Maksymilian

Finanse to obszar, w którym adopcja AI przynosi najszybsze i najbardziej mierzalne rezultaty, ponieważ praca jest powtarzalna, procesy jasno zdefiniowane, a koszt wykonywania jej ręcznie można niezwykle łatwo zmierzyć Dlatego, szczególnie jeżeli jesteś CFO albo kimś związanym z finansami, zachęcam do przeczytania mojego artykułu, w którym przedstawiam pełną filozofię tego, jak my do tego podchodzimy i jak powinna wyglądać poprawna adopcja AI w wasze procesy - za darmo ;) Jedynym kosztem jest czas i skupienie się, bo trochę tego jest, a i tak starałem się nie wchodzić w techniczne szczegóły Enjoy!

pisanie czy też ustalanie wewnętrznej polityki ai w firmie na pewno nie jest łatwe. a to dlatego, że dotychczasowe podejście do zarządzania tym, jak ai działa wewnątrz firmy, po prostu nie wystarcza bez dobrze zbudowanej warstwy zarządzania cała transformacja ai która firma przejdzie może nie być tak efektywna i przynieść takiego ROI jak zakładano DISCLAIMER: podzielam podejście @vasuman i tego co robią w @varickagents bo robimy praktycznie to samo (w innej skali) i mamy podobne wnioski - polecam śledzić wracając do zarządzania ai w firmach zazwyczaj wygląda to tak: - jest jakiś dokument w pdf, który mówi o używaniu licencji na chatgpt albo claude i o tym, żeby nie wklejać tam poufnych informacji itd - powoływany jest jakiś zlepek ludzi z różnych działów, np. IT, security, HR, finance, legal - sporządzana jest lista zatwierdzonych narzędzi - proces weryfikacji dostawców ai te mechanizmy jednak niewiele dają w momencie, gdy ludzie zaczynają sami budować swoich agentów, którzy samodzielnie wykonują określone działania w systemach firmy najczęściej kończy się to tak, że np. w dziale finansów zespół od AP buduje swojego agenta na własnym kluczu API. później, gdy agent zaczyna działać, a inni zaczynają dostrzegać w nim realną wartość, zespół zaczyna dzielić się nim z pozostałymi zespołami coś takiego nazywa się agent sprawl problem polega na tym, że podczas audytu nikt nie wie, którzy agenci działali, kto zatwierdził ich działania, jakie prompty były używane i kto odpowiada za koszty zużytych przez nich tokenów stąd, gdy wdrażamy ai, traktujemy tę warstwę zarządzania jako problem inżynieryjny, a nie jako jakiś spisany na początku pdf, który ma reprezentować całą politykę zarządzania ai co ważniejsze, jest to etap, który musi powstać, zanim agenci dostaną prawo do jakiegokolwiek działania w realnych systemach firmowych oto 5 kroków, które zwiększą kontrolę i podniosą jakość zarządzania agentami ai: 1. tylko firmowe konta, żadnych prywatnych kluczy api nie możemy dopuścić do tego, żeby w firmie, w której pracują setki albo tysiące osób, krążyły prywatne klucze API agenci muszą działać na scentralizowanym koncie udostępnianym przez firmę. to pomaga również w pierwszych fazach wdrażania, kiedy agenci działają w shadow mode (mają dostęp tylko do odczytu, bez możliwości zapisu w firmowych systemach) dzięki temu firma może w każdym momencie edytować uprawnienia i dostęp 2. uprawnienia sprawdzane przy każdym działaniu każdy etap wdrożenia potrzebuje osobnego uprawnienia (stąd potrzeba rozdzielenia odczytu i zapisu) sprawdzanie tych uprawnień musi odbywać się przy każdej próbie działania podejmowanej przez agenta, a nie tylko w momencie jego uruchomienia 3. konkretna osoba odpowiedzialna za każde działanie trzeba jasno przypisać konkretną osobę do określonego działania agenta. trzeba tym samym jasno określić, gdzie agent może sam podejmować decyzje, a gdzie potrzebny jest osąd człowieka nawet gdy większość (90%) pracy będzie wykonywał agent, to nadal te 10% musi mieć przypisanego konkretnego człowieka, z imienia i nazwiska, stanowiska, zespołu, działu i roli (za co jest odpowiedzialny, jaką decyzję podejmuje) np. jan kowalski, menedżer AP, zmienia dane bankowe dostawcy powyżej 100 tys. pln 4. centralny rejestr agentów każdy agent musi być zarejestrowany w tzw. centralnym rejestrze agentów. znajdują się tam informacje o celu agenta (dlaczego powstał, jaki problem rozwiązuje), właścicielu, użytkownikach, systemach, do których ma