Zła kolejność: narzędzie przed procesem
Gdy firma zaczyna myśleć o AI, bardzo szybko pojawia się temat automatyzacji. To naturalne. Problem zaczyna się wtedy, gdy rozmowa zbyt szybko przechodzi do narzędzi, a za mało czasu poświęca się samemu procesowi.
Lepsze pytanie brzmi: który proces dziś kosztuje nas najwięcej czasu, pieniędzy albo błędów?
AI nie powinno być punktem startu. AI powinno być jedną z możliwych odpowiedzi po zrozumieniu procesu.
Jeżeli firma nie wie, jak naprawdę działa dany proces, ile trwa, ile osób bierze w nim udział, gdzie są opóźnienia i ile spraw wraca do poprawki, to wdrożenie AI może tylko dodać kolejną warstwę narzędzi. Czasem droższą, trudniejszą do utrzymania i mniej przewidywalną niż prostsze rozwiązanie.
Problem nie polega na tym, że AI jest złe. Problem polega na tym, że AI często trafia w miejsce, gdzie najpierw trzeba było uporządkować proces, dane albo odpowiedzialność.
Czym jest baseline i po co go robić
Baseline to punkt odniesienia. Opisuje stan obecny procesu przed zmianą.
Nie musi to być skomplikowany audyt. W praktyce baseline odpowiada na kilka prostych pytań:
Ile trwa proces? Ile kosztuje obsługa jednej sprawy? Ile błędów pojawia się po drodze? Ile spraw miesięcznie przechodzi przez ten proces? Ile osób i systemów jest zaangażowanych? Gdzie dane są przepisywane ręcznie? Gdzie pojawiają się wyjątki?
Bez takich danych trudno ocenić, czy wdrożenie AI cokolwiek poprawiło.
Możemy mieć nowe narzędzie, agenta, chatbota albo automatyzację. Możemy mieć wrażenie, że firma działa nowocześniej. Ale jeśli nie wiemy, że wcześniej obsługa jednej sprawy trwała średnio 18 minut i generowała 12% poprawek, to nie wiemy, czy po wdrożeniu jest lepiej.
Być może proces skrócił się do 10 minut. Być może czas przygotowania spadł, ale wzrosła liczba błędów. Być może AI przyspieszyło jeden krok, ale dodało dodatkową kontrolę po stronie człowieka. Bez baseline’u tego nie widać.
Co mierzyć przed wdrożeniem AI
Nie trzeba mierzyć wszystkiego. Na start wystarczą trzy główne obszary:
- czas
- koszt
- błędy
Pierwszy obszar to czas. Ile trwa proces od początku do końca? Ile wynosi realny czas pracy, a ile oczekiwanie? Często okazuje się, że sama praca zajmuje 20 minut, ale sprawa leży dwa dni, bo czeka na decyzję, dane, akceptację albo odpowiedź z innego działu.
Drugi obszar to koszt. Nie chodzi od razu o idealny model finansowy. Wystarczy przybliżenie: ile osób bierze udział w procesie, ile czasu poświęcają i jak często proces się powtarza. Jeśli jedna osoba poświęca godzinę dziennie na ręczne przepisywanie danych, to miesięcznie robi się z tego konkretny koszt.
Trzeci obszar to błędy. Ile spraw wymaga poprawki? Ile razy trzeba wracać do klienta, pracownika albo dostawcy po brakujące informacje? Ile decyzji jest cofanych? Ile danych trzeba ręcznie korygować?
Dopiero potem warto dodać kilka dodatkowych elementów: wolumen spraw, miejsca ręcznego przepisywania danych, liczbę systemów oraz najczęstsze wyjątki.
To właśnie te elementy pokazują, czy problem nadaje się do AI, automatyzacji, integracji, czy zwykłego uproszczenia procesu.
Jak zebrać dane bez dużego projektu konsultingowego
Mierzenie procesu nie musi oznaczać dużego projektu doradczego.
W małej lub średniej firmie można zacząć bardzo prosto. Wybierz jeden proces, który realnie przeszkadza w pracy. Może to być obsługa zapytań ofertowych, przygotowanie raportu, przetwarzanie faktur, aktualizacja CRM, obsługa reklamacji, przygotowanie maili do klientów albo kompletowanie dokumentów.
Następnie przejdź przez kilka realnych przypadków. Nie opisuj procesu tylko z pamięci. Zobacz, jak wygląda w praktyce. Najlepiej poprosić osobę, która wykonuje daną pracę, żeby pokazała cały przebieg od początku do końca.
Warto mierzyć kilka iteracji, nie jedną. Jeden przypadek może być zbyt prosty albo zbyt nietypowy. Dopiero kilka powtórzeń pokazuje, gdzie są standardowe kroki, a gdzie zaczynają się wyjątki.
Do zebrania danych wystarczy prosty arkusz. Kolumny mogą być bardzo podstawowe: numer sprawy, start, koniec, czas pracy, liczba błędów, liczba osób, systemy użyte w procesie, miejsce ręcznego przepisywania danych, komentarz.
Po tygodniu lub dwóch często widać więcej niż po długiej dyskusji o tym, gdzie można wdrożyć AI.
Nie zawsze trzeba czekać miesiąc. Przy dużym wolumenie wystarczy krótszy pomiar. Przy procesach rzadszych trzeba zebrać więcej przypadków. Ważne jest nie to, żeby pomiar był idealny, ale żeby był wystarczająco dobry do podjęcia decyzji.
AI, automatyzacja czy prosty skrypt?
Po zebraniu baseline’u można zadać właściwe pytanie: jakie rozwiązanie ma sens?
