AI w praktyce: jak 3 zespoły przełożyły AI na rzeczywiste korzyści operacyjne
Ludzki punkt kontrolny: Udane studia przypadków AI zachowują weryfikację przez człowieka, przenosząc nadzór na sytuacje wyjątkowe zamiast eliminować odpowiedzialność.
Klasyfikacja kontaktów: Chime zautomatyzowało klasyfikację i audytowanie połączeń, pomagając agentom skupić się na klientach oraz monitorując dokładność modelu i regresje.
Wzrost efektywności prognozowania: Agentowa AI firmy Amazon skróciła czas planowania popytu o 80 procent i zmniejszyła błąd prognozowania o 40 procent dzięki uporządkowanym, widocznym danym.
Integracja przepływu pracy: ACV Auctions skróciło czas sprzedaży pojazdów o dwie trzecie, łącząc przyjmowanie, wycenę, przygotowanie oferty, transakcje i realizację zamówień.
Budowanie zaufania: Zespoły zdobyły akceptację, zaczynając od małych kroków, pokazując mierzalne rezultaty, upraszczając nieuporządkowane dane i utrzymując odpowiedzialność interesariuszy przez cały proces wdrażania.
Studia przypadków dotyczące AI zwykle występują w dwóch odmianach: niejasnych historiach sukcesu bez żadnych liczb albo materiałach pełnych zachwytów, które pomijają trudniejszą część.
Niedawne wydarzenie DPM, AI w praktyce, zostało przygotowane tak, aby uniknąć obu tych podejść. Trzech liderów — jeden z organizacji obsługi klienta w branży fintech, jeden z obszaru planowania popytu w Amazonie oraz jeden z internetowego rynku, na którym salony samochodowe kupują i sprzedają używane samochody — przedstawiło systemy AI, które faktycznie zbudowali, problemy, na które natrafili, oraz liczby, które uzyskali w rezultacie.
Chris Hernandez, starszy menedżer ds. operacji AI w Chime, rozpoczął sesję od omówienia tego, jak jego zespół zautomatyzował klasyfikację powodów kontaktu w zgłoszeniach do obsługi klienta. Aniket Ghonge, starszy menedżer ds. łańcucha dostaw w Amazonie, opowiedział następnie o platformie agentowej sztucznej inteligencji, którą samodzielnie zbudował, aby usprawnić planowanie popytu. Z kolei Anika Banakh, dyrektorka ds. zarządzania programami technologicznymi w ACV Auctions, zakończyła sesję prezentacją kompleksowego silnika operacji cyfrowych, który jej zespół stworzył w celu unowocześnienia sprzedaży pojazdów.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Na pierwszy rzut oka te trzy projekty mają ze sobą niewiele wspólnego. Jednak przez wszystkie przewijał się jeden motyw: żaden z tych zespołów nie traktował AI jako rozwiązania, które można skonfigurować i pozostawić bez dalszego nadzoru. Każdy system zachował punkt kontrolny z udziałem człowieka, nawet po wyeliminowaniu pracy ręcznej.
Uwolnienie uwagi pracowników pierwszej linii dzięki AI
Zespół Hernandeza rozpoczął od zbadania, czym faktycznie zajmują się konsultanci centrum obsługi podczas rozmowy z klientem, i okazało się, że nie ograniczają się oni do rozwiązywania problemu klienta. Konsultanci również sporządzali notatki i próbowali oznaczyć rozmowę właściwym powodem kontaktu — spośród ponad 1 500 możliwych kategorii — a wszystko to w trakcie rozmowy.
„Mieliśmy ponad tysiąc pięćset różnych wariantów powodów kontaktu, spośród których powinni wybierać” — powiedział Hernandez. „I zawsze trudno było wiedzieć, który z nich jest właściwy”. Proces był ręczny, niespójny i podatny na błędy, a jego obsługa odciągała uwagę od członka dzwoniącego na infolinię.
