Wasze dane nie są gotowe na AI. Jak to sprawdzić w tydzień i naprawić bez wielkiego projektu

Dlaczego akurat AI obnaża bałagan, z którym firma żyła latami

Firmy funkcjonują z niespójnymi danymi od zawsze i zwykle nic złego się nie dzieje. Powód jest prosty: między danymi a decyzją stoi człowiek, który wie, że cennik w folderze „aktualny” jest nieaktualny, że pod nazwą „Kowalski sp. z o.o.” kryje się ten sam klient, co pod „Kowalski Spółka z ograniczoną odpowiedzialnością”, i że procedury reklamacyjnej z 2023 roku nikt już nie stosuje. Ta wiedza nigdzie nie jest zapisana. Siedzi w głowach czterech osób i działa jak niewidzialna warstwa korekty.

AI tej warstwy nie ma. Model dostaje dokumenty takie, jakie są, traktuje wszystkie z równą powagą i produkuje odpowiedź, która brzmi kompetentnie niezależnie od tego, czy oparł ją na aktualnym cenniku, czy na jego wersji sprzed dwóch lat. Co gorsza, brzmi tak samo pewnie w obu przypadkach — i to jest sedno problemu. Człowiek, który nie zna tematu, nie ma jak odróżnić dobrej odpowiedzi od złej.

Dlatego wdrożenie AI działa jak prześwietlenie. Nie tworzy nowych problemów z danymi, tylko sprawia, że stare przestają być niewidoczne — i nagle kosztują. To samo zjawisko opisaliśmy przy asystencie AI na dokumentach firmy: technicznie te projekty są dziś proste, a przewracają się na tym, co asystent zastaje w folderach.

Sześć rodzajów bałaganu, które najczęściej psują odpowiedzi

Z projektów, w których jakość odpowiedzi rozczarowała, wraca ta sama krótka lista przyczyn. Warto ją znać, bo pozwala nazwać problem, zanim zapłacicie za jego diagnozę.

1. Wiele wersji tej samej prawdy. Cennik istnieje w pięciu plikach, procedura w trzech, a oferta w wersji z maila i w wersji z dysku. Model nie ma jak wybrać właściwej, więc miesza je albo wybiera losowo. To zdecydowanie najczęstsza i najbardziej dotkliwa przyczyna złych odpowiedzi.
2. Brak daty i statusu. Dokument bez informacji „obowiązuje od / do” jest dla systemu tak samo aktualny jak każdy inny. Nieoznaczone archiwum leżące obok bieżących dokumentów potrafi zepsuć wdrożenie skuteczniej niż jakikolwiek błąd techniczny.
3. Niespójne definicje między działami. Sprzedaż liczy klienta aktywnego inaczej niż finanse, marketing inaczej liczy lead. Dopóki raporty robią ludzie, każdy koryguje w głowie. Kiedy zaczyna je robić model, rozjazd wychodzi na stół w postaci dwóch różnych liczb na tym samym slajdzie.
4. Ta sama encja pod wieloma nazwami. Klient, produkt, projekt czy pracownik zapisany na kilka sposobów w kilku systemach. Każde pytanie zawierające „ilu / ile / które” zwróci wynik zaniżony i nikt tego nie zauważy, bo wynik będzie wyglądał sensownie.
5. Wiedza, której nigdy nie zapisano. Najważniejsze reguły firmy — kiedy robimy wyjątek, komu dajemy rabat, co robimy przy reklamacji po terminie — nie istnieją w żadnym dokumencie. Model ich nie odgadnie i zacznie zmyślać rozsądnie brzmiące zasady.
6. Formaty, z których nic nie da się wyciągnąć. Skany bez warstwy tekstowej, zdjęcia dokumentów zrobione telefonem, tabele sklejone z komórek scalonych w sposób nie do odczytania. Da się to obejść, ale każde obejście kosztuje i obniża skuteczność.

Test tygodniowy: dwadzieścia pytań, jedna tabelka, żadnych zakupów

Nie trzeba audytować całej firmy, żeby wiedzieć, na czym się stoi. Wystarczy jeden wąski obszar i tydzień pracy jednej osoby. Metoda jest prymitywna i właśnie dlatego działa.