dostęp (i na jakich zasadach), oraz jego wersji 5. szczegółowe logi i obserwowalność wszystkie działania, a zwłaszcza te odrzucone, muszą być logowane i nie mogą być zmieniane. pozwala to np. podczas ewaluacji jak najwierniej odtworzyć rzeczywistość, w której znajdował się dany agent, podejmując konkretną akcję odrzucone akcje w logach są bardzo ważne, bo pokazują, czy agent rzeczywiście próbuje robić to, do czego został stworzony i co zakładano podczas projektowania procesu uprzedzę, że warstwa obserwowalności i monitoringu w przypadku agentów różni się od tej w tradycyjnym software'ze --- można to zobrazować jako lejek, przez który musi przejść każde wywołanie agenta, niezależnie od tego, czy chodzi o użycie przez niego narzędzia, odczyt danych z ERP, czy wywołanie modelu ai wszystko musi przechodzić przez jedno miejsce, które w czasie rzeczywistym loguje i monitoruje działania agenta, a w razie potrzeby również je blokuje średnio cały proces tworzenia takiej warstwy zarządzania agentami może zajmować 2-3 miesiące. zajmuje to tyle czasu, ponieważ zwykle na początku trzeba posprzątać bałagan, który już istnieje w firmie, i dopiero potem zacząć projektować rozwiązanie pod kątem poprawnego zarządzania mało firm to robi, bo nie jest to łatwe ani wygodne. nie jest wygodne, bo tutaj trzeba coś posiadać i brać za coś odpowiedzialność w świecie, w którym każdy zespół buduje swoich agentów i nikt się pod nimi nie podpisuje, nie ma się czego bać. hulaj dusza piekła nie ma poleganie na gotowych narzędziach do zarządzania, udostępnianych przez dostawców modeli albo inne firmy trzecie, po pierwsze uzależnia tak ważną warstwę od innego podmiotu, a po drugie tworzy kolejny poziom rozproszenia danych (co probujemy właśnie naprawić) dobrze zaprojektowana i wdrożona warstwa zarządzania ai pozwala na jeszcze większe i pewniejsze wykorzystywanie agentów oraz lewarowanie nimi w biznesie zgadzam się, że to eksperci domenowi powinni wymyślać nowe zastosowania, bo to im agenci mają pomagać. ale infrastruktura musi być wspólna. TLDR dzisiejsza polityka ai w większości dużych firm jest przystosowana i napisana pod ludzi korzystających z chatbotów i sidekicków typu chatgpt albo claude code, a nie pod agentów wykonujących swoją pracę w tle, między firmowymi systemami. realne zarządzanie agentami to: 1. tylko firmowe konta (pozbycie się prywatnych kluczy API) 2. uprawnienia sprawdzane przy każdym działaniu agentów. przy KAŻDYM. 3. konkretne określenie właściciela decyzji z imienia i nazwiska 4. jedno scentralizowane miejsce kontroli 5. szczegółowe logi i obserwowalność budowa dobrze funkcjonującej warstwy zarządzania zajmuje 2-3 miesiące

polecam przeczytać

z biegiem czasu coraz więcej problemów, które mamy z ogólnie pojętym ai, będzie znikać. dobrze widać to właśnie po tym, jak zmienił się context engineering i jak wyzwania, z którymi na początku tego roku się zmagaliśmy, zostały już praktycznie rozwiązane nowsze modele, uczone na coraz to nowszych harnessach podczas RLowania, „zjadają” umiejętności tych harnessów, które materializują się w wagach modelu. stąd harness może być coraz mniejszy i nie musi już aż tak bardzo prowadzić modelu za rączkę fajnym przykładem są umiejętności związane z tool calling. zanim stało się ono natywną umiejętnością modeli, trzeba było się trochę nagimnastykować i obchodzić nieporadność modeli z tamtych czasów stąd wymuszało się na modelach generowanie JSONa opisującego wywołanie narzędzia, a następnie jego parsowanie w kodzie, tak aby na tej podstawie model mógł zwrócić wynik użycia danego narzędzia po tym, jak openai udostępniło tool calling, wszyscy porzucili te obejścia, bo nie było już sensu instruować modelu, jak używać narzędzi (bitter lesson) rzeczy, które stwarzały nam duże problemy na początku tego roku, teraz są praktycznie nieodczuwalne. ale ponieważ proces progresowania idzie w nieskończoność, zawsze pojawiają się nowe wyzwania o nich właśnie pisze ze swojej perspektywy @hwchase17 polecam lekturę z jakimi problemami wy mierzycie się na co dzień, jeżeli chodzi o dzisiejsze umiejętności modeli i harnessów?

