Umetna inteligenca v podjetjih ne pomeni samo uporabe ChatGPT-ja, pač pa celotno področje odpira vrsto nadvse relevantnih vprašanj, izzivov, pa tudi praktičnih rešitev in priložnosti za optimizacijo in uspešnost.
O tem, kje AI danes podjetjem že prinaša oprijemljive koristi, zakaj so manjša podjetja pri uvajanju pogosto previdnejša, kakšna tveganja nastanejo, ko zaposleni samostojno uporabljajo javno dostopna orodja, ter zakaj lahko draga rešitev brez jasnega procesa hitro ostane neuporabljena, smo se pogovarjali z Davorjem Žicem, ustanoviteljem in direktorjem podjetja IT TEAM.
[[image_1_article_93154]]
Dotaknili smo se tudi varovanja poslovnih podatkov, AI-agentov, evropske zakonodaje, sprememb na trgu dela ter vprašanja, ki bo za marsikatero podjetje v prihodnjih letih najpomembnejše: kako ločiti uporabo umetne inteligence, ki je predvsem zanimiva, od tiste, ki ima dejanski poslovni učinek.
Če odmislimo ChatGPT in pripravo besedil, kaj umetna inteligenca danes dejansko omogoča povprečnemu slovenskemu podjetju in kje lahko prinese najbolj oprijemljive koristi?
Najbolj oprijemljive koristi so pri vsakodnevnih opravilih, za katera zaposleni porabijo veliko časa: pregledujejo dokumente, prepisujejo podatke, iščejo informacije in preverjajo odstopanja.
Vzemimo prejet račun dobavitelja. AI lahko iz njega prebere podatke, povezana rešitev pa jih primerja z naročilom in dobavnicami ter zaposlenemu pokaže razlike, ki jih mora preveriti. Podobno lahko pomaga iskati informacije po internih navodilih ali analizirati poslovanje: kateri izdelki ustvarjajo maržo, kje nastajajo odpisi in kaj odstopa od običajnega.
Pri tem je treba pošteno povedati, da del koristi prinese AI, del pa že dobro povezani sistemi in urejeni podatki. Podjetje na koncu zanima rezultat: manj ročnega dela, manj napak in hitrejši dostop do informacij za odločanje. Najboljši začetek je konkreten, ponavljajoč se problem, pri katerem lahko izboljšavo tudi izmerimo.
Podatki kažejo izrazito razliko med uporabo AI v majhnih in velikih podjetjih. Kaj manjša podjetja najbolj zadržuje? So to stroški, pomanjkanje znanja, neurejeni podatki, varnostni pomisleki ali dejstvo, da še ne prepoznajo konkretne koristi?
Po mojem je največja ovira kombinacija pomanjkanja časa, znanja in jasno prepoznane koristi. V manjšem podjetju ista oseba pogosto skrbi za več področij. Težko si vzame čas, da bi raziskala možnosti, izbrala rešitev in izpeljala uvedbo.
Cena naročnine na orodje je samo del stroška. Nekdo mora rešitev povezati z obstoječim delom, urediti dostop do podatkov in zaposlenim pokazati, kako jo uporabljati. Takrat se pogosto pokaže, da so podatki razpršeni po elektronski pošti, Excelovih tabelah in različnih programih.
Zato je pomembno začeti z majhnim, jasno omejenim primerom. Če podjetje vidi, da mu rešitev pri konkretnem opravilu vsak teden prihrani nekaj ur, postane korist razumljiva in naslednji korak lažji. Manjše podjetje ima tu tudi prednost: kadar je odgovorna oseba vključena, se lahko hitro odloči in spremeni način dela.
Kakšno je stanje med podjetji v Mariboru in širši regiji? Kakšno sliko kot podjetje dobivate vi? Se že lotevajo konkretnih projektov ali večinoma še preizkušajo posamezna orodja brez skupne strategije?
Slika je precej mešana. Del podjetij še preizkuša posamezna orodja, predvsem na pobudo zaposlenih, druga pa že iščejo rešitve za konkretne poslovne težave: obdelavo dokumentacije, pregled nad podatki ali podporo proizvodnji.
Pri tem bi bil previden pri posploševanju na celotno regijo. Mi vidimo predvsem podjetja, s katerimi sodelujemo. Pomembna razlika je, ali ima podjetje jasno opredeljen problem in človeka, ki bo uvedbo vodil.
