Materiał powstał we współpracy z firmą Comarch

Jeszcze niedawno firmy eksperymentowały z generatywną AI. Na jakim etapie tej rewolucji jesteśmy? Czy AI staje się już tak niezbędna jak prąd?

Łukasz Bolikowski: Zdecydowanie jesteśmy dopiero na początku. Ale to zmiana na miarę rewolucji przemysłowej, elektryfikacji czy internetu – przełom w sposobie pracy. Widać tu paralele z czasami, gdy silniki parowe zastępowano elektrycznymi. Technologia jest przełomowa, ale bardzo trudno wdrożyć ją w praktyce. Elektryfikacja też nie dokonała się w ciągu roku, lecz trwała dekady.

W przypadku AI spodziewam się znacznie szybszego tempa, ale pozostaje ogrom pracy do wykonania. Najpierw trzeba wyobrazić sobie, jak może wyglądać nowy świat, a potem przebudować procesy i sposób funkcjonowania całych organizacji.

Co zmienia przejście od chatbotów do agentów AI?

Tomasz Stachlewski: Od kilku lat czekamy, kiedy AI wreszcie zrewolucjonizuje firmy i nasze życie. Rzeczywistość okazuje się bardziej skomplikowana. Zmiany następują bardzo szybko, ale nie aż tak szybko, jak sobie wyobrażaliśmy. Chatbot przede wszystkim odpowiada na pytania. Agent AI idzie krok dalej, może zaplanować i wykonać kilka kolejnych działań, korzystając z danych i narzędzi, do których otrzymał dostęp. Na przykład zamiast tylko wyjaśnić, jak dopasować płatności do faktur, może przeanalizować dokumenty, zaproponować dopasowania i wskazać przypadki wymagające decyzji człowieka. Zmienia się więc rola użytkownika, który zamiast samodzielnie wykonywać każdy krok, określa cel, ustala zakres uprawnień agenta i weryfikuje rezultat.

Są firmy, w których sztuczna inteligencja zadomowiła się na dobre i zmienia procesy technologiczne oraz biznesowe. Zdecydowana większość jednak dopiero raczkuje i próbuje znaleźć realne sposoby wykorzystania tej technologii. Jednocześnie AI to już nie tylko chatboty. Może robić znacznie więcej.

Ł.B.: Nawet gdybyśmy dzisiaj zatrzymali cały postęp, nie pojawiłby się już żaden nowy model, to przez następne pięć–dziesięć lat zbieralibyśmy owoce tego, co już powstało. Pojawiałyby się nowe aplikacje i pomysły na wykorzystanie istniejących modeli.

Tymczasem praktycznie co kwartał budzimy się w nowym paradygmacie. To, co było najnowocześniejsze rok czy nawet pół roku temu, dzisiaj czasami jest już przeżytkiem.

Wiele firm zainwestowało w AI, ale nie wszystkie zobaczyły obiecywany wzrost produktywności. Gdzie są już twarde efekty?

Ł.B.: W Comarchu najważniejsze efekty wykorzystania sztucznej inteligencji to produkty lepiej dopasowane do potrzeb klientów dzięki komponentom AI oraz szybszy czas ich rozwijania, dzięki większej wydajności naszych pracowników – inżynierów, zespołów wdrożeniowych, sprzedaży, marketingu, obsługi klienta czy back office. Każdy, kto używa komputera, może dzięki AI pracować szybciej i osiągać wyniki wyższej jakości.

Trzeci element to infrastruktura, suwerenna AI, szkolenia, governance i bezpieczeństwo. Najistotniejsze pozostaje jednak AI w produktach, która zmienia sposób pracy naszych klientów.

T.S.: Błędem jest szukanie zysku w stylu: „wdrożyłem AI, więc gdzie jest mój wagon pieniędzy?”. Bardzo trudno to w ten sposób policzyć. Lepiej patrzeć na wzrost efektywności, również na poziomie konkretnego procesu i jego czasu obsługi, liczby błędów czy kosztu wykonania zadania.

Przykładowo – udostępniamy dziesiątkom tysięcy klientów w Polsce systemy do odbierania i wysyłania faktur z KSeF. Wcześniej system mówił księgowym właściwie tylko: „dostałeś fakturę”. Resztę musieli zrobić sami. Teraz AI może powiedzieć: „ta faktura jest poprawna”, „ta może być potencjalnie niebezpieczna”, „z tą należy zrobić to i to”. Dzięki temu pracownicy mogą robić więcej i szybciej.

Ł.B.: Przy ocenianiu efektów pojawia się też problem interpretacji wyników czy przypisania zasług. Jeśli widzimy wzrost efektywności czy zysków, trudno czasem określić, jaka część sukcesu jest efektem AI, a jaka zmiany procesu lub innych czynników. Coraz rzadziej patrzymy zresztą na projekty w kategoriach: „to jest inicjatywa AI, a to nie”. Praktycznie wszystkie nasze projekty produktowe i usprawnienia procesów wykorzystują już jakiś komponent AI.

