Jak przygotować firmę do wdrożenia AI: dane, procesy i arkusze krok po kroku

Arkusz bardzo rzadko kłamie złośliwie. Zwykle kłamie dlatego, że został zmuszony do robienia rzeczy, do których nigdy nie był projektowany.

Na początku wszystko wygląda niewinnie. Jeden arkusz do klientów, drugi do czasu pracy, trzeci do rozliczeń, czwarty do ofert. Przez chwilę to działa, bo firma jest mała, a ludzie jeszcze pamiętają, co gdzie jest. Problem zaczyna się wtedy, gdy danych przybywa, dochodzą nowe osoby, a każda robi coś trochę po swojemu.

Wtedy arkusz przestaje być prostym narzędziem pomocniczym, a zaczyna udawać bazę danych, system raportowy, rejestr zdarzeń i źródło wiedzy naraz. To już jest proszenie się o kłopoty.

• ten sam klient widnieje pod kilkoma nazwami,
• czas pracy nie zgadza się z rozliczeniem,
• ktoś dopisał kolumnę i zepsuł formuły,
• raport miesięczny wygląda dobrze, ale po eksporcie liczby się rozjeżdżają,
• nikt nie wie, który plik jest „tym właściwym”.

To nie są błędy kosmetyczne. To sygnał, że firma operuje na danych, którym coraz trudniej ufać.

To jeden z najczęstszych powodów, dla których raporty w firmie przestają się zgadzać.

W jednym miejscu masz „ABC Transport”, w drugim „ABC Transport sp. z o.o.”, w trzecim „ABC Transp.”, a w czwartym ktoś wpisał nazwę z literówką. Człowiek widzi, że chodzi o tę samą firmę. System widzi cztery różne rekordy.

Na tym etapie kończy się marzenie o jednym spójnym raporcie. Jeśli czas pracy jest przypisany do jednej wersji nazwy, faktura do drugiej, a korespondencja do trzeciej, to system nie ma szans poprawnie tego połączyć.

Technicznie ten problem rozwiązuje się przez normalizację danych, a czasem przez dopasowanie podobnych nazw. Ładna nazwa, ale sedno jest proste: trzeba doprowadzić do sytuacji, w której firma używa jednej, kontrolowanej wersji nazwy klienta albo jednego identyfikatora, który nie zmienia się zależnie od humoru osoby wpisującej dane.

AI nie potrzebuje większej liczby plików. AI potrzebuje lepszych danych.

To ważne, bo wiele firm myśli o wdrożeniu AI w taki sposób: „mamy dużo dokumentów, dużo maili, dużo historii klientów, więc model będzie miał z czego korzystać”. Niestety nie. Jeżeli te dane są niespójne, przestarzałe albo pomieszane, to AI nie stanie się mądrzejsza. Stanie się tylko szybsza w wyciąganiu błędnych wniosków.

Dlatego przed wdrożeniem AI warto przejść przez prosty filtr: które dane są naprawdę potrzebne, które są aktualne, które są tylko historycznym śladem, które pola są obowiązkowe, kto odpowiada za ich jakość i co w firmie oznacza status „aktywny”, „zamknięty”, „do kontaktu” albo „opłacony”.

Jeżeli firma nie ma wspólnego znaczenia podstawowych pojęć, to żadna automatyzacja tego za nią nie odgadnie.

To jest miejsce, w którym wiele firm wpada do rowu z własnej winy.

Mają folder z ofertami, procedurami, starymi PDF-ami, mailami i dokumentami „final_v2_ostateczna_poprawiona_naprawdę_ostatnia”. Potem chcą do tego podłączyć AI i oczekują, że system sam zgadnie, który plik jest obowiązujący, a który jest cyfrowym trupem z 2021 roku.

Nie zgadnie.

Jeśli AI ma odpowiadać na pytania firmowe albo pomagać pracownikom wyszukiwać informacje, musi korzystać z uporządkowanego zbioru dokumentów. Nie z całego śmietnika, tylko z części, której można ufać.

Małe i średnie firmy bardzo często nie potrzebują wielkiego ERP. Potrzebują czegoś znacznie skromniejszego i zwykle znacznie sensowniejszego: sprawnego połączenia między narzędziami, których już używają.

• klient wysyła maila,
• dane trafiają do arkusza,
• z arkusza powstaje dokument,
• dokument idzie do akceptacji,
• po akceptacji generuje się PDF albo raport.

To nie jest wielka cyfrowa rewolucja. To jest po prostu dobrze zamknięty obieg informacji.

W takich przypadkach świetnie sprawdzają się lekkie automatyzacje, na przykład oparte o Google Apps Script. Ale jest jeden haczyk: takie skrypty muszą być zrobione porządnie. Inaczej firma po tygodniu ma nie automatyzację, tylko nową klasę awarii.

Bo czas jest zdradliwy. Zwłaszcza wtedy, gdy przez długi czas wygląda na poprawny.

W arkuszu wszystko może wyglądać dobrze: wpis jest, godzina jest, raport się generuje. Problem wychodzi dopiero wtedy, gdy zaczynasz liczyć sumy, zestawiać zakresy, filtrować dane po dniach albo porównywać dane między systemami.

• czas pracy z jednego dnia wpada do drugiego,
• raport miesięczny nie zgadza się z eksportem,
• zdarzenie z wieczora ląduje już w następnym dniu,
• godziny wyglądają dobrze na ekranie, ale źle liczą się pod spodem.

To nie jest drobny błąd formatowania. To jest problem z reprezentacją danych.

Dobra automatyzacja nie polega na tym, że coś działa raz. Dobra automatyzacja działa także wtedy, gdy ktoś wpisze dane trochę inaczej niż zwykle, doda nową kolumnę, uruchomi proces drugi raz, zapomni uzupełnić jedno pole albo poprawi dokument już po jego wygenerowaniu.

Jeśli system nie umie takich sytuacji obsłużyć, to nie jest odporny. Jest tylko szybki w idealnych warunkach, czyli w życiu prawie nigdy.

Nie od wyboru modelu. Nie od abonamentu. Nie od gadżetu, który obiecuje rewolucję.

Najpierw trzeba sprawdzić, gdzie w firmie naprawdę ginie czas i gdzie dane rozjeżdżają się najbardziej. To właśnie tam powstaje wartość. Nie w miejscu, które najlepiej wygląda w prezentacji, tylko w miejscu, które dziś najbardziej boli.

Dobry punkt startowy to zwykle jeden z tych obszarów:

• obsługa klientów,
• obieg dokumentów,
• raportowanie,
• czas pracy,
• oferty i wyceny,
• praca na mailach i załącznikach,
• wyszukiwanie firmowej wiedzy.

Potem kolejność powinna być nudna, ale skuteczna: najpierw dane, potem reguły, potem proces, potem automatyzacja, a dopiero na końcu AI.

Ta kolejność nie brzmi seksownie. Za to działa.