Krok pierwszy — wybierzcie jeden proces i jedno źródło. Nie „dane firmy”, tylko na przykład dokumentacja ofertowa handlowców albo baza zgłoszeń serwisowych z ostatniego roku. Jeden obszar, jeden folder, jedna baza.

Krok drugi — zbierzcie dwadzieścia realnych pytań, które ludzie faktycznie zadają. Nie wymyślonych na potrzeby testu, tylko takich, które w zeszłym tygodniu poszły na Slacka albo do kolegi przez biurko. Do każdego dopiszcie odpowiedź, którą uznajecie za prawidłową, i wskażcie dokument, z którego ona wynika.

Krok trzeci — i to jest cały test — sprawdźcie, ile z tych dwudziestu odpowiedzi da się jednoznacznie wskazać w dokumentach. Nie „czy AI to znajdzie”, tylko: czy człowiek, który zna firmę, potrafi położyć palec na jednym pliku i powiedzieć „to jest prawda, reszta to archiwum”. Jeśli tak wychodzi w siedemnastu przypadkach na dwadzieścia, dane są gotowe. Jeśli w ośmiu — żadne wdrożenie tego nie naprawi, bo problem nie jest po stronie modelu.

Krok czwarty — policzcie, ile źródeł trzeba było otworzyć, żeby zbudować jedną odpowiedź. Jeśli więcej niż dwa, to jest gotowa mapa tego, co należy scalić. To dokładnie ten sam sposób pracy, który opisaliśmy przy audycie AI w firmie: najpierw pomiar na prawdziwych przykładach, dopiero potem decyzja.

Nie sprzątajcie wszystkiego. Sprzątnijcie to, o co ludzie pytają

Najczęstsza reakcja po takim teście to plan wielkiego porządkowania: uporządkujemy dysk, wprowadzimy nazewnictwo, opiszemy procedury, a za pół roku wrócimy do AI. Ten plan nigdy nie zostaje dokończony. Wielkie projekty porządkowe umierają na trzecim miesiącu, bo nie mają widocznego efektu, a mają koszt.

Sensowna alternatywa jest odwrotna: uporządkujcie wyłącznie te dane, których dotyczy dwadzieścia najczęstszych pytań w firmie. To zwykle kilkanaście dokumentów, nie kilkanaście tysięcy. Cennik, procedura reklamacyjna, warunki gwarancji, opis wdrożenia, zasady rabatów, lista integracji. W większości firm dziewięćdziesiąt procent realnych pytań dotyczy kilku procent zasobów.

Praktycznie oznacza to trzy rzeczy dla każdego z tych dokumentów: jedna wersja uznana za obowiązującą, data ważności widoczna w treści, a wszystkie starsze warianty przeniesione do archiwum, do którego system nie zagląda. To nie jest projekt na kwartał. To jest popołudnie na dokument i realny skok jakości odpowiedzi.

Reszta może zostać w bałaganie i nic złego się nie stanie. To jest różnica między porządkowaniem danych pod AI a porządkowaniem danych z zasady — pierwsze ma zakres wyznaczony przez pytania i kończy się, drugie nie kończy się nigdy.

Uprawnienia: ten sam problem, ale z konsekwencjami

Jest jeden rodzaj nieporządku, którego nie wolno odłożyć na później, bo skutkuje nie złą odpowiedzią, tylko wyciekiem. Chodzi o dostępy do plików.

W wielu firmach dysk współdzielony przez lata rozrastał się bez rewizji uprawnień. Wszyscy mają dostęp do wszystkiego, bo tak było wygodniej, i przez lata nie miało to znaczenia, ponieważ nikt nie przeglądał trzystu folderów w poszukiwaniu ciekawostek. Asystent AI przegląda je w sekundę. Wystarczy, że ktoś zapyta o widełki wynagrodzeń albo o warunki umowy z największym klientem, a system rzetelnie odpowie, bo formalnie ta osoba ma do tego dostęp.

