Optymalizacja procesów z użyciem AI w przedsiębiorstwie: od architektury do skalowania

Czym jest optymalizacja procesów z użyciem AI w erze systemów agentowych?

Optymalizacja procesów z użyciem AI to przeprojektowanie architektury procesów biznesowych tak, by wykorzystywały autonomicznych agentów i uczenie maszynowe. Wykracza daleko poza prostą automatyzację zadań. Wymaga wskazania złożonych obszarów, w których wartość wnoszona przez AI rośnie z czasem.

Właśnie tam kryją się największe korzyści finansowe.

Dodanie modelu do wadliwego procesu tylko przyspiesza wadliwy proces. Jeśli jednak przeprojektujesz proces pod kątem mocnych stron modelu, zyskasz zupełnie nowy sposób działania.

Na poziomie architektury optymalizacja procesów z użyciem AI obejmuje:

• Podział procesu na etapy: Rozbicie każdego procesu na odrębne, mierzalne kroki, które agent może wykonać lub ocenić.
• Orkiestrację agentów: Kierowanie zadań do wyspecjalizowanych agentów na podstawie kontekstu, kosztu i progów pewności.
• Udział człowieka w procesie: Dokładne określenie, kiedy człowiek ma sprawdzić lub zatwierdzić wynik albo interweniować w ciągu decyzji agenta.
• Pętle informacji zwrotnej: Gromadzenie poprawek wprowadzanych przez ludzi i wykorzystywanie ich w procesach dostrajania modeli lub optymalizacji promptów.

Poniższy schemat pokazuje, jak w przeprojektowanych procesach zadania trafiają do agentów i ludzi:

Aby wdrożyć to w praktyce, uwzględnij na liście kontrolnej:

• [ ] Opisz obecny przebieg procesów, uwzględniając znaczniki czasu i koszt każdego etapu
• [ ] Wskaż złożone etapy, w których agenci działają lepiej niż logika oparta na regułach
• [ ] Ustal progi pewności oddzielające samodzielne działanie agenta od kontroli człowieka
• [ ] Zapewnij rejestrowanie informacji zwrotnej przy każdej ingerencji człowieka w decyzję agenta
• [ ] Mierz koszt, opóźnienie i trafność każdego wywołania agenta
• [ ] Ustal kwartalny cykl przeglądów zakresu samodzielności agentów

Dziś wygrywają nie organizacje z największą liczbą modeli.

Wygrywają te, które najstaranniej przeprojektowały swoje procesy.

Krok 1: Przeprowadź audyt istniejących procesów i znajdź złożone obszary zastosowania AI

Większość przedsiębiorstw zaczyna od niewłaściwego pytania: „Gdzie możemy dodać AI?”. Właściwe brzmi: „Które procesy są najbardziej złożone i najmniej zautomatyzowane oraz ile nas to kosztuje?”. Optymalizacja procesów z użyciem AI zaczyna się od bezkompromisowego audytu wszystkich procesów operacyjnych, opartego na danych.

Pozostałe 66% eksperymentuje, a różnica między tymi dwiema grupami tkwi w jakości audytu. Nie da się usprawnić czegoś, czego przebiegu się nie zna.

Do audytu procesów stosujemy uporządkowaną metodykę.

Oto dokładny sposób postępowania:

1. Wyeksportuj dzienniki zdarzeń z systemów ERP, CRM i obsługi zgłoszeń. Pobierz wszystkie znaczniki czasu, informacje o wykonawcach i zmianach stanu z ostatnich 90 dni.
2. Odtwórz rzeczywisty przebieg procesu za pomocą analizy procesów na podstawie danych. Proces opisany w dokumentacji i ten realizowany w praktyce niemal nigdy nie są takie same.
3. Sklasyfikuj każdy etap według złożoności (oparty na regułach lub wymagający oceny) i częstotliwości (duża lub mała liczba przypadków).
4. Oceń potencjał zastosowania AI, mnożąc wagę złożoności przez liczbę przypadków. Priorytetem są złożone etapy występujące często.
5. Oszacuj obecny koszt każdego etapu na podstawie całkowitych kosztów pracy i kosztów poprawiania błędów.

