Využitie AI vo firme: čo funguje v praxi MSP

Prípady využitia AI, ktoré v praxi malých a stredných firiem obstoja, majú tri spoločné veci: týkajú sa opakujúceho sa pracovného kroku, vstupy sú digitálne a jednoznačné a človek dokáže výsledok rýchlo skontrolovať. Typickými príkladmi sú čítanie dokladov, návrhy cenových ponúk, vyhľadávanie v internom know-how cez RAG, predtriedenie e-mailov, kontrola kvality rozpoznávaním obrazu a pomoc v podpore. Každý z týchto prípadov má predpoklad a hranicu.

Podľa čoho spoznáte životaschopný prípad použitia AI?

Životaschopný prípad použitia AI nahrádza konkrétnu činnosť, ktorú dnes niekto pravidelne vykonáva, napríklad prepisovanie, hľadanie, zhrnutie alebo triedenie. Nie je samoúčelný, ale je naviazaný na proces, ktorý sa dá ukázať priamo na mieste. Kto nevie prípad použitia vysvetliť na skutočnom prípade z minulého utorka, pravdepodobne ho ešte nemá.

Nasledujúce príklady sú typické scenáre z malých a stredných firiem. Pri každom je uvedené, čo musí byť splnené vopred a kde AI prestáva byť spoľahlivá.

Dokáže AI spoľahlivo čítať doklady a dokumenty?

AI dokáže čítať prijaté faktúry, dodacie listy, potvrdenia objednávok či formuláre a odovzdať relevantné polia ako dodávateľa, dátum, sumy a položky v štruktúrovanej podobe do účtovníctva alebo ERP systému. Súčasné modely si poradia aj s rôznymi rozloženiami bez toho, aby sa pre každého dodávateľa musela vytvárať samostatná šablóna.

• Predpoklad: jeden vstupný kanál pre doklady, napríklad samostatná e-mailová schránka, a cieľový systém s rozhraním, ktorý dáta prevezme.
• Hranica: ručne písané doplnky, zlé skeny a neobvyklé druhy dokladov vedú k chybám. Sumy a zaúčtovanie zostávajú až do schválenia návrhmi, ktoré potvrdí človek.

Dokáže AI pripraviť cenové ponuky?

AI dokáže z dopytu zákazníka, katalógu položiek a podobných starších ponúk pripraviť návrh cenovej ponuky: navrhnúť vhodné položky, sformulovať popisy služieb a označiť otvorené body, ktoré treba so zákazníkom doriešiť. Obchod tak nemusí všetko zháňať ručne a sústredí sa na kontrolu a rozhovor.

• Predpoklad: udržiavaný katalóg položiek s aktuálnymi cenami a dohľadateľný archív starších ponúk, v ktorom je jasné, ktorá verzia bola odoslaná.
• Hranica: ceny, zľavy a termíny dodania nesmú nikdy pochádzať z jazykového modelu, iba zo systému, ktorý je pre tieto údaje rozhodujúci. Ponuka opúšťa firmu až po schválení človekom.

Ako RAG sprístupní interné know-how?

RAG (Retrieval Augmented Generation) spája vyhľadávanie vo vlastných dokumentoch s jazykovým modelom. Zamestnanec položí otázku, napríklad „Aký uťahovací moment platí pri montáži na linke tri?“, a dostane odpoveď opretú o príslušné pasáže z príručiek alebo pracovných postupov vrátane zdroja. To pomáha najmä vtedy, keď know-how doteraz záviselo od niekoľkých skúsených ľudí.

• Predpoklad: dokumenty sú na jednom mieste, staré verzie sú označené alebo odstránené a prístupové práva úložiska sa prenášajú aj do vyhľadávania.
• Hranica: čo nie je v žiadnom dokumente, RAG nenájde. Pri protichodných verziách model vyberie jednu a sformuluje ju presvedčivo – preto musí zostať zdroj viditeľný.

Dokáže AI predtriediť prichádzajúce e-maily?

AI dokáže čítať prichádzajúce e-maily v spoločnej schránke, zaradiť ich podľa požiadavky – objednávka, reklamácia, faktúra, žiadosť o termín – a preposlať ich zodpovednej osobe alebo oddeleniu. Navyše vie vytiahnuť dôležité údaje, napríklad čísla objednávok, a navrhnúť koncept odpovede. Pomáha to najmä tam, kde dnes schránku ručne rozdeľuje jedna osoba.

• Predpoklad: jasne definované kategórie a zodpovednosti, ktoré by firma mala mať tak či tak, a pravidlo, čo sa stane s nejasnými e-mailmi.
• Hranica: irónia, viacero požiadaviek v jednej správe alebo nové druhy dopytov sa zaradia nesprávne. Odpovede sa navrhujú, neodosielajú automaticky.

Kedy sa oplatí kontrola kvality rozpoznávaním obrazu?