Podjetjem pomagamo tudi s primeri dobre prakse. Na konkretnih primerih jim pokažemo, kaj je mogoče izboljšati, kako poteka uvedba in kakšne koristi lahko pričakujejo. Tako lažje prepoznajo priložnosti v svojem poslovanju in ocenijo, kaj je smiselno zanje.
Ni nujno, da ima podjetje že na začetku obsežno strategijo za AI. Potrebuje pa jasen cilj, osnovna pravila uporabe in merilo, po katerem bo presodilo, ali mu rešitev pomaga.
Ali umetna inteligenca v podjetja danes pogosteje vstopa kot odločitev vodstva ali tako, da zaposleni začnejo samostojno uporabljati javno dostopna orodja? Kako veliko tveganje predstavlja takšna nenadzorovana uporaba?
Vstopa po obeh poteh. Zaposleni lahko hitro prepoznajo, da jim neko orodje olajša delo, in ga začnejo uporabljati, še preden podjetje sprejme skupen dogovor. Vodstvo pa običajno pristopi bolj načrtno, ko želi izboljšati določen proces ali uporabo razširiti na celotno podjetje.
Samoiniciativnost zaposlenih je dobrodošla. Težava nastane, če podjetje ne ve, katera orodja uporabljajo, katere podatke vanje vnašajo in ali rezultate preverjajo. Nekdo lahko z najboljšim namenom vnese zaupno ponudbo ali podatke o stranki, drug pa uporabi napačen odgovor brez preverjanja.
Zato bi podjetjem svetoval, naj zaposlenim omogočijo uporabo odobrenih orodij in postavijo razumljiva pravila: kateri podatki so dovoljeni, za katere naloge lahko uporabljajo AI in kdaj je potreben človeški pregled. Kratko praktično usposabljanje s primeri iz njihovega dela lahko pri tem veliko pomaga.
Katere poslovne procese je danes najbolj smiselno izboljšati z umetno inteligenco?
Predvsem procese, pri katerih se ponavlja veliko podobnega dela z dokumenti in informacijami. To so na primer obdelava prejetih računov in naročil, iskanje po interni dokumentaciji, razvrščanje povpraševanj ter priprava odgovorov za podporo strankam.
Veliko potenciala je tudi pri spremljanju poslovanja, kjer lahko AI pomaga razložiti odstopanja in opozoriti, kaj je smiselno podrobneje preveriti. V proizvodnji lahko pomaga pri obdelavi delovnih navodil in zapisov o kakovosti, zahtevnejše uporabe, kot je napovedovanje okvar, pa potrebujejo ustrezne podatke in več priprave.
Za prvi projekt bi izbral proces, ki zaposlenim jemlje veliko časa, ima jasen potek in pri katerem lahko rezultat preverimo. Pomembno je tudi presoditi, ali sploh potrebujemo AI. Včasih največ naredimo že s povezavo dveh programov in odpravo ročnega prepisovanja podatkov.
Kako naj podjetje sploh začne: z izbiro orodja ali z natančno opredelitvijo problema, ki ga želi rešiti? Kaj mora imeti urejeno, preden se loti prvega projekta?
Začne naj s problemom. Kje zaposleni izgubljajo največ časa, kje se ponavljajo napake in kje delo zastaja? Ko to razumemo, lahko izberemo primerno rešitev in presodimo, kakšno vlogo ima pri njej umetna inteligenca.
Pred začetkom mora podjetje poznati sedanji potek dela, določiti odgovorno osebo in vključiti zaposlene, ki proces vsak dan izvajajo. Preveriti mora tudi, kateri podatki so na voljo, kako zanesljivi so in kdo sme do njih dostopati. Ni treba najprej urediti vseh podatkov v podjetju, morajo pa biti dovolj urejeni za izbrani primer.
Že na začetku se dogovorimo, kaj bo pomenilo uspeh: krajši čas obdelave, manj napak ali manj ročnega dela. Nato rešitev preizkusimo na omejenem obsegu resničnih primerov. Tako podjetje dobi podlago za odločitev, ali je smiselno uporabo razširiti.
Kako je videti pot od uspešnega pilotnega projekta do rešitve, ki jo zaposleni dejansko uporabljajo vsak dan?
