Který malý pracovní proces má firma s AI automatizovat jako první?

Kandidáty hledejte tam, kde se práce hromadí

Seznam kandidátů na první AI automatizaci nesestavujte z nápadů padlých na poradě. Sestavte ho z míst, kde práce skutečně čeká na vyřízení: fronta došlých žádostí v e-mailu nebo v systému pro podporu, opakující se položky v týdenním přehledu úkolů, věci, které se vracejí k přepracování, nebo činnosti, na které si lidé opakovaně stěžují, že je zdržují od důležitější práce.

Pro každého kandidáta si tento týden zapište čtyři fakta: kde přesně vzniká, kdo ho dnes vyřizuje, kolikrát se objeví za týden nebo za měsíc a v jaké podobě má vstup.

Pokud takový seznam sestavit neumíte, je to samo o sobě zjištění: firma zatím nemá přehled o tom, kde se práce hromadí. To je otázka k řešení dřív, než padne volba nástroje.

Tento text se věnuje jen výběru a ověření jednoho prvního kandidáta. Širší rámec zavádění AI do firmy, včetně organizačních kroků kolem pilotního ověření, popisuje stránka zavedení AI ve firmě.

Čtyři vlastnosti dobrého prvního kandidáta

Z nasbíraného seznamu vyberte kandidáty, kteří mají všechny čtyři vlastnosti současně. Chybějící jedna vlastnost stačí k tomu, aby proces jako první volba selhal, i kdyby zbylé tři splňoval bezezbytku.

Opakuje se dost často, aby šlo z něj učit. Proces, který proběhne jednou za čtvrtletí, negeneruje dost případů k tomu, abyste za rozumnou dobu poznali, zda výsledek funguje spolehlivě, nebo jen náhodou vyšel dobře napoprvé.

Vstup už existuje v textové podobě, ke které se dostanete. Pokud je potřeba data teprve sesbírat, přepsat z papíru nebo poskládat z hlav několika lidí, ověřujete tím sběr dat. Automatizaci samotného procesu tím zatím neověřujete.

Výstup dokáže někdo ověřit za pár minut. Kontrolu musí umět udělat člověk, který danou práci zná. Pokud ověření trvá stejně dlouho jako původní práce, k žádnému poučení ani zrychlení nedojde.

Chybný výstup se zachytí dřív, než dorazí k zákazníkovi nebo k úřadu. Mezi vznikem výstupu a jeho dopadem musí existovat místo, kde chybu ještě někdo odhalí a zastaví. Pokud výstup jde ven automaticky a bez zastávky, riziko jedné chyby se rovná riziku celého procesu.

Levné ověření na 10 až 20 starších případech

Než cokoli zavedete do běžného provozu, vezměte 10 až 20 skutečných starších případů, které kandidát v minulosti řešil, a nechte na nich navrhovaný postup proběhnout. Použijte reálné vstupy a případy vybírejte tak, aby pokrývaly obvyklou šíři situací a nejen ty nejjednodušší.

Výsledek posuzujte vůči současnému postupu firmy, konkrétně zda je návrh srovnatelný nebo lepší při stejné nebo nižší míře chyb, které se dostanou dál. Dokonalost jako měřítko nepoužívejte. Pokud současný postup sám chybuje, srovnání to musí zohlednit a nesmí vůči kandidátovi nastavit jinou laťku.

Zaznamenejte, kolik z 10 až 20 případů odpovídalo, kolik vyžadovalo opravu a kolik by bez kontroly prošlo s chybou dál. Toto malé ověření nenahrazuje průběžné měření po zavedení; slouží jen k tomu, aby rozhodnutí o pokračování nestálo na dojmu z několika povedených ukázek.

Rozhodnutí go nebo no-go s písemným důvodem

Rozhodnutí patří jedné osobě s pravomocí ho udělat. Nemá vzniknout jako skupinový dojem z prezentace.

Napište jednu větu: který kandidát, na základě jakého vzorku, s jakým výsledkem oproti současnému postupu, a proto go nebo no-go.

Písemný důvod má hodnotu i zpětně. Pokud se za měsíc ukáže, že rozhodnutí bylo chybné, umožní zjistit, jestli chyběl správný vzorek, jestli byla podceněná některá ze čtyř vlastností, nebo jestli se od ověření změnily vstupy. Bez zápisu zůstává jen dojem, který se těžko zpětně opraví.

Pokud vyjde no-go, co má být u druhého kandidáta jinak

No-go u prvního kandidáta neznamená, že AI automatizace pro firmu obecně nefunguje. Většinou znamená, že jedna ze čtyř vlastností nebyla splněná tak, jak se čekalo. Než sáhnete po dalším kandidátovi ze seznamu, pojmenujte přesně, která vlastnost selhala: byl vzorek případů příliš úzký, ukázalo se, že vstup ve skutečnosti není v textové podobě, kontrola trvala déle, než se čekalo, nebo se objevil případ, kdy by chyba prošla bez zastávky dál.

Druhý kandidát by se v této konkrétní vlastnosti měl lišit. Nestačí, aby šlo jen o jiný proces se stejnou slabinou. Pokud první volba padla na proces s řídkým výskytem, u druhého kandidáta je klíčová vyšší frekvence výskytu; samotné jiné téma nestačí.

Pět typů procesů, které volbu první automatizace nejčastěji podkopávají

Vzácný, ale bolestivý proces. Krizová situace, která nastane jednou za rok a stojí firmu hodně, působí jako naléhavý kandidát kvůli své bolestivosti. Naléhavost ale neznamená vhodnost pro první krok: bez dostatečného počtu historických případů nejde ověřit, jestli navržený postup funguje spolehlivě, nebo jen jednou vyšel. Bolestivý proces si zaslouží pozornost. Roli prvního ověřovaného kandidáta ale nesplní.