mały rant na temat modelu mentalnego wdrażania ai pośród ludzi decyzyjnych w dużych firmach - zainspirowany poniższym postem niestety choroba chwalenia się ilością przepalonych tokenów, a tym samym przepalonej kasy, rozpowszechnia się bardzo szybko. nawet wśród ludzi, u których podejrzewałbym trochę więcej rozgarnięcia biznesowego (c-levels) z którymi mam do czynienia ale czego można się spodziewać, skoro dla kogoś decyzyjnego w firmie, w której pracują setki albo nawet tysiące ludzi, metryką sukcesu jest liczba wydanych licencji na jakiegoś sidekicka pokroju claude code, albo to że nagle każdy buduje swoje rozwiązania w kompletnym odłączeniu od innych stąd umiejętność przeprowadzenia gruntownej transformacji procesów pod nowe możliwości, jakie daje ai, jest ważniejsza niż samo „ogarnianie” claude code czy gpt próba zautomatyzowania procesów w takiej formie, w jakiej istnieją obecnie, zawsze kończy się niepowodzeniem i nieosiągnięciem pełnego potencjału, a co za tym idzie, maksymalnego ROI transformacja ai jest cholernie trudna i mozolna, ale gdy się przy tym wytrwa i zrobi się to porządnie, ROI jest niesamowite. i to dla każdego pracującego w danej firmie, a nie tylko dla tych, którzy mają największy kawałek tortu a jeżeli ktoś uważa że dobrym rozwiązaniem po takiej transformacji jest zwalnianie ludzi, to w mojej ocenie jest debilem i nie rozumie kompletnie jak bardzo wartościowi są eksperci domenowi, w CAŁYM procesie tej transformacji. ludzie też są i nadal będą jednym z lewarów skalowania biznesu „zautomatyzowanie czy też wdrożenie ai w gówniane procesy powoduje tylko to, że gówno płynie szybciej”

czego nauczyłem się wdrażając ai do firm nie da się sensownie tego przeprowadzić jako jakiś byt w izolacji. mam na myśli to, że ai musi mieć wgląd w kilka działów naraz, bo realne procesy naturalnie tak przebiegają. przykładem są same przekazania między działami, które marnują dużo czasu nie radzę ufać ludziom, którzy „specjalizują się” w transformacji ai w konkretnym departamencie, dlatego że nie ma czegoś takiego jak „departamentowy agent" np. agent działający TYLKO w dziale finansów nie radzę tym samym zamykać czy też izolować ai w jakiejś konkretnej roli albo departamencie. ograniczenie agenta do tylko jednego konkretnego zadania jest marnowaniem jego potencjału. nie widzę żadnych przesłanek, żeby ograniczać ai tak, jak ograniczamy ludzi my jako ludzie mamy po prostu takie przyzwyczajenie, że nadajemy sobie konkretne role w konkretnych działach ze względu na nasze limity umiejętności. nie jesteśmy tak wszechstronni i elastyczni jak ai. czemu więc zasady, które egzekwujemy wobec nas, mają być dla ai najlepszymi praktykami? jeżeli ktoś chce wdrożyć ai w finansach swojej albo czyjejś firmy, to nie może ograniczać się tylko do procesów typowo finansowych, takich jak AP czy AR. powinien też rozciągać możliwości ai horyzontalnie, obejmując konkretne części innych działów, które bezpośrednio łączą się z danym procesem finansowym, np. dział operacji, sprzedaży albo HR nie ma w firmach człowieka od tych wszystkich działów. nie ma żadnego kleju, który naturalnie je łączy. stąd właśnie duża szansa dla ai. wasi agenci muszą mieć możliwości pracy między różnymi działami, bo po prostu są do tego zdolni i mają takie umiejętności, w przeciwieństwie do nas dlatego też, gdy jesteśmy na samym początku wdrażania ai, zawsze polecam startować od działu, ALE mapować cały proces wraz z