Řešení

Nejčastější chyby při zavádění AI

Skutečná výzva začíná ve chvíli, kdy má AI fungovat v každodenním provozu firmy.

Probrat zavedení AI ve firmě

Vytvořit dnes jednoduchý prototyp AI aplikace může být otázkou relativně krátké doby. Mnohem obtížnější je zajistit, aby řešení dlouhodobě fungovalo, zaměstnanci ho používali, pracovalo se správnými daty a přinášelo skutečný přínos.

Řada AI projektů proto neselhává proto, že by použitý model nebyl dostatečně schopný. Problém bývá v nesprávně zvoleném použití, nekvalitních datech, chybějící integraci nebo příliš vysokých očekáváních.

Dobré zavedení AI není jen technologický projekt. Je to změna konkrétního procesu.

01

Začínáme technologií místo problému

Firma se rozhodne, že potřebuje AI agenta, chatbota nebo používat nejnovější jazykový model.

Teprve potom hledá, kde by se dal použít.

Výsledkem může být technicky zajímavé řešení bez jasného důvodu, proč by ho měl někdo používat.

Lepší otázka je:

Který problém chceme vyřešit a je AI skutečně nejlepší způsob?

Technologie by měla přijít až následně.

02

Snažíme se automatizovat příliš mnoho najednou

První projekt má často ambici propojit několik oddělení, desítky zdrojů a kompletní firemní proces.

Tím výrazně roste počet problémů, které je potřeba vyřešit současně.

Lepší bývá začít užší oblastí, na které lze ověřit kvalitu technologie, data i reakci uživatelů.

Pokud řešení funguje, lze ho postupně rozšířit.

03

Podceňujeme kvalitu firemních dat

AI nemůže spolehlivě odpovídat z dokumentace, která je neaktuální, neúplná nebo si vzájemně odporuje.

Stejně tak nelze dobře automatizovat proces, pokud důležité informace nejsou systematicky ukládány.

Při implementaci interního asistenta často zjistíme, že část znalostí existuje pouze v hlavách zkušených zaměstnanců.

AI tak někdy odhalí problém, který ve firmě existoval dávno před ní.

04

Prototyp považujeme za hotový produkt

Ukázka, která funguje na deseti připravených dotazech, ještě nemusí fungovat v reálném provozu.

Skuteční uživatelé se ptají jinak. Dokumenty obsahují výjimky. Systémy mají výpadky. Data nejsou vždy kompletní.

Mezi prototypem a produkčním řešením proto musí přijít testování, integrace, práce s oprávněními, monitoring a řešení nestandardních situací.

05

Neměříme výchozí stav

Firma nasadí AI a po několika měsících nedokáže říct, zda se něco skutečně zlepšilo.

Pokud před projektem nevíme, kolik času proces zabíral, kolik požadavků lidé řešili nebo jaká byla chybovost, těžko se následně hodnotí přínos.

Měření proto nezačíná po nasazení.

Začíná ještě před projektem.

06

Chceme co největší míru autonomie

Autonomní AI systém může působit pokročileji než asistent, který připraví návrh pro člověka.

To ale neznamená, že je automaticky lepší.

U některých procesů je nejlepší, když AI připraví 90 % práce a poslední rozhodnutí provede člověk.

Vyšší autonomie znamená také vyšší nároky na testování, oprávnění, monitoring a bezpečnost.

07

Neřešíme výjimky

Standardní proces bývá relativně jednoduchý.

Skutečná složitost se často skrývá v otázce:

„Co se stane, když něco nebude sedět?“

Co když chybí údaj?

Co když systém nenajde odpověď?

Co když si není systém jistý?

Co když jsou dostupné informace v rozporu?

AI řešení musí mít definovaný bezpečný způsob, jak podobnou situaci zastavit nebo předat člověku.

08

Zapomínáme na uživatele

Technicky kvalitní řešení může selhat jednoduše proto, že ho zaměstnanci nechtějí používat.

Pokud nový nástroj znamená další přihlašování, další aplikaci nebo složitější pracovní postup, může být jednodušší pokračovat starým způsobem.

AI by měla co nejlépe zapadnout do prostředí, ve kterém lidé už pracují, a zaměstnanci by proto měli být do návrhu řešení zapojeni od začátku.

09

Zaměstnancům nevysvětlíme, co se mění

Nový AI systém může vyvolat nejistotu.

Bude kontrolovat moji práci?

Nahradí některé pozice?

Můžu jeho odpovědím věřit?

Co mám dělat, když se splete?

Pokud firma tyto otázky ignoruje, může vzniknout odpor i vůči jinak dobrému řešení.

Důležitou součástí implementace je proto vysvětlení, co AI bude dělat, co dělat nebude a jakou roli bude mít člověk.

10

Bezpečnost řešíme až na konci

Pokud se až před spuštěním začne řešit, k jakým datům má AI přístup a jaká oprávnění skutečně potřebuje, může být nutné značnou část řešení přepracovat.

Bezpečnost by měla být součástí návrhu od začátku.

Zvlášť u systémů, které mohou provádět akce v dalších firemních aplikacích.

11

Necháme systém bez další péče

AI řešení není jednorázová instalace.

Mění se dokumentace, procesy, používané modely i chování uživatelů.

Po nasazení je proto potřeba sledovat:

  • 01
    kvalitu odpovědí
  • 02
    nevyřešené případy
  • 03
    chybovost
  • 04
    změny zdrojových dat
  • 05
    skutečné používání
  • 06
    náklady
  • 07
    bezpečnostní události

Právě provozní data často ukážou největší příležitosti pro další zlepšení.

12

Jak vypadá zdravější přístup

01

Začněte problémem

Ne technologií.

02

Vyberte úzký první scénář

A ověřte ho na reálných datech.

03

Stanovte metriky

Ještě před implementací.

04

Zapojte uživatele

Ti nejlépe znají skutečný proces.

05

Nastavte bezpečnost

Od prvního návrhu.

06

Počítejte s výjimkami

A určete, kdy má rozhodovat člověk.

07

Rozšiřujte podle výsledků

Ne podle původní ambice.

13

AI projekt nemusí být velký, aby měl velký přínos

Často není potřeba měnit celou firmu.

Automatizace jednoho opakujícího se procesu, interní asistent pro jedno oddělení nebo dobře nastavený nástroj pro zákaznickou podporu může vytvořit větší hodnotu než rozsáhlý projekt bez jasného zaměření.

Úspěšné zavádění AI proto většinou není o jednom velkém skoku. Je o sérii dobře vybraných a ověřených kroků.

14

Jak s tím pomáhá Vairo

Pomáháme firmám vybrat správný první případ využití, ověřit jeho přínos a dostat řešení z prototypu do reálného provozu.

Při návrhu řešíme nejen technologii, ale také data, integrace, uživatele, bezpečnost a způsob měření výsledků.

Pokud se během analýzy ukáže, že AI pro daný problém nedává smysl, hledáme jednodušší cestu.

AI má zjednodušovat fungování firmy, ne přidávat další složitost

Dobře zavedená AI není vidět proto, že používá nejnovější technologii. Je vidět na tom, že konkrétní práce probíhá rychleji, kvalitněji nebo jednodušeji.

Probrat zavedení AI ve firmě