Uspešen pilot pokaže, da rešitev lahko deluje. Za vsakodnevno uporabo pa mora zanesljivo delovati tudi pri nepopolnih podatkih, izjemah in večjem obsegu dela.
Ključno je, da jo vključimo v obstoječi delovni proces. Če mora zaposleni odpirati dodatno aplikacijo, prepisovati podatke in nato rezultat ročno prenašati nazaj, bo rešitev težko zaživela. Dostopna mora biti tam, kjer jo potrebuje, in mu dejansko olajšati delo.
Zaposlene zato vključimo že v pilot. Njihove povratne informacije pokažejo, kaj manjka in kje je rešitev preveč zapletena. Pred širšo uvedbo uredimo še dostop do podatkov, preverjanje rezultatov, usposabljanje in podporo. Jasno mora biti tudi, kdo prevzame delo, kadar AI ne zna pravilno obdelati primera.
Po uvedbi spremljamo dejansko uporabo in učinek ter rešitev izboljšujemo. Projekt je uspešen, ko postane uporaben del vsakdanjega dela in prinaša merljive koristi.
Kako podjetje izmeri, ali se je naložba izplačala? Katere kazalnike bi moralo spremljati in kateri stroški se pogosto pokažejo šele po uvedbi?
Najprej potrebujemo izhodišče: koliko časa opravilo zahteva danes, koliko primerov obdelamo in koliko napak ali ponovnih obdelav nastane. Po uvedbi na primerljivih primerih spremljamo iste kazalnike. Poleg hitrosti nas zanimajo kakovost rezultata, delež primerov, ki potrebujejo ročni popravek, in dejanska uporaba med zaposlenimi.
Pri stroških upoštevamo celotno rešitev: pripravo podatkov, povezave s programi, licence, porabo AI, usposabljanje, vzdrževanje in čas za preverjanje rezultatov. Po uvedbi se lahko pokažejo dodatne izjeme, spremembe dokumentov ali potreba po prilagoditvah ob posodobitvah modelov.
Pomembno je tudi, da prihranjenih ur ne enačimo samodejno z denarnim prihrankom. Korist je lahko več obdelanih naročil z isto ekipo, hitrejši odziv strankam ali manj nadur. Podjetje mora vedeti, kako bo sproščeni čas uporabilo, sicer ostane donosnost predvsem na papirju.
Lahko predstavite konkreten primer, pri katerem je AI opazno skrajšal proces, zmanjšal število napak ali razbremenil zaposlene? Ste doživeli tudi projekt, pri katerem začetna ideja ni delovala?
Konkreten primer uporabe je kontrola dobaviteljevih računov. Na enem računu je lahko več dobavnic, v poslovnem sistemu pa tudi stornacije in popravki prevzemov. Zaposleni mora povezati dokumente in ugotoviti, ali se količine in zneski ujemajo.
AI lahko iz računa izlušči sklice na dobavnice, povezana rešitev pa poišče ustrezne prevzeme in po vnaprej določenih pravilih preveri ujemanje. Zaposleni nato pregleda predvsem razlike in nejasne povezave. Pri takem projektu bi učinek pokazali s časom obdelave računa in številom primerov, ki še potrebujejo ročno iskanje.
Začetna ideja se lahko izkaže za preširoko. Če želimo takoj popolno avtomatizacijo, nas lahko ustavijo slabi skeni ali neenotni sklici. Takrat je smiselno obseg zožiti: AI pripravi predlog, človek pa ga potrdi. Pilot je koristen tudi zato, ker pokaže, kje avtomatizacija še ni dovolj zanesljiva.
Česa se podjetja pri uporabi umetne inteligence najbolj bojijo in katera tveganja v resnici najpogosteje spregledajo?
Med razumljivimi pomisleki so razkritje podatkov, napačni odgovori, stroški in vpliv na delovna mesta. Sam bi posebej opozoril na manj očitno tveganje: odgovor je lahko zelo prepričljiv, čeprav temelji na napačnem podatku ali napačni razlagi.
Pri poslovni analitiki lahko že napačno razumljen datum, storno ali definicija marže spremeni sklep. Zato mora biti jasno, od kod podatek prihaja, kako svež je in kako smo prišli do rezultata. Lepo napisan odgovor še ni dokaz pravilnosti.
