Słowa Joanny Maciejewskiej na temat AI odbiły się szerokim echem. Wielokrotnie cytowane i odmieniane chyba przez wszystkie przypadki, ewidentnie dotknęły czułej struny wśród odbiorców. Aplikowane AI czy automatyzacji powinno się odbywać w konkretnych obszarach w służbie człowiekowi, a nie po to, by człowieka z procesu całkowicie wykluczać. Gdzie zatem AI ma sens? Czym jest odpowiedzialna automatyzacja?
You know what the biggest problem with pushing all-things-AI is? Wrong direction.
— Joanna Maciejewska—Snakebitten is here. Get it! (@AuthorJMac) March 29, 2024
I want AI to do my laundry and dishes so that I can do art and writing, not for AI to do my art and writing so that I can do my laundry and dishes.
Tweet Joanny Maciejewskiej
Bezsprzecznie AI, zwłaszcza ta w postaci LLM-ów jest coraz szerzej i powszechniej używana, przyspieszając pracę niektórych. Jednak LLMy nie są w stanie, w wielu przypadkach i z wielu względów, zastąpić ludzkiego wkładu. Jest też gros dziedzin, w których po prostu zastępować go nie powinny.
AI vs człowiek
Wiele firm wierzy w maksymalizację zysku, stawiając nie na zwiększanie sprzedaży, ekspansję na nowe rynki, ale – przede wszystkim ograniczanie kosztów. Licząc, że LLMy lub inne generatywne AI wesprą ich w tym działaniu, podejmują decyzje o ograniczaniu choćby działów sprzedaży czy obsługi klienta. Tylko co na to klienci?
Wg. badania CGS na konsumentach w Stanach Zjednoczonych – aż 86% respondentów woli w procesie sprzedażowym kontaktować się z człowiekiem niż z czatbotem. Aż 71% twierdzi, że w ich przypadku prawdopodobieństwo korzystania z produktów czy usług marek, które nie posiadają ludzkiej obsługi klienta – wyraźnie spada. Zaś na naszym krajowym rynku – 42,6% osób deklaruje, że odczuwało frustrację po kontakcie z chatbotem, a pozytywne emocje towarzyszyły tylko 17%.
Fot. kreska_ / Agata Krajewska
Pytanie, czy to właśnie w tym kierunku powinno zmierzać wykorzystywanie AI, staje się coraz bardziej zasadne. Czy frustracje towarzyszące konsumentom można po prostu zniwelować lepszym AI? A może chodzi tu o coś dużo bardziej delikatnego i ulotnego – choćby empatię? Być może należy po prostu zmienić sposób myślenia o AI i wykorzystywać ją tam gdzie może przynieść nie tylko realne korzyści, ale też nie wpłynie negatywnie na naszych konsumentów, pracowników czy społeczność?
Dehumanizacja kontaktu z organizacją nie wydaje się w każdym razie najlepszym kierunkiem. Wiemy, że obsługa klienta jest trudnym zadaniem i nierzadko odbywa się dokładnie w momencie, gdy klient końcowy jest maksymalnie sfrustrowany, co z kolei potrafi odbijać się na zdrowiu psychicznym pracowników działu CS. Być może nie zaszkodziłoby pochylić nad tym, jak AI mogłaby wesprzeć rozwiązanie tego problemu – bez zastępowania człowieka LLM-em.
Gdzie zatem wykorzystywać AI?
Choć LLM-y nie są tak mile widziane jako „pracownik działu obsługi” i wciąż mają tendencję do halucynacji czy zmyślania źródeł, nadal mogą pomagać i przynosić wartość organizacjom. Choć warto się skupić na innych obszarach niż te, które są najbardziej widoczne w głównym obiegu informacji. Możemy GenAI zaaplikować jako wsparcie dla naszych pracowników wewnątrz organizacji – przy różnorakich procesach, niekoniecznie związanych z bezpośrednią obsługą klienta końcowego.
Wg Velo Bank (wywiad ITwiz 3-4 (116)/2024,str. 42) aplikacja GenAI w ramach narzędzi wsparcia działów analitycznych, antyfraudowych czy ryzyka może ograniczyć koszty o 10-15% (a w przypadku banku to oszczędność rzędu 80-90 mln zł rocznie).
W bankowości, gdzie ilość danych rośnie w szybkim tempie, a decyzje muszą być podejmowane na podstawie precyzyjnych analiz, wykorzystanie technologii staje się kluczowe. Modele językowe dużej skali (LLM) mogą znacząco wspierać pracowników działów analitycznych, antyfraudowych oraz zarządzania ryzykiem, oferując zaawansowane narzędzia do analizy danych i przetwarzania informacji.
