Co AI naprawdę zmienia w Twoich procesach?

Niemal w każdej firmie zarząd toczy dziś podobną rozmowę – rozdarty między presją rady nadzorczej, by mieć strategię AI, a konkurencją, która już chwali się własnymi pilotażami. W tym samym czasie pracownicy po cichu zaczęli korzystać z narzędzi, na które nikt formalnie nie wyraził zgody – i robią to szybciej, niż mogłoby nadążyć jakiekolwiek oficjalne wdrożenie. Pod tym wszystkim kryje się presja, o której większość ludzi nie mówi głośno: strach przed tym, że to właśnie ich organizacja okaże się zbyt wolna.

Ten strach jest racjonalny, ale kieruje uwagę w złą stronę. Z badania EY wynika, że 88% pracowników już korzysta z AI w pracy, ale tylko 5% robi to w sposób, który faktycznie zmienia sposób ich pracy. Pieniądze pokazują to jeszcze wyraźniej: z raportu Deloitte wynika, że 85% firm zwiększyło w zeszłym roku inwestycje w AI, ale tylko 6% odzyskało je w ciągu roku. Wdrażanie AI nie jest problemem. Robi to niemal każdy. Prawdziwym wyzwaniem jest to, jak sprawić, by to wdrożenie przyniosło mierzalną wartość.

O sukcesie wdrożenia AI decyduje to, co ta technologia zmienia w momencie, gdy trafia do firmy. Wpływa na sposób wykonywania pracy i na to, jakich danych dotyka. Wciąga w to nowe aplikacje i wprowadza nowe ryzyko. Przekłada się też na to, kto ostatecznie odpowiada za wynik. Zarząd chce wiedzieć, gdzie AI tworzy realną wartość i gdzie może naprawdę zmienić sposób pracy – a żeby na to odpowiedzieć, trzeba najpierw jasno zobaczyć, co się właściwie zmienia.

Zanim więc AI będzie można nadzorować albo skalować, organizacja potrzebuje konkretnej odpowiedzi na bardzo konkretne pytanie: jakich procesów, zadań, ról, danych, aplikacji, ryzyk i mechanizmów kontroli AI faktycznie dotyka? Dzięki tej wiedzy można świadomie zarządzać wdrożeniem AI. Bez niej firma skaluje coś, czego nie rozumie.

Wdrażanie AI staje się możliwe do opanowania dopiero wtedy, gdy organizacja widzi, co dokładnie zmienia się w całej firmie.

Zapytaj dowolną firmę, jak wygląda u nich wdrażanie AI, a zwykle usłyszysz listę narzędzi i pilotaży. Ktoś zbiera to, z czego korzystają pracownicy, dorzuca bieżące testy i pokazuje to zarządowi jako dowód, że coś się dzieje.

Z pozoru wygląda to dobrze – lista rośnie, pilotaże się udają, prezentacje robią wrażenie. Nikt jednak nie sprawdza, czy to faktycznie działa. Czy praca naprawdę stała się bardziej wydajna, czy tylko wygląda na szybszą, a błędy ktoś poprawia później, po cichu? Czy dane są tam, gdzie powinny być? Na te pytania nie odpowie ani prezentacja, ani lista narzędzi.

Żeby to zrozumieć, trzeba spojrzeć, jak AI w ogóle trafia do firmy. Zwykle dzieje się to na dwa sposoby:

Zalety. AI wchodzi do firmy najczęściej oddolnie – dzięki pracownikom, którzy chcą sprawniej wykonywać swoją pracę. Mają zadania do zrobienia i szukają sposobów, żeby je przyspieszyć, zwłaszcza że odpowiednie narzędzie można dziś znaleźć w kilka sekund, a wypróbowanie go nic nie kosztuje. Gdy coś im się sprawdzi, zaczynają tego używać na stałe.

