Rodzaje sztucznej inteligencji: które rozwiązania mają sens w firmie

Podział według zdolności opisuje, jak szeroki zakres zadań system mógłby wykonywać, a podział techniczny opisuje, jak rozwiązuje konkretne zadanie. W zastosowaniach firmowych to drugie rozróżnienie zwykle pomaga podjąć decyzję o wdrożeniu.

AI wąska wykonuje zadania w określonym zakresie, na przykład klasyfikuje wiadomości albo prognozuje sprzedaż. AI ogólna oznacza hipotetyczny system o szerokich zdolnościach poznawczych, a superinteligencja - hipotetyczny system przewyższający człowieka w wielu obszarach; tych pojęć nie należy traktować jak typowych kategorii gotowych narzędzi dla MŚP.

System regułowy realizuje zapisane warunki, na przykład przypisuje zamówienie do kolejki, jeśli spełnia wskazane kryteria. Uczenie maszynowe (ML) to metody, które uczą się wzorców na podstawie danych i mogą klasyfikować, szacować prawdopodobieństwo lub rekomendować. AI generatywna tworzy nowe wyniki, takie jak tekst, podsumowanie, kod albo obraz.

Te podejścia mogą współpracować: klasyfikator może skierować dokument do właściwego procesu, model generatywny przygotować projekt odpowiedzi, a reguły ograniczyć jego działanie do zatwierdzonych przypadków. GUS wymienia w opisie sztucznej inteligencji między innymi uczenie maszynowe, widzenie komputerowe i generowanie języka; COI wyjaśnia, że uczenie maszynowe stanowi część szerszego obszaru AI.

Rodzaj AI najlepiej rozpoznać po wyniku, którego potrzebuje proces. Tabela pokazuje, co system zwraca, gdzie można go zastosować i jakie dane są potrzebne na start.

Klasyfikacja i predykcja często wykorzystują ML, a rozpoznawanie obrazu może korzystać z głębokiego uczenia. Agent AI łączy model z narzędziami i może wykonać kolejne czynności w granicach nadanych uprawnień.

Przykładowo, klasyfikator może rozpoznać reklamację, pytanie o wycenę lub dostępność. Model generatywny przygotuje projekt odpowiedzi z firmowej wiedzy, a workflow przypisze sprawę opiekunowi; wysłanie wiadomości może pozostać po stronie pracownika. Wybór pierwszego procesu warto oprzeć na jego częstotliwości, mierzalnym wyniku i dostępnych danych, a następnie omówić zakres wdrożenia AI w firmie.

AI generatywna tworzy nową treść, natomiast AI predykcyjna szacuje wartość, klasę lub prawdopodobieństwo na podstawie danych. Pytanie dla generowania brzmi: "Jak przygotować projekt odpowiedzi na to zgłoszenie?", a dla predykcji: "Które zgłoszenie najpewniej wymaga eskalacji?".

Model predykcyjny wymaga przykładów, w których firma zna wynik. Aby przewidywać opóźnienia dostaw, potrzebuje historii zamówień z datami i informacją o terminowości, a nie samych bieżących opisów problemów.

AI generatywna może pomóc w pracy z dokumentami, ale nie zastępuje źródła prawdy. Zachowaj odnośnik do dokumentu i sprawdzaj cytowany fragment przed wykorzystaniem podsumowania w decyzji lub komunikacji z klientem. NIST publikuje profil ryzyka dla AI generatywnej jako uzupełnienie ram zarządzania ryzykiem AI.

Perspektywa KC Mobile: dobór technologii zaczynamy od zmiany, którą firma chce uzyskać w procesie. Jeśli celem jest ograniczenie przepisywania informacji, sprawdzamy ekstrakcję i walidację pól; jeśli wcześniejsze wykrywanie spraw wymagających reakcji - predykcję. Model nie naprawi rozproszonych źródeł danych ani niejasnych zasad obsługi wyjątków.

Typ rozwiązania dobierz do czynności lub decyzji, którą chcesz usprawnić, oraz do danych potrzebnych do sprawdzenia wyniku. Tabela łączy problem firmy z technologią, miernikiem pilotażu i ograniczeniem.