Zespołom technicznym zalecamy programowe mapowanie procesów.

Oto minimalny przykład klasyfikowania etapów procesu według potencjału zastosowania AI przy użyciu Python 3.12 i LangChain v0.2:

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from pydantic import BaseModel, Field
from typing import Literal


class StepClassification(BaseModel): step_name: str = Field(description="The workflow step being classified") complexity: Literal["rules-based", "judgment-based", "hybrid"] = Field( description="Whether the step follows fixed rules or requires human judgment" ) frequency: int = Field(description="Number of occurrences per month") ai_opportunity_score: float = Field( description="Score from 0.0 to 1.0 indicating AI replacement potential" )


llm = ChatOpenAI(model="gpt-4o", temperature=0)
structured_llm = llm.with_structured_output(StepClassification)


prompt = ChatPromptTemplate.from_messages([ ("system", "You are a process auditor. Classify workflow steps for AI replacement potential."), ("human", "Step name: {step_name}\nDescription: {description}\nMonthly volume: {volume}"), ])


chain = prompt | structured_llm


result = chain.invoke({ "step_name": "Invoice exception handling", "description": "Review flagged invoices, determine cause, route to correct department or vendor", "volume": 3400 })


print(f"Score: {result.ai_opportunity_score} | Complexity: {result.complexity}")

Audyt musi ujawnić trzy rzeczy: całkowity koszt procesu, odsetek błędów i czas realizacji. Bez wszystkich trzech jedynie zgadujesz. Złożone etapy powtarzane tysiące razy w miesiącu to obszar, w którym optymalizacja procesów z użyciem AI przynosi korzyści rosnące wraz ze skalą.

Krok 2: Zaplanuj, co zbudować, a co kupić, oraz określ zasady nadzoru

W każdym projekcie optymalizacji procesów z użyciem AI pojawia się ten sam wybór: zbudować własną architekturę agentów czy kupić gotowe narzędzie SaaS do obsługi procesów.

Odpowiedź zależy od złożoności procesu, wrażliwości danych oraz tego, na ile dany proces wyróżnia twoją firmę na rynku.

Ten wzrost wynika w dużej mierze z decyzji o budowie własnych rozwiązań, ponieważ zespoły IT chcą kontrolować zachowanie agentów i przepływ danych. Nie zawsze jednak warto budować własny system. Zakup jest szybszy, tańszy i często wystarcza do obsługi standardowych procesów.

Oto nasze kryteria wyboru:

Niezależnie od wybranej drogi zasady nadzoru są konieczne. Autonomiczni agenci podejmujący decyzje biznesowe potrzebują jasno określonych ograniczeń. Oto model nadzoru, który wdrażamy:

• Rejestracja agentów: Każdy agent otrzymuje unikalny identyfikator, osobę odpowiedzialną, opis celu i listę dozwolonych działań.
• Listy dozwolonych działań: Agenci mogą wywoływać tylko wcześniej zatwierdzone API i narzędzia. Nie mają swobody korzystania z dowolnych narzędzi.
• Rejestrowanie audytowe: Każda decyzja agenta, dane wejściowe i wyjściowe oraz każda ingerencja człowieka są zapisywane wraz ze znacznikami czasu.
• Limity wywołań: Ograniczenie częstotliwości działania agentów zapobiega niekontrolowanym kosztom i awariom kaskadowym.
• Warunki przekazania sprawy człowiekowi: Określ progi pewności, poniżej których agent musi przekazać sprawę człowiekowi.
• Kwartalny przegląd dostępu: Co 90 dni ponownie oceń uprawnienia i zakres dozwolonych działań każdego agenta.