Podceniti ne smemo niti odvisnosti od ponudnika in tega, kdo bo rešitev vzdrževal. Podjetje naj vnaprej ve, kako bo izvozilo svoje podatke, nadaljevalo delo ob izpadu in preverjalo kakovost po spremembah sistema. Varnost in zanesljivost sta del vsakodnevnega upravljanja rešitve.
Kaj se lahko zgodi, če zaposleni v javno AI-orodje vnese pogodbo, podatke o strankah, cenik ali tehnično dokumentacijo? Je plačljiva poslovna različica orodja že zadostno varovalo?
Z vnosom dokumenta podjetje podatke posreduje ponudniku storitve. Kaj se z njimi nato dogaja, je odvisno od pogodbenih pogojev, nastavitev in konkretne storitve: kako dolgo jih hrani, kdo ima dostop in ali jih lahko uporablja za izboljševanje modelov. Vnos sam po sebi ne pomeni, da je dokument javno objavljen, lahko pa pomeni nedovoljeno razkritje ali obdelavo podatkov.
Plačljiva poslovna različica lahko ponuja boljša varovala, vendar sama naročnina ni dovolj. Preveriti je treba pogodbo, nastavitve hrambe in uporabe podatkov, podizvajalce, morebitne prenose v druge države ter dostop zaposlenih. Pri osebnih podatkih morata biti urejena tudi zakonit namen in pravna podlaga obdelave.
Praktično pravilo je, da vnašamo le podatke, ki jih naloga potrebuje, in uporabljamo odobreno okolje. Kjer lahko nalogo rešimo z odstranjenimi osebnimi podatki ali zgolj z izsekom dokumenta, celotne pogodbe ni smiselno prilagati.
Več: Informacijski pooblaščenec – AI in varstvo osebnih podatkov
Kako bi moralo podjetje urediti dostop do podatkov in določiti, kateri podatki se lahko obdelujejo v AI-orodjih, kateri le v zaprtem okolju in katerih se vanje ne sme vnašati?
Podjetje naj pripravi preprosto razvrstitev podatkov in jo poveže s konkretnimi dovoljenimi orodji. Javno objavljene informacije lahko obdeluje v odobrenih splošnih orodjih. Interni dokumenti, osebni podatki in poslovne skrivnosti potrebujejo strožjo presojo ter ustrezno pogodbeno in tehnično zaščiteno okolje. Za posebej občutljive primere lahko podjetje določi ločeno okolje ali uporabo AI izključi.
To ne sme ostati zgolj v pravilniku. Dostop mora slediti delovnim nalogam: AI zaposlenemu ne sme razkriti dokumenta, do katerega sam nima pravice dostopati. Gesla, zasebni ključi in podobne skrivnosti ne sodijo v pogovore z AI; povezave s sistemi se uredijo prek namenskih, omejenih dostopov.
Zaposleni potrebujejo konkretne primere, na primer razliko med javnim cenikom in zaupnim dogovorom o popustu. Določimo tudi osebo, ki razjasni mejne primere, ter postopek ob napačnem vnosu podatkov. Zaprto okolje samo po sebi še ne zagotavlja zakonite ali varne obdelave.
Ali morajo podatki za uporabo umetne inteligence nujno v oblak? Kako se podjetje odloča med javnim oblakom, zasebnim oziroma evropskim okoljem, lastno infrastrukturo in hibridno rešitvijo?
Ne, podatki za uporabo AI ne potrebujejo nujno javnega oblaka. Rešitev lahko deluje tudi na lastni infrastrukturi, v zasebnem okolju ali kot kombinacija več okolij. Izbira je odvisna od občutljivosti podatkov, zahtevane kakovosti, odzivnosti, obsega uporabe in sposobnosti podjetja, da rešitev vzdržuje.
Javni oblak lahko olajša začetek in dostop do zmogljivih modelov. Lastna infrastruktura omogoča več neposrednega nadzora, vendar prinese stroške opreme, posodobitev, varnosti in strokovnega dela. Tudi evropska lokacija strežnika še ne odgovori na vprašanja, kdo lahko dostopa do podatkov in kateri podizvajalci sodelujejo.
Smiselna je lahko hibridna rešitev: občutljivi podatki in pravila dostopa ostanejo v nadzorovanem okolju, zunanji model pa dobi le potrebne, ustrezno zaščitene informacije. Odločitev naj temelji na celotni poti podatkov in zahtevah procesa, ne zgolj na oznaki »oblak« ali »lokalno«.
