Każda firma, która obsługuje klientów i zlecenia, opiera się na krokach, w których ktoś coś czyta, porównuje z tym, co wie, i ustala, co dalej: zapytanie, na które trzeba odpowiedzieć, zgłoszenie, które wymaga „tak” albo „nie”, faktura, którą trzeba sprawdzić przed zapłatą. Kroki według stałych reguł oprogramowanie mogło przejąć od dziesięcioleci, a w wielu firmach wciąż tego nie zrobiło. Kroki wymagające oceny nieuporządkowanych informacji do niedawna nie miały praktycznego odpowiednika w oprogramowaniu, więc zostawały przy ludziach, i to w dużej mierze dlatego, żeby obsłużyć więcej, firma musi zatrudniać więcej ludzi.
Modele językowe potrafią dziś przejąć dużą część tej rutynowej oceny: przeczytać zapytanie, ustalić, o co w nim chodzi, sprawdzić, czy zgadza się z Twoimi zasadami, przygotować kolejny krok. Model w takiej roli nazywamy silnikiem rozumowania. Decyzje to co innego: wybory, od których zależą pieniądze, relacja z klientem albo kierunek firmy. Te zostają przy ludziach.
Uruchomienie silnika przebiega w trzech etapach, które często na siebie zachodzą. Najpierw praca trafia do systemu: zapisu każdego klienta, sprawy i zasady oraz miejsca, do którego trafiają wyniki. Potem silnik przejmuje określone kroki wymagające oceny, zwykłe oprogramowanie robi kroki według reguł, a wokół jednych i drugich działają kontrole. Potem silnik może zacząć prowadzić całe procesy, a ludzie decydują i nadzorują.
Najpierw silnik potrzebuje systemu, w którym może pracować
Model przeczyta maila. Sam z siebie nie wie jednak, kim jest klient, co ustalono wcześniej, która cena obowiązuje ani dokąd ma trafić jego odpowiedź. Kiedy praca toczy się w skrzynkach, wątkach czatu, arkuszach i głowach ludzi, ten kontekst jest rozproszony, a wynik pracy silnika nie ma gdzie trafić.
Flowstaff, agencja personelu eventowego, rekrutował przez grupy na Facebook Messengerze. Kandydaci pisali „chętna” albo „chętny” pod ogłoszeniami, zespół ręcznie przepisywał każde zgłoszenie z czatu, a w szczycie sezonu pracował po 12 godzin dziennie, żeby nadążyć. Najpierw Flowstaff potrzebował platformy, na której pracownicy, rekruterzy i klienci pracują w jednym systemie: pracownicy zgłaszają się tam do pracy i podpisują umowy, rekruterzy kompletują zespoły, a klienci wybierają personel ze zdjęć. Rekrutacja przyspieszyła pięciokrotnie, koszt obsadzania eventów spadł o 20%, a inwestycja zwróciła się 16-krotnie.
Nic z tego nie wymagało modelu językowego. To właśnie dzięki temu model może być przydatny: każde zgłoszenie, zlecenie i wybór zespołu istnieje teraz jako zapis, który model może przeczytać, a system wykorzystać.
Potem silnik przejmuje kroki wymagające oceny, a oprogramowanie resztę
Weźmy zapytanie klienta. Dziś człowiek co rano sprawdza skrzynkę, czyta każdą wiadomość, odpowiada, aktualizuje CRM, zapisuje załączniki, a kiedy klient tego potrzebuje, przygotowuje analizę i ją wysyła.
W systemie zbudowanym wokół silnika rozumowania silnik czyta każdą wiadomość i ustala, czy potrzebny jest człowiek. Zwykłe oprogramowanie zapisuje załączniki w folderze klienta, a silnik dopisuje do profilu klienta to, co nowego jest w wiadomości. Silnik przygotowuje analizę. Człowiekowi zostają dwa kroki: odpowiedź tam, gdzie potrzebny jest człowiek, i sprawdzenie analizy, zanim trafi do klienta.
Z siedmiu kroków, które człowiek robił co rano, zostają dwa: odpowiedź tam, gdzie trzeba człowieka, i sprawdzenie tego, co przygotował system.
Model to mniejsza część tego, co się buduje. Dobrze poukładany system wokół mniejszego modelu potrafi wygrać z większym modelem, bo wynik zależy od zadania każdego kroku, informacji, które krok dostaje, i kontroli, która go sprawdza (co każde z nich znaczy w praktyce, opisuje artykuł Generatywna AI bez tajemnic). Zaufanie do kroku rośnie wraz z dowodami: krok przechodzi od „człowiek zatwierdza każdy przypadek” do „człowiek zatwierdza wyjątki”, kiedy liczby pokażą, że silnik robi to dobrze.
Potem silnik zaczyna prowadzić pracę
W kolejnym etapie silnik dostaje nie tylko kroki, ale i ich kolejność. Agent AI wybiera następne działanie prowadzące do celu, wykonuje je w Twoich systemach i przekazuje decyzję człowiekowi, kiedy dochodzi do takiej, której nie wolno mu podjąć. Rola człowieka znów się zmienia: z wykonywania dwóch kroków na nadzór nad procesem, czyli ustalanie jego celów i granic oraz zajmowanie się tym, co agent mu przekaże.
Improvement Studio, nasza usługa we wczesnym dostępie, w której doradcy AI przeprowadzają firmę przez proces Workflows Lab, działa właśnie tak, z najściślejszą kontrolą. Doradcy AI prowadzą warsztat, modelują procesy i układają warianty według zwrotu z inwestycji i czasu potrzebnego na wdrożenie; ekspert z naszego zespołu zatwierdza każdy plan spotkania, mapę i projekt, zanim zobaczy je klient.
Silnik przejmuje rutynowe kroki. Decyzje i nadzór zostają przy ludziach.
Każdy krok trafia do tego, kto zrobi go najlepiej
Oprogramowanie bierze na siebie reguły, silnik rutynową ocenę, a przy ludziach zostają decyzje, relacje z klientami i kierunek firmy. Na każdym etapie wzór jest ten sam: wykonanie przechodzi do systemu, decyzje zostają przy ludziach, a system jest zbudowany tak, żeby wraz z rozwojem technologii mogło przejść do niego więcej.
Dla zespołu to mniej godzin przepisywania, sortowania i ponaglania, a większe moce przerobowe bez dodatkowych ludzi. Flowstaff doszedł do tego samym oprogramowaniem: jego zespół obsłużył więcej pracy bez nowych etatów.
Zacznij od jednego procesu i oceniaj go własnymi liczbami
W praktyce zaczyna się od małego: od jednego procesu, w którym codzienna obsługa hamuje wzrost. Rozpisz, jak naprawdę przebiega praca, i zmierz, ile kosztuje każdy krok. Potem zdecyduj krok po kroku, mając przy każdym koszt i zwrot, co idzie do oprogramowania, co do silnika, a co zostaje przy człowieku. Automatyzację warto budować tam, gdzie sama na siebie zarobi.
Ustal z góry, co będzie się liczyć jako sukces, i oceniaj wynik własnymi liczbami. Czekanie na lepsze modele niewiele daje: każdy nowy działa na tym samym zmapowanym procesie, danych i kontrolach.
