Celonis: kontekst biznesowy to klucz do skutecznej enterprise AI

Nowy artykuł TechReview we współpracy z Celonis opisuje, dlaczego sztuczna inteligencja wdrażana w przedsiębiorstwach potrzebuje czegoś więcej niż samej mocy obliczeniowej czy dostępu do danych – potrzebuje zrozumienia kontekstu operacyjnego firmy. Tekst powstał na bazie podcastu Business Lab, w którym Megan Tatum rozmawia z Devavratem Shahem, głównym naukowcem ds. enterprise AI w Celonis i wieloletnim wykładowcą AI na MIT.

Punktem wyjścia jest obserwacja, że korporacyjna AI stoi dziś na rozdrożu: po latach eksperymentów, demo i pilotaży zarządy chcą twardych dowodów, że skalowanie technologii realnie poprawi wyniki finansowe. Problem w tym, że wiele wdrożeń pomija kluczowy element układanki – agenci AI działają bez znajomości rzeczywistych ograniczeń i zależności, jakie rządzą konkretnym biznesem, stosując ogólne zasady do wysoce specjalistycznych sytuacji.

Kluczowe wnioski

• Devavrat Shah z Celonis nazywa połączenie AI z wiedzą o procesach biznesowych „inteligencją decyzyjną” (decision intelligence) – to ona ma odpowiadać za największą transformację w przedsiębiorstwach.
• Agenci AI bez odpowiedniego kontekstu operacyjnego ryzykują pomijanie istotnych ograniczeń, popełnianie kosztownych błędów lub nadmierne zużycie mocy obliczeniowej podczas ustalania, czego właściwie potrzebują.
• Rozwiązaniem jest warstwa kontekstowa łącząca AI z procesami i danymi, które firmy już wykorzystują – pozwala ona agentom działać w ramach zdefiniowanych granic (guardrails) i generować rekomendacje możliwe do weryfikacji przez ludzi.
• Shah radzi, by zaczynać od konkretnej decyzji biznesowej, zidentyfikować jej najtrudniejsze etapy i sprawdzić, czy AI jest w stanie je usprawnić, mierząc zyski w czasie i wartości.
• Docelowo możliwości AI mogą objąć nie tylko rutynowe zadania operacyjne, ale też planowanie na poziomie całego przedsiębiorstwa – w finansach, zarządzaniu zasobami ludzkimi, marketingu i sprzedaży.

Dlaczego kontekst jest fundamentem decyzji

Shah wyjaśnia, że w każdej organizacji – niezależnie czy to MIT, Celonis, czy dowolna duża firma – decyzje dzielą się z grubsza na strategiczne (podejmowane rzadziej, epizodycznie) oraz operacyjne (wymagające wysokiej częstotliwości). W obu przypadkach istnieją już ustalone procesy: najpierw robi się jedno, potem drugie, trzecie, czwarte. Ludzie koordynują te kroki i odgrywają w nich określone role – to, co szef Nvidii Jensen Huang nazywa „zadaniami” (tasks).

To właśnie na poziomie pojedynczych zadań AI może wnieść realną, agentową wartość – wspierając, uzupełniając, a czasem automatyzując najbardziej uciążliwe elementy procesu decyzyjnego. Problem polega na tym, że aby agent wiedział, które zadanie wykonać i jak, musi znać otaczający je kontekst biznesowy. „Nie można tego robić w próżni” – podkreśla Shah. Dopiero połączenie kontekstu z odpowiednio zaprojektowaną AI daje to, co nazywa inteligencją decyzyjną – i to tam, jego zdaniem, nastąpi największa transformacja.

Ta koncepcja wiąże się z szerszym trendem rozwoju agentów AI w biznesie, gdzie systemy coraz częściej mają nie tylko wykonywać polecenia, ale rozumieć szerszy proces, w którym działają.

Od eksperymentu do skalowania – praktyczne podejście

Shah proponuje konkretną metodę wdrażania: zamiast od razu projektować kompleksowe rozwiązania obejmujące całe organizacje, firmy powinny zacząć od pojedynczej, dobrze zdefiniowanej decyzji biznesowej. Następnie trzeba zidentyfikować jej najtrudniejsze etapy i sprawdzić, czy AI faktycznie jest w stanie je usprawnić. Mierzenie zysków w zakresie szybkości działania i wartości biznesowej pozwala ocenić, czy dana aplikacja warta jest dalszego skalowania.

Warstwa kontekstowa, o której mówi Shah, ma pomagać agentom rozumieć przepływy pracy (workflows), działać w ramach wyznaczonych granic i produkować rekomendacje, które ludzie mogą ocenić i zatwierdzić – a nie od razu wdrażać bez nadzoru. To podejście różni się od modelu „autonomicznego agenta podejmującego decyzje samodzielnie” – zakłada raczej wsparcie i augmentację pracy ludzi, przynajmniej na obecnym etapie.

Równie istotna jest zmiana sposobu pracy zespołów. Automatyzacja powtarzalnych, manualnych zadań oraz koordynacja pracy między zespołami mogłyby uwolnić czas pracowników na bardziej złożone, strategiczne decyzje. Shah zastrzega jednak, że pełne wykorzystanie tego potencjału wymaga inwestycji w edukację kadr – pracownicy muszą rozumieć wyniki generowane przez AI i ich konsekwencje, zamiast bezrefleksyjnie oddawać agentom pełną kontrolę nad decyzjami.

Perspektywa na przyszłość – od operacji do planowania strategicznego

Patrząc w przyszłość, Shah widzi możliwości rozszerzenia zastosowań AI z rutynowych zadań operacyjnych na planowanie obejmujące całe przedsiębiorstwo – w obszarach takich jak finanse, zarządzanie zasobami ludzkimi, marketing i sprzedaż. Przy odpowiednim kontekście AI mogłaby pomagać organizacjom szybciej oceniać dostępne opcje i podejmować decyzje o dużym znaczeniu dla biznesu.

Jak ujmuje to sam Shah: „Może planowanie zasobów nie powinno zajmować aż tyle czasu, a ludzie mogliby faktycznie podejmować właściwe decyzje szybciej.” To zdanie dobrze podsumowuje kierunek, w jakim zmierza myślenie o enterprise AI – nie chodzi o zastępowanie ludzi, lecz o danie im narzędzi, które działają w realnym kontekście biznesowym, a nie w izolacji od niego.

Podsumowując, przesłanie płynące z rozmowy jest jasne: skuteczność korporacyjnej AI nie zależy wyłącznie od jakości samych modeli, lecz od tego, czy zostaną one wyposażone w wiedzę o procesach, ograniczeniach i zależnościach rządzących konkretną organizacją.