Oto przykładowe dane rejestracyjne agenta w formacie JSON:

{
 "agent_id": "inv-exception-001",
 "name": "Invoice Exception Handler",
 "owner": "[email protected]",
 "purpose": "Classify and route invoice exceptions to correct department",
 "approved_actions": ["read_invoice", "classify_exception", "route_to_department"],
 "confidence_threshold": 0.85,
 "max_calls_per_hour": 500,
 "human_escalation": true,
 "review_cycle_days": 90
}

Źle zaprojektowana ścieżka akceptacji może spowalniać pracę, ale brak zabezpieczeń również prowadzi do opóźnień i incydentów. Już na etapie pilotażu określ wymagania dotyczące uprawnień, dzienników, eskalacji i wycofywania zmian, a następnie zmierz ich wpływ na czas realizacji.

Wbrew powszechnej opinii: dlaczego wdrożenie AI bez przeprojektowania stanowisk pracy skazuje projekt na porażkę

Według powszechnego przekonania samo udostępnienie pracownikom narzędzi AI zwiększa produktywność. Dane pokazują co innego: większy dostęp przy niezmienionej organizacji pracy przynosi jedynie niewielkie korzyści.

Dlatego większość projektów optymalizacji procesów z użyciem AI kończy się niepowodzeniem. Dajesz pracownikom narzędzie, ale nie zmieniasz sposobu organizacji ich pracy. Narzędzie staje się udogodnieniem, a nie źródłem zasadniczej zmiany.

Weźmy zespół rozpatrujący roszczenia. Dostaje asystenta AI, który na podstawie dokumentów wstępnie wypełnia pola zgłoszenia. Jeśli pracownicy nadal muszą ręcznie sprawdzać każde pole, AI oszczędza im może 10% czasu.

Jeśli jednak przeprojektujesz pracę tak, by ludzie sprawdzali tylko zgłoszenia, przy których poziom pewności agenta spada poniżej ustalonego progu, skrócisz czas obsługi o 60% lub więcej. To samo narzędzie. Inna organizacja pracy.

Sześciokrotnie większy efekt. Oto czego wymaga przeprojektowanie stanowisk pracy pod kątem AI:

• Eliminacja zadań: Usuń zadania, które agenci wykonują już w całości. Nie zostawiaj ich ludziom jako pracy „na wszelki wypadek”.
• Nowy zakres ról: Przenieś obowiązki ludzi z wykonywania zadań na nadzór, obsługę wyjątków i uczenie agentów.
• Zmiana mierników: Przestań oceniać pracowników na podstawie liczby wykonanych zadań. Oceniaj jakość obsługi wyjątków i poprawę skuteczności agentów.
• Rozwój umiejętności: Naucz pracowników pisać skuteczne prompty, krytycznie oceniać wyniki pracy agentów i przekazywać uporządkowaną informację zwrotną.
• Przebudowa procesu: Skieruj zadania tak, by agenci wykonywali pierwszy etap pracy, a ludzie podejmowali decyzje wymagające oceny.

Różnica w zwrocie z inwestycji między firmami, które przeprojektowują stanowiska pracy, a tymi, które tego nie robią, nie jest jedynie kwestią skali. Wynika z samej organizacji pracy.

W hipotetycznym przykładzie przebudowy obsługi roszczeń do weryfikatora trafiałyby tylko wyjątki obarczone wysokim ryzykiem, zamiast wymagać sprawdzania każdego pola. Przetestuj tę zmianę na historycznych sprawach, określ koszty wyników fałszywie dodatnich i fałszywie ujemnych, a publikuj wyłącznie wyniki rzeczywistego pilotażu.

Nie da się dołożyć AI do organizacji pracy z XX wieku i oczekiwać wyników na miarę XXI wieku.