Miernik pilotażu powinien odpowiadać zadaniu: dla klasyfikacji sprawdź poprawność przypisania, dla predykcji porównaj prognozę z wynikiem, a dla generowania zmierz czas przygotowania oraz liczbę korekt. Nie łącz kilku wskaźników w jednej wartości, bo utrudnia to ustalenie, co zmieniło się po wdrożeniu.

Przed startem zapisz, kto zatwierdza wynik i kiedy proces ma się zatrzymać. Przykładowo, system może przygotować odpowiedź, ale pracownik zatwierdza jej treść przed wysłaniem. Ustal też akceptowalny poziom błędu dla konkretnej decyzji; pomyłka w notatce wewnętrznej ma inny skutek niż błąd wpływający na rozliczenie.

Jeśli brakuje danych historycznych albo definicja wyniku jest niejednoznaczna, najpierw uporządkuj rejestrację procesu. Więcej przykładów zastosowań opisujemy w materiale o sztucznej inteligencji w biznesie.

Automatyzacja regułowa wystarcza, gdy warunki są jawne, stabilne i powtarzalne. Przeniesienie danych z formularza do CRM, utworzenie zadania po zmianie statusu lub wysłanie powiadomienia zwykle nie wymaga modelu uczącego się.

Gdy dokument ma stały układ, reguły odczytu mogą być tańsze i łatwiejsze do diagnozy niż dodatkowa warstwa AI. Model może pomóc, gdy dokumenty różnią się formatem, a pracownicy ręcznie wyszukują te same pola.

Workflow także wystarczy, gdy formularz, CRM i skrzynka wymieniają te same pola, przypisują właściciela i tworzą przypomnienie. AI wnosi wartość wtedy, gdy proces musi interpretować zmienną treść, rozpoznawać wzorzec albo oszacować prawdopodobny wynik.

Do wdrożenia potrzebujesz danych dostępnych w określonym formacie, uprawnień do ich użycia i sposobu połączenia z systemami firmy. W predykcji sprawdź, czy historia zawiera wynik, który model ma przewidywać; w generowaniu odpowiedzi wybierz zatwierdzone źródła wiedzy i ustal, kto je aktualizuje.

Sprawdź próbkę rekordów w CRM: spójność statusów, kompletność pól i duplikaty. W ERP ustal znaczenie pól oraz możliwość eksportu lub dostępu przez API, czyli interfejs programistyczny pozwalający systemom wymieniać dane. Zakres uprawnień i ograniczenia integracji potwierdź w dokumentacji dostawcy konkretnego systemu.

Dane osobowe i handlowe wymagają ustalenia, które informacje mogą trafić do dostawcy, kto ma do nich dostęp i jak długo są przechowywane. Porównaj te zasady z dokumentacją narzędzia i polityką firmy, zamiast zakładać, że ustawienia domyślne spełniają jej wymagania.

Pytania do dostawcy przed pilotażem:

• Jakie pola, pliki lub zdarzenia system musi otrzymać?
• Czy integracja działa przez API, gotowy konektor czy import plików?
• Jakie uprawnienia dostaje model lub agent i czy można ograniczyć je do odczytu?
• Gdzie i jak długo dostawca przetwarza dane?
• Jak system sygnalizuje brak danych, błąd integracji lub niepewny wynik?
• Czy można sprawdzić wejście, wynik i decyzję pracownika?

Próbka do oceny powinna obejmować przypadki typowe, trudne i wyjątkowe. Dla każdego zapisz wejście, oczekiwany wynik, wynik systemu oraz decyzję pracownika; te dane pokażą, ile czasu pochłaniają korekty.

Koszt AI obejmuje licencję lub API, integrację, przygotowanie danych, kontrolę człowieka, obsługę wyjątków, szkolenie i utrzymanie. Koszt całkowity zależy od liczby zadań, zakresu połączeń z CRM lub ERP oraz czasu potrzebnego na sprawdzanie wyników.

Przykład rachunku czasu: 20 pracowników wykonuje po 15 podobnych czynności tygodniowo, a każda trwa 4 minuty. Zespół poświęca na nie 20 godzin tygodniowo; skrócenie czasu o połowę odzyska 10 godzin, ale nie oznacza automatycznie oszczędności gotówkowej.