Kontrola kvality rozpoznávaním obrazu sa oplatí, keď sa tá istá vizuálna kontrola vykonáva často a za rovnakých podmienok, napríklad kontrola povrchov, kompletnosti alebo etikiet na linke. Kamera zachytí každý diel, natrénovaný model rozpozná odchýlky a nahlási ich alebo diel vyradí. Kontrola je tak rovnomernejšia, pretože nezávisí od zmeny ani od dennej formy. Kamera, sieť a výpočtová technika na kontrolnom stanovišti patria k projektu rovnako ako model.

• Predpoklad: stále osvetlenie a poloha kamery, jasná definícia toho, čo je chyba, a dostatok vzorových obrázkov dobrých aj chybných dielov.
• Hranica: zriedkavé druhy chýb, ktoré sa pri trénovaní takmer nevyskytli, a často sa meniace výrobky si naďalej vyžadujú kontrolu človekom alebo dotrénovanie modelu.

Ako môže AI odľahčiť podporu?

V zákazníckej podpore dokáže AI odpovedať na opakujúce sa otázky, napríklad o stave dodávky, otváracích hodinách, obsluhe či náhradných dieloch, a odovzdať požiadavky zamestnancovi už so všetkými potrebnými údajmi. Interne môže pomáhať zamestnancom pri odpovediach tým, že vyhľadá vhodné pasáže z príručiek a starších prípadov.

• Predpoklad: udržiavané odpovede a podklady, napojenie na systémy, z ktorých pochádzajú informácie o stave, a viditeľná možnosť spojiť sa s človekom.
• Hranica: sťažnosti, rozhodnutia o ústretovosti a výnimočné prípady patria človeku. Bot, ktorý zákazníkov drží v slučke, viac škodí, než pomáha.

Ktoré aplikácie AI prinášajú v praxi MSP málo?

Málo prinášajú aplikácie AI, ktoré stoja vedľa samotného procesu. Chatovacie okno, v ktorom sa dá pýtať, ale ktorého odpovede treba potom ručne prepisovať do ERP systému, ušetrí sotva nejakú prácu. To isté platí pre nástroje, ktoré píšu pekné zhrnutia porád, ktoré potom nikto nečíta, pretože úlohy z nich sa nikdy nedostanú do systému tiketov ani do kalendára.

Rovnako slabé sú aplikácie bez vyjasneného dátového základu. Vyhľadávanie nad súborovým serverom, na ktorom je ten istý pracovný postup vo viacerých verziách, dáva protichodné odpovede a rýchlo stratí dôveru zamestnancov. To isté platí pre aplikácie, za ktoré nikto nezodpovedá: ak nie je jasné, kto návrh AI kontroluje a schvaľuje, buď sa prevezme bez kontroly, alebo sa vôbec nepoužíva.

• Výsledky treba ručne prenášať do iného systému.
• Podkladové dokumenty sú protichodné alebo zastarané.
• Nikto nezodpovedá za kontrolu výsledkov.
• Pracovný krok sa vyskytuje tak zriedka, že si na nástroj nikto nezvykne.

Aké poradie dáva pre MSP zmysel?

Pre väčšinu malých a stredných firiem dáva zmysel začať prípadom použitia, ktorý pôsobí interne a ktorého chyby nemajú vonkajší dopad, a až potom pristúpiť k aplikáciám s kontaktom so zákazníkom. Firma tak získa skúsenosti s náročnosťou kontroly, kvalitou dát a prijatím u ľudí skôr, než sa chyba ukáže u zákazníka.

1. 01Vybrať pracovný krok, ktorý sa pravidelne opakuje a zostáva interný, napríklad čítanie dokladov alebo vyhľadávanie v know-how.
2. 02Usporiadať podklady pre tento krok: jedno miesto, jedna platná verzia, jasná zodpovednosť.
3. 03Vopred stanoviť, čo je použiteľný výsledok a kto ho kontroluje.
4. 04Pilot prevádzkovať paralelne s doterajším postupom a porovnávať na skutočných prípadoch.
5. 05Až po stabilnom internom nasadení pristúpiť k aplikáciám s kontaktom so zákazníkom. Ak má neskôr viacero krokov bežať samostatne naprieč rôznymi systémami, je to úloha pre AI agenta s jasnými bodmi schválenia.

Ako NDVDL realizuje prípady použitia AI vo firme?

NDVDL sa pozrie na proces vo vašej firme skôr, než navrhne nástroj. Necháme si od zamestnancov ukázať, ktoré doklady, schránky, príručky alebo kontrolné stanovištia sú zapojené a ktoré systémy dáta ďalej spracúvajú. Potom dostanete písomný návrh prvého, úzko vymedzeného prípadu použitia vrátane prípravných prác, ktoré si vyžaduje.

Riešenie zrealizujeme, cez rozhrania ho napojíme na ERP, účtovníctvo alebo systém tiketov a potom ho prevádzkujeme a udržiavame, od prístupových práv až po monitorovanie. Pri rozpoznávaní obrazu sa postaráme aj o kamery, sieť a výpočtovú techniku na mieste. Pre techniku aj proces máte jednu stálu kontaktnú osobu.