AI a cégedben: öt dolog, amit a legtöbb KKV rosszul csinál

Máriás Zsigmond, a LogiNet alapítója a Simple Trends Podcastban arról beszélt, mit lát a gyakorlatban, amikor vállalkozások AI-t akarnak bevezetni, és hol csúsznak félre a legtöbben.

Máriás Zsigmond 2008-ban alapította a LogiNetet, közvetlenül az egyetem után. A cég azóta a hazai webes és mobilfejlesztés meghatározó szereplőjévé vált: foglalkozunk nagyvállalati egyedi fejlesztéssel, saját termékekkel, startupoknak kiszervezett termékfejlesztéssel. Az elmúlt években egyre több ügyfelünk keres minket kifejezetten AI implementációs kérdésekkel: KKV-k, akik tudják, hogy valamit kellene csinálniuk, de nem tudják, mit és hogyan.

Pintér Robesz a Simple Trends Podcastban kérdezte Zsigmondot, aki a 25 kérdéses AI implementációs anyagunk hátteréről és a valós tapasztalatairól beszélt. Az alábbiakban öt gondolatot emeltünk ki a beszélgetésből.

1. Indulj ki abból, ami fáj

A legtöbb AI bevezetési kísérlet egy nagy vízióval indul. Stratégia, féléves projekt, workshopok sora. Zsigmond szerint ez a rossz sorrend: „Nagyon határozottan azt gondolom, hogy sokkal jobb azt mondani: vegyél egy problémát, ami nagyon idegesít, és oldd meg.”

A javasolt megközelítés: proof of concept, vagyis kicsiben. Például ha B2B e-kereskedelemben a megrendelések Viberen, e-mailben, faxban lefotózva érkeznek, és emberek viszik be kézzel a rendszerbe - ne a teljes automatizációt építsük meg elsőre. Építsük meg azt a részt, ami tíz tipikus megrendelésből egy Excel-táblát csinál. Ha az működik és mindenki elégedett, akkor jöhet a következő lépés: a CRM-be vagy a webshopba való integráció.

Egy sikeres kis projekt után a szervezetben könnyű a másodikat és harmadikat is eladni. Egy féléves, elvont stratégiai program után jellemzően nem könnyű.

2. Rendetlen folyamatra AI = gyorsabb káosz

Ha egy folyamat szétesett, hiányoznak belőle lépések, vagy az adatok nem megbízhatóak, az AI nem fogja megjavítani. Fel fogja gyorsítani a hibákat.

„Ha rossz a prompt, ha rossz dolgot kérsz tőle, nagyon gyorsan fogja a rossz választ megadni. Ezt nagy léptékben csinálni nem biztos, hogy előremutató.” Zsigmond szerint egyszerre egy folyamatot érdemes rendbe tenni. Végignézni, honnan jönnek az adatok, mi hiányzik, hol nem ér össze a lánc, és csak ezután AI eszközöket rakni rá. A bemenet minősége határozza meg a kimenet minőségét, és ez elsősorban szervezeti kérdés, nem technológiai.

A másik tipikus hiba: kitalálni egy új problémát, amit majd az AI megold, ahelyett hogy a meglévő, régóta húzódó gondokkal foglalkoznánk. Pedig Zsigmond szerint épp itt tud a legtöbbet segíteni az AI: olyan feladatoknál, amiket a kollégák nem szeretnek csinálni, nem is feltétlenül jók benne, de mégis sok idejük megy rá.

3. Nem az ember tűnik el, hanem a felesleges munka

Mikor cégek AI-ra hivatkozva küldenek el fejlesztőket, az Zsigmond szerint az esetek nagy részében „AI washing”, vagyis  a számoknak jobbaknak kellene lenniük, és ez egy kényelmes ürügy.

