AI w aplikacjach dedykowanych — co realnie działa w firmie, a co jest demem

Trzy pytania, które oddzielają wartość od dema

Zanim ktokolwiek zaproponuje Ci „asystenta AI”, zadaj trzy pytania. Jaki proces on skraca? Jak zmierzymy, że go skrócił? Co się dzieje, gdy odpowiedź AI będzie błędna? Jeśli na którekolwiek nie ma konkretnej odpowiedzi, to nie jest projekt biznesowy, tylko demo.

Dobre zastosowania AI mają wspólną cechę: dotyczą pracy nieustrukturyzowanej, powtarzalnej i kosztownej czasowo. Czytanie dokumentów, klasyfikowanie zgłoszeń, wyciąganie danych z maili, streszczanie rozmów, opisywanie produktów. To zadania, gdzie człowiek jest wolny, a błąd jest tani i łatwy do wyłapania.

Złe zastosowania to te, w których AI podejmuje nieodwracalne decyzje bez człowieka: zatwierdza płatności, ustala ceny bez reguł, wysyła wiążące odpowiedzi do klientów. Tam koszt błędu jest wyższy niż oszczędność, a odpowiedzialność i tak zostaje po Twojej stronie.

• Zastosuj AI tam, gdzie dane są nieustrukturyzowane, a weryfikacja tania.
• Zawsze zostaw człowieka w pętli przy decyzjach finansowych i prawnych.
• Zdefiniuj metrykę przed wdrożeniem: minuty na dokument, procent poprawnych klasyfikacji.
• Zaplanuj, co dzieje się przy błędnej odpowiedzi — kto to wyłapie i jak szybko.

Pięć zastosowań, które zwracają się najszybciej

Poniższa lista pochodzi z projektów, w których dało się policzyć efekt. Łączy je to, że nie wymagają zmiany całej firmy — wchodzą jako funkcja w istniejący proces.

• Odczyt dokumentów: faktury, zamówienia, listy przewozowe, protokoły — z automatycznym uzupełnieniem pól i podglądem do zatwierdzenia przez człowieka.
• Klasyfikacja i kierowanie zgłoszeń: mail lub formularz trafia od razu do właściwego zespołu z ustalonym priorytetem.
• Wyszukiwanie po wiedzy firmowej: odpowiedzi z umów, instrukcji i procedur wraz ze wskazaniem źródła, zamiast przeszukiwania dysku.
• Streszczenia i notatki: rozmowa z klientem lub długi wątek mailowy zamieniony w podsumowanie i listę zadań w CRM.
• Generowanie treści operacyjnych: opisy produktów, oferty, standardowe odpowiedzi — jako wersja robocza dla człowieka, nie gotowa wysyłka.

Analiza i mapowanie procesów rozmową — kierunek, który uważamy za najciekawszy

Największym wąskim gardłem w projektach IT nie jest kod, tylko zrozumienie procesu. Firmy rzadko mają go spisanego, a wiedza jest rozproszona między kilkoma osobami, z których każda widzi swój fragment. Warsztat porządkuje to, ale wymaga czasu i dostępności ludzi.

Dlatego rozwijamy Flowence (wersja BETA) — narzędzie, w którym proces opisuje się zwykłą rozmową na czacie, a system w tle układa go w mapę, wskazuje wąskie gardła, ryzyka i miejsca, gdzie warto automatyzować. To nie zastępuje analityka, ale skraca drogę od „mamy problem” do „wiemy, co konkretnie usprawnić”.

Praktyczna wartość jest prosta: zanim zamówisz aplikację, wiesz, który fragment procesu naprawdę kosztuje i w jakiej kolejności go budować. Mniej przepalonego budżetu na moduły, które ładnie wyglądały na liście życzeń, a w praktyce nie były używane.

Koszt: mniejszy, niż sądzisz, ale w innym miejscu

Wbrew intuicji koszt samych zapytań do modeli jest dziś zwykle najmniejszą pozycją w budżecie — dla większości firm to kwoty rzędu dziesiątek lub setek złotych miesięcznie przy realnym użyciu operacyjnym. Prawdziwy koszt leży gdzie indziej.

Płaci się za przygotowanie danych, projekt interfejsu, w którym człowiek szybko zatwierdza lub poprawia wynik, oraz za obsługę przypadków brzegowych. Funkcja AI, która działa w 85% przypadków i nie ma dobrego trybu poprawy pozostałych 15%, generuje więcej pracy, niż oszczędza.

Dlatego wyceniamy funkcje AI jak każdą inną funkcjonalność: przez proces, który obsługują. Dodanie odczytu dokumentów do istniejącej aplikacji to zwykle koszt porównywalny z jednym średnim modułem, a nie z osobnym projektem.

Bezpieczeństwo danych — pytania, które musisz zadać

Najczęstsza obawa firm brzmi: czy nasze dane posłużą do trenowania cudzego modelu. To słuszne pytanie, ale nie jedyne. Warto ustalić także, gdzie dane są przetwarzane, jak długo są przechowywane i kto po Twojej stronie ma dostęp do historii zapytań.