Weźmy jako przykład dział obsługi klienta. Reklamacje spływają cały dzień, a każda wymaga decyzji – jedne wystarczy wyjaśnić, inne wymagają zwrotu pieniędzy, a poważniejsze trafiają do prawników. Zespół zakłada konto w popularnym systemie AI i podłącza je do skrzynki z reklamacjami. System czyta wiadomość, sprawdza historię konta i podpowiada, co zrobić. Działa szybciej niż człowiek i w większości przypadków trafnie – więc zespół zaczyna z niego korzystać na stałe.

Od tej pory tak już wygląda obsługa reklamacji na co dzień. Pracownicy coraz chętniej sięgają po narzędzie AI przy kolejnych zadaniach, które dzięki temu też są realizowane sprawniej. To robi dobre wrażenie: pracowników efektywnie korzystających z AI i jest czymś, co każda firma chciałaby u siebie mieć.

Koszty. Problem w tym, że rozwiązanie rozprzestrzenia się bez żadnej kontroli. Nikt nie ustalił, jakich aplikacji wolno używać ani jakie dane można im bezpiecznie powierzyć. Każdy pracownik decyduje o tym sam, poza oficjalnym obiegiem. Firma traci orientację, jakie narzędzia AI wspierają jej procesy – a razem z tym traci kontrolę nad tym, czy te procesy są bezpieczne i zgodne z przepisami.

Wracając do przykładu: narzędzie działa na tyle dobrze, że pracownicy podłączają je bezpośrednio do systemu obsługi klienta i przestają sprawdzać wyniki ręcznie. Dane klientów zaczynają trafiać do dostawcy AI, którego nikt w firmie nie zweryfikował, na warunkach, których nikt nie przeczytał. Nie wiadomo nawet, jak długo te dane będą przechowywane, ani czy to wszystko jest zgodne z obowiązkami firmy. AI zyskuje w ten sposób samodzielny dostęp do procesu obsługi klienta – bez żadnej kontroli.

Takie oddolne podejście ma sens, bo wynika z naturalnej potrzeby pracowników. Problem w tym, że pracownicy rozwiązują najpierw swój własny problem z nadmiarem pracy, a nie wdrażają przemyślane firmowe narzędzie, w którym ktoś wcześniej ustalił zasady odpowiedzialności i zgodności. Proces jest szybszy dzięki AI, ale w praktyce każdy pracownik wdrożył ją po swojemu – nikt tego nie koordynuje ani nie nadzoruje. W efekcie firma nie wie, co się dzieje w jej własnych procesach, a ryzyko z tym związane jest szerokie – od wycieków danych po naruszenia przepisów.

Korzyści. Drugi sposób wprowadzania AI do organizacji, to podejście odgórne, inicjowane przez zarząd. Firmy zawsze chcą działać efektywniej i taniej – to się nigdy nie zmienia. Dlatego gdy pojawia się technologia, która obiecuje jedno i drugie, szybko przyciąga uwagę zarządu. Dodatkowo zarząd widzi, co robi konkurencja – a im bardziej te ruchy wyglądają na skuteczne, tym mocniej firma czuje, że sama musi wdrożyć AI, żeby nie zostać w tyle. Mając ogólny obraz wszystkich procesów w firmie, zarząd łatwo wskazuje te najbardziej obciążone i szuka miejsc, gdzie AI mogłaby odciążyć pracowników albo ograniczyć koszty ręcznej pracy.

Załóżmy, że wśród rozważanych procesów zarząd znów wybrał dział obsługi klienta. To był mocny kandydat – duży wolumen, dużo czasu poświęcanego na obsługę, a przy tym znane, powtarzalne przepływy pracy. Zarząd zatwierdza zmianę, aplikacje AI są dokładnie sprawdzane i wybierane zgodnie ze wszystkimi wymogami zgodności. AI zostaje wprowadzona do procesu biznesowego, a firma daje pracownikom czas, żeby się jej nauczyć. W takich sprzyjających warunkach narzędzie faktycznie pomaga szybciej obsługiwać zgłoszenia klientów.