AI ma sens tam, gdzie trzeba pracować z kontekstem, tekstem, niepełną informacją albo dużą liczbą wariantów. Dobrze sprawdza się przy researchu, analizie zapytań, sugerowaniu rozwiązań, wychwytywaniu detali, które łatwo pominąć, oraz tworzeniu customowych wiadomości dopasowanych do konkretnego odbiorcy.
Prosty skrypt ma sens tam, gdzie zadanie jest powtarzalne, deterministyczne i dobrze opisane. Przykłady: zmiana statusów, generowanie plików, aktualizacja arkusza, wysyłka danych do API, tworzenie rekordów, walidacja prostych warunków.
Integracja ma sens tam, gdzie problemem jest przepisywanie danych między systemami. Jeśli ktoś kopiuje dane z formularza do CRM, z CRM do arkusza, a potem z arkusza do narzędzia mailingowego, to AI nie musi być pierwszą odpowiedzią. Często wystarczy połączyć systemy.
Zmiana procesu ma sens tam, gdzie problemem są niepotrzebne kroki, brak właściciela albo decyzje podejmowane zbyt późno.
To ważne, bo AI bywa kuszące. Daje poczucie nowoczesności. Ale z perspektywy biznesu liczy się wynik: mniej czasu, niższy koszt, mniej błędów albo mniejsze ryzyko.
Przykład z praktyki: agent kontra prosty skrypt
Przetestowałem to na własnej skórze przy procesie przygotowywania customowych maili.
Pierwsze podejście było agentowe: agent miał obsłużyć cały proces od A do Z. Analizował arkusz z kontaktami, przygotowywał wiadomości, zmieniał statusy, komunikował się z API i tworzył drafty. Brzmiało dobrze, ale w praktyce agent robił zbyt dużo.
Jeden element działał poprawnie, inny czasem się wywracał. API zwracało błąd. Agent raz interpretował dane dobrze, innym razem gorzej. Całość stawała się niedeterministyczna.
Efekt był taki, że przygotowanie 10 maili zajmowało około 10 minut. Do tego pojawiały się błędy przy API i problem z niedeterministycznym zachowaniem: raz działało lepiej, raz gorzej.
Wniosek był prosty: AI było potrzebne tylko do jednego fragmentu — customizacji wiadomości. Cała reszta, czyli praca na arkuszu, statusy, API i tworzenie draftów, powinna być obsłużona przez zwykły skrypt.
Po takim podziale skrypt mógł przygotować 50 maili w kilka sekund, a AI robiło tylko to, w czym faktycznie wnosiło wartość: personalizowało treść.
To jest dobra lekcja. Nie każdy proces trzeba robić agentowo. Czasem najlepszy wynik daje połączenie prostego kodu, jasnych reguł i AI użytego tylko tam, gdzie ma sens.
Prosty framework pomiaru procesu przed AI
Przed decyzją o AI warto przejść przez prostą checklistę.
- Zmierz czas procesu. Ile trwa całość? Ile trwa realna praca? Ile czasu proces czeka?
- Policz koszt. Ile osób bierze udział w procesie? Ile czasu poświęcają? Jak często proces się powtarza?
- Sprawdź błędy. Ile spraw wymaga poprawki? Ile danych jest niekompletnych? Ile razy trzeba wracać do poprzedniego kroku?
- Zobacz wolumen. Ile spraw pojawia się dziennie, tygodniowo lub miesięcznie?
- Policz systemy. Ile narzędzi bierze udział w procesie? Czy dane przechodzą przez e-mail, CRM, ERP, arkusze, PDF-y albo komunikatory?
- Znajdź miejsca ręcznego przepisywania danych. To często najlepszy kandydat do automatyzacji lub integracji.
- Sprawdź wyjątki. Jak często proces nie idzie standardową ścieżką?
- Oceń jakość danych. Czy dane wejściowe są kompletne, spójne i dostępne? Czy wynik procesu nadaje się do dalszego użycia bez ręcznej korekty?
- Na końcu oceń ryzyko. Co się stanie, jeśli automatyzacja popełni błąd? Czy błąd można łatwo wykryć? Czy człowiek musi zatwierdzić wynik?
Dopiero po takim przeglądzie warto decydować, czy potrzebne jest AI.
Wniosek dla właściciela firmy lub managera
Najlepsze wdrożenia AI nie zaczynają się od modelu, agenta albo narzędzia.
Zaczynają się od zrozumienia pracy.
Jeżeli wiesz, ile trwa proces, ile kosztuje i gdzie powstają błędy, możesz podjąć rozsądną decyzję. Może warto wdrożyć AI. Może wystarczy prosty skrypt. Może potrzebna jest integracja. Może najpierw trzeba usunąć niepotrzebny krok albo uporządkować dane.
Warto też pamiętać, że dziś tworzenie prostych, customowych automatyzacji jest znacznie bardziej dostępne niż jeszcze kilka lat temu. Napisanie skryptu, który obsłuży konkretny fragment procesu, często nie jest projektem na tygodnie. Czasem to kwestia minut lub kilku godzin pracy.
To zmienia sposób myślenia o automatyzacji w MŚP. Nie trzeba od razu budować dużego systemu ani wdrażać rozbudowanego narzędzia AI. W wielu przypadkach wystarczy dobrze zmierzony proces, prosty skrypt, sensowne użycie AI w jednym miejscu i jasna kontrola efektu.
To mniej efektowne niż prezentacja nowego narzędzia AI. Ale znacznie bardziej biznesowe.
Bo celem nie jest wdrożenie AI.
Celem jest lepszy proces.