T.S.: Częsty błąd polega też na tym, że firma bierze proces zdefiniowany dziesięć czy dwadzieścia lat temu, posypuje go „magicznym proszkiem” AI i oczekuje zupełnie nowych rezultatów. Sztuczna inteligencja wymaga często przemyślenia od nowa, jak dany proces powinien wyglądać.

Ł.B.: Tak było z elektryfikacją. Kiedy fabryki zastępowały jedną wielką maszynę parową jednym wielkim silnikiem elektrycznym, ogromnych zysków nie było. Pojawiły się dopiero wtedy, gdy wiele mniejszych silników pozwoliło od zera przeorganizować produkcję.

Z AI jest podobnie. Jeżeli tylko wstawimy AI zamiast człowieka w procesie z XX wieku, zyski nie będą tak duże. Pojawią się, gdy od nowa pomyślimy, jak pracować z tymi narzędziami.

Czy każdy pracownik będzie teraz szefem zespołu agentów AI?

Ł.B.: Każdy pracownik staje się menedżerem. Coraz mniej pracy wykonujemy samodzielnie, a coraz więcej delegujemy. Trzeba umieć określić zadanie i ocenić rezultat, ustalić granice samodzielności i dawać informację zwrotną.

Praktycznie każdy pracownik korzystający z komputera staje się więc menedżerem agentów. W jednych obszarach agenci są znacznie lepsi od ludzi, w innych mają luki. Trzeba znać ich mocne i słabe strony. To wymaga ogromnego wysiłku edukacyjnego. Dlatego w Comarch rozwijamy Akademię AI, w której 100 proc. pracowników przechodzi szkolenia m.in. z kompetencji potrzebnych do zarządzania agentami.

T.S.: Jeszcze dwa–trzy lata temu, mówiąc o generatywnej AI, myśleliśmy przede wszystkim o chatbotach tworzących treści. Dzisiaj mówimy o autonomicznych bytach wykonujących konkretne zadania. System nie jest już tylko cichym graczem rejestrującym dane. Staje się aktywnym uczestnikiem pracy, współpracującym z użytkownikiem.

Co pracownicy Comarchu robią dziś inaczej niż dwa lata temu?

T.S.: Dobrym przykładem są programiści. Wcześniej, tworząc aplikację czy system, musieli właściwie wszystko wykonać samodzielnie. Comarch ma wiele systemów stworzonych kilkanaście czy dwadzieścia lat temu, które trzeba modernizować.

W przypadku jednego z naszych wiodących systemów ERP szacowaliśmy, że przepisanie go na nowe technologie zajmie około pięciu lat pracy dziesiątek, a nawet ponad stu deweloperów. Teraz agenci AI mogą być ich współpracownikami. Programista zleca agentowi określone zadanie czy funkcjonalność, a agent przygotowuje kod i sposób wdrożenia. Dzięki temu jesteśmy w stanie skrócić modernizację z pięciu lat do około półtora roku. Oczywiście wykonana praca musi później zostać zweryfikowana.

Kiedy eksperymenty z AI zaczynają przynosić firmie realną wartość?

Ł.B.: Wdrożenie technologii można podzielić na trzy fazy. Pierwsza to eksperymentowanie – sprawdzamy, co w ogóle można zrobić. Druga to standaryzacja – tworzymy sposoby funkcjonowania i współpracy agentów. Trzecia to dostarczanie realnej wartości.

T.S.: AI wpływa na nas w dwóch obszarach. Wewnętrznie pozwala nam tworzyć oprogramowanie szybciej i lepiej – automatyzować część pracy, skracać czas realizacji zadań i zwiększać produktywność zespołów. To już nie są pojedyncze eksperymenty, ale narzędzia, które stają się elementem codziennej pracy naszych programistów. Drugi obszar to nasze produkty. Tworzymy już oprogramowanie z funkcjami AI, z których realnie korzystają klienci, a część z nich jest dodatkowo płatna. I to jest dla mnie bardzo konkretny miernik wartości: jeśli klient korzysta z takiej funkcji i jest gotowy za nią zapłacić, to znaczy, że AI przestało być technologiczną ciekawostką, a zaczęło rozwiązywać rzeczywiste problemy biznesowe.

Udostępniliście klientom ERP kilkunastu agentów. Co robią?

T.S.: Mamy kilkunastu agentów w różnych produktach dla dużych, małych i średnich firm. Pomagają m.in. analizować faktury, weryfikować ich poprawność czy wykrywać potencjalne oszustwa. W kolejnych miesiącach zamierzamy regularnie udostępniać następne funkcjonalności.