W porównaniu z pierwszym sposobem to już spory krok naprzód. Proces wybrano z konkretnych, uzasadnionych powodów, a narzędzie sprawdzono, zanim ktokolwiek zaczął go używać. Ktoś zdecydował też, że temat zasługuje na porządną strukturę i budżet. Brzmi to jak podejście, które powinno się sprawdzić – i właśnie tu zaczynają się problemy.

Koszty. Ogólny obraz procesów pomaga zarządowi wybrać właściwy proces do wdrożenia AI, ale to nie wystarczy. Żeby zrobić to dobrze, trzeba przyjrzeć się bliżej każdemu zadaniu z osobna – sprawdzić, jakich aplikacji dotyczy, jakich danych używa i jakie niesie ze sobą ryzyko. Bez takiej analizy samo zatwierdzenie AI dla całego procesu nie daje odpowiedzi na najważniejsze pytania: które zadania AI może wykonywać całkowicie samodzielnie, a przy których konieczny jest udział człowieka? Jak powinno wyglądać przekazywanie pracy między kolejnymi krokami obsługiwanymi przez AI? To właśnie te szczegóły pokazują, czy proces został przeanalizowany na tyle dokładnie, by sensownie wdrożyć w nim AI.

Wracając do działu obsługi klienta: narzędzie zadziałało, bo warunki pilotażu były starannie dobrane tak, żeby wszystko poszło dobrze. Pilotaż trafił do zespołu, który miał czas i zasoby na porządne wdrożenie AI, obejmował tylko wąski zakres spraw, a zaangażowani pracownicy na bieżąco poprawiali wszystko, co nie działało. W takich – dość sztucznie stworzonych – warunkach narzędzie miało wszelkie szanse się sprawdzić, więc samo wdrożenie wyglądało na udane. Pracownicy zapewne uznaliby, że proces działa teraz lepiej. Trudno jednak ocenić, o ile lepiej. Warto pamiętać, że to wszystko działało dzięki specjalnym warunkom pilotażu – dodatkowemu czasowi, zasobom, wąskiemu zakresowi spraw i zaangażowanym pracownikom naprawiającym błędy na bieżąco. Żaden z tych warunków nie powtórzy się, gdy narzędzie trafi do całej firmy.

Zwykle, gdy AI wprowadza się w ten sposób, nikt nie dokumentuje kosztów procesu sprzed i po zmianie – więc nie ma z czym tego porównać. Firma polega wtedy na tym, że ludzie mówią, że to oszczędza czas. Umyka przy tym jedno: AI kosztuje więcej, niż pokazuje sama opłata za narzędzie. Dochodzi do tego sam model, cała infrastruktura wokół niego, koszty utrzymania na wypadek, gdy dostawca coś zmieni, a także czas, jaki ludzie i tak spędzają na sprawdzaniu wyników – czyli dokładnie to, co narzędzie miało wyeliminować. Dlatego 42% organizacji przyznaje, że w ogóle nie potrafi ocenić zwrotu z inwestycji w AI. Może się okazać, że to, co zaoszczędzisz na początku procesu, i tak wydasz na jego końcu – a bez liczb nikt tego nie zauważy. Nikt też nie ocenił, czy warto ponosić to dodatkowe ryzyko związane z niezgodnością z przepisami – a przecież mogłoby ono w przyszłości skończyć się poważnym incydentem. Jest jeszcze jedno pytanie, którego nikt w ogóle nie zadał: kto odpowiada za zadanie wykonywane przez AI, gdy już działa samodzielnie? I kto je przejmuje, gdy osoba, która je skonfigurowała, dawno odeszła z firmy?

