Zašto AI bez uređenih podataka i procesa ostaje demo

Demo može biti impresivan, ali poslovni sistem traži više

AI demo često izgleda bolje od realne implementacije. Na prezentaciji sistem odgovara brzo, tekst deluje smisleno, korisnik dobija utisak da je problem rešen. Ali kada isti sistem treba da radi u realnoj kompaniji, pojavljuju se pitanja koja demo ne pokazuje: odakle AI uzima podatke, koliko su ti podaci tačni, ko ih održava, ko ima pravo pristupa i šta se dešava kada proces nije jasno definisan.

AI bez uređenih podataka i procesa najčešće ostaje samo demo zato što nema stabilan oslonac u poslovanju. Može da generiše tekst, ali ne zna koja verzija dokumenta je važeća. Može da odgovori na pitanje, ali ne zna da li korisnik sme da vidi taj odgovor. Može da predloži korak, ali proces u firmi nije dovoljno jasan da bi taj korak bio ispravan.

Ovo nije problem AI modela sam po sebi. To je problem organizacije. AI samo vrlo brzo pokaže gde kompanija nema red: u dokumentaciji, odgovornostima, pristupima, procesima, pravilima i izvorima istine.

Podaci nisu samo fajlovi, već poslovna odgovornost

Kada se kaže “podaci”, mnogi prvo pomisle na baze, tabele i dokumente. Ali za AI projekat podaci znače mnogo više. To su procedure, ugovori, politike, cenovnici, zapisnici, korisnička pitanja, tiketi, istorija odluka, šabloni odgovora, interni standardi i sve ono na osnovu čega sistem treba da pomogne zaposlenima ili korisnicima.

Ako su ti izvori rasuti, zastareli ili međusobno suprotstavljeni, AI neće magično napraviti red. Naprotiv, može ubrzati pogrešnu informaciju. Zato priprema podataka nije dosadan tehnički posao koji treba odraditi usput. To je poslovna disciplina koja određuje da li će AI biti pouzdan.

Kompanija treba da zna šta je zvaničan izvor istine, ko ga ažurira, koliko često se proverava, koji dokumenti se koriste, koji se izbacuju i koja pravila pristupa važe. Bez toga, AI sistem može delovati pametno, ali neće biti dovoljno siguran za ozbiljnu upotrebu.

Procesi određuju šta AI sme da uradi sa informacijom

Podaci odgovaraju na pitanje “šta znamo”. Procesi odgovaraju na pitanje “šta radimo sa tim znanjem”. AI može pomoći samo ako je bar osnovni tok rada jasan. Ako u kompaniji nije jasno ko odobrava zahtev, ko šalje odgovor, gde se evidentira odluka i šta je sledeći korak, AI ne može sam popraviti proces.

Na primer, AI može pripremiti nacrt odgovora korisniku, ali mora znati iz kog pravilnika se odgovor izvodi, koji ton je dozvoljen, kada se slučaj eskalira i ko ima ovlašćenje da potvrdi izuzetak. Ako taj proces ne postoji, AI će samo ubrzati improvizaciju.

Zato je povezivanje AI-a sa poslovnim procesima kritično. Uređeni procesi ne znače birokratiju. Oni znače da ljudi i sistemi znaju šta je sledeći korak, ko je odgovoran i gde se beleži rezultat.

Zašto prvi AI projekat često otkrije dublji problem

Mnoge kompanije krenu u AI projekat očekujući brzo rešenje, a zatim otkriju da najveći problem nije AI. Problem je to što dokumentacija nije uređena, sistemi nisu povezani, odgovornosti nisu jasne ili se isti podatak vodi na više mesta. To može delovati kao usporavanje projekta, ali je zapravo korisno otkriće.

AI projekat tada postaje ogledalo organizacije. On pokazuje gde znanje zavisi od pojedinaca, gde procesi nisu standardizovani, gde se odluke ne dokumentuju i gde tehnologija nema dobar temelj. To ne znači da treba odustati. Znači da treba promeniti redosled.

Umesto da se po svaku cenu završi demo, bolje je prvo urediti najvažnije izvore znanja, definisati vlasnike podataka i očistiti procese koji ulaze u prvi use case. To smanjuje rizik i povećava šansu da pilot preraste u stvarnu upotrebu.

Kako izgleda priprema za ozbiljan AI projekat

Priprema ne mora trajati predugo, ali mora biti disciplinovana. Prvo se definiše poslovni problem. Zatim se popisuju izvori znanja i podataka koji su relevantni za taj problem. Onda se proverava kvalitet tih izvora: šta je aktuelno, šta je duplirano, šta je kontradiktorno, šta nedostaje i ko je vlasnik.