Jednym z najważniejszych zastosowań LLM w bankowości jest możliwość przeszukiwania ogromnych baz danych za pomocą zapytań w języku naturalnym. Pracownicy mogą zadawać pytania chatbotowi, formułując je w sposób naturalny, bez potrzeby znajomości skomplikowanych zapytań SQL czy innych języków programowania. Analityk może zapytać: „Pokaż mi wszystkie transakcje powyżej 10,000 USD z ostatnich trzech miesięcy” i natychmiast uzyskać potrzebne dane. Taka funkcjonalność przyspiesza procesy analityczne, redukuje ryzyko błędów i zwiększa efektywność pracy – również dlatego, że tego typu sposób uzyskiwania informacji jest dla naszej psychiki dużo bardziej naturalny, a więc przyjemniejszy.
Kolejnym przydatnym zastosowaniem jest automatyczne streszczanie dokumentów. Banki operują na ogromnych ilościach dokumentacji, od umów po regulacje prawne. LLMy mogą automatycznie generować streszczenia tych dokumentów, umożliwiając pracownikom szybkie zrozumienie ich treści i wyłapanie kluczowych informacji (lub nawet błędów). Dokument o długości kilkudziesięciu stron może zostać zredukowany do kilkupunktowego streszczenia, które zawiera najważniejsze dane i wnioski. To znacząco skraca czas potrzebny na przeglądanie dokumentacji i pozwala pracownikom skupić się na bardziej strategicznych zadaniach. Do tego celu warto wykorzystać aplikacje uczące się na naszych zestawach danych i tworzyć asystentów organizacji – podobnie jak to zrobił Nest! Bank. Oczywiście – również tu kluczowe będzie odpowiednie ustawienie temperatury GenAI[1] oraz wyłapywanie i korygowanie ewentualnych halucynacji.
W kontekście działań antyfraudowych – GenAI mogą być wykorzystywane do wykrywania nieprawidłowości i wzorców wskazujących na oszustwa. Modele te, analizując historyczne dane transakcyjne i wzorce zachowań, identyfikują nietypowe operacje, które sugerują działalność przestępczą. Jeśli system zauważy nagłe i nietypowe transfery dużych sum pieniędzy z konta klienta, może automatycznie oznaczyć takie transakcje jako podejrzane i powiadomić odpowiedni zespół, by umożliwić dalszą analizę bądź kontakt z właścicielem konta.
W zarządzaniu ryzykiem GenAI wspierają pracowników w ocenie ryzyka kredytowego, rynkowego czy operacyjnego poprzez analizę różnorodnych źródeł danych i generowanie prognoz oraz rekomendacji. Mogą ułatwić choćby szybką wstępną analizę sentymentu wypowiedzi o marce w mediach społecznościowych czy w prasie, mogą dostarczyć dodatkowych informacji na temat nastrojów rynkowych, wpływających na decyzje inwestycyjne lub kredytowe.
Podsumowując, zastosowanie modeli językowych dużej skali w bankowości niesie ze sobą ogromny potencjał do zwiększenia efektywności pracy i ułatwienia pracy ludzkiej, poprawy jakości analiz i szybszego reagowania na zagrożenia. Przeszukiwanie baz danych w języku naturalnym, automatyczne streszczanie dokumentów oraz zaawansowana analiza wzorców to tylko niektóre z funkcji, które mogą być znaczną ulgą dla pracowników banków w ich codziennych obowiązkach.
Te wszystkie zalety, niestety, mają też swoje koszta – choćby w konsumpcji energii i zwiększeniu śladu węglowego organizacji. Czy zatem powinniśmy wybierać rozwiązania typu GenAI niesieni falą trendu? Czy strach przed tym, by nie „wypaść z rynku”, „nie zostać w tyle” w stosunku do konkurencji, która już, już wymachuje sztandarem Sztucznej Inteligencji, nie przysłoni nam wcześniejszych deklaracji związanych ze zrównoważonym rozwojem? A może jesteśmy w stanie to połączyć? Jeśli tak, to w jaki sposób? Może to nie na wykorzystaniu AI za wszelką cenę powinniśmy się skupiać, tylko na przykład na zrównoważonej automatyzacji przez AI wspieranej?