AI-agenti lahko že dostopajo do elektronske pošte, dokumentov in poslovnih sistemov ter samostojno izvajajo naloge. Kako preprečiti, da bi dobili preširoka pooblastila, in kdo odgovarja, če naredijo napako?
Agent naj dobi le dostop, ki ga potrebuje za konkretno nalogo. Če pripravlja pregled računov, ne potrebuje tudi pravice do plačevanja. Ločimo branje podatkov, pripravo predlogov in izvajanje sprememb. Za pomembne posege, kot so plačila, brisanje ali pošiljanje občutljivih podatkov, uvedemo izrecno človeško odobritev.
Omejitve morajo biti tehnično uveljavljene. Samo navodilo agentu, naj bo previden, ni dovolj. Potrebujemo omejene dostope, sled izvedenih dejanj, spremljanje in možnost takojšnje ustavitve. Tudi vsebina elektronskega sporočila ali dokumenta lahko vsebuje zlonamerna navodila, zato je ne smemo obravnavati kot pooblastilo za ukrepanje.
Organizacijsko mora biti določen skrbnik procesa. Pravna odgovornost ob napaki pa je odvisna od konkretnih okoliščin, ravnanja podjetja in ponudnika, pogodb ter veljavnih pravil. Ne moremo je preprosto pripisati AI ali avtomatično prevaliti na zaposlenega, ki ga uporablja.
Večina določb evropskega Akta o umetni inteligenci se že uporablja. Kaj mora danes urediti podjetje, ki AI samo uporablja? Potrebuje popis orodij, interna pravila, usposabljanje zaposlenih in določen človeški nadzor?
Najprej mora podjetje vedeti, za kaj AI uporablja in kakšno vlogo ima pri posamezni rešitvi. Obveznosti niso enake za pomoč pri pripravi besedila in za sistem, ki vpliva na zaposlovanje ali druge pomembne odločitve o ljudeh. Upoštevati je treba tudi prehodne roke in spremembe zakonodaje.
Kot praktično osnovo bi priporočil popis orodij in namenov uporabe, odgovorno osebo, pravila ravnanja s podatki ter usposabljanje zaposlenih. AI-pismenost ostaja obveznost ponudnikov in uporabnikov sistemov; po pojasnilih Komisije pa ni predpisano enotno zahtevano znanje za vse. Ukrepi morajo ustrezati uporabi in ljudem, ki z orodjem delajo.
Popis in interni pravilnik sta uporabna načina upravljanja, ne univerzalna obrazca, ki bi sama dokazovala skladnost. Glede na uporabo je treba preveriti tudi prepovedane prakse, preglednost in človeški nadzor. Ob tem še naprej veljajo pravila varstva osebnih podatkov in druga področna zakonodaja.
Več: Evropska komisija – Akt o umetni inteligenci · Evropska komisija – vprašanja in odgovori o AI-pismenosti · Evropska komisija – spremembe AI Omnibus in časovnica
Kako bo širša uporaba AI vplivala na delovna mesta? Bodo podjetja predvsem avtomatizirala posamezne naloge ali lahko pričakujemo tudi zmanjševanje ekip, in kako naj zaposlene vključijo v spremembe, da uvedba ne bo temeljila na strahu? Bo umetna inteligenca v prihodnjih letih v Sloveniji predvsem odpravljala posamezne naloge ali tudi celotna delovna mesta?
Najprej se spreminjajo posamezne naloge: prepisovanje, priprava osnutkov, iskanje informacij in del analiz. Iz tega pa ne bi sklepal, da vpliva na število delovnih mest ne bo. Pri nekaterih dejavnostih se lahko ekipe zmanjšajo, drugje bo ista ekipa zmogla več dela ali prevzela nove naloge.
Tudi raziskave Mednarodne organizacije dela poudarjajo, da izpostavljenost AI še ne pomeni avtomatične izgube zaposlitve in da je pri številnih poklicih verjetnejše preoblikovanje dela. Kako se bo to izšlo v Sloveniji, bo odvisno od panoge, organizacije dela in odločitev podjetij.
