Aké AI automatizácie pre firmy dávajú najväčší zmysel?

Zhrnutie

AI automatizácie pre firmy dávajú najväčší zmysel tam, kde sa opakujú rovnaké úkony, ľudia prepisujú tie isté údaje medzi systémami a chyba alebo meškanie stojí reálne peniaze. Najlepšie výsledky zvyčajne neprináša „AI všade“, ale presne vybraný proces s jasným vstupom, pravidlami, dohľadom a KPI. Ak firma začne na správnom mieste, vie skrátiť čas spracovania, znížiť chybovosť a uvoľniť kapacitu tímu na prácu, ktorú stroj spraviť nevie.

Ktoré procesy sú najlepší kandidát na AI automatizáciu?

Najlepší kandidát je proces, ktorý sa opakuje vo veľkom objeme, má predvídateľný tok krokov a stojí tím priveľa manuálnej práce. V praxi to býva spracovanie dopytov, triedenie e-mailov, dopĺňanie údajov do CRM, sumarizácia dokumentov alebo príprava reportov. Práve v takýchto oblastiach firmy najčastejšie hlásia reálnu hodnotu z generatívnej AI, podľa McKinsey State of AI 2024.

Pri výbere procesu sa oplatí pozrieť na tri signály:

• krok sa opakuje desiatky alebo stovky ráz mesačne,
• vstupy majú rozpoznateľnú štruktúru, aj keď nie sú úplne jednotné,
• výsledok sa dá ľahko skontrolovať človekom alebo pravidlami.

Typické firemné scenáre vyzerajú takto:

1. dopyt príde e-mailom alebo formulárom,
2. AI z neho vytiahne podstatné údaje,
3. systém ich uloží do CRM na mieru,
4. automaticky spustí ďalší krok, napríklad notifikáciu obchodníkovi alebo vytvorenie úlohy.

Ak firma ešte nemá dobre zmapované procesy, oplatí sa najprv spísať, kde vznikajú ručné prepisy a zdržania. Práve tam má zmysel uvažovať o vývoji softvéru na mieru, nie o náhodnom nasadzovaní nástrojov.

Kde vie AI priniesť najrýchlejšiu návratnosť?

Najrýchlejšia návratnosť býva tam, kde AI nepredstavuje samostatný produkt, ale zrýchľuje existujúci proces. Ide najmä o administratívu, zákaznícku podporu, obchodnú kvalifikáciu leadov, interné vyhľadávanie v dokumentoch a prípravu podkladov pre rozhodovanie. OECD vo svojich case studies o AI na pracovisku ukazuje, že prínos často neprichádza z úplného nahradenia práce, ale z čiastočnej automatizácie úloh s vysokou časovou záťažou.

To je dôležitý rozdiel. Firma nemusí automatizovať celý proces od začiatku do konca, aby získala hodnotu. Už samotné skrátenie času pri triedení požiadaviek, príprave odpovedí alebo kontrole údajov vie zmeniť kapacitu tímu.

Dobré prvé nasadenia bývajú napríklad:

• automatické spracovanie prichádzajúcich e-mailov a ticketov,
• extrakcia údajov z faktúr, objednávok a formulárov,
• sumarizácia stretnutí a prevod do úloh,
• odporúčanie ďalšieho kroku pre obchod alebo support,
• generovanie pravidelných interných reportov.

V praxi sa často ukáže, že najväčšia úspora nevznikne pri „veľkej AI iniciatíve“, ale pri odstránení piatich až desiatich drobných manuálnych krokov, ktoré firma opakuje každý deň.

Ako spoznať, že proces ešte nie je pripravený na automatizáciu?

Proces nie je pripravený vtedy, keď sa každý pracovník rozhoduje inak, chýbajú pravidlá, dáta sú roztrúsené a firma nevie povedať, čo je správny výsledok. V takom stave AI skôr urýchli chaos, než zlepší výkon. Aj NIST AI Risk Management Framework odporúča riešiť AI v kontexte správy rizík, kvality dát a jasného dohľadu nad použitím.

Varovné signály sú najmä tieto:

• proces nemá jedného vlastníka,
• vstupy prichádzajú v nekontrolovanom formáte,
• neexistuje definícia správneho výstupu,
• chyba sa odhalí až po dlhom čase,
• výsledok závisí od nezdokumentovaného know-how jednotlivca.

Takýto proces sa oplatí najprv upratať. Často stačí zjednotiť formuláre, doplniť povinné polia, nastaviť workflow a až potom naň nasadiť AI riešenia alebo automatizačné riešenia. AI funguje najlepšie tam, kde už existuje aspoň základná procesná disciplína.

Ako vypočítať, či sa AI automatizácia firme oplatí?

Najpraktickejší výpočet je založený na čase, chybovosti a dopade na tržby alebo kapacitu. Namiesto abstraktného „AI nám pomôže“ treba zmerať, koľko minút dnes trvá jedna úloha, koľkokrát sa opakuje a čo stojí chyba alebo omeškanie. Až potom sa dá odhadnúť návratnosť realisticky.