Nie każda firma będzie w stanie samodzielnie budować agentów. Większość będzie polegała na dostawcach technologii. Naszą rolą jest dać im gotowe rozwiązania wykorzystujące duże modele językowe i agentów do szybszej analizy danych, wyciągania wniosków i podejmowania decyzji.

Gdzie stawiacie granicę autonomii agentów? Ostatnio dużo mówi się o niebezpiecznych zachowaniach agentów OpenAI czy Anthropic.

T.S.: System, który tylko wyświetla dane, wiąże się z innym ryzykiem niż taki, który wykonuje zadania ramię w ramię z człowiekiem. Dlatego użytkownik musi mieć możliwość włączenia lub wyłączenia AI, widzieć dokładnie, co zrobiła, oraz móc zweryfikować i zmodyfikować wynik. To nie może być czarna skrzynka.

Ł.B.: Bezpieczeństwo i zaufanie są nienegocjowalne. W idealnej sytuacji większość rutynowych zadań wykonują agenci, ale pozostają punkty, w których potrzebny jest człowiek – czasem tylko po to, żeby powiedzieć „tak”, czasem żeby coś zweryfikować.

Ostateczną odpowiedzialność ponoszą ludzie. Jeżeli AI napisze fragment kodu, człowiek decyduje, czy trafi on do produkcji.

Które wdrożenie najlepiej pokazuje, że agentowa AI przynosi już mierzalne korzyści?

T.S.: Dobrym przykładem jest rozwiązanie testowane przez firmę ASAJ, gdzie AI pomaga dopasowywać otrzymywane płatności do dokumentów finansowych. W dużych firmach takich operacji są tysiące czy dziesiątki tysięcy, a ręczne porównywanie jest żmudne.

W tym przypadku czas dopasowywania został skrócony z około sześciu godzin do kilku minut. To kilkusetkrotne przyspieszenie. Pracownik może poświęcić zaoszczędzony czas na bardziej wartościowe zadania. To pokazuje, że zysk z AI nie zawsze bezpośrednio przekłada się na konkretną kwotę. Często jest nim ogromny wzrost efektywności.

Comarch buduje własną, suwerenną infrastrukturę AI. Po co, skoro może korzystać z usług globalnych gigantów?

Ł.B.: Chodzi przede wszystkim o dane. Korzystając z modeli w chmurze, zależnie od dostawcy i umowy, w niektórych przypadkach dane mogłyby wychodzić poza Europejski Obszar Gospodarczy. Tymczasem część informacji ze względów regulacyjnych czy poufności musi pozostać w Europie albo wręcz wewnątrz naszej firmy.

Jeżeli korzystamy z własnej infrastruktury w naszych serwerowniach, dane nie wychodzą poza firmę. Możemy więc wykorzystywać agentów i autonomiczne procesy również tam, gdzie inaczej nie byłoby to możliwe.

Mamy przy tym modele zamknięte oraz modele o otwartych wagach, które można uruchamiać na własnej infrastrukturze. Te drugie są zazwyczaj kilka miesięcy za najmocniejszymi modelami na rynku, ale dla większości naszych zadań nie jest to problem. Znakomita większość jest rutynowa i nie wymaga najpotężniejszego modelu.

Kluczowy jest odpowiedni miks. Do codziennych zadań programistycznych często wystarczy tańszy model otwarty działający u nas. Jeżeli pojawi się niezwykle złożony problem czy trudny audyt bezpieczeństwa, możemy sięgnąć po najmocniejszy model dostępny w chmurze.

T.S.: Jesteśmy na tyle dużą firmą, że możemy zarówno korzystać z chmury publicznej, jak i uruchamiać modele open source w naszych serwerowniach. To ważne także dlatego, że obsługujemy branże silnie regulowane i musimy mieć pewność, że modele nie są trenowane na danych klientów.

Nie jesteśmy też całkowicie zdani na koszty chmury publicznej. Dzisiaj mogą być akceptowalne, ale nie wiemy, jakie będą za miesiąc czy pół roku. Chcemy móc wybierać rozwiązanie odpowiadające zarówno potrzebom biznesowym, jak i kosztowym.

Ł.B.: Świat znajduje się w punkcie zwrotnym i trudno przewidzieć, gdzie będziemy za trzy, sześć czy dwanaście miesięcy. Rozsądne jest więc zbudowanie strategii odpornej na różne scenariusze.

W jednych sektorach korzystamy z chmury, w innych stawiamy na suwerenną AI, a jeszcze gdzie indziej na rozwiązania niezależne od konkretnego dostawcy. Jeśli któreś rozwiązanie wypadnie z gry z powodu wzrostu cen, nowych regulacji czy sytuacji geopolitycznej, mamy alternatywę i możemy szybko dostosować się do nowej rzeczywistości. Uważam tę odporność na nieprzewidywalny świat za jedną z naszych największych sił.

Rozmawiał Paweł Rożyński