innymi etapami, które działają przed nim i po nim: - przed danym procesem (upstream), np. zakupy i przyjęcie towaru wpływają na zobowiązania wobec dostawców - po danym procesie (downstream), np. obsługa wyjątków opóźnia lub blokuje zamknięcie miesiąca nie startujemy od pojedynczego workflow ani od całej firmy. wybieramy dział na podstawie jego metryk, takich jak: - ilość wykonywanej pracy - koszt - zasięg (ile innych działów dotyka) kolejny raz przypomnę, transformacja ai to: 1. przeprojektowanie istniejących procesów pod nowe możliwości, tak by usunąć zbędne kroki 2. rozdzielenie pracy na deterministyczny kod, agentów ai oraz ludzi 3. danie ludziom możliwości kontroli nad całym systemem 4. ścisła współpraca na każdym etapie transformacji (projektowaniu, budowy i ewaluacji) z ekspertami domenowymi 5. wdrażanie ai w istniejących narzędziach firmy i pomiędzy nimi (jak najbardziej w tle), tak żeby nie wprowadzać kolejnych systemów/interfejsów, ani nie zmuszać ludzi do migracji danych i nowych szkoleń 6. świadome przekraczanie granic działów wewnątrz firmy, bo to tam jest masa wartości do zagospodarowania

polecam lekturę w kontekście sporu o to, czy czytać kod ai, nie chodzi o to, czy go czytać, tylko kiedy to robić, a przede wszystkim jak lepiej zrozumieć to, co budujemy code review, tak jak opisuje to Addy, powinno mieć kilka poziomów. każdy z nich wyłapuje co innego i przepuszcza to, co wyłapie dopiero następny poziom ale Addy wspomina też o fundamentalnej rzeczy, jaką jest zrozumienie tego, co w ogóle budujemy (a bardziej tego, co buduje dla nas ai) i czy warto to budować. dlatego tak ważne jest tworzenie narzędzi, które wspierają utrzymanie wspólnego rozumienia między człowiekiem a ai przykładem są dopracowane graficzne explainery, o których też mowa w artykule. niektórzy idą dalej tworząc krótkie filmiki, których zadaniem było właśnie bycie takim explainerem zagadnienia X już pare miesięcy temu (w świecie ai lata temu) pisałem o tym, jak zwiększyć poziom zrozumienia tego, co budujemy z ai, w o wiele przyjemniejszy sposób niż przez czytanie diffów: nitter.gq/MAXIMISEART/status/207… nie idźcie na skróty w procesie zrozumienia waszej pracy

DISCLAIMER: uwaga ten post może spowodować ból dupy, a może nie zobaczymy --- jeżeli jeszcze tego nie zrobiliście, to to zróbcie im bardziej umożliwicie swoim agentom weryfikowanie własnej pracy, zarówno w formalny, jak i nieformalny sposób, tym lepsze wyniki od nich otrzymacie oraz tym więcej autonomii będziecie mogli im przekazać celem jest odpowiednio zaprojektowanym pod agentów codebase, który może nie jest zbyt fajny i przyjemny do pracy dla ludzi, ale za to jest sterylnie zamknięty pod agentów, a drogi na skróty są tymi poprawnymi drogami wasze zaufanie do ai będzie z czasem o wiele większe, aż do momentu, w którym większość, czyli 90-95% PRów, będzie mogła być auto merge tak, jest to trudne, ale osiągalne te pozostałe 5-10% to rzeczy, z których później trudno wrócić, tak zwane one-way doors - tam trzeba się więcej napocić jeżeli wasze code review nadal polega wyłącznie na czytaniu surowego diffu, to znaczy, że nie poświęciliście wystarczająco dużo czasu na zbudowanie architektury, której możecie ufać tak samo jak z danymi - garbage in garbage out jakość i architektura waszego codebase >>> wasze agents.md może przy gpt 7 przejrzycie na oczy i zrozumiecie, że produkowanie większej ilości jednorazowego i mało jakościowego