Jak zbudować pierwszy proces AI, który naprawdę działa

Proces AI to proces z jednoznacznie zdefiniowanym wejściem i wyjściem, pojedynczym zadaniem dla modelu, walidacją poza modelem i końcowym pomiarem wykonywanym na realnych danych.

Poprzedni tekst skończył się na zarysie rozwiązania: wybierz jeden proces, dokładnie go opisz, zbuduj weryfikację, zmierz wynik. Dostałem po nim sporo wiadomości w duchu: „no dobra, ale co konkretnie mam zrobić, gdy się za to zabiorę?".

Celne i słuszne pytanie. Trudność transformacji AI jest bowiem związana z mozolną, często męczącą pracą, którą trzeba wykonać między „wybrałem proces" a „proces działa bez mojego nadzoru". Tu nie wydarzy się żadna magia i nic nie zmaterializuje się samo.

Załóżmy więc, że masz już swój jeden proces: powtarza się co najmniej raz w tygodniu, potrafisz go udokumentować krok po kroku i ma jasne kryterium sukcesu. Umiesz ocenić, czy działa i zmierzyć jego skuteczność. To już bardzo dużo.

Transformacja AI w praktyce to nie wdrożenie narzędzia, tylko przebudowa jednego procesu w sześciu krokach. Przyjrzyjmy się im na konkretnym przykładzie: przygotowanie roboczej odpowiedzi na przychodzące zapytanie ofertowe. Powtarzalne, mierzalne (oferta idzie do klienta bez większych poprawek albo nie), łatwe do udokumentowania. Twój proces z pewnością będzie wyglądać inaczej, ale kroki pozostaną podobne.

Krok 1: podziel proces na najmniejsze elementy

Utwórz notatkę, weź głęboki oddech i zapisz, jak naprawdę wygląda dziś ten proces. Nie opisuj idealnego świata, nie korzystaj z instrukcji i dokumentacji, której od kilku lat nikt nie aktualizował.

Wróćmy do przykładu. Ktoś czyta maila z zapytaniem i ocenia, czego klient właściwie chce; następnie przygotowuje wycenę na podstawie cennika i innych składowych, sprawdza dostępność. Potem pisze odpowiedź; a inna osoba ją weryfikuje i zatwierdza, po czym oferta idzie w świat. Pierwsze zadanie dla Ciebie: przy każdym kroku dopisz, ile to realnie zajmuje (w minutach). Niemal zawsze okazuje się, że jest w procesie jeden krok, który zjada większość czasu. Brawo, już wiesz, na czym się skupisz.

Krok 2: zdefiniuj wejścia i wyjścia, zanim użyjesz modelu

Często jesteśmy niecierpliwi, a obecność AI daje nam poczucie szybkiej gonitwy do celu. I łatwo popełnić błąd, w którym model dostaje za każdym razem coś trochę innego, więc za każdym razem odpowiada inaczej. To nie jest nieprzewidywalność AI, a brak spójnych danych wejściowych. Dotyczy to też wyjścia: jeśli model nie ma narzuconej struktury odpowiedzi, możemy za każdym razem uzyskać coś, co wygląda inaczej.

Tu uwaga: zanim cokolwiek wrzucisz do modelu, ustal dokładnie, co mu podajesz i w jakiej postaci. W powyższym przykładzie mamy: treść zapytania, wyciąg z cennika dla danej kategorii i jedno zdanie o dostępności. Zawsze te trzy elementy, pilnując tej samej kolejności. Podobną strukturę zapiszemy dla oczekiwanej odpowiedzi modelu, ale o tym za chwilę.

Krok 3: zbuduj najmniejszy możliwy krok AI

Jeśli chcesz realnych efektów, „napisz ofertę" nie wystarczy. Daj modelowi konkretne, pojedyncze zadanie, którego efekt można sprawdzić w oderwaniu od reszty procesu. Na przykład: na podstawie mailowego zapytania i cennika przygotuj wyłącznie tabelę pozycji z cenami. Pomiń wstęp, zakończenie i dodatkowe zwroty grzecznościowe.

Na podstawie poniższego zapytania i wyciągu z cennika zwróć tabelę: pozycja | ilość | cena jednostkowa | cena łączna. Jeśli którejś pozycji nie ma w cenniku lub nie możesz jej odnaleźć, wpisz „brak w cenniku" zamiast zgadywać.

Zwróć uwagę na drugie zdanie promptu. Nie zostawiasz modelowi decyzji o tym, czy przyznać się do niewiedzy (lub do braku możliwości uzyskania dostępu do danych, bo to również częsty powód). Takie podejście nie jest też uzależnione od konkretnego modelu. Użyj swojego preferowanego rozwiązania: zadziała w Claude, ChatGPT, Grok, itd.