Proces, jehož výstup nikdo nedokáže rychle zkontrolovat. Pokud správnost výstupu potvrdí jen hodiny odborné analýzy nebo zkušenost, kterou má ve firmě jeden člověk, ověření se v praxi neděje a chyby zůstávají skryté déle, než by měly. Bez rychlé kontroly nejde splnit třetí ani čtvrtou vlastnost dobrého kandidáta.

Proces, jehož vstup žije jen v hlavách lidí nebo v systému, ze kterého nic nejde vyexportovat. Pokud je potřeba nejdřív někoho vyzpovídat nebo ručně přepsat data z uzavřeného systému, ověřujete tím sběr vstupu. Tahle práce je legitimní, patří ale do samostatného kroku před výběrem prvního kandidáta.

Proces, který je ve skutečnosti rozhodnutí vyžadující odpovědnost. Schválení úvěru, hodnocení zaměstnance nebo rozhodnutí, které se dotýká konkrétního člověka, není opakovaný úkol s jedním správným výstupem. Je to rozhodnutí, za které někdo nese odpovědnost. Otázku, kdy a jak smí AI vstupovat do rozhodování o lidech, řeší samostatný text o rozhodování AI o lidech. Do seznamu kandidátů na první automatizaci taková rozhodnutí nepatří.

Proces s osobními nebo důvěrnými údaji. Pokud kandidát pracuje s osobními údaji zaměstnanců nebo zákazníků, potřebuje napřed datové posouzení. Nástrojové posouzení přijde na řadu až po něm. Co konkrétně smí a nesmí firma s osobními údaji v AI nástroji dělat, popisuje text o zpracování osobních údajů pomocí AI. Posouzení, zda je konkrétní zamýšlené zpracování v pořádku, patří pověřenci pro ochranu osobních údajů firmy.

Karta ověření prvního kandidáta

Kartu vyplňte pro každého kandidáta ze seznamu zvlášť.

Pole	Co doplnit
Název kandidáta	Jedna věta popisující proces a roli, která ho dnes vykonává.
Kde se hromadí	Konkrétní fronta, přehled nebo místo, odkud kandidát pochází.
Frekvence	Kolikrát se položka objeví za týden nebo za měsíc.
Podoba vstupu	Kde a v jaké textové podobě je vstup dostupný dnes.
Kontrola výstupu	Kdo výstup ověří a za jak dlouho.
Cesta chybného výstupu	Kde se chyba zachytí dřív, než dorazí k zákazníkovi nebo úřadu.
Vzorek k ověření	10 až 20 skutečných starších případů použitých k ověření.
Výsledek oproti současnému postupu	Kolik případů odpovídalo, kolik vyžadovalo opravu, kolik by chybně prošlo dál.
Rozhodnutí	Go, no-go, nebo úprava a opakování na menším vzorku.
Písemný důvod	Jedna až dvě věty vysvětlující rozhodnutí, podepsané osobou s pravomocí.
Pokud no-go	Která ze čtyř vlastností selhala a co má u druhého kandidáta být jinak.

Tato karta neřeší podrobné zmapování procesu ani řazení celého seznamu kandidátů podle hodnoty a rizika. Řeší jen rozhodnutí u jednoho konkrétního kandidáta.

Co je doporučení CIAD a co musí posoudit firma sama

Pořadí kroků v tomto textu, čtyři vlastnosti dobrého kandidáta a rozsah ověření na 10 až 20 případech jsou doporučený postup CIAD. Nejde o povinnost stanovenou zákonem ani o jediný možný způsob výběru. NIST AI Risk Management Framework popisuje dobrovolný rámec pro řízení rizik AI v celém životním cyklu; jeho jádro dělí práci do čtyř funkcí, Govern, Map, Measure a Manage, přičemž funkce Map znamená pojmenování kontextu a zamýšleného použití dřív, než organizace začne cokoli měřit. Konkrétní kartu ani počet ověřovaných případů rámec nepředepisuje.

U kandidátů s osobními údaji stanovuje nařízení GDPR, zejména články 5 a 6, zásady a právní důvody zpracování. Zda konkrétní zamýšlené zpracování těmto zásadám vyhovuje, musí posoudit pověřenec pro ochranu osobních údajů nebo právní poradce firmy.

Jakmile karta ukáže go, dalším krokem je výběr konkrétního nástroje pro zvolený proces. Tomu se věnuje text o výběru AI nástroje pro firmu.

Stav zdrojů a omezení

Pořadí kroků, čtyři vlastnosti a rozsah malého ověření vycházejí z doporučeného postupu CIAD. Žádná z citovaných studií tato konkrétní čísla ani kroky nepotvrzuje, a proto v textu nejsou použity žádné empirické zdroje z knihovny. NIST AI RMF popisuje obecný rámec řízení rizik AI a jeho funkci Map. Citace podporuje pouze tvrzení, že pojmenování kontextu předchází měření; pořadí kroků v tomto textu si NIST nepřipisuje. GDPR je citováno jen v rozsahu článků 5 a 6 jako důvod, proč kandidát s osobními údaji potřebuje samostatné posouzení. Text netvrdí, že jakékoli konkrétní zpracování je nebo není v souladu s GDPR; tuto otázku ponechává na pověřenci pro ochranu osobních údajů firmy.