faktów odbywa się, zanim ktokolwiek wejdzie do sali – długie zbieranie informacji o tym, co naprawdę się dzieje, zamienia się w skupione spotkanie, na którym tylko weryfikuje się ustalenia.

W ADONIS Asystent AI pracuje bezpośrednio na pełnym kontekście procesu przechowywanym w systemie BPM – jest zawsze dostępny i zawsze korzysta z tych samych, aktualnych danych całej organizacji. Menedżer procesu może wybrać jedno z gotowych pytań analitycznych albo zadać własne i od razu otrzymać uporządkowane wnioski. Jednym z konkretnych przykładów jest analiza fishbone (przyczynowo-skutkowa – diagram Ishikawy): uporządkowany rozkład przyczyn źródłowych w podziale na ludzi, systemy, mechanizmy kontroli i sposób zaprojektowania procesu, oparty bezpośrednio na tym, co jest w nim udokumentowane.

 Asystent AI: Analiza przyczynowo-skutkowa (fishbone)

To, co przygotuje Asystent AI, nie zostaje tylko w systemie. Menedżer procesu może z tego od razu zrobić prezentację na warsztaty, spotkanie zarządu czy przegląd z interesariuszami – bez przepisywania wszystkiego od nowa.

W praktyce menedżer procesu pracujący z analizą AI zyskuje:

• Pełny kontekst modelu: zadania, role, bramki decyzyjne, ryzyka, KPI i cele wydajnościowe w jednym widoku analitycznym
• Uporządkowaną analizę: wąskie gardła, nieefektywności i obszary do poprawy widoczne od razu, po jednym zapytaniu
• Szybkość: praca diagnostyczna, która wcześniej wymagała dni przygotowań i wielu spotkań, teraz zajmuje kilka sekund

Gdy analiza jest gotowa, a obszary problemowe potwierdzone, kolejne pytanie jest proste: jak powinien wyglądać ten proces po zmianach?

Odpowiedź zaczyna się rysować już podczas samej analizy. Asystent AI nie kończy na diagnozie: korzystając z tego samego kontekstu procesu, od razu proponuje konkretne usprawnienia, powiązane z tym, co wykazała analiza. Przy każdej proponowanej zmianie wyjaśnia, po co ją wprowadzać, jaki problem z wydajnością rozwiązuje i jakie ryzyko ogranicza. Sugestie są powiązane z KPI, wymogami zgodności i ograniczeniami danego procesu. AI dzieli je na dwie grupy: szybkie usprawnienia, które można wdrożyć od razu, i większe zmiany strukturalne, które wymagają więcej czasu. Do każdej z nich dopisuje etapy wdrożenia i proponowaną osobę odpowiedzialną.

Asystent AI: Propozycja usprawnienia

Na tym etapie menedżer procesu podejmuje decyzję projektową: dopracować istniejący proces zgodnie ze wskazówkami AI albo zaprojektować z jej pomocą całkiem nowy proces TO-BE od podstaw. Ci, którzy wybierają drugą opcję, dostarczają Asystentowi AI kilka rodzajów danych wejściowych:

• diagram procesu biznesowego w stanie obecnym (AS-IS)
• wnioski z etapu analizy, zweryfikowane przez eksperta
• dodatkowy kontekst, na przykład wyniki warsztatów, podsumowania dla zarządu, wymogi zgodności czy wytyczne regulacyjne

Na tej podstawie Asystent AI tworzy propozycję procesu TO-BE: jego strukturę, opis i listę zadań, które trafiają na ekran walidacji. Tam menedżer procesu może przejrzeć i dopracować wynik, zanim ostatecznie sfinalizuje go w edytorze modelowania.