Zespół zbudował klasyfikator wykorzystujący LLM do analizowania transkrypcji rozmów i automatycznego przypisywania powodu kontaktu. Ta praca doprowadziła do powstania drugiego, nieplanowanego projektu: zespół Hernandeza zaczął poświęcać znaczną ilość czasu na sprawdzanie, czy klasyfikator nie halucynuje i działa zgodnie z oczekiwaniami. Dlatego zbudowali drugi potok AI wyłącznie do audytowania pierwszego. System ten „grupuje powtarzające się awarie, wychwytuje błędy, przeprowadza również testy i przedstawia wyniki mojemu zespołowi”, zamiast wymagać od jednej osoby sprawdzania każdego przypadku.
Dotarcie do tego punktu nie było proste. Hernandez powiedział, że każda decyzja dotycząca modelu sprowadza się do trzech czynników: szybkości, dokładności i kosztu. Mniejszy, tańszy model dawał szybkie wyniki, ale charakteryzował się niższą dokładnością; większy model, który potrafił obsłużyć złożoność, oznaczał wyższą cenę. Gdy inżynieria promptów osiągnęła swoje granice, zespół zwrócił się ku podejściom opartym na wyszukiwaniu oraz przetwarzaniu wsadowemu, aby kontrolować koszty. Musiał również stworzyć i stale utrzymywać „złoty zbiór danych” — wiarygodne źródło prawdy, względem którego można było mierzyć dokładność klasyfikatora, nawet gdy podstawowe powody kontaktu wciąż się zmieniały.
Akceptację dla projektu uzyskano dzięki zakwestionowaniu samej taksonomii, a nie tylko modelu. „Czasami myślimy, że można po prostu dodać AI do każdego rozwiązania i na tym zakończyć” — powiedział Hernandez. „Ale dobre dane na wejściu dają dobre dane na wyjściu. A jeśli na wejściu masz złe dane, na wyjściu otrzymasz złe dane”. Doprowadziło to zespół do uproszczenia listy ponad 1 500 powodów kontaktu, zamiast zmuszać model do obchodzenia jej ograniczeń.
Rezultaty obejmowały oszczędności czasu obsługi rozmów i usprawnienie pracy po rozmowie, ale Hernandez jasno wskazał, co miało największe znaczenie: oddanie konsultantom czasu, aby mogli skupić się na członku, a nie na dokumentacji. „Za każdym razem, gdy automatyzujemy zadania, tak naprawdę nie usuwamy punktu kontrolnego, tylko go przenosimy” — powiedział. „AI działa jak mnożnik przy usuwaniu żmudnej pracy, ale to człowiek w pętli sprawia, że ten mnożnik jest rzeczywiście godny zaufania”.
Ta równowaga jest bezpośrednio widoczna w sposobie działania potoku audytowego. Zamiast ufać systemowi i pozwalać mu od razu wprowadzać zmiany na produkcji, generuje on cotygodniowy raport wskazujący miejsca wystąpienia regresji lub nieudanych testów, dzięki czemu zespół Hernandeza dokładnie wie, na czym się skupić. „Właśnie w tym miejscu znajdujemy równowagę” — powiedział — „próbując wykorzystać LLM jako sędziego oraz różne możliwości, aby rozszerzać zakres działania i podejmować się większej liczby zadań bez wprowadzania ryzyka dla firmy”.
Automatyzacja planowania łańcucha dostaw dzięki agentowej sztucznej inteligencji
Zespół Ghonge'a współpracuje z tysiącami dostawców i partnerów, a dane potrzebne do prognozowania popytu dla każdego z nich były rozproszone wśród oprogramowania CRM, narzędzi do zarządzania projektami i arkuszy Excela — przy czym w poszczególnych systemach oznaczano je w niespójny sposób. „Nie było kontroli nad danymi, ponieważ potoki danych pochodziły z różnych programów, które miały różnych właścicieli i użytkowników” — powiedział.