Do korzyści finansowej zalicz czas, który ogranicza wydatek, na przykład nadgodziny, albo tworzy potwierdzoną dodatkową marżę. Od korzyści odejmij czas weryfikacji i koszt wyjątków. Uniknięte błędy dodaj osobno tylko wtedy, gdy firma zna ich częstotliwość i konsekwencje.

Wzór na ROI: (korzyści finansowe - koszt wdrożenia i utrzymania w analizowanym okresie) / koszt wdrożenia i utrzymania x 100%. Czas zwrotu oblicz jako koszt początkowy / miesięczna korzyść netto, jeśli korzyść netto jest dodatnia. Cennik zależy od zakresu danych i integracji, dlatego przy planowaniu konkretnego procesu możesz omówić wdrożenie rozwiązań AI; założenia kosztowe opisujemy także w materiale o koszcie wdrożenia AI w firmie.

Przed uruchomieniem sprawdź poprawność wyniku, dostęp do danych i możliwe skutki błędu. NIST AI RMF porządkuje zarządzanie ryzykiem przez funkcje Govern, Map, Measure i Manage, czyli przypisanie odpowiedzialności, opis kontekstu, pomiar oraz reakcję.

Dla AI generatywnej porównuj odpowiedź ze źródłem, a nie tylko oceniaj jej płynność. Dla predykcji zapisuj prognozę i późniejszy rzeczywisty wynik. W obu przypadkach zachowaj ścieżkę ręcznego rozpatrzenia sprawy, gdy dane są niekompletne albo wynik budzi wątpliwości.

Ogranicz przekazywane dane do zakresu potrzebnego dla zadania i nadaj agentowi wyłącznie niezbędne uprawnienia. Czynności wpływające na klienta, pieniądze lub umowę powinny mieć określony warunek zatwierdzenia. Zapisz też procedurę awaryjną na brak API albo niedostępność osoby zatwierdzającej.

Lista kontroli przed startem:

• Wskaż właściciela procesu, cel i miernik jakości.
• Zapisz przypadki poprawne, błędne i niejednoznaczne.
• Ogranicz zakres danych i uprawnień do niezbędnego minimum.
• Ustal, kiedy wynik wymaga zatwierdzenia, a kiedy system ma się zatrzymać.
• Rejestruj poprawki, wyjątki i przyczyny odrzucenia.
• Sprawdzaj jakość po zmianie danych, instrukcji lub modelu.

Ryzyko stronniczości ocenisz, porównując wyniki dla istotnych grup przypadków. Zależność od dostawcy ograniczysz, zachowując dane źródłowe, opis integracji, kryteria oceny i procedurę zmiany rozwiązania. Kroki wdrożenia opisujemy w przewodniku jak wdrożyć AI w firmie; osobny kontekst branżowy przedstawia materiał o AI w produkcji.

Pierwszy proces wybierz tam, gdzie zadanie powtarza się, wynik da się zmierzyć, a błąd można zatrzymać przed istotnym skutkiem. Zapisz obecny sposób pracy, wymagane dane, miernik i koszt obsługi wyjątków; dopiero potem porównaj AI z prostym workflow.

Do rozpoznawania treści rozważ klasyfikację lub ekstrakcję, do prognozowania - model predykcyjny, a do tworzenia szkiców - AI generatywną. Jeśli reguły są stabilne, zacznij od automatyzacji bez AI. Wybór rozwiązania powinien wynikać z testu na rzeczywistych przypadkach, a nie z samej nazwy technologii.

Wdrożenie ma sens, gdy zmierzona korzyść pozostaje dodatnia po uwzględnieniu integracji, kontroli, wyjątków i utrzymania. Gdy firma chce objąć kilka procesów, zacznij od jednego modułu z właścicielem i kryterium jakości, a zakres rozszerzaj na podstawie pomiaru.

• Automatyzacja AI na Podhalu - jakie procesy warto wdrożyć w firmie?
• Agencja AI - jak wybrać partnera i bezpiecznie zaplanować wdrożenie
• Jak optymalizować konwersję dzięki AI: 6 pomysłów dla firmy
• AI dla firm budowlanych: praktyczne zastosowania i plan wdrożenia