kodu (slopu) właśnie pomaga wam produkować więcej jakościowego kodu przede wszystkim pomaga w zrozumieniu, prototypowaniu i tworzeniu środowisk, w których możecie przetestować swoje idee, zanim się w nie zagłębicie i przeznaczycie na nie swój czas i energię a dzięki temu wasz produkt/usługa, którą oferujecie, będzie bardziej wartościowa dla drugiego człowieka co zrobić, żeby zacząć? przeczytać post od @poteto i wkleić go do swojego agenta dla chętnych i ambitnych przeczytać jej pstack, zacząć go używać, a z czasem dostosować go do tego, jak pracujecie

przepis na sukces i dużo kasy z ai w 7 krokach zamiast przebranżowienia się na hydraulika 1. ucz się od mądrzejszych od ciebie. słuchaj, czytaj, oglądaj, rób po kilkanaście godzin dziennie, aż nie posiądziesz potrzebnych ci umiejętności. musisz dorównać, a nawet prześcignąć tych, którzy są przed tobą. to znaczy, że musisz robić x3 więcej niż oni 2. dowiedz się, jakie problemy możesz rozwiązać dzięki nowo nabytym umiejętnościom i wiedzy w zakresie ai 3. nikt cię nie zna i nikt nie wie, że masz już te nowe umiejętności. więc musisz zacząć mówić ludziom, że je masz i możesz im pomóc. w domyśle mówisz to ludziom, którzy mocno odczuwają problem, który umiesz rozwiązać. najczęściej jest to problem przez który sami żeśmy przeszli. 4. gdy już znajdziesz tych śmiałków, oferujesz, że zrobisz im to za darmo. bo przecież nikt cię nie zna, więc dlaczego mają ci ufać? musisz sobie zapracować na zaufanie w tym świecie, w którym każdy kłamie. poza tym jeszcze tego nie robiłeś na żywym pacjencie, dlatego proszenie za to pieniędzy jest moralnie niepoprawne. w zamian za darmową pracę prosisz o miłe słowo i opinię/recenzję 5. robisz tak x10 razy 6. za 11. razem lewarujesz tymi 10 case studies i mówisz: „tych 10 typków miało ten sam problem co ty. ja pomogłem im go rozwiązać i dzięki temu mają X. tutaj ich case studies. chcesz, żebym też ci pomógł z twoim problemem za $$$?” 7. powtarzasz to do momentu, w którym twój biznes jest supply constraint, czyli „mam więcej klientów, niż jestem w stanie obsłużyć”. wtedy myślisz o skalowaniu (powtarzasz punkt 1, ale skupiasz się stricte na tym, jak skalować biznes). i tak. najlepiej zacząć od rzeczy, która jest w chuj nieskalowana, bo to znaczy, że musisz wykonać dużo pracy dla drugiego człowieka, a to oznacza, że możesz też dać mu więcej wartości. a kiedy zaczynasz, musisz mieć kasę, a nie zoptymalizowany biznes NIESPODZIANKA wychodzi na to, że ai nic nie zmienia w tym, jak wygląda proces zaczynania swojej przygody. jest oczywiście lewarem, bo możemy rozwiązywać większe problemy niż tylko ścinanie zarośniętego trawnika, ALE samo ai nie zrobi z nas milionerów jeżeli ai cię zastąpiło albo już to zrobiło, to jest to twoja wina. przestań się mazać i zacznij coś robić. nikt nie mówił, że będzie łatwo

nie zgadzam się jest to według mnie niepoprawne myślenie ze starej ery, w której saas jako interfejs był produktem. w nowym świecie to outcome, czyli wykonana praca, jest produktem każde nowe narzędzie, nowy interfejs dla pracowników to tylko kolejne komplikowanie procesów oraz pogłębianie problemu rozproszenia danych nie ma czegoś takiego jak zaprojektowanie narzędzia, które obsłuży nawet idiota, bo każdy pracuje inaczej. nawet każdy „idiota” robi to po swojemu, więc każdy musiałby mieć swoje personalne narzędzie, uszyte specjalnie dla niego, a to jest jeszcze gorsze poza tym człowieka nie da się zmienić. on