Automatyzacja z AI. Kiedy sztuczna inteligencja wspiera proces

Sztuczna inteligencja potrafi analizować dokumenty, klasyfikować wiadomości, przygotowywać odpowiedzi i podejmować działania za pomocą zewnętrznych narzędzi. Nie oznacza to jednak, że każdy proces należy od razu powierzyć agentowi AI. Czasami model jest brakującym elementem automatyzacji. Innym razem staje się bardzo kosztownym sposobem na wykonanie zwykłej instrukcji warunkowej.

Automatyzacja z AI stała się jednym z najczęściej omawianych kierunków rozwoju technologii w organizacjach. Modele językowe przestają być wykorzystywane wyłącznie jako generatory tekstu. Są podłączane do poczty elektronicznej, baz danych, systemów CRM, dokumentów, kalendarzy i narzędzi służących do zarządzania procesami.

W tym miejscu łatwo jednak pomylić dwie różne koncepcje: wykorzystanie AI jako elementu procesu oraz przekazanie sztucznej inteligencji odpowiedzialności za cały proces.

Pierwsze podejście może przynieść realną wartość. Drugie wymaga znacznie większej ostrożności, ponieważ model AI nie zastępuje architektury, reguł biznesowych, kontroli dostępu ani odpowiedzialności człowieka.

Automatyzacja nie zaczyna się od modelu AI

Proces biznesowy składa się z określonych kroków, danych, decyzji, ról i wyjątków. Technologia może wspierać ich wykonanie, ale nie definiuje sama celu procesu.

Przed wyborem modelu warto więc odpowiedzieć na kilka podstawowych pytań:

• Jakie zdarzenie rozpoczyna proces?
• Jakie dane są potrzebne do podjęcia decyzji?
• Które czynności są całkowicie przewidywalne?
• Gdzie pojawia się interpretacja języka, obrazu lub dokumentu?
• Co powinno się wydarzyć, gdy wynik jest niejednoznaczny?

Dopiero po opisaniu procesu można określić, czy potrzebujemy modelu AI, klasycznego workflow, integracji API, robota RPA, czy może prostego skryptu.

AI powinno rozwiązywać problem wynikający z natury danych lub decyzji. Nie powinno być dodawane do procesu tylko dlatego, że dobrze wygląda na diagramie architektury.

Gdzie AI wnosi wartość do automatyzacji?

Klasyczne systemy informatyczne najlepiej działają wtedy, gdy otrzymują przewidywalne dane i wykonują jednoznacznie opisane reguły. Problem pojawia się przy informacjach, których nie można łatwo zamknąć w tabeli lub prostym formularzu.

Model AI może być przydatny między innymi wtedy, gdy proces wymaga:

• odczytywania i klasyfikowania dokumentów,
• rozpoznawania intencji wiadomości użytkownika,
• tworzenia podsumowań dłuższych materiałów,
• wyszukiwania informacji w nieustrukturyzowanych zasobach wiedzy,
• proponowania odpowiedzi na podstawie kontekstu sprawy.

W każdym z tych przypadków AI wykonuje konkretną funkcję. Nie musi wiedzieć, jak działa cały proces. Powinno otrzymać odpowiednie dane, wykonać zadanie i zwrócić wynik do kolejnego komponentu.

Takie podejście zmniejsza ryzyko oraz ułatwia testowanie jakości. Można sprawdzić, jak skutecznie model klasyfikuje dokumenty lub rozpoznaje intencję, zamiast próbować oceniać niejasne stwierdzenie, że „agent dobrze prowadzi proces”.

Workflow, API, RPA i AI pełnią różne funkcje

Dojrzała automatyzacja zwykle składa się z kilku warstw technologicznych. Każda odpowiada za inny element działania systemu.

Technologia	Podstawowa funkcja	Przykład zastosowania
Workflow lub BPM	Zarządzanie przebiegiem procesu	Statusy, role, terminy i ścieżki decyzyjne
Integracja API	Wymiana danych pomiędzy systemami	Pobranie danych klienta lub zapisanie wyniku
RPA	Automatyzacja czynności w interfejsie	Wprowadzenie danych do systemu bez API
Model AI	Interpretacja danych nieustrukturyzowanych	Klasyfikacja dokumentu lub wiadomości
Agent AI	Dobór i uruchamianie narzędzi	Realizacja wieloetapowego zadania w określonych granicach

Żadna z tych technologii nie jest automatycznie lepsza od pozostałych. Problem zaczyna się wtedy, gdy próbujemy używać jednej z nich do wszystkich zadań.

