Máte problém, alebo len FOMO, že vám uteká AI vlak?

Dnes už pravdepodobne neexistuje veľa firiem, ktoré by neriešili nejakú „AI iniciatívu“. Vedenie sa pýta na inovácie, konkurencia si na LinkedIne robí PR z každého ChatGPT wrappera a tímy dostávajú zadanie: „Nájdite niečo, kde využijeme umelú inteligenciu.“

Vzniká tak absurdná situácia: hľadáme problém pre vopred vybrané riešenie. Výsledkom sú často drahé projekty, ktoré v praxi nikto nepoužíva.

V GoodRequest sme fanúšikmi technológií, ktoré dávajú zmysel a prinášajú reálnu pridanú hodnotu, nie tých, čo skončia v šuflíku. AI je dnes nástroj s obrovským potenciálom, najlepšie výsledky však nedosahujú firmy, ktoré nasadia „nejakú AI“ čo najrýchlejšie, ale tie, ktoré vedia, kde má AI najväčší dopad a ako ju zasadiť do zvyšku systému tak, aby celé riešenie fungovalo v produkcii.

Prečo sa všetci ženú za AI

AI je dnes na C-level agendách prioritou číslo jeden a málokto si dovolí tento trend ignorovať. Podľa dát McKinsey adopcia AI vo firmách neustále rastie:

Lenže medzi „adoptovať AI“ a „dostať z nej reálnu hodnotu“ je obrovský rozdiel. Tu mnohé firmy narážajú. Projekt, ktorý vznikne len preto, aby sa naplnila kvóta „inovácie“, málokedy prežije prvý rok v ostrej prevádzke.

Čo odlišuje AI projekty, ktoré sa dostanú do produkcie

Z projektov, ktoré sme dodali, a z toho, čo vidíme u klientov ešte pred Pathfinderom, je celkom jasné, čo robí rozdiel medzi PoC, ktorý skončí v šuflíku, a riešením, ktoré sa škáluje. Nejde o model ani o framework. Ide o tri vrstvy, ktoré musia byť na mieste skôr, než sa začne stavať.

• Mapa procesu, do ktorého AI vstupuje: Vieme presne, kde v toku rozhodnutie padá, kto ho dnes robí, podľa čoho a ako sa meria správnosť. Bez toho je každé AI rozhodnutie čierna skrinka.
• Dátový základ, na ktorom sa dá učiť a vyhodnocovať: Konzistentná schéma, prepojené zdroje, dostupné historické dáta. Kvalitu modelu nezachráni žiaden tuning, ak vstupy nemajú integritu.
• Metrika, podľa ktorej vieme povedať „toto je lepšie“: Konverzia, čas spracovania, presnosť klasifikácie, miera falošných pozitív. Čokoľvek merateľné a obhájiteľné pred biznisom.

Ak niektorá z týchto vrstiev chýba, riešime ju ako prvé. Nie preto, že by sme AI odkladali, ale preto, že bez nej neviete, či model reálne funguje.

Pravidlá vs. Pravdepodobnosť: Čo reálne potrebujete?

AI a automatizácia sú dva pojmy, ktoré si biznis často pletie, pritom fungujú na úplne odlišných princípoch.

1. Automatizácia (Pravidlá): Funguje na princípe „Ak nastane X, urob Y“. Je predvídateľná, opakovateľná a okamžite overiteľná.
2. AI (Pravdepodobnosť): Učí sa rozpoznávať vzory. Robí rozhodnutia tam, kde pravidlá nestačia. Vyžaduje tréning, čas a priebežnú kontrolu.

Príklad z praxe: V banke alebo platobnej inštitúcii chcete, aby každá schválená transakcia spustila reťaz krokov: autorizáciu, zaúčtovanie na účty, vygenerovanie potvrdenia, zápis do hlavnej knihy, notifikáciu klientovi. Tu použijete event-driven workflow: deterministický, audit-friendly, v súlade s reguláciou (PSD2, AML). Ak však chcete z tých istých transakcií v reálnom čase vyhodnotiť, či ide o podvod, alebo predpovedať, ktorý klient sa pravdepodobne dostane do omeškania so splátkou, a podľa toho upraviť limity, step-up autentifikáciu či komunikáciu. To už je doména AI.

Kedy AI zámerne nenasadzujeme

Najťažšie rozhodnutie v AI projekte nie je „kde ju nasadiť?“, ale „kde ju vedome nenasadiť?“ V digitálnych produktoch existujú celé vrstvy, kde by AI pridala neistotu, rozbila audit trail alebo platila za výpočtový výkon bez merateľného prínosu.

Kde má deterministická logika navrch:

• Transakčné jadro produktu: Spracovanie platby, vystavenie objednávky, generovanie daňového dokladu. Tu potrebujete 100 % opakovateľnosť a audit trail. Pravdepodobnostné rozhodovanie je v rozpore s tým, čo od vás očakáva regulátor (PSD2, GDPR) a CFO.
• Integrácie medzi systémami (CRM ↔ ERP ↔ dátový sklad): Synchronizácia dát, transformácie, validácie, retry politiky. Klasický prípad pre event-driven pipeline. AI tu nemá čo predpovedať: buď dáta dorazia v poriadku, alebo treba opraviť mapping.
• Onboarding s podmienenou logikou: KYC vo finančných službách, registrácia s VAT validáciou, multi-step setup v B2B SaaS. Vetvenie je konečné, pravidlá sú regulované a výsledok musí byť obhájiteľný pred auditom.