W projektach komercyjnych stosujemy zasadę minimalizacji: do modelu trafia tylko ten fragment danych, który jest potrzebny do zadania, dane osobowe są maskowane tam, gdzie nie są konieczne, a każde wywołanie jest logowane po stronie aplikacji. Dzięki temu w razie audytu wiadomo dokładnie, co i kiedy zostało wysłane.

• Umowne wykluczenie wykorzystania danych do trenowania modeli.
• Przetwarzanie w wybranym regionie, jeśli wymaga tego polityka firmy lub klient.
• Maskowanie danych osobowych przed wysłaniem, gdy nie są potrzebne do zadania.
• Dziennik wywołań: kto, kiedy, jaki fragment danych i jaki był wynik.
• Jasna informacja dla użytkownika, że treść została wygenerowana i wymaga akceptacji.

Jak wdrożyć pierwszą funkcję AI w dwa tygodnie

Sprawdzony schemat jest krótki. Wybierz jedno zadanie, które ktoś w firmie wykonuje co najmniej kilkanaście razy dziennie i które polega na czytaniu lub przepisywaniu. Zmierz, ile zajmuje dziś — to Twój punkt odniesienia.

Następnie zbuduj wersję z człowiekiem w pętli: AI proponuje, człowiek jednym kliknięciem akceptuje lub poprawia. Przez dwa tygodnie zbieraj statystykę akceptacji. Jeśli przekracza 80%, funkcja się broni i można rozszerzać zakres. Jeśli jest niższa, problem prawie zawsze leży w danych wejściowych albo w zbyt szerokim zadaniu — a nie w modelu.

Ostatni krok bywa pomijany: policz efekt i pokaż go zespołowi. Adopcja funkcji AI rośnie wtedy, gdy ludzie widzą, że odzyskali konkretny czas, a nie wtedy, gdy dostali kolejny przycisk.

Czego AI nie naprawi

AI nie uporządkuje procesu, którego nikt nie zdefiniował, i nie naprawi danych, które są niespójne. Jeśli w trzech systemach ten sam klient ma trzy różne nazwy, model nie zgadnie, który rekord jest właściwy — po prostu szybciej wygeneruje błąd.

Nie zastąpi też decyzji, za które ktoś odpowiada osobiście. Może przygotować rekomendację, zebrać argumenty, wskazać ryzyka — ale podpis, cena i zobowiązanie wobec klienta pozostają po stronie człowieka. To nie ograniczenie technologii, tylko zdrowy podział odpowiedzialności.

Najczęstsze błędy

Zanim zaczniesz projekt, warto poznać pułapki, w które regularnie wpadają inne firmy — unikniesz ich taniej niż ktoś, kto uczy się na własnych błędach.

• Zaczynanie od „asystenta AI” bez wskazania procesu, który ma skrócić, i metryki, która to potwierdzi.
• Pozwolenie AI na nieodwracalne decyzje — zatwierdzanie płatności czy wiążące odpowiedzi do klientów.
• Wdrażanie AI na niespójnych danych, gdzie ten sam klient ma trzy różne nazwy w trzech systemach.
• Brak wygodnego trybu poprawy wyniku, przez co przypadki brzegowe generują więcej pracy niż oszczędności.

Co zrobić w tym tygodniu — checklista

Nie trzeba czekać na duży projekt, żeby zacząć porządkować temat. Poniższe kroki da się wykonać bez angażowania budżetu.

• Wskaż jedno zadanie wykonywane kilkanaście razy dziennie, polegające na czytaniu lub przepisywaniu.
• Zmierz, ile minut zajmuje dziś jedno wykonanie — to punkt odniesienia.
• Zaprojektuj tryb akceptacji: AI proponuje, człowiek zatwierdza jednym kliknięciem.
• Ustal politykę danych: co wysyłamy, co maskujemy, gdzie logujemy wywołania.
• Po dwóch tygodniach sprawdź odsetek akceptacji — powyżej 80% rozszerzaj zakres.

Przykład liczbowy z praktyki

Firma dystrybucyjna otrzymywała dziennie około 60 zamówień mailem w dowolnym formacie. Przepisanie jednego zajmowało średnio 4 minuty, czyli 4 godziny pracy dziennie przy koszcie 55 zł/h — około 4400 zł miesięcznie.

Po wdrożeniu odczytu dokumentów z podglądem do zatwierdzenia czas jednego zamówienia spadł do około 40 sekund, a odsetek propozycji akceptowanych bez poprawki ustabilizował się na poziomie 88%.

Miesięczny koszt zapytań do modelu wyniósł kilkadziesiąt złotych. Funkcja spłaciła się w pierwszym miesiącu, a zespół obsługi przeszedł z przepisywania na kontrolę wyjątków.