źródło: Flickr
Polskie firmy coraz chętniej sięgają po rozwiązania oparte na sztucznej inteligencji. Automatyzacja procesów, predykcja, agenci AI to tematy, które dominują dziś rozmowy na poziomie zarządów. Rzadziej pada jednak pytanie, czy organizacja jest na to gotowa od środka? A według ekspertów największą barierą skutecznego wykorzystania sztucznej inteligencji nie są technologia ani budżet, lecz jakość i spójność danych, na których ma ona pracować.
– Kiedy wchodzimy w operacje firm w fazie wzrostu, rzadko zastajemy gotowy fundament. Częściej widzimy kluczowe dane żyjące w arkuszach kalkulacyjnych, których logikę rozumie tylko ich autor, te same wskaźniki liczone różnymi metodami w różnych działach i wiedzę operacyjną, która znika, gdy odchodzi doświadczony pracownik – mówi Piotr Niemczyk, prezes zarządu Tipping Point Works.
Analiza i analityka – różnica, która kosztuje
Jednym z najczęstszych nieporozumień w rozmowach o transformacji cyfrowej jest traktowanie analizy i analityki jako synonimów. W praktyce różnica między nimi wyznacza granicę między tym, gdzie firma jest, a tym, dokąd chce zmierzać.
Firmy deklarują gotowość do prognozowania i modelowania scenariuszy – czyli patrzenia w przyszłość. W rzeczywistości często nie opanowały solidnie punktu wyjścia: rzetelnego rozumienia tego, co dzieje się i dlaczego w organizacji dziś. Teraz. A bez tego fundamentu modelowanie przyszłości jest z góry obarczone błędem.
– Żeby patrzeć w przyszłość, trzeba dobrze rozumieć przeszłość. A żeby to było możliwe, dane muszą być poukładane, spójne i dostępne – nie tylko dla jednej osoby w organizacji – komentuje Niemczyk.
Czy AI może pomóc w porządkowaniu danych?
Warto powiedzieć to wprost: tak, w określonych obszarach – i wiele firm już to wykorzystuje. Narzędzia oparte na sztucznej inteligencji skutecznie wspierają automatyczne porządkowanie danych – wykrywanie błędów i niespójności, ujednolicanie formatów czy wyciąganie uporządkowanych informacji z nieustrukturyzowanych źródeł, jak dokumenty tekstowe czy e-maile.
Problem pojawia się gdzie indziej. Narzędzia AI mogą wspierać porządkowanie danych, ale nie zdefiniują za organizację tego, co powinna mierzyć, ani nie zastąpią świadomych decyzji o tym, jak dane mają być zbierane i zarządzane. Jeśli procesy są niezdefiniowane, a logika biznesowa istnieje tylko w głowach kilku osób – AI wyprodukuje przekonująco wyglądające odpowiedzi na źle postawione pytania.
– Prawdziwa wartość AI pojawia się dopiero wtedy, gdy organizacja wie co mierzy, rozumie skąd pochodzą jej dane i potrafi im zaufać. Wtedy automatyzacja i narzędzia predykcyjne realnie przyspieszają decyzje biznesowe – podkreśla prezes Tipping Point Works.
Jak zacząć? – praktyczne podejście
Pierwszym krokiem powinna być diagnoza organizacji. Warto zrozumieć, w których miejscach dane są niespójne, wiedza operacyjna zależy od konkretnych osób, a procesy działają tylko dlatego, że ktoś je trzyma w głowie. To właśnie tam jest punkt wyjścia.
Kolejnym krokiem powinien być wybór jednego obszaru i poukładanie go tak, żeby przestał zależeć od pamięci jednej osoby. Dopiero na tym fundamencie wdrożenia analityczne i rozwiązania AI przynoszą przewidywalny zwrot. Każdy kolejny etap, jak automatyzacja, modelowanie predykcyjne czy agenci AI jest wtedy rozszerzeniem działającego systemu, a nie próbą zapanowania nad chaosem przy pomocy drogiego narzędzia.
Należy zacząć jednak od zadania w firmie kluczowych pytań. Co i dlaczego chcemy mierzyć? Czy mamy do tego rzetelne dane? Czy te dane są spójne między działami? Czy ich logikę wszyscy rozumieją tak samo?
– Sukces w jednym miejscu buduje dyscyplinę i gotowość organizacji na kolejne etapy, w tym na skuteczne i bezpieczne wdrożenie narzędzi AI. Firmy, które zaczynają od tego fundamentu, nie gonią za technologią. Pozwalają jej pracować na swoje wyniki – podsumowuje Piotr Niemczyk.