Jednoduchý rámec vyzerá takto:

1. spočítajte objem úloh za týždeň alebo mesiac,
2. zmerajte priemerný čas na jednu úlohu,
3. určte mieru chýb a cenu opravy,
4. odhadnite, čo sa po automatizácii skráti alebo odstráni,
5. porovnajte úsporu s nákladom na implementáciu a údržbu.

Ak tím spracuje 800 dopytov mesačne a každý zaberie 6 minút manuálnej práce, ide o 4 800 minút, teda 80 hodín mesačne. Keď automatizácia odstráni polovicu tejto práce, firma získa späť 40 hodín kapacity ešte pred tým, než sa započíta menej chýb a rýchlejšia reakcia na klienta.

McKinsey vo svojom prehľade uvádza, že organizácie nasadzujú generatívnu AI najmä vo funkciách, kde je vysoký podiel práce s textom, znalosťami a rozhodovaním podľa vzorov, čo pomáha aj pri odhade, kde hľadať ekonomický prínos ako prvý: marketing a sales, produktový vývoj a IT.

Aké KPI má firma sledovať po nasadení?

Po nasadení treba sledovať menej „AI metrík“ a viac prevádzkových metrík. Rozhodujúce je, či proces zrýchlil, či klesol počet chýb, či sa zvýšila priepustnosť a či má tím viac času na kvalifikovanú prácu. Bez toho sa automatizácia ľahko zmení na technickú zaujímavosť bez obchodného dopadu.

Najčastejšie užitočné KPI sú:

• priemerný čas spracovania úlohy,
• počet úloh spracovaných za deň alebo týždeň,
• chybovosť a počet ručných opráv,
• percento prípadov, ktoré musel prevziať človek,
• čas do prvej reakcie pri dopytoch alebo podpore,
• vplyv na konverziu, retenciu alebo spokojnosť zákazníka.

Microsoft vo Work Trend Index 2024 upozorňuje, že samotná adopcia AI ešte automaticky neznamená produktivitu; rozhoduje spôsob nasadenia, pracovný proces a schopnosť prepojiť nástroje s reálnou prácou tímov.

Ak firma stavia proces okolo centrálneho systému, zmysel dáva aj prepojenie s CRM alebo vlastnou aplikáciou, aby sa KPI dali sledovať priebežne a nie ručne v tabuľkách.

Aké riziká treba riešiť skôr, než sa AI pustí do ostrej prevádzky?

Pred ostrým nasadením treba vyriešiť prístup k dátam, oprávnenia, auditovateľnosť, chybové scenáre a ľudský dohľad. Najväčšie riziko nie je to, že AI občas zlyhá, ale že firma nevie, kedy zlyhala, kto to má zachytiť a aký má byť nápravný krok. Práve preto sú dôležité interné pravidlá a testovanie na reálnych prípadoch.

Ako minimum sa oplatí zaviesť:

• presné určenie, s akými dátami môže AI pracovať,
• logovanie vstupov, výstupov a rozhodnutí systému,
• hranice, kedy musí výsledok potvrdiť človek,
• testovaciu sadu typických aj problémových scenárov,
• plán, čo sa stane pri nepresnom alebo neúplnom výstupe.

Pre firmy v Európe je dôležitý aj regulačný kontext. Európska komisia na oficiálnej stránke k AI Act vysvetľuje, že väčšina AI systémov nebude spadať do najprísnejšieho režimu, no vysokorizikové použitia majú konkrétne povinnosti a firmy musia vedieť, do akej kategórie ich nasadenie patrí.

To je ďalší dôvod, prečo sa oplatí začínať jasne ohraničeným procesom, nie neurčitým „firemným chatbotom na všetko“.

Ako vyzerá rozumný prvý krok pre firmu, ktorá chce začať?

Rozumný prvý krok nie je nákup licencie, ale procesný audit jedného konkrétneho toku práce. Firma by mala vybrať úzky, merateľný proces, zmapovať vstupy a výstupy, určiť vlastníka, nastaviť pilot a sledovať výsledky aspoň niekoľko týždňov. Tak sa oddelí reálny prínos od dojmu.

Fungujúci štart má zvyčajne tento priebeh:

1. vybrať jeden proces s vysokým objemom opakovanej práce,
2. zdokumentovať dnešný stav a baseline KPI,
3. navrhnúť automatizáciu len pre najslabšie miesto procesu,
4. spustiť pilot s ľudskou kontrolou,
5. po vyhodnotení rozšíriť riešenie na ďalšie kroky.

Ak firma potrebuje prepojiť AI s internými dátami, obchodom alebo prevádzkou, často je efektívnejšie stavať riešenie na mieru než skladať proces z nesúrodých nástrojov. Vtedy dáva zmysel pozrieť sa na vývoj na mieru alebo nadviazať interné know-how cez AI školenie.

Najdôležitejšie je nezačať otázkou „kde všade vieme použiť AI“, ale otázkou „ktorý proces dnes zbytočne spotrebúva čas, robí chyby a dá sa zmerať“. Práve tam býva najväčší priestor na výsledok.