Wszystkie te szczegóły – jakich aplikacji i danych dotyczy zadanie, jakie niesie ryzyko, ile faktycznie kosztuje i kto za nie odpowiada – są tym, czego potrzeba, żeby ocenić zwrot z inwestycji. Bez nich trudno stwierdzić, co AI naprawdę dała firmie – czy realizacja zadań stała się szybsza i tańsza, czy wręcz przeciwnie: zajęła więcej czasu albo więcej kosztowała. Równie trudno sprawdzić, czy pracy rzeczywiście ubyło, czy po prostu przeniosła się do innego działu. Na pierwszy rzut oka może się wydawać, że proces stał się po prostu szybszy. W rzeczywistości jednak nikt nie sprawdził dwóch rzeczy: czy ktoś w ogóle nadzoruje, jak te zadania są wykonywane, i ile to wszystko naprawdę kosztuje. Firma pozbywa się jednej pracy – tej, którą wcześniej robili ludzie ręcznie – ale w zamian tworzy nową: pilnowanie i poprawianie AI. Problem w tym, że nikt nie policzył, czy tej nowej pracy jest w sumie mniej niż tej, którą zastąpiono, czy może wcale nie jest jej mniej – tylko zmieniła formę.

Dwa różne sposoby wdrażania AI – oddolny i odgórny – prowadzą do tego samego: AI działa już w firmie, ale nikt nie potrafi dokładnie powiedzieć, co właściwie robi. Pytanie nie brzmi już „czy AI działa w firmie”, tylko „gdzie w ogóle zacząć szukać odpowiedzi”.

Każdy proces biznesowy to tak naprawdę łańcuch zadań. Każde z nich ktoś wykonuje, każde korzysta z jakichś danych, przechodzi przez jakiś system i niesie swoją część ryzyka. Właśnie na tym poziomie widać, co AI faktycznie robi, zadanie po zadaniu: jedne zadania AI tylko wspiera, inne przyspiesza, automatyzuje albo niemal całkowicie przejmuje.

W ten sposób należy więc myśleć o AI w procesach – nie w kategoriach ogólnych deklaracji w stylu „korzystamy z AI w obsłudze klienta”. Takie stwierdzenie nic nie mówi: nie wiadomo, gdzie dokładnie AI działa, jakich danych używa ani kto to nadzoruje. Jak więc wygląda rzetelne przedstawienie działania AI? Weźmy jako przykład proces obsługi reklamacji. „Jedno z jego zadań – ocena wagi zgłoszenia – jest dziś wspierane przez AI: system korzysta z treści reklamacji i historii konta, działa przez zewnętrzną usługę AI, a pracownik sprawdza podpowiedź, zanim wiadomość trafi do klienta”. Dopiero taki konkretny opis pozwala naprawdę zrozumieć i nadzorować, co robi AI.

Samo zadanie to jednak nie wszystko. Każde zadanie ma swój kontekst biznesowy: ktoś za nie odpowiada, wiąże się z jakimś ryzykiem, a ktoś to ryzyko kontroluje. Kiedy AI przejmuje albo wspiera dane zadanie, zmienia się nie tylko sposób jego wykonania. Zmienia się też ten cały kontekst wokół niego. Może się okazać, że nikt już tak naprawdę nie odpowiada za wynik. Może pojawić się nowe ryzyko, którego wcześniej nie było. Może się też okazać, że dotychczasowa kontrola przestaje działać, bo została pomyślana pod inny sposób pracy – sprzed wejścia AI. To właśnie te zmiany – w odpowiedzialności, ryzyku i kontroli – pokazują prawdziwy wpływ AI, a nie samo przyspieszenie zadania. Zobaczmy to na kilku konkretnych przykładach.

Proces biznesowy z zaznaczonymi atrybutami AI: danymi, aplikacjami, ryzykami, kontrolami i rolami

Dane

Same dane klienta się nie zmieniły, ale zmieniło się to, co można z nimi zrobić. Gdy pracownik sprawdza dane klienta, np. żeby odpowiedzieć na reklamację, robi to ręcznie i nie ma możliwości automatycznie skopiować ich gdziekolwiek indziej. Model AI, który przetwarza te same dane, może je skopiować, przesłać do zewnętrznego serwera dostawcy AI albo zapisać u niego na stałe. To zupełnie inny poziom ryzyka niż sytuacja, w której dane pozostają wyłącznie w rękach jednego pracownika.