Model językowy nie jest silnikiem procesowym. Workflow nie interpretuje swobodnego języka. RPA może obsługiwać interfejs aplikacji, ale jest podatne na jego zmiany. API zapewnia kontrolowaną wymianę danych, lecz nie rozwiązuje problemu interpretacji dokumentu.

Architektura automatyzacji polega więc na odpowiednim podziale odpowiedzialności pomiędzy komponenty.

Czy agent AI może prowadzić cały proces?

Agent AI różni się od zwykłego czatu tym, że może planować działania, wybierać narzędzia i wykonywać kolejne kroki. Może pobrać dane, przeanalizować dokument, przygotować wiadomość, zapisać wynik i uruchomić następne zadanie.

Brzmi to jak kompletny system automatyzacji. W praktyce nadal potrzebne są jednak granice jego działania.

Agent powinien wiedzieć:

• z jakich narzędzi może korzystać,
• do jakich danych ma dostęp,
• które działania wymagają zatwierdzenia,
• kiedy powinien przerwać wykonanie,
• gdzie zapisywana jest historia działań.

Bez tych ograniczeń powstaje system, który posiada techniczną możliwość działania, ale nie ma jasno określonej odpowiedzialności.

W artykule o startupach AI działających na polskim rynku widać, że najciekawsze rozwiązania nie ograniczają się do samego modelu. Są osadzone w konkretnych procesach, takich jak obsługa klienta, analiza zachowań, logistyka, medycyna lub automatyzacja magazynów.

Automatyzacja decyzji wymaga określenia progu pewności

W klasycznym systemie warunek jest zwykle jednoznaczny. Kwota przekracza limit albo go nie przekracza. Dokument ma określony status albo go nie ma.

Model AI często zwraca wynik probabilistyczny. Może ocenić, że wiadomość z prawdopodobieństwem 92 procent dotyczy reklamacji. Dla procesu to nadal nie jest kompletna decyzja.

Należy ustalić, co oznaczają poszczególne poziomy pewności:

• wynik powyżej ustalonego progu może uruchomić automatyczne działanie,
• wynik pośredni trafia do weryfikacji człowieka,
• wynik niski powoduje zastosowanie ścieżki awaryjnej.

Sam próg nie powinien być stały dla wszystkich przypadków. Inny poziom ryzyka można zaakceptować przy klasyfikowaniu wewnętrznej wiadomości, a inny przy decyzji wpływającej na sytuację klienta, pracownika lub obywatela.

Najważniejsza ścieżka często prowadzi do człowieka

W materiałach marketingowych automatyzacja jest zwykle przedstawiana jako prosta linia prowadząca od danych wejściowych do sukcesu. Tymczasem najważniejszą częścią architektury może być ścieżka obsługi wyjątku.

System powinien potrafić rozpoznać, że:

• brakuje wymaganych danych,
• wynik modelu jest niejednoznaczny,
• zewnętrzna usługa nie odpowiada,
• wykonanie działania przekracza uprawnienia agenta,
• sprawa wymaga oceny człowieka.

Przekazanie wyjątku człowiekowi nie oznacza porażki automatyzacji. Oznacza, że system zna granice własnego działania.

Dojrzały system automatyzacji nie udaje, że potrafi obsłużyć każdy przypadek. Potrafi natomiast bezpiecznie przekazać przypadek, którego nie powinien rozstrzygać.

Monitoring powinien obejmować wynik, a nie tylko działanie

Informacja, że agent wykonał tysiąc zadań, nie mówi jeszcze, czy automatyzacja przynosi wartość. Potrzebne są mierniki jakości i skuteczności.

W zależności od procesu można mierzyć:

• odsetek spraw wykonanych automatycznie,
• liczbę błędnych klasyfikacji,
• liczbę przypadków przekazanych człowiekowi,
• czas obsługi wyjątku,
• koszt zapytań do modeli i zewnętrznych usług,
• jakość wyniku po zakończeniu całego procesu.

Monitoring techniczny odpowiada na pytanie, czy system działa. Monitoring biznesowy powinien odpowiedzieć, czy system realizuje cel.