Automatyzuj odpowiedzialnie
Automatyzacja procesów biznesowych z pomocą platform typu BPM, na przykłąd – naszego Flowee, niezależnie od zaawansowanych rozwiązań GenAI, może znacząco podnieść efektywność przedsiębiorstwa, jeśli jest odpowiednio zastosowana. Według badań McKinsey – firmy, które skutecznie wdrożyły automatyzację, zauważyły wzrost produktywności nawet o 20-30% oraz zmniejszenie kosztów operacyjnych o 15-20%. Cyfryzacja procesów umożliwia szybkie i dokładne wykonywanie rutynowych zadań, dzięki czemu pracownicy mogą skupić się na bardziej kreatywnych i strategicznych działaniach. Przykładowo, automatyzacja w obszarze księgowości może skrócić czas przetwarzania faktur o 60-70%, co znacznie przyspiesza obieg dokumentów w firmie.
Fot. kreska_ / Agata Krajewska
W przeciwieństwie do zaawansowanych rozwiązań AI, automatyzacja oparta o BPMy nie wymaga tak dużej mocy obliczeniowej, co sprawia, że jest mniej obciążająca dla środowiska. Rozwiązania takie jak Flowee są mniej energochłonne, co lepiej wpisuje się w strategię zrównoważonego rozwoju. Dzięki mniejszemu zużyciu energii, przedsiębiorstwa mogą skuteczniej dbać o swój ślad węglowy, co – w obliczu globalnych wyzwań klimatycznych – nie jest bez znaczenia. Przykładowo, zastosowanie robotów programowych (RPA) do automatyzacji procesów znacznie zmniejsza zużycie papieru i energii elektrycznej i pozwala bardziej ekologicznie zarządzać zasobami.
Mimo licznych korzyści, automatyzacja także niesie ze sobą wiele wyzwań. Wiele firm nie posiada pełnej wiedzy na temat swoich procesów biznesowych, co utrudnia efektywne wdrożenie automatyzacji. Brak inwentaryzacji procesów może prowadzić do automatyzacji niewłaściwych obszarów, co z kolei nie przynosi oczekiwanych rezultatów. Zdarza się, że firmy decydują się na automatyzację tych procesów, które są już dobrze zoptymalizowane, zamiast skupić się na tych, które faktycznie wymagają usprawnień. Na fali zachwytu automatyzacją, firmy potrafią też zaimplementować drogie rozwiązania np. do pracy 2 osób, choć dolną granicą opłacalności jest np. 100 pracowników.
Innym wyzwaniem jest potrzeba zmiany kultury organizacyjnej. Cyfryzacja procesów często wymaga zmiany sposobu myślenia pracowników oraz kadry zarządzającej i dostosowania się do nowych technologii. Tutaj zawsze można spodziewać się obaw i oporu. Niezwykle ważne może okazać się umiejętne wysłuchanie zespołu, zidentyfikowanie jego potrzeb i odpowiedzenie na nie z empatią. Wdrożenie rozwiązania automatyzującego wymaga też odpowiednich umiejętności technicznych, to zaś wiąże się z koniecznością dodatkowych szkoleń i inwestycji w rozwój pracowników lub rozwój własnego działu IT.
Fot. kreska_ / Agata Krajewska
Wreszcie, automatyzacja wymaga dokładnego planowania i zarządzania projektami. Firmy muszą dokładnie analizować, które procesy można i warto automatyzować, aby uniknąć błędów i nieefektywności. Proces ten często zaczyna się od inwentaryzacji i mapowania wszystkich procesów w organizacji, co pozwala na identyfikację obszarów, które mogą przynieść największe korzyści. Przeprowadzenie dokładnej analizy i strategii wdrożenia jest etapem, którego nie można pominąć, jeśłi chcemy przeprowadzić automatyzację z sukcesem.
Podsumowując, automatyzacja procesów biznesowych może znacznie poprawić efektywność i zrównoważony rozwój przedsiębiorstw, ale wymaga starannego planowania i zarządzania. Pomimo wyzwań, korzyści płynące z automatyzacji, takie jak zwiększenie produktywności i redukcja kosztów, są warte wysiłku i mogą częściowo rozwiązywać problemy organizacji bez wchodzenia w obszary niepewności związane z GenAI – ale wykorzystując jej wsparcie.
[1] Temperatura GenAI to – w skrócie – stopień jej kreatywności i konkretności wypowiedzi. Im niższa temperatura, tym wahadło jest mocniej wychylone na stronę konkretu. Im wyższa – tym bardziej wzrasta kreatywność.
Red. Agata Krajewska