Aplikacje

Wdrożenie AI wprowadza nowy rodzaj zależności. Model AI, który wykonuje dane zadanie, przestaje być tylko narzędziem – staje się elementem systemów IT firmy, na równi z innymi aplikacjami, które firma już wykorzystuje. A to oznacza, że niesie ze sobą własne koszty, własne luki bezpieczeństwa i własne ryzyko związane z firmą, która go dostarcza. To ryzyko jest poważniejsze niż zwykła awaria techniczna: dostęp do modelu można stracić nie tylko przez usterkę, ale też przez decyzję dostawcy albo rządu. Zdarzało się już, że dostawcy ograniczali dostęp do swoich systemów (API) całym regionom świata, a rządy coraz częściej traktują dostęp do zaawansowanej AI jako coś, czym można sterować politycznie

Dlatego suwerenność AI – czyli kontrola nad modelami, danymi i infrastrukturą, od której firma zależy – stała się tematem dla zarządów. Tej zależności nie da się też łatwo odwrócić, bo wielu organizacjom bardzo trudno jest zmienić dostawcę AI. Kiedy jakiś proces zaczyna zależeć od jednego, konkretnego modelu AI, automatycznie przejmuje wszystkie te ryzyka – choć zwykle nikt świadomie takiej decyzji nie podjął. Po prostu tak to się z czasem ułożyło.

Ryzyka

AI wprowadza własne, nowe ryzyka: halucynacje (czyli wymyślanie przez model nieprawdziwych informacji), stopniowe pogarszanie się jakości odpowiedzi modelu w czasie, stronnicze wyniki (ang. biased, np. faworyzujące pewne grupy czy odpowiedzi) czy przerwy w działaniu dostawcy. Co ważniejsze, AI zmienia też ryzyko, które istniało w danym zadaniu już wcześniej, zanim ta AI się tam pojawiła. To przesuwa rozmowę od mało pomocnego stwierdzenia „AI jest ryzykowna” do konkretnego pytania: które ryzyka się zmieniły, w których zadaniach i o ile.

Kontrole

Mechanizm kontroli zbudowany, by wychwytywać błędy człowieka, niekoniecznie wychwyci błędy maszyny. Weryfikacja na drugą rękę dobrze sprawdza się przy wychwytywaniu ludzkich pomyłek, ale może przeoczyć AI, która z pełnym przekonaniem generuje coś, co brzmi wiarygodnie, ale jest błędne. Im bardziej gładko i przekonująco brzmi odpowiedź AI, tym mniejsza szansa, że osoba weryfikująca w ogóle ją zakwestionuje. Podczas audytu ktoś wciąż odhacza tę kontrolę jako spełnioną, mimo że przestała ona chronić przed ryzykiem, do którego została stworzona – a to gorsze niż brak kontroli w ogóle, bo daje fałszywe poczucie bezpieczeństwa.

Role

Role nie znikają, tylko się przesuwają – z wykonawcy w recenzenta, z osoby działającej w osobę nadzorującą. To realna zmiana wymaganych kompetencji, znacznie głębsza niż zmiana samej nazwy stanowiska. To też kierunek, w którym na całym świecie zmierzają regulatorzy. Jednym z przykładów jest akt o sztucznej inteligencji UE (EU AI Act), który wymaga, by nadzór nad systemami wysokiego ryzyka spoczywał na konkretnej, wskazanej osobie – zdolnej realnie zablokować działanie takiego systemu, jeśli zajdzie taka potrzeba. Ta sama zasada pojawia się też w innych ramach regulacyjnych, znacznie szerzej niż tylko w Europie. Samo formalne uwzględnienie człowieka na papierze to nie to samo, co recenzent mający realną władzę i niezależność, by zakwestionować decyzję.

Przepływ procesu

Wdrożenie AI zmienia więcej niż tylko dane, aplikacje, ryzyka, mechanizmy kontroli i role, o których była mowa wyżej. Zmienia też to, jak praca faktycznie przemieszcza się między kolejnymi zadaniami.