Krok 3: Przenieś procesy AI z etapu eksperymentalnego PoC do środowiska produkcyjnego

Przejście ze środowiska testowego na produkcję to etap, na którym upada większość projektów optymalizacji procesów z użyciem AI. Oznacza to, że prawie dwie trzecie z nich wciąż tkwi na etapie pilotażu.

Wdrożenie produkcyjne wymaga trzech decyzji architektonicznych: dotyczących infrastruktury inferencji, zarządzania kosztami i monitorowania działania systemu.

Jeśli nie zadbasz o wszystkie trzy, pozostaniesz w środowisku testowym.

Oto nasza lista kontrolna przed przejściem na produkcję:

1. Zastąp bezpośrednie wywołania API inferencją wsadową wszędzie tam, gdzie to możliwe, aby obniżyć koszt na token o 40. To znacząca oszczędność.
2. Wdróż vLLM do inferencji na własnej infrastrukturze w procesach o dużym wolumenie, aby całkowicie wyeliminować opłaty za tokeny.
3. Użyj Ray do rozproszonej orkiestracji agentów, aby skalować system horyzontalnie bez przepisywania logiki agentów.
4. Wprowadź mechanizmy odcinające przy każdym wywołaniu agenta, aby zapobiegać kaskadowym awariom.
5. Uruchom panele kosztów w czasie rzeczywistym, które pokazują wydatki dla każdego procesu, agenta i wywołania.
6. Określ cele SLO dla opóźnienia i trafności agentów oraz powiąż je z alertami.

Poniżej znajduje się minimalna konfiguracja Ray Serve do wdrożenia procesu obsługiwanego przez agenta na dużą skalę:

# ray_agent_deploy.py
# Requires: ray[serve]>=2.10, vllm>=0.5, fastapi
import ray
from ray import serve
from vllm import LLM, SamplingParams


ray.init()


@serve.deployment(num_replicas=4, ray_actor_options={"num_gpus": 1}) class WorkflowAgent: def __init__(self): self.llm = LLM( model="meta-llama/Llama-3.3-70B-Instruct", tensor_parallel_size=1, gpu_memory_utilization=0.90, max_model_len=8192, ) self.params = SamplingParams(temperature=0.1, max_tokens=512)


 async def __call__(self, request): prompt = await request.json() prompt_text = prompt.get("task", "") outputs = self.llm.generate([prompt_text], self.params) return {"result": outputs.outputs.text}


app = WorkflowAgent.bind()

A oto konfiguracja serwera vLLM pozwalająca kontrolować koszty inferencji:

# vllm serve command for production agent inference
python -m vllm. entrypoints. openai. api_server \
 --model meta-llama/Llama-3.3-70B-Instruct \
 --tensor-parallel-size 4 \
 --gpu-memory-utilization 0.90 \
 --max-model-len 8192 \
 --enable-chunked-prefill \
 --max-num-seqs 256 \
 --port 8000

Przy 2 milionach wywołań miesięcznie koszt wynosi $0.006 za wywołanie, w porównaniu z $0.015-0.060 za wywołanie u dostawców hostowanych API. Próg opłacalności względem droższego API przypada na około 200,000 wywołań miesięcznie.

Decyzje architektoniczne podjęte na etapie PoC przesądzają o tym, czy wdrożenie produkcyjne będzie opłacalne.

Jak dokładnie mierzyć zwrot z inwestycji w przeprojektowanie procesów z użyciem AI?

Większość organizacji nie potrafi dokładnie zmierzyć zwrotu z inwestycji w optymalizację procesów z użyciem AI, ponieważ śledzi niewłaściwe wskaźniki. Mierzą poziom wykorzystania narzędzi i zadowolenie użytkowników. Powinny mierzyć koszt inferencji, zmiany przepustowości i ograniczenie pracy wykonywanej przez ludzi.

40% organizacji spodziewa się dodatniego zwrotu z inwestycji w ciągu 1 do 3 lat. To dane orientacyjne. Twoje wyliczenia muszą być precyzyjne.

