Jak firmy mogą naprawdę wykorzystać AI (bez hype’u)

Dwie rzeczy są prawdziwe jednocześnie: modele językowe są naprawdę przydatne, a większość projektów AI w firmach nie daje żadnego mierzalnego efektu. Różnica między jednym a drugim nie tkwi w technologii — tkwi w wyborze problemu.

W czym modele są naprawdę dobre

Obecne modele językowe dobrze radzą sobie z dość wąskim zestawem zadań:

• Czytanie nieuporządkowanego tekstu i wyciąganie z niego uporządkowanych danych.
• Klasyfikowanie tekstu do zdefiniowanych przez Ciebie kategorii.
• Streszczanie długich dokumentów.
• Przygotowywanie tekstów, które człowiek potem sprawdza i poprawia.
• Odpowiadanie na pytania o dostarczone dokumenty — gdy odpowiedź w nich jest.
• Tłumaczenie między językami i między stylami.

Zauważ, co je łączy: dane wejściowe to chaotyczny tekst, wynik da się sprawdzić, a człowiek zweryfikuje go szybciej, niż sam by go przygotował.

W czym są słabe

• Rachunki na wielu liczbach. Do tego jest baza danych albo arkusz.
• Gwarantowana poprawność. Wolą podać pewną siebie błędną odpowiedź niż żadną.
• Wiedza o Twojej firmie. Dla modelu nie istnieje nic, czego nie ma w poleceniu albo w dostarczonym kontekście.
• Niezawodna spójność. To samo wejście może dać nieco inny wynik. W porządku przy pisaniu, nie do przyjęcia przy wyliczaniu ceny.
• Aktualność. Dane treningowe mają datę graniczną. Wszystko, co zależy od czasu, trzeba dostarczyć, a nie liczyć na pamięć modelu.

Niemal każdy nieudany projekt AI, jaki widzieliśmy, wybrał zadanie z tej listy i próbował obejść ograniczenie inżynierią, zamiast wybrać zadanie z listy poprzedniej.

Przydatny test dla każdego pomysłu na AI

Trzy pytania:

1. Czy dane wejściowe są nieuporządkowane? Jeśli to już uporządkowane dane, zwykły kod zrobi to lepiej, taniej i przewidywalnie. To tradycyjna automatyzacja.
2. Czy człowiek może szybko sprawdzić wynik? Jeśli weryfikacja trwa tyle, co wykonanie zadania, nic nie zyskujesz.
3. Ile kosztuje pomyłka? Jeśli dużo, potrzebujesz człowieka w pętli, co ogranicza oszczędność. Powiedz to sobie uczciwie przed budową.

Gdzie zwykle jest wartość

Przyjmowanie dokumentów. Faktury, zamówienia, wnioski, CV, umowy. Wyciąganie pól do uporządkowanych danych z oceną pewności i kierowanie niepewnych przypadków do człowieka. Mało efektowne i często to AI o najwyższym zwrocie w firmie.

Porządkowanie skrzynki. Kategoryzowanie i kierowanie przychodzących maili, przygotowanie pierwszej odpowiedzi, oznaczanie pilnych spraw. Działa dobrze, bo człowiek sprawdza, zanim cokolwiek zostanie wysłane.

Odpowiadanie na pytania wewnątrz firmy. Warstwa wyszukiwania nad Twoją dokumentacją, procedurami i dawnymi projektami — ze wskazaniem źródeł, żeby odpowiedzi dało się zweryfikować. Najbardziej przydatne w firmach, w których wiedza jest prawdziwa, ale rozproszona.

Raportowanie z wolnego tekstu. Formularze opinii, notatki z obsługi klienta, komentarze z ankiet. Skategoryzowanie tysięcy takich wpisów naraz daje raporty, których wcześniej nikt w ogóle nie potrafił zrobić — to naprawdę nowa możliwość, a nie szybsza wersja istniejącej.

Pisanie treści na dużą skalę. Opisy produktów, tłumaczenia, warianty. Z redakcją i z osobą odpowiedzialną za poprawność.

Jak poprowadzić pierwszy projekt

Wybierz jeden proces. Wąsko zawsze wygrywa z szeroko.

Zmierz obecną wersję. Ile trwa, jak często jest błędna, ile spraw tygodniowo. Bez punktu odniesienia nie da się wykazać poprawy.

Zbuduj zestaw testowy. Od pięćdziesięciu do stu prawdziwych przypadków ze znanymi poprawnymi odpowiedziami. To najczęściej pomijany krok i ten, który odróżnia ocenę od opinii.

Zrób prototyp na prawdziwych danych. Nie na czystych przykładach. Prawdziwe dane to zeskanowane strony, brakujące pola i trzy formaty od tego samego dostawcy.

Mierz uczciwie. Poprawność na zestawie testowym. Koszt na przypadek. Zaoszczędzony czas. Jeśli nie jest lepiej niż ręcznie, powiedz to i zatrzymaj się — to udany projekt, a nie nieudany.

Dopiero potem integruj. Tylko wtedy, gdy działa. Dokładny model niepodłączony do niczego nie daje żadnej wartości.

Co dopracować przed skalowaniem

• Obsługa danych. Wiedz, dokąd trafiają Twoje dane, co jest przechowywane i czy służy do trenowania. Biznesowe plany API głównych dostawców domyślnie nie trenują na przesłanych danych, ale trzeba to sprawdzić i udokumentować, a nie zakładać.
• Model kosztów. Koszt pojedynczego wywołania jest mały, a skala duża. Policz to przy realnej skali, zanim się zobowiążesz.
• Zachowanie przy błędzie. Co się dzieje, gdy pewność jest niska? „Przekaż człowiekowi” to decyzja projektowa, a nie awaryjna łatka.
• Monitoring. Jakość modelu może się zmienić, gdy dostawca go zaktualizuje. Zachowaj zestaw testowy i uruchamiaj go ponownie.

Uczciwe podsumowanie

Dla większości małych i średnich firm kolejność wygląda tak: najpierw uporządkuj przepływ danych, potem zautomatyzuj procesy deterministyczne, a dopiero na końcu zastosuj AI do pracy, która naprawdę jest nieuporządkowana.

W tej kolejności to działa. W odwrotnej kończy się demem i rozczarowującą fakturą.

Jeśli masz proces, w którym jest dużo czytania, sortowania albo przepisywania, opowiedz nam o nim — a uczciwie powiemy, czy AI to właściwe narzędzie. Czasem nie jest.