sam musi chcieć tej zmiany, a prawdą jest że większość uważa się za najmądrzejszych w swojej dziedzinie. jeżeli wchodzisz na jej podwórko, to nie da ci wygrać „ale to narzędzie będzie zastępować wszystkie inne narzędzia, których już używają, więc nie ma mowy o rozproszeniu danych, jeżeli wszystko jest w jednym miejscu” po pierwsze, firma, która wydała pieniądze rzędu kilkuset tysięcy do paru milionów na customowe systemy ERP, CRM itd nie widzi sensu migracji do nowego narzędzia tylko dlatego, że jest ono ai native. poza tym migracja tych ogromnych ilości danych jest skomplikowana. w grę wchodzą regulacje, wewnętrzne polityki itd wdrożenia i adopcja ai powinny być: - effortless, niewymagające nowych narzędzi, migracji danych oraz specjalistycznych szkoleń - ai powinno wykonywać pracę w tle, a człowiek powinien podejmować decyzje i być za nie odpowiedzialny. jest też najważniejszym elementem przy projektowaniu, tworzeniu i ewaluacji, co wymaga ścisłej współpracy z ekspertami domenowymi - ai powinno działać na i pomiędzy istniejącymi systemami np. ERP, CRM, TMS, excelami, mailem itd - ważniejsze od fancy ai jest przeprojektowanie całego procesu/workflow pod nowe możliwości, tak żeby 24-krokowy proces stał się 7-krokowy - wdrożenie ai ma zmniejszyć koszty i ryzyko oraz zwiększyć przychód firmy

krucjaty ciąg dalszy czemu firmy, które wdrożyły u siebie ai jako licencje do sidekicków, jakimi są chat gpt albo claude, po pierwsze przegrają ten wyścig, a po drugie nie rozumieją całego procesu wdrażania żeby fabryki za czasów rewolucji przemysłowej mogły lewarować maszynami parowymi, musiały się przetransformować. procesy i cała praca zostały przeprojektowane na nowe czasy i możliwości - same istnienie maszyny parowej przecież nic nie zmieniło tak samo jest dzisiaj z ai automatyzowanie procesów w takiej formie, w jakiej istnieją, powoduje tylko, że gówniane procesy płyną szybciej. stąd potrzeba, by najpierw zrozumieć te procesy od podszewki (wiele firm w ogóle nie zna swoich procesów), zmapować je i poznać ważne dla nas metryki, np. w dziale finansów czas procesu AP albo AR czy też zamknięcia miesiąca. dopiero później przeprojektowanie tych procesów i usunięcie niepotrzebnych kroków powinno być pierwszą rzeczą, o której się myśli i której poświęca się czas i energię. wracając do tych copilotów, najczęściej sprawa wygląda w ten sposób, że zostały zakupione licencje dla pracowników, przeprowadzono szkolenia i teraz każdy ma możliwość budowania swoich agentów, próbując zautomatyzować część swojej pracy nie ma lepszego przepisu na wprowadzenie chaosu gdzie każdy robi inaczej po swojemu --> wynikające poźniej z tego konflikty i rozbieżności --> jeszcze więcej problemów --> powiedzenie w końcu "ai nie działa, a przynajmniej nie u NAS" żeby nie zrozumieć mnie źle, chat gpt czy claude pomagają być bardziej produktywnymi (10-20% nie wliczając w to IT, a zahaczając sie o takie działy jak finanse, operacje, sprzedaż, marketing, HR), ale bycie bardziej produktywnym nie musi wpłynąć na jakiś niesamowity wzrost przychodu firmy następną rzeczą jest to, że takie podejście ma ograniczoną pulę odbiorców, a to dlatego, że ludzie nie chcą się uczyć nowych narzędzi. Pani Ela od 10 lat pracuje w określony sposób, używając tylko maila i excela, uważa, że tak jest lepiej i nikt jej nie przekona. nie ma zamiaru specjalnie zmieniać swojego sposobu pracy, bo jakiś typ wyżej, w garniturku, jej kazał