„Azok a cégek, amelyek a meglévő emberanyagukkal hatékonyan működnek, nagyon gyakran azt tudják elérni, hogy akik felesleges dolgot csinálnak, értelmes dologgal tudnak helyette foglalkozni.” Két példát hozott a saját cégéből. Az egyik: landing page készítése, ami korábban fejlesztőt, szövegírót és koordinációt igényelt, ezért rendre elmaradt. Most az, akinek a feladata, egy délelőtt alatt end-to-end megcsinálja.

A másik: ügyfél-workshopok utáni memo készítése, amit régen „eszméletlen mennyiségű munka” lett volna rendesen megcsinálni, ezért gyakran nem készült el. Most AI-val a felvételből, jegyzetekből és egy jó template-ből kiváló összefoglaló áll elő. Mindkét esetben ugyanaz történt: egy korábban el nem készült feladat most elkészül.

4. Rakd rendbe a vállalati tudásbázist, mielőtt AI-t vezetsz be

Ha a saját adataink nincsenek rendben, az AI az internet legnagyobb közös osztóját fogja visszaadni, vagyis általános, semmitmondó válaszokat. Ahhoz, hogy ennél többet kapjunk, a digitalizációnak rendben kell lennie, egészen gyakorlati szinten: rendben vannak-e az adatok, létezik-e dokumentáció, digitálisan elérhető-e a vállalati tudás.

„Szükségünk van a saját adatainkra, a saját tudásbázisunkra, és ez nagyon sok cégnél nincs meg.” Zsigmond tapasztalata az, hogy első kérdésre minden ügyfél azt mondja: náluk minden jól dokumentált, kiváló specifikációk vannak. A valóságban ez „konkrétan soha nincs így”, mert a dokumentáció elavult, a tudás a kollégák fejében van, a specifikáció évek alatt háromezer oldalra hízott, tele törésekkel.

A jó hír: a tudásbázis rendberakásában is segít az AI. Gazdaságilag reálissá teszi azt, ami eddig túl drága és időigényes volt, például egy nagy szoftverrendszer dokumentálását vagy a kollégáknál szétszórtan meglévő tudás összegyűjtését. Ami ennél is fontosabb: ki kell építeni azokat a munkafolyamatokat, amelyek ezt a tudást folyamatosan karbantartják, nem csak egyszeri projektként rakják rendbe.

5. Az AI motor legyen cserélhető

A mesterséges intelligencia eszköztára hónapról hónapra változik. Ami ma a legjobb modell, fél éve még nem létezett. Ahogy Zsigmond és csapata szoktak viccelődni: „Az új iparági sztenderd tegnap óta az, vagy az utóbbi 20 percben már ez az iparági sztenderd.”

Éppen ezért kritikus, hogy a bevezetett megoldások ne függjenek egyetlen szolgáltatótól. „Ha valamit ráépítettünk egy OpenAI megoldásra, igyekezzünk úgy megcsinálni, hogy kicserélhessük másra is.” Ez a modellagnosztikus megközelítés: az AI megoldás építőkockái cserélhetőek legyenek. Ha kijön egy jobb modell – legyen szó bármelyik szolgáltatótól –, ne kelljen az egész rendszert újraépíteni.

A szállítók természetesen abban érdekeltek, hogy minél mélyebben integrálódj – ez a vendor lock-in. Minél komplexebb megoldást veszel egyben, annál nehezebb lesz részeket lecserélni, és annál kiszolgáltatottabb leszel.

A LogiNet a saját fejlesztéseiben az agnosztikus filozófiát követi: olyan eszközöket építünk, amelyekben az építőkockák cseréje egyszerű.

Mi legyen a következő lépés?

Zsigmond tanácsa: azonosíts egy területet, ami fáj. Keresd meg hozzá a szakértelmet – házon belül vagy kívülről –, hogy eldöntsd, megoldható-e AI-val, és milyen költséggel. Csináld meg kicsiben. Ha működik, mutasd be cégen belül, és indítsd a következőt.

„Ha fel tudsz mutatni egy ilyen sikertörténetet a cégen belül, utána sokkal könnyebb azt mondani, hogy csináljuk a másodikat, a harmadikat.”