Weźmy dwa zadania, które w procesie następują jedno po drugim: ocena zgłoszenia reklamacyjnego, a potem decyzja o zwrocie pieniędzy. Gdy oba te zadania wykonuje AI, praca przechodzi między nimi automatycznie, bez udziału człowieka. To może przyspieszyć cały proces, ale ma swoją cenę. Wcześniej, gdy jeden pracownik przekazywał sprawę drugiemu, ten drugi mógł przy okazji zauważyć błąd z poprzedniego etapu, zanim sprawa trafiła dalej. Ta nieformalna kontrola wynikała z tego, że dwie różne osoby patrzyły na tę samą sprawę, i znika razem z automatyzacją.

Coraz częściej to nie ludzie, tylko systemy podejmują decyzje. Dlatego kluczowe staje się jasne zapisanie, kto wciąż odpowiada za te decyzje, tym bardziej że firmy coraz chętniej sięgają po agentową AI.

Wszystkie te zmiany w odpowiedzialności, ryzyku, kontroli czy przepływie pracy można zapisać i śledzić, zamiast zostawiać je bez nadzoru. Wystarczy przy każdym zadaniu odnotować dwie rzeczy: poziom dojrzałości AI (czyli to, czy dane zadanie wykonuje wyłącznie człowiek, czy AI je tylko wspiera, czy wykonuje je niemal samodzielnie – piszemy o tym więcej w dalszej części artykułu) oraz jakiego dostawcy AI to dotyczy. Dzięki temu widać, jak dane zadanie łączy się z resztą procesu: jakie ryzyko ze sobą niesie, kto za nie odpowiada i jakich danych dotyczy.

Prawdziwa siła BPM polega na tym, że nie tylko pokazuje, co robi AI, ale też pozwala to zmierzyć. Gdy atrybuty związane z AI stają się częścią modelu procesu, organizacje mogą przejść od samego stwierdzenia, że gdzieś korzystają z AI, do rozumienia, jak przebiega jej wdrażanie i gdzie potrzebny jest nadzór.

Powiązania opisane wyżej – między zadaniem a danymi, ryzykiem, rolą czy dostawcą – przestają być statyczną dokumentacją. Organizacje mogą oznaczać elementy procesu według poziomu dojrzałości AI, wymaganego nadzoru ludzkiego, dostawcy AI, krytyczności decyzji czy kosztów wykonania. Dzięki temu można identyfikować, analizować i nadzorować wdrażanie AI w całym krajobrazie procesów.

Zadanie zautomatyzowane przez AI – widok atrybutów w ADONIS: dojrzałość, nadzór, dostawca i istotność decyzji

W praktyce oznacza to, że można zadawać konkretne pytania, na które sama lista narzędzi AI nie da odpowiedzi:

• Dojrzałość AI: Które zadania są nadal wykonywane wyłącznie przez ludzi, ręcznie, bez udziału AI? Które procesy już korzystają z AI? Gdzie działają autonomiczne agenty AI?
• Nadzór ludzki: Które decyzje wspierane przez AI wciąż wymagają zatwierdzenia przez człowieka? Gdzie AI działa bez nadzoru?
• Dostawcy AI: Z usług których zewnętrznych firm dostarczających AI korzysta organizacja? Które procesy biznesowe zależą od jednego konkretnego dostawcy?
• Krytyczność decyzji: Które decyzje wspierane przez AI mają największy wpływ na biznes? Które wymagają najsilniejszego nadzoru i kontroli?
• Koszt wykonania AI: Jaki jest średni koszt wykonania danego zadania przez AI? Gdzie można zoptymalizować zużycie tokenów, by poprawić efektywność kosztową?

ADONIS pomaga firmom przejść od chaotycznych, pojedynczych prób wdrażania AI, rozrzuconych po różnych działach i pozbawionych wspólnego planu, do uporządkowanego podejścia: takiego, które ktoś nadzoruje i które jest częścią strategii całej firmy. Ponieważ wszystkie te informacje o AI są częścią modelu procesu, można je analizować z różnych poziomów szczegółowości: od ogólnego kokpitu dla zarządu, pokazującego całą sytuację naraz, aż po pojedyncze zadanie w konkretnym procesie.