tylko mały odsetek pracowników (około 5%, częściej mniej) jest wart inwestowania, bo to power userzy. to oni też powinni zostać „apostołami” ai, szerzyć świadectwo i dawać przykład, że ogarnianie ai jest w cenie dla każdego, nawet dla Pani Eli pracownicy bardziej ufają sobie nawzajem niż ludziom wyżej w takim też duchu podchodzimy do wdrażania ai, które ma być praktycznie effortless (co jest trudne). to znaczy: - budowanie agentów, którzy działają na i pomiędzy już istniejącymi systemami w tle, np. ERP, excelem, mailem, CRM, TMS itd w zależności od tego, czego używa dana branża. to rozwiązuje tak mocno odczuwalny problem rozproszenia danych - rozwiązanie problemu obsługi wyjątków, które zajmują najwięcej czasu (to tu widać największy wzrost efektywności). poniżej przykłady wyjątków występujące tylko w samym procesie AP: brak PO (zamówienia) brak potwierdzenia dostawy albo odbioru podwójna faktura nieprawidłowe dane na fakturze zła stawka vat brak akceptacji kosztu przekroczony budżet przypisanie wydatku do nieprawidłowego konta księgowego rozbieżność faktury z umową korekta bez powiązanej z nią faktury 100% ręczne rozwiązywanie tych wyjątków jest męczące, skomplikowane, ryzykowne i wydłuża procesy, opóźniając tym samym wynik biznesowy, np. zamknięcie miesiąca - człowiek nie powinien być maszyną kopiuj wklej. nie powinien być klejem między tymi wszystkimi narzędziami i systemami (dopełnienie pierwszego problemu). dlatego agenci czy też deterministyczny kod muszą przejmować tę nudną i powtarzalną pracę i uwalniać od niej pracowników. ludzie powinni wykonywać bardziej ambitne zadania i rozwiązywać poważniejsze problemy, które mogą się przełożyć na wzrost firmy. człowiek powinien być powiadamiany tylko wtedy, gdy potrzeba jego osądu i decyzji, właśnie przy obsłudze wyjątków, które wymagają obejść i wiedzy, która jest tylko w głowach tych pracowników - praktycznie każdy proces, który został zaprojektowany przed ai, jest do przeprojektowania. zbyt długie workflowy, przekazania do innych działów, czekanie na odpowiedzi, wracanie do starych tematów (robienie pętli akceptacji, sprawdzanie rozbieżności itd.). stąd potrzeba zredukowania liczby kroków i usunięcia tych już niepotrzebnych. po co kopiować i wklejać te same wartości do 5 różnych arkuszy, bo jeden ma inne formatowanie, drugi ma inne funkcje albo makra? na liczbach: jeżeli firma ma 10k pracowników, a 10% z nich używa sidekicka, np. claude, żeby być szybszymi o te 10-15% przez 1/3 ich dnia, to wydaje mi się, skromnie mówiąc, że za dużo to nie da firmie, np. pod względem P&L. takie podejście nie zmienia praktycznie nic. pracownicy pracują tak samo, a co ważniejsze, ich koszt pracy też się nie zmienia ale gdy mamy zespół kilkudziesięciu ludzi w np. dziale AP i poprawnie wdrożyliśmy ai, żeby zautomatyzować ich pracę w 70-80%, to możemy ograniczyć koszty powtarzalnej i często błędnej pracy wykonywanej przez około 30 pracowników. a to jest to, o co martwi się CFO DISCLAIMER: nie zachęcam do zwalniania ludzi. jest to głupie i to też przypominam decydentom, że ludzie są jednym z lewarów skalowania biznesu i jeszcze długo nie znikną. firma powinna zawsze znaleźć odpowiednie zadanie dla ludzi w niej pracujących, nawet jeżeli odejdzie im 80% pracy

świetny gość, fajny wykład, dobrze spędzone 45 min na temat jak działają proaktywni always on agenci np. grok bot na pewno lepsze niz scrollowanie tiktoka czy innych reelsów polecam