Nakon toga se definiše proces upotrebe. Ko postavlja pitanje? Ko dobija odgovor? Da li je odgovor informativan ili operativan? Da li zahteva potvrdu čoveka? Da li se rezultat negde zapisuje? Ko prati greške i poboljšanja? Ova pitanja deluju jednostavno, ali bez njih AI sistem nema jasan režim rada.

Tek onda se bira tehnička arhitektura: baza znanja, integracije, pravila pristupa, logovi, evaluacija i način unapređenja. U tom trenutku AI više nije igračka. Postaje deo kontrolisanog poslovnog sistema.

AI, ONE i CoreTech kao slojevi istog problema

Ovo je razlog zašto Positive posmatra AI šire od jednog alata. AI treba znanje i podatke. Podaci često žive u poslovnom softveru, dokumentima, CRM-u, tiketingu, projektima i internim sistemima. Ti sistemi treba da budu dostupni, bezbedni i stabilni. Zato se AI, poslovni softver i IT infrastruktura ne smeju posmatrati kao odvojene teme.

Kada kompanija ima uređen softverski sloj, jasnije procese i stabilnu infrastrukturu, AI ima mnogo bolji temelj. Kada toga nema, AI prvo mora da se bori sa haosom. Zato digitalna transformacija nije samo uvođenje veštačke inteligencije. Ona je redosled odluka koje čine da AI može zaista da radi.

Ako želite AI koji ne ostaje na nivou demonstracije, prvo pitanje nije koji model koristiti. Prvo pitanje je: da li kompanija ima dovoljno uređene podatke, procese i odgovornosti da AI može da se osloni na njih.

Minimum reda pre prvog pilota

Kompanija ne mora imati savršeno uređene podatke da bi krenula u AI pilot. Ali mora imati minimum reda u delu koji pilot pokriva. To znači da postoje važeći dokumenti, poznat vlasnik znanja, definisana pravila pristupa i jasan proces u kome će se odgovor koristiti. Bez toga se testira tehnologija, a ne poslovna vrednost.

Ovaj minimum reda je često najbolja investicija pre implementacije. On ne koristi samo AI projektu, već i svakodnevnom radu kompanije. Kada se zna gde su podaci, ko ih održava i kako se koriste, timovi rade stabilnije čak i pre nego što AI počne da daje prve rezultate.

Dobar kriterijum je jednostavan: ako čovek u timu danas ne može brzo da pronađe tačan odgovor, AI verovatno neće dugoročno rešiti problem bez dodatne pripreme. Prvo treba urediti izvor, pravilo i vlasništvo, pa tek onda očekivati da sistem daje stabilan rezultat. To nije usporavanje projekta, nego smanjenje rizika.

Zato se dobar AI pilot često sastoji od dva paralelna toka. Jedan je tehnički, u kome se pravi rešenje. Drugi je organizacioni, u kome se sređuje znanje, dogovaraju pravila i navikavaju ljudi da rade na uređeniji način. Kada ta dva toka idu zajedno, pilot ima mnogo veće šanse da pređe iz demonstracije u svakodnevnu upotrebu.

Ako se taj organizacioni tok preskoči, naknadno se plaća kroz dorade, prigovore korisnika, nejasne odgovore i slabiju adopciju.

Pitanja koja menadžment najčešće postavlja

Zašto AI projekti često ostanu na nivou demo verzije?

Zato što demo ne mora da rešava pristup podacima, procese, odgovornosti, ažurnost dokumentacije i realnu upotrebu. Implementacija mora rešiti sve te elemente.

Da li prvo treba srediti sve podatke pa tek onda uvoditi AI?

Ne sve. Treba srediti podatke i izvore znanja koji su potrebni za prvi prioritetni use case. Ne treba čekati savršenstvo, ali ne treba ni ulaziti u haos.

Ko je odgovoran za kvalitet podataka u AI projektu?

Poslovni vlasnik teme i vlasnici izvora znanja, uz podršku IT-a i tehničkog partnera. Kvalitet podataka nije samo tehnička odgovornost.

Kako procesi utiču na AI?

Procesi određuju šta se radi sa informacijom, ko donosi odluku, kada se slučaj eskalira i gde se rezultat beleži. Bez toga AI nema siguran okvir rada.

Kako Positive pristupa ovom problemu?

Positive povezuje AI, poslovne procese, softverske sisteme, infrastrukturu i bezbednost kako bi AI imao stabilan poslovni temelj, a ne samo dobar demo.