V týchto vrstvách AI hodnotu nepostaví, riešenie naopak zhorší. Práve preto treba vedieť, kde musí byť základ pevný, aby na ňom AI mohla bezpečne stavať.

Kde AI prináša výsledok, ktorý automatizácia nedosiahne

AI dáva zmysel tam, kde sú pravidlá buď neudržateľne komplexné, alebo by museli pokryť variabilitu, ktorú sa dá zachytiť jedine učením z dát.

Tu AI prináša ROI, ktorý automatizácia nedoručí:

• Extrakcia z neštruktúrovaných dokumentov: Faktúry, zmluvy, claims forms, lekárske správy. Šablóny sa menia, jazyky sa miešajú, OCR + pravidlá by si vyžiadali stovky výnimiek a aj tak by neobsiahli realitu.
• Rozhodovanie v reálnom čase s kontextom: Detekcia fraudu v platobných tokoch, dynamic pricing podľa dopytu a konkurencie, prioritizácia leadov podľa behaviorálnych signálov. Vstupov je príliš veľa a menia sa príliš rýchlo na statické pravidlá.
• Klasifikácia, ktorú jazyk a kontext robia ťažkou: Moderácia diskusií, kategorizácia tikiet podľa intentu, vyhodnocovanie sentimentu v zákazníckej komunikácii. Tam, kde ten istý výrok v inom kontexte znamená opak.
• Konverzačné rozhrania s pamäťou: Nie generický chatbot, ale asistent, ktorý pracuje s konkrétnou dokumentáciou klienta, jeho dátami a históriou interakcií a vie sa odvolať na zdroj.

Ako to vyzerá, keď to funguje

V najúspešnejších projektoch nestoja AI a deterministická logika proti sebe. Sú to vrstvy s rôznou rolou. Architektúra je premyslená, nie kompromisná. V praxi to znamená štyri vrstvy, ktoré spolu nesú produkt:

• Deterministické jadro: Business-critical logika, ktorá musí byť 100 % opakovateľná a auditovateľná. Tu nehľadáme miesto pre AI.
• AI vrstva: Sedí presne tam, kde tvorí najväčšiu hodnotu: extrakcia, klasifikácia, predikcia, kontextové rozhodovanie. Nie všade, len tam, kde má prevahu nad pravidlami.
• Human-in-the-loop: Hraničné prípady, vysokorizikové rozhodnutia a kontinuálne doučovanie modelu. Ľudia nie sú backup za zlú AI, sú súčasťou návrhu.
• Observability a guardraily: Vidíme, čo model robí, kedy sa mýli, a vieme ho zastaviť alebo prepnúť na fallback skôr, než zlyhanie pocíti používateľ.

Ako sme to postavili pre Elv.ai

Pre startup Elv.ai sme riešili problém, na ktorý čisté pravidlá nikdy nemôžu stačiť: moderáciu online diskusií v slovenčine, češtine a poľštine, kde význam komentára určuje sarkazmus, dialekt, a kontext predchádzajúcej diskusie.

Pravidlový filter (blacklist slov, regex) by tu zlyhal v oboch smeroch: buď by prepúšťal toxický obsah obalený eufemizmom, alebo by mazal legitímnu kritiku. Samotná AI by zase nebola dosť dôveryhodná pri rozhodnutiach, ktoré ovplyvňujú slobodu prejavu klientov v mediálnom priestore.

Riešenie, ktoré sme postavili, kombinuje obe vrstvy zámerne, nie z núdze: AI model triedi väčšinu komentárov a odbremeňuje ľudských moderátorov (tzv. „elfov“) od najtoxickejšieho obsahu. Ľudia zase riešia hraničné prípady, doučujú AI tam, kde si nie je istá, a robia kontrolu kvality. Infraštruktúra je navrhnutá tak, aby zvládla špičky bez explózie nákladov.

Výsledkom je škálovateľná moderácia, ktorá obstála pred mediálnymi domami a verejnými inštitúciami v troch krajinách a ktorú by ani čistá AI, ani čistá automatizácia nedokázali doručiť samostatne. Prečítajte si celú case study Elv.ai.

Ako k tomu pristupujeme: AI Pathfinder

Nenavrhujeme AI riešenia len preto, že je to moderné. Naším cieľom je doručiť produkt, ktorý má jasnú návratnosť. Práve preto sme v GoodRequest vytvorili AI Pathfinder, štruktúrovaný program, ktorým spoločne zistíme, či a kde má AI vo vašom biznise reálny zmysel.

Prechádzame štyrmi krokmi:

Cieľom nie je nasadiť AI za každú cenu, ani sa AI vyhnúť. Cieľom je postaviť riešenie, ktoré v produkcii reálne funguje, má merateľnú návratnosť a ktoré ustojí audit, regulátora aj ďalšie kolá rastu. Najčastejšie je to AI ako knadstavba na premyslenom základe, niekedy hlavná architektonická vrstva, niekedy súčasť väčšieho stacku.

Plánujete AI projekt, alebo máte už konkrétny use case na stole? V rámci AI Pathfinder konzultácie spolu zmapujeme, kde má AI vo vašom produkte najsilnejší dopad a ako ju zasadiť tak, aby projekt prešiel z PoC do produkcie.