 Asystent AI: Wyodrębnianie i dopracowywanie procesu

Tego, co menedżer procesu wnosi na tym etapie, nie da się niczym zastąpić. To on zna kontekst organizacyjny, potrafi ocenić sytuację i ma wiedzę o procesie, której żaden model nie odda w pełni – i to właśnie ta wiedza zamienia propozycję AI w coś, co naprawdę da się wdrożyć. AI eliminuje problem pustej kartki i przetwarza dane wejściowe w gotową do pracy strukturę, ale każda istotna decyzja o tym, jak proces ma naprawdę działać, należy do człowieka-eksperta. To on wychwytuje przypadki brzegowe, których nie ma w żadnej dokumentacji, sprawdza założenia integracyjne pod kątem tego, co systemy faktycznie obsłużą, i ocenia potencjał automatyzacji w kontekście realnych ograniczeń infrastruktury.

Gdy projekt jest już gotowy, menedżer procesu może uruchomić symulację i porównać zoptymalizowany proces ze stanem wyjściowym AS-IS pod kątem czasu wykonania, czasu oczekiwania i prognozowanych kosztów. Jeśli wyniki nie satysfakcjonują, następuje kolejna iteracja: korekta projektu, ponowna symulacja i weryfikacja. Ostateczna akceptacja pada dopiero wtedy, gdy potwierdzają ją dowody.

Zatwierdzony projekt procesu to dopiero punkt wyjścia, a nie meta. Prawdziwa praca polega na tym, żeby stał się on rzeczywistym sposobem pracy w zespołach i systemach, a nie tylko dokumentem leżącym w repozytorium.

I właśnie tu dobrze udokumentowane, zatwierdzone procesy w platformie BPM stają się fundamentem wiarygodnej automatyzacji agentowej. Agenty AI nie działają na ogólnej wiedzy, lecz w granicach nadzorowanego procesu zdefiniowanego w systemie BPM. Uporządkowany kontekst zbudowany podczas analizy i redesignu bezpośrednio wpływa na to, jak agenty się zachowują, jakich zasad przestrzegają, z jakimi systemami się komunikują i gdzie potrzebny jest nadzór człowieka.

To MCP sprawia, że to połączenie działa w praktyce. Daje agentom bezpośredni dostęp do repozytorium procesów razem z systemami, których firma już używa: zarządzaniem dokumentami, platformami treści, narzędziami do zarządzania projektami i systemami BPM. Dzięki takiemu połączonemu widokowi agenty na bieżąco monitorują systemy, śledzą zmiany w organizacji i sygnalizują, gdzie te zmiany wpływają na projekt procesu. Optymalizacja nie kończy się po wdrożeniu – staje się ciągłą praktyką wbudowaną w codzienne funkcjonowanie firmy.

Sprawdź: Dowiedz się więcej o tym, jak dzięki MCP AI staje się prawdziwym partnerem w procesach.

Optymalizacja procesów wspierana przez AI dawno wyszła poza etap eksperymentów. Dla większości organizacji pytanie nie brzmi już, czy ją wdrożyć, tylko czy fundament procesowy firmy jest w stanie ją udźwignąć.

Organizacje, które osiągają dzięki temu realną wartość, różnią się od tych utkniętych na etapie pilotaży nie liczbą wdrożonych narzędzi AI. Różnica polega na tym, czy strategia, diagnoza, redesign i wdrożenie są ze sobą połączone w jedną, nadzorowaną praktykę, czy funkcjonują osobno. To właśnie uporządkowane BPM spina to wszystko w całość.

ADONIS wciąż rozwija się w tym samym kierunku, żeby usprawniać pracę nad optymalizacją i zarządzaniem procesami:

• Analiza wariantów w ramach Process Mining Essentials – pokazuje, jak procesy są faktycznie wykonywane w porównaniu z tym, jak zostały zaprojektowane
• Rozbudowane, konfigurowalne kokpity: dają każdemu pracownikowi jeszcze wyraźniejszy obraz tego, za co odpowiada
• Edycja tekstu wspierana przez AI: utrzymuje dokumentację procesów bogatą i aktualną w miarę rozwoju procesów
• Rozszerzone generowanie procesów przez AI: modelowanie z podziałem na tory (lane-based), dające bogatszy, gotowy do wdrożenia wynik

I wiele więcej, co pomaga skutecznie optymalizować procesy w całej organizacji.