Zaposlene je treba vključiti dovolj zgodaj. Povedati jim moramo, kaj uvajamo, zakaj in kako se bodo njihove naloge spremenile. Dati jim moramo čas za učenje ter upoštevati njihovo poznavanje procesa. Težko pričakujemo iskreno sodelovanje, če ljudje menijo, da bo vsak njihov predlog izboljšave uporabljen izključno za zmanjševanje ekipe.
Kaj bi podjetjem najbolj pomagalo pri varni uvedbi? So to morda finančne spodbude, pomoč pri urejanju podatkov, strokovno svetovanje ali usposabljanje zaposlenih? Obstaja nevarnost, da podjetje zaradi razpisa kupi rešitev, ki je pozneje nihče ne uporablja?
Največ bi pomagala kombinacija praktičnega svetovanja, urejanja podatkov in usposabljanja. Podjetje potrebuje nekoga, ki z njim pregleda proces, izbere dosegljiv cilj in pojasni tudi stroške ter omejitve. Primeri dobre prakse so koristni, ker pokažejo, kako je videti rešitev v vsakdanjem delu.
Finančne spodbude lahko zmanjšajo začetno oviro, vendar denar sam ne zagotovi uspešne uvedbe. Nevarnost je, da podjetje projekt prilagodi razpisu, kupi rešitev in šele nato išče, kdo bi jo uporabljal. Če ni odgovorne osebe, primernih podatkov in časa zaposlenih, lahko orodje ostane neuporabljeno.
Dobra podpora bi zato morala zajeti tudi uvedbo, preverjanje učinka in obdobje po zagonu. Pred nakupom si mora podjetje znati odgovoriti, kdo bo z rešitvijo delal, kaj bo počel drugače in iz česa bo financiralo njeno nadaljnje delovanje.
[[image_2_article_93154]]
Kje v celotnem procesu vstopi IT TEAM in kaj lahko podjetjem ponudi poleg umetne inteligence?
IT TEAM lahko vstopi že pri prvem pregledu poslovnega problema. S podjetjem opredelimo cilj, preverimo podatke in obstoječe sisteme ter presodimo, ali je smiselna uporaba AI, klasična avtomatizacija ali kombinacija obojega. Pri prepoznavanju priložnosti pomagamo tudi s primeri dobre prakse.
Naša ponudba zajema tudi temelje, ki jih takšne rešitve potrebujejo: IT-infrastrukturo, omrežja, oblak, kibernetsko varnost, razvoj aplikacij in povezovanje poslovnih sistemov. Pomembna sta tudi vzdrževanje in podpora, saj mora rešitev delovati tudi po začetni predstavitvi.
Za podjetje je koristno, da lahko poslovni proces, podatke, varnost in razvoj obravnavamo povezano. Če se pokaže, da je treba najprej urediti dostop do podatkov ali povezavo med programi, je to lahko prvi korak. Cilj je uporabna rešitev z jasnim učinkom na poslovanje.
Predstavili ste tudi FabriqAI, usmerjen v digitalizacijo in avtomatizacijo proizvodnih procesov. Katere konkretne težave rešuje in koliko teh rešitev temelji na umetni inteligenci, koliko pa na urejanju ter povezovanju obstoječih sistemov?
FabriqAI je usmerjen v povezovanje naročil, proizvodnje, materialov, zalog in delovnih nalogov. Rešuje težave, ki nastajajo, ko so podatki razpršeni, se večkrat prepisujejo in različni oddelki nimajo enakega pregleda nad stanjem.
Konkreten primer je naročilo po elektronski pošti: AI lahko pomaga razbrati vsebino in pripraviti podatke, povezani sistem pa jih prenese v nadaljnji proces. Drugi primeri so spremljanje strojev in zastojev, sledljivost meritev kakovosti, pregled zalog ter proizvodna analitika. Pri teh funkcijah pomemben del predstavljajo integracije, zajem podatkov in običajna programska pravila.
Deleža AI ne bi izražal odstotkom, ker je odvisen od konkretne uvedbe. AI je smiseln pri razumevanju nestrukturiranih informacij, analizi odstopanj in pripravi predlogov izboljšav. Osnova pa so zanesljivi podatki in povezani procesi. Vrednost za uporabnika je v tem, da hitreje vidi, kaj se dogaja, in lažje ukrepa.
Ves čas poudarjate, da mora umetna inteligenca do podatkov podjetja priti nadzorovano. Kako se to naredi v praksi?