Oto model pomiaru ROI, z którego korzystamy:

1. Koszt inferencji: łączny koszt inferencji podzielony przez całkowitą liczbę uruchomień agentów. Mierz go co miesiąc. 2. Zmiana przepustowości: liczba zadań wykonanych w ciągu godziny przed wdrożeniem procesu z AI i po nim.
2. Ograniczenie pracy ręcznej: liczba wyeliminowanych godzin pracy ręcznej pomnożona przez pełny koszt godziny pracy.
3. Zmiana poziomu błędów: poziom błędów przed wdrożeniem AI i po nim, z uwzględnieniem kosztu pojedynczego błędu.
4. Skrócenie czasu realizacji: czas od rozpoczęcia zadania do jego zakończenia, mierzony w godzinach pracy.
5. Czas do osiągnięcia progu opłacalności: skumulowane oszczędności podzielone przez całkowity koszt wdrożenia.

Prześledźmy konkretny przykład.

Weźmy proces obsługi wyjątków dotyczących faktur:

Miesięczny wolumen: 3,400 wyjątków Koszt obsługi ręcznej: 3,400 wyjątków × 12 minut × $45/godz. pełnego kosztu pracy = $30,600/miesiąc Struktura kosztów obsługi automatycznej: - Inferencja z vLLM na własnej infrastrukturze: 3,400 wywołań × $0.006 = $20.40/miesiąc - Węzeł GPU w chmurze (współdzielony): przypisane $3,000/miesiąc - Platforma orkiestracji agentów: $1,200/miesiąc - Weryfikacja przez człowieka (15% eskalacji): 510 weryfikacji × 8 minut × $45/godz. = $3,060/miesiąc - Łączny koszt obsługi automatycznej: $7,280.40/miesiąc Miesięczne oszczędności: $30,600 - $7,280.40 = $23,319.60 Koszt wdrożenia: $85,000 (rozwój, testy, wdrożenie) Próg opłacalności: $85,000 / $23,319.60 = 3.6 miesiąca

Najważniejsze jest to, że ROI nie sprowadza się do jednej liczby. Zmienia się w czasie. W pierwszym miesiącu jest ujemny.

W czwartym inwestycja osiąga próg opłacalności. W dwunastym zwrot wynosi 3,3x. Śledź ten przebieg, a nie pojedynczy pomiar.

Organizacje, które mierzą ROI tylko przy wdrożeniu i po roku, przeoczają punkt zwrotny i zbyt wcześnie kończą projekty.

Przykłady optymalizacji procesów w różnych branżach

Łańcuch dostaw i logistyka dostarczają najwyraźniejszych dowodów na to, że optymalizacja procesów z użyciem AI przynosi mierzalne korzyści.

Zobaczmy, jak wygląda to w praktyce. Średniej wielkości operator logistyczny, który codziennie wysyła w trasę 200 ciężarówek, mierzy się z trzema wąskimi gardłami: planowaniem tras, prognozowaniem popytu i obsługą wyjątków. Każdy z tych procesów ma inny profil kosztów i inny potencjał zastosowania AI.

Optymalizacja tras: Przed wdrożeniem AI dyspozytorzy ręcznie dostosowują trasy do ruchu drogowego, pogody i okien dostaw. Po wdrożeniu agent stale optymalizuje trasy wszystkich 200 ciężarówek. Koszty transportu spadają o 25%, ponieważ ciężarówki rzadziej jeżdżą bez ładunku i zużywają mniej paliwa.

Prognozowanie popytu: Tradycyjne prognozy opierają się na średnich historycznych skorygowanych o sezonowość. Modele prognozowania oparte na AI uwzględniają sygnały w czasie rzeczywistym: pogodę, lokalne wydarzenia, wskaźniki gospodarcze i ceny konkurencji. Poprawa trafności prognoz o 85% oznacza gwałtowny spadek kosztów utrzymywania zapasów, bo przechowujesz to, czego potrzebujesz, zamiast polegać na przypuszczeniach.

