AI i procesy

Jak wybrać pierwszy use case AI w firmie?

Odpowiedź w skrócie

Pierwszy use case AI warto wybrać tam, gdzie problem jest mierzalny, dane dostępne, a wynik można sprawdzić przy ograniczonym ryzyku. Wysoka potencjalna korzyść nie wystarcza, jeśli nie ma właściciela procesu lub możliwości przeprowadzenia wiarygodnego testu.

Zapisz problem bez wskazywania narzędzia

„Potrzebujemy chatbota” opisuje rozwiązanie. „Zespół długo szuka aktualnej instrukcji dla określonego typu sprawy” pozwala zbadać przyczynę. Pomysły porównuj na poziomie problemów i efektów, których potrzebuje firma.

Proponowana przez Celor karta use case’u mieści się na jednej stronie: użytkownik, czynność, wolumen, obecny wynik, oczekiwana zmiana, źródła danych, konsekwencja błędu i właściciel decyzji. Brak liczby oznacz jako założenie do sprawdzenia.

Google w Rules of Machine Learning zaleca rozpoczęcie od pomiarów i rozważenie prostszych rozwiązań. Dlatego do porównania dodaj poprawę procesu lub regułową automatyzację, jeżeli mogą rozwiązać ten sam problem.

Porównaj wartość z warunkami realizacji

Poniższa tabela jest naszą propozycją do warsztatu priorytetyzacyjnego. Przy każdej odpowiedzi zapisz dowód oraz poziom pewności: potwierdzone, szacunek albo niewiadoma.

ObszarPytanie rozstrzygające
WartośćCzy zmiana poprawi konkretny koszt, przepustowość lub jakość?
DaneCzy mamy dostępne przykłady i wiemy, jak wygląda poprawny wynik?
WykonalnośćCzy rozwiązanie da się włączyć w obecny proces i systemy?
RyzykoCzy umiemy wykryć błąd i ograniczyć jego konsekwencje?
OrganizacjaKto wdroży zmianę pracy i będzie mierzył efekty?

NIST Map podkreśla znaczenie celu, kontekstu i tolerancji ryzyka. Ich ocena jest zależna od zastosowania; jedna punktacja nie zastąpi tej rozmowy.

Oddziel ranking od warunków koniecznych

Możesz oceniać kryteria w skali 1–5, jeżeli wcześniej opiszesz znaczenie ocen i uzgodnisz wagi. Taki wynik pomaga uporządkować rozmowę. Nie jest prawdopodobieństwem sukcesu ani obietnicą ROI.

Osobno prowadź listę warunków koniecznych. Przykładowo brak dostępu do potrzebnych danych albo brak sposobu kontroli błędów może zatrzymać pomysł z wysoką oceną wartości. Nie pozwól, aby suma punktów ukryła taki problem.

Po pierwszym rankingu przeprowadź próbę wrażliwości: zmień najważniejsze założenie i zobacz, czy kolejność pozostaje podobna. Jeżeli mała korekta całkowicie zmienia wynik, potrzebujesz dodatkowego dowodu przed wyborem.

Przykład: dwa pomysły na usprawnienie obsługi

Rozważmy hipotetyczną firmę porównującą przygotowanie szkiców odpowiedzi z automatycznym zatwierdzaniem reklamacji. Pierwszy pomysł zakłada akceptację każdej odpowiedzi przez pracownika. Drugi może wpływać bezpośrednio na rozliczenia z klientem. Sam podobny wolumen spraw nie oznacza podobnego ryzyka.

Do wstępnego testu firma może wybrać szkice, jeżeli posiada przykłady odpowiedzi i potrafi zmierzyć czas ich sprawdzania. To nadal hipoteza. Jeśli korekta szkiców trwa dłużej niż samodzielne pisanie, projekt nie osiąga zakładanej wartości.

Zapisz też, czego test nie dowiedzie: dobry wynik dla jednego języka i typu spraw nie potwierdza jakości wszystkich odpowiedzi.

Wybierz mały test z jasnym pytaniem

Przed zatwierdzeniem sprawdź: czy istnieje właściciel, próbka danych, wynik odniesienia, sposób pomiaru i limit kosztu testu. Uzgodnij z góry, jakie rezultaty uzasadnią dalszą inwestycję, a jakie zakończenie prac.

Kolejne kroki opisujemy w poradnikach o gotowości danych i planowaniu PoC. Jeżeli potrzebujesz uporządkować pierwsze pomysły, AI Opportunity Snapshot obejmuje wstępną ocenę i trzy rekomendowane obszary. Kosztuje 5 900 PLN netto i trwa 5 dni. Szczegółowy model ROI, projekt architektury oraz budowa PoC nie należą do jego zakresu.

Częste pytania

Czy pierwszy use case powinien mieć najwyższe potencjalne ROI?

Potencjalny zwrot trzeba zestawić z wiarygodnością założeń, ryzykiem i możliwością testu. Pomysł o niższej wartości może być rozsądniejszym początkiem, jeśli szybciej dostarczy dowodów potrzebnych do decyzji.

Czy wynik 80 punktów oznacza 80% szans na sukces?

Nie. Punktacja priorytetyzacyjna jest narzędziem porównania według przyjętych kryteriów. Bez odpowiednich danych historycznych i kalibracji nie można interpretować jej jako prawdopodobieństwa.

Źródła i dalsza lektura

Źródła wspierają wskazane w tekście zasady. Listy kontrolne i przykłady to propozycje Celor do dopasowania do konkretnego projektu.