Krok 4: dołóż etap niezależny od modelu

Gdyby efekt poprzedniego kroku trafiał bezpośrednio do klienta, oznaczałoby to w praktyce spore ryzyko biznesowe. To, co wysyłasz, jest z definicji rozumiane jako sprawdzone i zatwierdzone przez Ciebie, a więc wpływa bezpośrednio na reputację Twojej firmy. Takiego ryzyka nie warto podejmować w ciemno.

W praktyce każdy rozsądnie i bezpiecznie skonstruowany pipeline potrzebuje przynajmniej jednego kroku, który nie jest modelem językowym: reguły, skryptu albo człowieka z listą kryteriów.

Nasz przykład jest prosty i wystarczy tu skrypt, który sprawdza, czy w tabeli jest cena przy każdej pozycji i czy nie pojawiło się „brak w cenniku". Jeśli pojawią się rozbieżności, odrzuca wynik, zanim ktokolwiek go zobaczy. Halucynacji nie unikniemy, przynajmniej póki co, ale możemy z nimi żyć świadomie.

Krok 5: zweryfikuj na realnych danych

Demo takich rozwiązań zwykle jest zachęcające i inspirujące. Tyle że w biznesie liczy się powtarzalność i przewidywalność. Właśnie dlatego kluczowym następnym etapem jest wpuszczenie do naszej pętli realnych danych. Wrzuć do systemu prawdziwe ostatnie trzydzieści zapytań. Jeśli brakuje Ci danych, poproś kilka osób o wysłanie maila tego typu, ale nie dawaj im żadnych instrukcji (w końcu w prawdziwym świecie klienci nie używają tego samego szablonu do pisania maili).

Teraz przepuść te zapytania przez proces i policz: ile ofert przeszło bez poprawek, ile z drobną korektą, a ile nie nadawało się zupełnie do niczego. Tu pojawi się kluczowy mierzalny efekt działania: konkretne liczby. Może okazać się, że „68% ofert idzie bez poprawek". Faktem jest, że starsze modele gubiły się często na niuansach. Choć najnowsze radzą sobie znacznie lepiej, to i tak dopiero Twoja walidacja z kroku 4 potwierdzi, czy wszystko jest w porządku.

Krok 6: zdecyduj i skaluj: popraw albo odrzuć

Na tym etapie masz już mierzalny wynik, więc masz wszelkie podstawy, by zdecydować, co dalej. Cały proces wygląda teraz tak:

Wejście → krok AI → walidacja → pomiar → decyzja

Jeśli wynik jest satysfakcjonujący i jeszcze można go nieco poprawić drobnymi poprawkami promptów, to są podstawy, by pomyśleć o skalowaniu. Tu oczywiście trzeba uwzględnić czynnik ludzki: zespół musi mieć czas na oswojenie się z nowym procesem i samodzielnie odczuć, że to działa. Wyniki niejednoznaczne wciąż mogą wskazać źródło problemu. Czasem wystarczy poprawić tylko jeden z kroków procesu. Kolejny pomiar powie prawdę, czy było warto. Jeśli jednak rezultat mimo wszystkich prób nie jest satysfakcjonujący, to pora przestać kopać się z koniem i stwierdzić jasno: najwyraźniej ten proces nie jest dobrym kandydatem do optymalizacji z AI. To też bardzo cenna wiedza. Z całą pewnością nie jest to rodzaj doświadczenia, które warto zdobywać już po wdrożeniu rozwiązania w biznesie i po uzyskaniu zaniepokojonego feedbacku klientów.

Tylko tyle i aż tyle. Naprawdę.

Niezależnie od skali, cała transformacja AI to ta jedna pętla, powtórzona dla kolejnych procesów. Proces podzielony na „atomowe" etapy, z jasnym wejściem, jednoznacznym krokiem, oceną poza modelem i pomiarem na realnych danych.

Brzmi mozolnie? Cóż, nie od razu Rzym zbudowano. Tylko w ten sposób jednak będziesz mieć automatyzację, która w dłuższej perspektywie rzeczywiście działa.

Możesz przejść tę pętlę samodzielnie na podstawie powyższej instrukcji. Nie ma tu żadnych pułapek, haczyków i mikrodruku. Jeśli jednak wolisz nie uczyć się jej na własnych eksperymentach i chcesz, aby zrobił to z Tobą ktoś, kto przeszedł ją dziesiątki razy, to dokładnie tak pracujemy. Albo po prostu napisz do nas i zacznijmy od najbardziej czasochłonnego kroku, który da nam fundament do dalszej pracy.