Z każdej z tych perspektyw widać jedno: każda inicjatywa AI kosztuje, i rzadko chodzi tylko o oczywiste wydatki. Prawdziwe pytanie brzmi: czy wartość, jaką to tworzy, jest warta poniesionej inwestycji? Bez jasnego obrazu tego, ile to kosztuje i ile daje, trudno o wiarygodną odpowiedź.

ADONIS daje tę widoczność, łącząc koszty z zadaniami i agentami AI, które je generują. Do tego samego zadania można też przypisać informacje o tym, kto je nadzoruje, jaki dostawca za nim stoi i jak ważna jest decyzja, jaką AI podejmuje przy jego wykonywaniu. Dzięki temu koszt zadania widać razem z jego kontekstem: wiadomo, do czego to zadanie służy, jak często się je wykonuje i ile nadzoru wymaga.

Na tej podstawie ADONIS umożliwia przeprowadzenie symulacji tego, jak proces będzie zachowywał się w praktyce, uwzględniając, jak często jest uruchamiany, ile kosztują poszczególne zadania i agenty AI oraz ile nadzoru wymaga każda czynność. Zanim firma wprowadzi jakiekolwiek zmiany, może porównać to, jak proces wygląda dzisiaj (stan AS-IS), z tym, jak mógłby wyglądać po wsparciu AI (stan TO-BE). Zestawiając ze sobą częstotliwość procesu, koszty poszczególnych zadań, koszty działania AI i spodziewane zyski z efektywności, organizacje mogą w uporządkowany sposób oszacować, jaki zwrot przyniesie inwestycja. Zamiast szacować ROI dopiero po zakończeniu wdrożenia, firma może podjąć świadomą decyzję jeszcze przed inwestycją.

ADONIS pokazuje też, jak wygląda dojrzałość AI w skali całej firmy, nie tylko w pojedynczym procesie, ale w całych obszarach działalności, na przykład w całej obsłudze klienta czy w całym dziale sprzedaży. Zamiast przeglądać procesy jeden po drugim, decydenci od razu widzą, które obszary są nadal w dużej mierze wykonywane ręcznie, gdzie wdrażanie AI już postępuje i gdzie tkwi największy potencjał do dalszej poprawy.

Przegląd procesów według poziomu dojrzałości AI

Prawdziwe zagrożenie rzadko wynika z jednej rzeczy. Samo to, że AI wykonuje dane zadanie całkowicie samodzielnie, bez udziału człowieka, nie jest jeszcze problemem. Problem pojawia się dopiero wtedy, gdy takie samodzielnie działające zadanie ma dodatkowo jedną z trzech cech: dotyczy wrażliwych danych, wiąże się z decyzją ważną dla firmy, albo zależy wyłącznie od jednego zewnętrznego dostawcy AI.

Dlatego ADONIS pokazuje na jednym wykresie od razu trzy rzeczy: poziom dojrzałości AI danego zadania, wagę decyzji, którą to zadanie podejmuje, oraz proces, do którego należy. Dojrzałość AI i wagę decyzji widać na dwóch osiach wykresu, a proces oznaczony jest kolorem punktu. Dzięki temu od razu widać, gdy dane zadanie ma jednocześnie wysoką dojrzałość AI i dotyczy ważnej decyzji, bo to właśnie takie połączenie jest niebezpieczne. Bez tego wykresu trzeba by szukać takich przypadków ręcznie, przeglądając osobne raporty jeden po drugim.

Przykład: zadanie, które AI wykonuje całkowicie samodzielnie i które jednocześnie przetwarza wrażliwe dane, będzie widoczne na wykresie jako punkt. To samo dotyczy decyzji ważnej dla firmy, w którą nikt z ludzi się nie wtrąca – i tę też widać od razu, bez przeszukiwania danych ręcznie.