Koszt AI jest elementem architektury

W klasycznej automatyzacji koszt pojedynczego wykonania może być bardzo niski i przewidywalny. W przypadku AI zależy między innymi od liczby tokenów, wielkości kontekstu, wybranego modelu, liczby ponowień oraz zewnętrznych narzędzi.

Nie każde zadanie wymaga więc największego i najdroższego modelu. Prosta klasyfikacja może zostać wykonana przez mniejszy model, lokalne rozwiązanie albo klasyczny algorytm. Bardziej zaawansowany model warto uruchamiać dopiero wtedy, gdy rzeczywiście jest potrzebny.

Wybór modelu nie powinien być oparty wyłącznie na pozycji w rankingu. Należy sprawdzić jakość dla konkretnego zadania, koszt działania, czas odpowiedzi, sposób przetwarzania danych oraz możliwość zmiany dostawcy.

AI Governance zaczyna się wewnątrz procesu

AI Governance bywa kojarzone z politykami, dokumentacją i zgodnością prawną. Te elementy są ważne, ale odpowiedzialność musi być również widoczna w samej architekturze.

System powinien rejestrować:

• jaki model został użyty,
• jakie dane otrzymał,
• jaki wynik wygenerował,
• które działanie zostało wykonane automatycznie,
• kto zatwierdził decyzję wymagającą kontroli.

W praktyce governance nie jest dodatkową prezentacją przygotowaną po wdrożeniu. Jest częścią projektu procesu, logowania zdarzeń, zarządzania dostępem oraz mechanizmu podejmowania decyzji.

Jak zaprojektować automatyzację z AI?

Projekt można podzielić na kilka kolejnych etapów:

1. Zdefiniowanie celu — określenie problemu i oczekiwanego wyniku.
2. Analiza procesu — opis kroków, danych, decyzji i wyjątków.
3. Podział odpowiedzialności — wybór funkcji dla workflow, API, RPA, AI i człowieka.
4. Przygotowanie danych — ustalenie źródeł, jakości, uprawnień i zakresu informacji.
5. Projekt kontroli — określenie progów pewności, eskalacji i zatwierdzeń.
6. Testowanie — ocena nie tylko ścieżki poprawnej, ale także błędów i wyjątków.
7. Monitoring — pomiar jakości, kosztu i wartości biznesowej.

Dopiero tak zaprojektowana automatyzacja może zostać rozwijana w kierunku większej autonomii.

Automatyzacja.online — od procesu do wdrożenia

Rozszerzeniem tematyki automatyzacji procesów prezentowanej na Technologie-AI.pl jest nowy serwis Automatyzacja.online.

Serwis porządkuje cały cykl automatyzacji: od określenia celu i analizy procesu, przez dane, reguły i wybór technologii, aż do wdrożenia, monitoringu oraz ciągłego doskonalenia.

W materiałach znajdą się między innymi porównania workflow, RPA, integracji API i rozwiązań opartych na AI, a także przykłady automatyzacji dokumentów, poczty, raportowania oraz obsługi klienta.

Podsumowanie

Automatyzacja z AI nie polega na zastąpieniu wszystkich elementów procesu jednym modelem lub agentem. Polega na wykorzystaniu sztucznej inteligencji dokładnie tam, gdzie klasyczne rozwiązania mają problem z interpretacją danych, języka lub kontekstu.

Workflow powinien zarządzać przebiegiem procesu. API powinno przesyłać dane. RPA może obsługiwać systemy pozbawione integracji. AI może analizować i interpretować. Człowiek nadal odpowiada za cel, granice działania i decyzje o istotnych konsekwencjach.

Największa wartość pojawia się nie wtedy, gdy AI wykonuje wszystko, ale wtedy, gdy każdy element systemu wykonuje właściwe zadanie.

---

Nota redakcyjna

Technologie-AI.pl to serwis poświęcony odpowiedzialnemu wykorzystaniu sztucznej inteligencji w organizacjach. Publikowane materiały łączą perspektywę analizy biznesowo-systemowej, transformacji cyfrowej, automatyzacji procesów, etyki AI oraz AI Governance.

Treści mają charakter informacyjny i analityczny. Nie stanowią porady prawnej ani gotowej rekomendacji wdrożeniowej. Dobór technologii powinien uwzględniać konkretny proces, dane, ryzyko oraz wymagania organizacji.