Tako, da model povežemo s sistemom prek vmesnika, in ne tako, da zaposleni podatke prepisuje ali izvaža v klepetalno okno. Za to se je uveljavil MCP, kratica za Model Context Protocol, odprt standard za povezovanje jezikovnih modelov s podatki in funkcijami posameznega sistema.
V vmesniku določimo, katere poizvedbe model sme postaviti in katere podatke dobi nazaj. Baze ne dobi v roke in po njej ne brska, veljajo pa enake pravice dostopa kot v samem sistemu. Iz podjetja tako ne gre izvoz celotne baze, ampak odgovor na konkretno poizvedbo, pri čemer ostane zapis, kdo je kaj vprašal.
Zakaj je ta plast pomembnejša od izbire modela?
Ker se modeli hitro spreminjajo in jih je mogoče zamenjati, ta plast pa ostane. V njej je določeno, kateri podatki lahko gredo iz sistema, kdo jih lahko vidi in ali je odgovor mogoče preveriti.
V njej se uveljavi tudi razlika med branjem in ukrepanjem. Če rešitev sme le brati in pojasnjevati, ne more spremeniti cene ali oddati naročila. Omejitev mora biti tehnično uveljavljena, samo navodilo modelu, naj bo previden, ni dovolj.
Zasledili smo, da ste umetno inteligenco vgradili tudi v lastno blagajno Imprion. Kaj ste naredili?
Smo eno prvih podjetij pri nas, ki je lasten MCP strežnik uvedlo na svoj produkt. Razvili smo ga za Imprion, našo davčno blagajno za gostinstvo, maloprodajo in storitvene dejavnosti, ki je v uporabi na približno tisoč blagajnah.
Povezuje podatke, ki v blagajni nastajajo vsak dan, torej izdane račune, izdelke, cenike in zalogo, z jezikovnim modelom. Lastnik lahko poslovanje vpraša z običajnim vprašanjem, rešitev pa podatke le bere in pojasnjuje, ne spreminja jih.
Največ dela pri tem ni bilo pri umetni inteligenci, ampak pri dogovoru, kaj posamezen podatek pomeni in kdo ga sme videti.
Preberite več o Imprion blagajni.
Kako kot ponudnik presodite, da AI za določeno podjetje ni prava rešitev? Ste stranki že svetovali, naj projekta ne izvede oziroma naj se najprej loti osnov, kot so urejeni podatki, varnost, poslovni procesi ...?
Presojamo predvsem korist, zanesljivost in strošek celotne rešitve. Če je naloga jasno določena in jo lahko preprosto rešimo s povezavo dveh programov, AI morda ne prinese dodatne vrednosti. Podobno velja, če je primerov premalo, če podatki niso na voljo ali če bi preverjanje rezultatov zahtevalo več dela kot sedanji postopek.
V takem primeru je odgovorno priporočiti drugačen prvi korak: ureditev podatkov, dostopov, varnosti ali samega procesa. Če podjetje nima dogovora, kako naj proces deluje, bo tudi avtomatizacija težko dosegla pričakovani rezultat.
Pripravljenost povedati, da AI trenutno ni smiselna izbira, je zame del dobrega svetovanja. Projekt mora imeti poslovno utemeljitev. Smiselno ga je tudi ustaviti ali preoblikovati, če pilot pokaže, da pričakovanih koristi ne moremo doseči.
Če bi moral direktor manjšega podjetja jutri narediti prve tri korake proti premišljeni uporabi umetne inteligence, kateri bi bili?
Prvi korak: z zaposlenimi izberite eno ponavljajoče se opravilo, pri katerem izgubljate čas ali delate napake. Zapišite, kako poteka danes, koliko dela zahteva in kaj želite izboljšati.
Drugi korak: preverite podatke in način uporabe. Kje so potrebne informacije, kdo sme do njih dostopati in katero orodje je primerno? Določite odgovorno osebo in osnovna pravila, da bodo zaposleni vedeli, kaj lahko uporabljajo in kako.
Tretji korak: izvedite omejen preizkus na resničnih primerih z ljudmi, ki bodo rešitev uporabljali. Vnaprej se dogovorite za merilo uspeha in datum pregleda rezultatov. Šele nato se odločite o širši uvedbi. Tako prvi korak postane obvladljiva poslovna odločitev.