Reguła jest jedna i nie ma od niej wyjątków: system AI musi widzieć dokładnie to, co widzi pytający, i ani jednego pliku więcej. Uprawnienia egzekwuje się po stronie danych, nie po stronie modelu — instrukcja „nie odpowiadaj na pytania o wynagrodzenia” nie jest zabezpieczeniem, tylko życzeniem. Zanim podłączycie cokolwiek do firmowego dysku, warto przejrzeć uprawnienia do katalogów kadrowych, zarządczych i prawnych. To bywa najbardziej pouczająca godzina całego projektu.

Przy okazji rozwiązuje się część problemu, o którym pisaliśmy przy shadow AI: ludzie wklejają dane do prywatnych narzędzi między innymi dlatego, że firmowe zasoby są nieuporządkowane i szybciej jest zapytać czat niż szukać pliku.

Czego porządkowanie danych nie załatwi

Żeby nie wpaść w drugą skrajność: czyste dane są warunkiem koniecznym, nie wystarczającym. Kilka rzeczy pozostaje nierozwiązanych niezależnie od tego, jak dobrze posprzątacie.

Po pierwsze, dane nie zastąpią decyzji o tym, co ma się właściwie wydarzyć. Uporządkowany zbiór dokumentów bez zdefiniowanego zadania to nadal tylko uporządkowany zbiór dokumentów. Wybór procesu jest osobną pracą — pisaliśmy o niej przy siedmiu procesach wartych automatyzacji.

Po drugie, czystość danych ma datę przydatności. Jeśli nikt nie odpowiada za aktualizację, po sześciu miesiącach wrócicie do punktu wyjścia — z tą różnicą, że teraz na nieaktualnych danych stoi system, któremu ludzie zdążyli zaufać. Właściciel danych jest w tym momencie ważniejszy niż wybór narzędzia.

Po trzecie, jakość danych nie zdejmuje obowiązków formalnych. Jeśli w zbiorze są dane osobowe, RODO obowiązuje niezależnie od tego, jak elegancko są opisane, a przy systemach objętych regulacją dochodzą wymogi z AI Act. Nawiasem mówiąc, porządek działa tu na Waszą korzyść: rejestr czynności przetwarzania i minimalizacja danych są znacznie łatwiejsze do wykazania, gdy wiadomo, co gdzie leży.

Trzy sygnały, że dane są gotowe

Zamiast pytać ogólnie „czy jesteśmy gotowi”, warto sprawdzić trzy konkretne rzeczy. Odpowiedź na nie zajmuje dzień i jest bardziej wiarygodna niż jakakolwiek deklaracja.

1. Dla każdego z dwudziestu najczęstszych pytań istnieje dokładnie jeden dokument, który zawiera prawidłową odpowiedź, i ludzie w firmie zgadzają się co do tego, który to jest.
2. Każdy z tych dokumentów ma widoczną datę i informację, czy obowiązuje — a starsze wersje leżą w miejscu, do którego system nie ma dostępu.
3. Uprawnienia do folderów odzwierciedlają to, kto naprawdę powinien widzieć ich zawartość, i ktoś sprawdził to ręcznie w ostatnim miesiącu.

Od czego zacząć

Jeśli macie za sobą prezentację o AI i przed sobą decyzję budżetową, najtańszą rzeczą, jaką możecie zrobić w tym tygodniu, jest test dwudziestu pytań. Nie wymaga narzędzia, dostawcy ani zgody zarządu, a rozstrzyga, czy rozmawiacie o wdrożeniu, czy o porządkach. W obu przypadkach oszczędza pieniądze — w pierwszym skraca projekt, w drugim odracza wydatek, który i tak by się nie zwrócił.

Tak zaczynamy każdy projekt: od tego, co firma naprawdę wie i gdzie to trzyma, a dopiero potem od modelu. Zakres konsultingu i wdrożeń AI opisaliśmy osobno, stawki znajdziesz w cenniku, a jeśli chcesz sprawdzić, czy Wasze dane udźwigną wdrożenie — umów bezpłatną konsultację.