Cześć, z tej strony Justyna.

W EveryDayAI odpowiadam za koordynację wdrożeń. W praktyce oznacza to, że kiedy nasz architekt projektuje rozwiązanie od strony technologicznej, ja pomagam przełożyć je na realia działania organizacji — niezależnie od tego, czy mówimy o firmie, czy instytucji publicznej.

I właśnie na tym etapie bardzo szybko okazuje się, że największym wyzwaniem rzadko bywa sama technologia. Najczęściej problemem są dane. Podczas pierwszych spotkań wdrożeniowych regularnie słyszę podobne deklaracje:

„Mamy kilka terabajtów dokumentów z ostatnich dziesięciu lat. Podepnijmy wszystko pod system. Im więcej danych, tym lepiej.”

To intuicyjne myślenie, ale w przypadku systemów RAG działa dokładnie odwrotnie. RAG nie potrzebuje wszystkich informacji. Potrzebuje właściwych informacji. Jeżeli zasilimy system nieaktualnymi dokumentami, duplikatami lub materiałami o niejasnym statusie, otrzymamy odpowiedzi, które będą równie niespójne jak źródła, na których zostały oparte. W świecie AI jakość danych zawsze wygrywa z ich ilością.

Gdy AI trafia na piętnaście wersji tej samej procedury

Dobrze pokazuje to przykład jednego z naszych wdrożeń w administracji publicznej.

Celem projektu było usprawnienie pracy urzędników odpowiadających na pytania mieszkańców dotyczące programów dotacyjnych. Założenie było proste: zamiast ręcznie przeszukiwać dokumentację, pracownik miał otrzymywać odpowiedź w ciągu kilku sekund.

Podczas testów zadaliśmy systemowi pytanie o termin składania wniosków. Odpowiedź była błędna. AI wskazało datę obowiązującą trzy lata wcześniej. Po analizie okazało się, że w jednym folderze znajdowało się kilka wersji tego samego regulaminu. Każda aktualizacja była zapisywana jako osobny plik:

• • Regulamin_finalny.pdf

• • Regulamin_poprawiony_v2.pdf

• • Regulamin_aktualny_2023_v3.pdf

Dla człowieka taki bałagan jest uciążliwy, ale zazwyczaj potrafimy intuicyjnie ocenić, który dokument jest najnowszy. System RAG nie działa w ten sposób. Dla niego wszystkie dokumenty stanowiły potencjalnie wiarygodne źródła wiedzy. W efekcie pobrał wersję, która statystycznie najlepiej pasowała do treści pytania, choć nie była już aktualna.

Gdyby rozwiązanie zostało uruchomione bez wcześniejszej weryfikacji danych, urzędnik przekazałby mieszkańcowi błędną informację. To nie był problem sztucznej inteligencji. To był problem jakości dokumentacji.

Firmy również mają swoje „archiwa pułapki”

Podobne sytuacje obserwujemy w sektorze prywatnym. Podczas jednego z projektów analizowaliśmy bazę dokumentów wykorzystywaną przez dział handlowy dużej organizacji z branży finansowo-ubezpieczeniowej. W tym samym repozytorium znajdowały się zarówno aktualne ogólne warunki ubezpieczenia, jak i wersje archiwalne sprzed kilku lat. Żaden dokument nie był odpowiednio oznaczony.

Gdy handlowiec pytał system o wysokość świadczenia lub zakres ochrony, AI otrzymywało dwa różne zestawy informacji dotyczące tego samego produktu. W takich sytuacjach nawet najlepiej zaprojektowany system nie jest w stanie zagwarantować pełnej poprawności odpowiedzi.

RAG działa jak bardzo skuteczny analityk — potrafi odnaleźć właściwe informacje w ogromnych zbiorach danych. Jednak jeśli otrzyma sprzeczne źródła, ryzyko błędnej odpowiedzi znacząco wzrasta.

Wdrożenie AI zaczyna się od ludzi

Jednym z największych mitów dotyczących wdrożeń AI jest przekonanie, że za przygotowanie organizacji odpowiada wyłącznie dział IT. W praktyce skuteczne wdrożenie systemu RAG jest projektem między-działowym.

Przy jednym stole powinni znaleźć się:

• • Dział prawny i compliance – aby określić, które dane mogą być wykorzystywane przez system.

• • Kierownicy działów biznesowych – ponieważ najlepiej wiedzą, które procedury są aktualne i rzeczywiście wykorzystywane.

• • HR, sprzedaż i obsługa klienta – jako właściciele procesów, które będą wspierane przez AI.

• • Sekretariat, archiwum lub osoby zarządzające dokumentacją – ponieważ to one najczęściej znają rzeczywistą strukturę zasobów wiedzy organizacji.

Moją rolą jest połączenie tych perspektyw w jeden spójny proces. Przed uruchomieniem systemu wspólnie identyfikujemy duplikaty, usuwamy nieaktualne materiały, porządkujemy strukturę dokumentów i ustalamy, które źródła powinny być traktowane jako obowiązujące.

To etap, którego nie widać na prezentacjach technologicznych, ale właśnie on w największym stopniu decyduje o jakości późniejszego działania AI.

Co daje dobrze przygotowana baza wiedzy?

Różnica jest ogromna. Kiedy dokumentacja jest uporządkowana, aktualna i posiada jasno określone źródła prawdy, system zaczyna działać dokładnie tak, jak oczekują tego użytkownicy. Odpowiedzi są trafniejsze, bardziej spójne i łatwiejsze do zweryfikowania. Co równie ważne, pracownicy szybciej nabierają zaufania do narzędzia.

Co ciekawe, wielu klientów podkreśla później, że samo przygotowanie organizacji do wdrożenia było dla nich równie wartościowe jak uruchomienie AI. Proces porządkowania wiedzy często pozwala uporządkować obszary, które przez lata funkcjonowały w oparciu o nieaktualne dokumenty, niejasne procedury i rozproszone źródła informacji.

Najpierw porządek, potem technologia

Jeżeli rozważasz wdrożenie AI w swojej organizacji, zacznij od prostego pytania:

Czy masz pewność, że Twoje dokumenty zawierają aktualne i jednoznaczne informacje?

Sztuczna inteligencja potrafi znacząco przyspieszyć pracę zespołów i usprawnić dostęp do wiedzy. Jednak skuteczność każdego systemu zależy od jakości danych, które otrzymuje. Dobrze przygotowana baza wiedzy nie jest dodatkiem do wdrożenia. To fundament, od którego wszystko się zaczyna.

Chcesz sprawdzić, czy Twoja organizacja jest gotowa na wdrożenie bezpiecznego systemu AI?

Porozmawiajmy. Wspólnie przeanalizujemy obecną strukturę wiedzy, ocenimy gotowość danych i pokażemy, jak przygotować organizację do wdrożenia, które przyniesie realną wartość biznesową.