OpenAI dla firm. Gdzie modele realnie pracują, a gdzie nie

Cztery obszary, w których to działa

Pytanie „czy OpenAI nada się u nas” jest za szerokie, żeby dało się na nie odpowiedzieć. Da się odpowiedzieć na węższe: czy w firmie są procesy o kształcie, który modelom pasuje. Kształt jest dość powtarzalny i sprowadza się do czterech obszarów.

Praca z tekstem i wiedzą. Dokumenty, procedury, umowy, korespondencja. Model streszcza, porównuje wersje, wyciąga konkretną informację z materiału, którego nikt nie ma czasu przeczytać. Warunek jest jeden: ktoś musi wiedzieć, gdzie ta wiedza leży i w jakim jest stanie.

Powtarzalne zgłoszenia. Klasyfikacja przychodzących spraw, wstępna odpowiedź, przygotowanie sprawy dla człowieka, który podejmie decyzję. Efekt bierze się z liczby podobnych przypadków, nie z trudności pojedynczego.

Wsparcie analityki. Opisanie tego, co widać w danych, przygotowanie zestawienia, wstępna interpretacja. Model nie zastępuje analityka, skraca drogę do pierwszej wersji.

Asystenci wewnętrzni. Punkt wejścia do wiedzy firmy dla pracowników. Działa dobrze w organizacjach, w których wiedza jest rozproszona po dyskach i skrzynkach, a źle tam, gdzie jest niespójna, bo model powtórzy niespójność z pełnym przekonaniem.

W każdym z tych obszarów jakość zależy od tego, czy model dostaje właściwy kontekst. Mechanizm, który mu ten kontekst dostarcza, opisujemy w haśle RAG, a stan danych, który jest jego warunkiem, w haśle dane gotowe na AI.

ChatGPT czy rozwiązanie na API

To najczęstsza rozwidlająca się decyzja i najczęściej podejmowana zbyt szybko.

Częsty błąd polega na kupieniu licencji dla całej firmy i uznaniu, że to było wdrożenie. Licencje podnoszą produktywność osób, które i tak umiały z narzędzia korzystać. Proces biznesowy zmienia się dopiero wtedy, gdy wynik modelu trafia tam, gdzie pracują ludzie, czyli do systemu, a nie do osobnego okna w przeglądarce.

Osobne ryzyko licencji rozdanych bez ustaleń to narzędzia używane poza wiedzą działu IT. Zjawisko ma nazwę shadow AI i w polskich firmach jest częstsze, niż wynikałoby z deklaracji zarządów, o czym pisaliśmy w osobnym tekście.

Kiedy AI nie jest potrzebne

Ta sekcja jest tu celowo, bo w rozmowach o wdrożeniach pojawia się najrzadziej.

Model nie jest potrzebny, gdy proces jest deterministyczny. Jeśli reguła brzmi „faktura powyżej progu idzie do akceptacji dyrektora”, to jest warunek w systemie, nie zadanie dla modelu. Model wykona je poprawnie w większości przypadków, a od systemu oczekujemy poprawności we wszystkich.

Nie jest potrzebny także wtedy, gdy dane nie istnieją albo są w stanie, w którym nikt im nie ufa. Wdrożenie modelu na złych danych nie naprawia danych, tylko szybciej rozprowadza ich skutki po organizacji.

I nie jest potrzebny, gdy problemem jest brak procesu. Automatyzacja czegoś, czego nikt nie opisał, utrwala przypadkowość, tylko taniej i szybciej.

Kolejność, która się sprawdza

1. Wybierz jeden proces, który realnie boli i ma dużo powtórzeń.
2. Sprawdź, jakie dane ten proces zostawia i czy nadają się do użycia.
3. Ustal, co ma się zmienić i po czym to poznasz. Miara przed startem, nie po.
4. Dopiero teraz dobierz narzędzie. Czasem wyjdzie, że wystarczy integracja.
5. Uruchom na wąskim zakresie, z warunkiem przejścia dalej ustalonym z góry.
6. Zaplanuj, kto utrzymuje rozwiązanie po odbiorze.

Punkt trzeci jest tym, na którym najczęściej wykłada się projekt, bo bez miary każdy wynik da się opowiedzieć jako sukces. Rozwinięcie tej kolejności opisujemy w tekście wdrożenie AI, od czego zacząć.

Co dalej

Jeśli chcesz sprawdzić, czy Twoja organizacja jest gotowa na którykolwiek z tych scenariuszy, zaczynamy od audytu procesów i danych, nie od narzędzia. Zakres pracy opisujemy na stronie wdrożenia AI, a gotowe scenariusze dla konkretnych obszarów firmy znajdziesz w rozwiązaniach.

Jeśli natomiast szukasz firmy, która to poprowadzi, i chcesz wiedzieć, o co ją zapytać, przygotowaliśmy listę pytań na stronie o wyborze partnera OpenAI.