Obsługa wyjątków: Gdy przesyłka się opóźnia, stary proces uruchamia łańcuch telefonów. W zoptymalizowanym procesie agent automatycznie zmienia trasę, powiadamia klientów i aktualizuje przewidywane czasy dostawy. Koszty operacyjne spadają o 23%, ponieważ udział człowieka zmniejsza się ze 100% przypadków do około 15%.

We wszystkich tych przykładach widać ten sam mechanizm. Optymalizacja procesów z użyciem AI nie poprawia tylko jednego wskaźnika. Korzyści kumulują się w całym łańcuchu dostaw.

Optymalizacja tras dostarcza danych o popycie. Trafniejsze prognozy popytu ograniczają liczbę wyjątków. Mniej wyjątków oznacza mniej interwencji człowieka, a każde usprawnienie obniża koszt kolejnego.

To nie są teoretyczne prognozy. Dane Capgemini z 2026 roku potwierdzają takie oszczędności w działających systemach AI dla łańcuchów dostaw. Osiągają je firmy, które przeprojektowały procesy, a nie tylko panele z danymi.

Przyszłość pracy: jak przygotować się na systemy wieloagentowe

Przejście od procesów obsługiwanych przez jednego agenta do systemów wieloagentowych przyspiesza szybciej, niż większość przedsiębiorstw zdołała się przygotować.

Systemy wieloagentowe zmieniają rachunek opłacalności optymalizacji procesów z użyciem AI. Zamiast powierzać cały proces jednemu agentowi, wyspecjalizowani agenci współpracują ze sobą. Agent badawczy zbiera dane.

Agent analityczny ocenia możliwości. Agent decyzyjny rekomenduje działania. Człowiek weryfikuje rekomendację.

Każdy z tych agentów jest mniejszy, tańszy i bardziej niezawodny niż jeden rozbudowany agent, który próbuje zrobić wszystko.

Infrastruktura musi się do tego dostosować.

Oto co operatorzy powinni zbudować już teraz:

• Protokoły komunikacji między agentami: Określ, jak agenci przekazują sobie kontekst i zadania oraz jak eskalują sprawy między sobą.
• Systemy współdzielonej pamięci: Zapewnij agentom dostęp do wspólnego stanu, aby nie powielali pracy ani nie przeczyli sobie nawzajem.
• Warstwy orkiestracji: Wdróż agenta kierującego zadaniami lub orkiestrator, który zarządza przydziałem zadań i rozwiązywaniem konfliktów.
• Przypisywanie kosztów poszczególnym agentom: Śledź wydatki na poziomie każdego agenta, a nie tylko całego procesu.
• Zapobieganie kaskadowym awariom: Jeśli jeden agent zawiedzie, system powinien działać dalej w ograniczonym zakresie, zamiast całkowicie przestać działać.

Równie ważna jest zmiana sposobu pracy. Pracownicy muszą zrozumieć, że ich rola przesuwa się z wykonywania zadań na nadzorowanie agentów, którzy je wykonują. To nie jest drobna korekta, lecz zasadnicza zmiana roli człowieka w procesach operacyjnych.

Microsoft i inni dostawcy platform dodają funkcje orkiestracji agentów bezpośrednio do swoich pakietów dla przedsiębiorstw, co przyspieszy ich wdrażanie. Najwięcej zyskają jednak organizacje, które przygotują procesy, zasady nadzoru i pracowników na systemy wieloagentowe, zanim pojawią się narzędzia, a nie dopiero później.

Kierunek zmian jest jasny. Procesy obsługiwane przez jednego agenta to dzisiejszy sposób optymalizacji. Systemy wieloagentowe staną się jutro standardem. W ciągu najbliższych 18 miesięcy różnica między liderami a firmami pozostającymi w tyle wyraźnie się powiększy.