Ręczne uzgadnianie wszystkich danych zajmowało Ghonge od 16 do 20 godzin tygodniowo, w momencie gdy firma była jeszcze stosunkowo niewielka. „To było dla mnie szaleństwo” — powiedział. Zaczął więc eksperymentować, najpierw tworząc prototyp w Excelu, aby sprawdzić, czy takie podejście może się sprawdzić. Pomogło, ale nie całkowicie. Wtedy zwrócił się ku agentycznej sztucznej inteligencji, samodzielnie budując system dzięki doświadczeniu w tworzeniu pulpitów nawigacyjnych i definiowaniu wymagań produktowych, choć bez formalnego wykształcenia inżynierskiego.
Wdrożenie rozpoczęło się na małą skalę — Ghonge był jedynym użytkownikiem — i rozwijało się poprzez nieformalne kanały: rozmowy dotyczące przeglądów działalności, spotkania przy lunchu i dzielenie się wiedzą oraz przekazywanie informacji z ust do ust. Cztery miesiące później platforma miała ponad 75 użytkowników i tysiące wyświetleń.
Rezultaty były znaczące. To, co wcześniej zajmowało 20 godzin, teraz zajmuje dwie, co oznacza 80-procentowe skrócenie czasu potrzebnego do przygotowania prognozy popytu, a także 40-procentowe zmniejszenie błędu prognozowania. „Najważniejsza jest 80-procentowa redukcja czasu potrzebnego do wygenerowania prognozy popytu przy zachowaniu wysokiej dokładności” — powiedział Ghonge. „Zaobserwowaliśmy również około 40-procentowe zmniejszenie [błędu] prognozowania”. System zapewnił zespołowi także widoczność, której wcześniej nie miał — możliwość dokładnego określenia, które atrybuty dostawców powodowały tysiące comiesięcznych zmian, zamiast zgadywania.
Zaufanie nie wynikało z samego określenia „AI”. Zbudowała je przejrzystość. Gdy dane z zarządzania projektami eksportowały się jako 18 000 wierszy, które w rzeczywistości reprezentowały zaledwie 600–700 prawdziwych zgłoszeń, system Ghonge'a analizował i porządkował ten bałagan w przejrzystą tabelę, którą użytkownicy mogli bezpośrednio przeglądać, zamiast przekopywać się przez narzędzie źródłowe zgłoszenie po zgłoszeniu. „Zamiast za każdym razem przechodzić do narzędzia dla każdego zgłoszenia, mogą teraz łatwo zobaczyć wszystko w jednym systemie” — powiedział. Użytkownicy mogli również wyświetlić dowolny poprzedni tydzień i porównać go z bieżącym, obserwując, jak błędy prognozowania zmniejszają się z czasem — co stanowiło dowód, że system rzeczywiście działa, a nie tylko automatyzuje proces.
Ghonge przypisał AI również coś, czego pierwotnie nie planował: dokumentację. Gdy zaczął prosić AI o śledzenie własnych wdrożeń i poświęcanego czasu, był w stanie retrospektywnie zmierzyć własny proces tworzenia — aż do liczby poleceń potrzebnych do osiągnięcia celu.
Budowa silnika cyfrowych operacji opartego na AI
Zespół Banakh postanowił na nowo wyobrazić sobie całą ścieżkę sprzedaży pojazdu — sposób wprowadzania pojazdów na rynek, ich wyceny, przygotowywania do sprzedaży, dopasowywania do kupujących, przeprowadzania transakcji, realizacji zamówień i transportu — jako jeden połączony proces cyfrowy, zamiast tradycyjnego modelu stosowanego w branży: klient przywozi samochód raz w tygodniu na stacjonarną aukcję i ma nadzieję, że tego dnia zostanie sprzedany.