Portfel oceny wdrożenia AI – wielowymiarowa analiza w ADONIS

Te same powiązania między zadaniem, aplikacją, ryzykiem i mechanizmami kontroli, o których była mowa wyżej, sprawiają, że problem z dostawcą staje się czymś, co da się rozwiązać. Każde zadanie wykonywane przez AI jest powiązane z konkretną aplikacją, a każda aplikacja ma przypisane własne ryzyka i mechanizmy kontroli. Gdy więc dostawca przestaje spełniać wymóg zgodności albo ochrony danych, nie trzeba ręcznie sprawdzać, których procesów to dotyczy. Wystarczy sprawdzić, które zadania i procesy korzystają z tego dostawcy: od razu widać je wszystkie, razem z przypisanymi do nich ryzykami i mechanizmami kontroli. Na tej podstawie można wycenić koszt zmiany dostawcy i przygotować nowy wariant procesu, zanim jeszcze zapadnie ostateczna decyzja.

Zależność od dostawcy przestaje być czymś nieprzewidywalnym. Organizacja widzi, na czym ta zależność polega, wie, ile kosztowałaby zmiana dostawcy, i może go sprawnie zmienić.

Kokpit nadzoru nad AI

Dzięki tej widoczności, czyli możliwości sprawdzenia dla każdego zadania, ile kosztuje, jakie niesie ryzyko i jak wpłynie na proces, zmienia się sposób, w jaki zespół decydujący o wdrożeniu AI podchodzi do tematu. Wcześniej wystarczało zapytać: „czy da się tu technicznie zastosować AI?” Odpowiedź niemal zawsze brzmi „tak” – dziś AI potrafi obsłużyć prawie każde zadanie. Ale to nie mówi nic o tym, czy w ogóle warto to zrobić.

Mając wiedzę o kosztach, ryzyku i wpływie na proces, można zapytać inaczej: „czy powinniśmy tu użyć AI, i jak zrobić to odpowiedzialnie?” Chodzi już nie o samą technikę, tylko o wartość biznesową, ryzyko i to, kto bierze za wdrożenie odpowiedzialność. Co najważniejsze, na taką wersję pytania firma może odpowiedzieć konkretnymi liczbami, jeszcze zanim ktokolwiek zatwierdzi wdrożenie.

Dzięki ADONIS organizacje mogą rzetelnie ocenić wpływ AI na dowolny proces i na tej podstawie zdecydować, gdzie warto inwestować, które procesy skalować, które przeprojektować, a które rozwijać dalej.

W większości organizacji wdrażanie AI dawno przestało być pytaniem, czy w ogóle na to pozwolić. Pracownicy wciąż znajdują narzędzia, które przyspieszają ich własną pracę, a zarząd wciąż szuka procesu, w którym AI zwróci się najszybciej. Żadne z tych dwóch zjawisk nie zniknie, i nie powinno.

To, co odróżnia organizacje osiągające realną wartość od tych, które nie wychodzą poza etap pilotaży, sprowadza się do jednej rzeczy: czy widzą, jaki wpływ ma AI na pojedyncze zadanie, jakich danych to zadanie dotyczy, jakie ryzyko zmienia w nim AI, ile kosztuje jej działanie, od jakiego dostawcy zależy, i kto wciąż odpowiada za wynik. Sama lista narzędzi AI tego nie pokaże. Pokaże to za to model procesu, ponieważ zadanie, dane i ryzyko są już jego elementami.

Dokładnie taką możliwość daje organizacjom ADONIS. Ten sam model procesu, który firmy już od dawna prowadzą i aktualizują, teraz służy też do tego, żeby projektować, wyceniać, mierzyć i korygować AI, zamiast korzystać w tym celu z osobnego, dodatkowego systemu.

To, że AI wejdzie do pracy firmy, jest tylko kwestią czasu. Pytanie brzmi: czy ktokolwiek będzie w stanie wskazać dowody na to, co się zmieniło i kto za to odpowiada.