„Niedawno zbudowaliśmy w pełni inteligentny, cyfrowy kompleksowy przepływ pracy dla jednego z naszych kluczowych partnerów, obejmujący: przyjmowanie danych pojazdu, inspekcję, wycenę, przygotowanie do sprzedaży, wyszukiwanie kupujących, transakcję i realizację zamówienia” — powiedziała Banakh. „Wszystko to połączyło się w jeden ciągły proces”.
Najtrudniejsza nie była technologia. Była nią sama branża. „Czynnik ludzki jest w tej branży notorycznie niechętny rozwiązaniom cyfrowym” — powiedziała Banakh. „Wciąż widzę dealerów chodzących z długopisem i papierem do dokumentowania”. Oznaczało to, że projekt wymagał czegoś więcej niż zmiany procesu — potrzebna była zmiana paradygmatu w kluczowych zachowaniach, którą łatwo przeprowadzić niewłaściwie.
Ze względu na napięty harmonogram zespół Banakh wykorzystał AI do symulowania różnych osobowości interesariuszy i omówienia sposobu, w jaki powinien zostać połączony przepływ pracy. „W zasadzie współtworzyliśmy projekt przepływu pracy” — powiedziała. „Następnie przedstawiliśmy go naszemu partnerowi do zatwierdzenia. To naprawdę przyspieszyło rozmowy” — zastępując powolne, indywidualne spotkania walidacyjne projektem, na który partner mógł bezpośrednio zareagować.
Projekt jest nadal na wczesnym etapie pilotażu, dlatego Banakh mogła udostępnić tylko ograniczoną liczbę danych, ale najważniejszy rezultat był wyraźny: czas realizacji procesu już skrócił się o dwie trzecie, mimo że system nie został jeszcze w pełni zoptymalizowany. „Czas realizacji procesu jest obecnie krótszy o dwie trzecie, a nie przeprowadziliśmy jeszcze pełnej optymalizacji” — powiedziała, dodając, że można oczekiwać dalszych redukcji kosztów, amortyzacji aktywów i nakładu pracy ludzkiej.
Przekonanie do projektu sceptycznych interesariuszy nie wymagało agresywnej prezentacji. „Należy odwołać się do uzasadnienia i zwrotu z inwestycji, a prawdziwi ludzie biznesu przekonują się, gdy widzą rezultat” — powiedziała Banakh. Dla dealerów, którzy wolą nadal działać po staremu, to również jest w porządku — system został stworzony dla partnerów, którzy chcą skalować działalność na poziomie krajowym, a nie zastępować każdy przepływ pracy, który już komuś dobrze służy.
Wspólny mianownik
Różne branże, różne narzędzia, różna skala — ale ta sama podstawowa dyscyplina. Zespół Hernandeza zbudował drugi system AI tylko po to, aby kontrolować pierwszy. Ghonge zapewnił swojej platformie widoczność, dzięki której użytkownicy mogli samodzielnie weryfikować dane, zamiast przyjmować wyniki na wiarę. Zespół Banakh zapewnił „płynne przekazanie na każdym etapie”, a kierownik programu odpowiadał za wychwytywanie anomalii, które w innym przypadku mogłyby umknąć podczas weryfikacji przez człowieka.
Żaden z tych zespołów nie zdobył poparcia, przedstawiając sztuczną inteligencję jako koncepcję. Osiągnęli to, wdrażając coś niewielkiego, udowadniając, że to działa, i pozwalając, by wyniki przemówiły same za siebie. Jak ujął to Banakh: „prawdziwi ludzie biznesu przekonują się, gdy widzą rezultat”. To właśnie wzorzec obecny we wszystkich trzech studiach przypadków: chodzi w mniejszym stopniu o samą sztuczną inteligencję, a bardziej o dyscyplinę polegającą na budowaniu zaufania do systemu równolegle z jej wdrażaniem.
Chcesz poznać więcej podobnych spostrzeżeń? Zarejestruj się, aby bezpłatnie założyć konto DPM i poznać opinie kolejnych ekspertów takich jak ci oraz jako pierwszy dowiadywać się o nadchodzących wydarzeniach.
