Wiele średnich firm stoi w temacie sztucznej inteligencji przed tym samym pytaniem: od czego właściwie zacząć? Dokładnie o to chodziło na pierwszym Rheinland Day w Siegburgu, wydarzeniu organizacji Just Forward, które zgromadziło około 300 średnich przedsiębiorstw, naukowców i młodych firm technologicznych. Podcast “Markt und Mittelstand” rozmawiał tam z kilkoma gośćmi – a obraz, który się rysuje, jest przyjemnie trzeźwy: mniej szumu, więcej struktury. Zebrałem praktycznie przydatne wnioski dla decydentów w MŚP.
- Projekty AI zaczynają się nie od programowania, lecz od zrozumienia i jasnej definicji problemu – dopiero potem następuje wdrożenie.
- Przed każdym projektem stoi praca nad bazą danych: przegląd, weryfikacja, przygotowanie. MŚP siedzą często na niedocenianym skarbie danych.
- Zamiast samego dowodu wykonalności (POC) liczy się proof of value: jaki problem zostaje rozwiązany, jaka powstaje korzyść?
- Realne przypadki użycia sięgają od wsparcia technicznego przez sterowanie robotami po modele uruchamiane lokalnie, które zatrzymują tajemnice firmowe w domu.
- AI często nie zastępuje w MŚP miejsc pracy, lecz odciąża przeciążonych specjalistów i zabezpiecza wiedzę, która przepadłaby wraz z przejściem na emeryturę.
Punkt wyjścia: dobre badania, słabe przełożenie na produkty
Jedna z kluczowych obserwacji tego dnia dotyczy strukturalnej słabości tej lokalizacji. Niemcy dysponują doskonałymi badaniami, ale nie potrafią wystarczająco przekładać ich wyników na produkty zdolne do rynku. Między wynikiem badań a zastosowaniem regularnie ginie know-how – nierzadko wyniki podchwytują firmy zagraniczne i to tam powstaje wartość dodana. Klasycznym przykładem pozostaje odtwarzacz MP3.
Aktywność innowacyjna w kraju spada, podczas gdy na świecie na wartości i znaczeniu zyskują przede wszystkim firmy technologiczne – firmy, które tutaj zbyt rzadko powstają i zbyt rzadko urastają do wystarczającej wielkości. Dla MŚP wynika z tego konkretna rekomendacja: innowacje da się aktywnie czerpać z nauki. Współpraca między gospodarką a nauką była kiedyś silniejsza i od lat słabnie. Nawet małe firmy mogą tu zacząć – w przywołanym przypadku zakład z około 20 pracownikami ufundował profesurę na miejscowym uniwersytecie.
Jak powinny startować projekty AI: trzy fazy zamiast strzału na oślep
Być może najbardziej użytecznym wkładem do codzienności jest prosty model postępowania. Najczęstszy błąd: firmy zaczynają od razu od programowania. To krok, który powinien przyjść na końcu. Zamiast tego zaleca się przebieg w trzech fazach:
- Discover: Zapewnić, by kadra kierownicza i pracownicy rozumieli, czym AI w ogóle jest i co się właśnie dzieje.
- Define: Konkretnie zdefiniować, gdzie AI rozwiązuje realny problem albo tworzy mierzalną wartość dodaną – nie stosować AI tylko po to, by stosować AI.
- Deploy: Dopiero teraz wdrożenie techniczne. Dzięki temu na końcu nie powstaje “świetne rozwiązanie” dla samego siebie, lecz takie, które przynosi wykazalną korzyść.
Najpierw dane, potem projekt
Uzupełniająco kilku rozmówców podkreślało znaczenie bazy danych. Zanim się ruszy, opłaca się uczciwa analiza: jakie dane są dostępne, na których można się oprzeć? Ten przegląd sensownie przeprowadza się z data scientistem. Dopiero potem idzie się dalej strategicznie – z pytaniem o właściwe przypadki użycia, wizję i przede wszystkim proof of value.
Różnica jest rozstrzygająca: wiele inicjatyw rozchodzi się po kościach, bo proof of concept wprawdzie działa technicznie, ale nikt nie sprawdził, czy rozwiązuje realny problem. Pytania przewodnie przed każdą inwestycją brzmią zatem: czy oszczędzamy czas? Czy stajemy się efektywniejsi? Jaki ROI to przynosi? I jakie warunki brzegowe – łącznie z ochroną danych – trzeba uwzględnić?
Konkretne przypadki użycia z MŚP
Abstrakcyjna strategia niewiele pomaga bez przykładów. Poniższe obszary przedstawiono na wydarzeniu z odniesieniem do praktyki.
Wsparcie techniczne i zabezpieczenie wiedzy
Przy bardzo złożonych instalacjach, z których często istnieje tylko jeden egzemplarz, dokumentacja szybko obejmuje setki tysięcy stron. Specjaliści we wsparciu posprzedażowym spędzają według relacji spokojnie około 25 procent swojego czasu na samym szukaniu w tych materiałach. Systemy wspierane przez AI mogą tu dostarczyć właściwą odpowiedź natychmiast – o ile zapanuje się nad centralnym ryzykiem: halucynacjami. Odpowiedź zawsze brzmi wiarygodnie, ale bywa po prostu błędna. W otoczeniu istotnym dla bezpieczeństwa jest to nie do przyjęcia, dlatego przygotowanie danych musi nastąpić tak, by model językowy mógł je niezawodnie odczytać.
Godna uwagi jest reakcja zainteresowanych specjalistów: w przeciążonych zespołach wsparcia praktycznie nie ma lęku o pracę. Przeciwnie – AI zamyka lukę, która powstaje, gdy doświadczeni pracownicy odchodzą na emeryturę z całą swoją wiedzą o firmie, a niedobór specjalistów utrudnia obsadzenie miejsca. Nie chodzi o automatyzowanie miejsc pracy, lecz o utrzymanie zespołów w zdolności do działania.
AI i robotyka w produkcji
Dla wielu średnich firm dużą barierą jest uruchomienie i przeprogramowanie robotów lub maszyn różnych producentów – potrzebnego know-how brakuje wewnętrznie, zewnętrzni integratorzy są drodzy. Modele językowe umożliwiają tu sterowanie oparte na dialogu: maszyny da się ustawiać bez głębokiej znajomości programowania, a roboty sterować przez modele foundation.
Dwie kwestie są przy tym centralne. Po pierwsze kontrola: średnie firmy mają niewielki interes w tym, by obrazy z kamer z ich produkcji wypływały do chmury albo do firm z USA, bo kryją się w nich tajemnice firmowe. Systemy wykonywane lokalnie adresują dokładnie to – łącznie z możliwością prześledzenia, jakie zadania są właśnie rozwiązywane i gdzie się zacina. Po drugie skarb danych: podczas gdy zastosowania amerykańskie mocno celują w pracę umysłową, dla niemieckich MŚP większa dźwignia leży w hali produkcyjnej. Firmy z dużą wiedzą kontekstową mogą tym karmić modele – przewaga, której amerykańscy dostawcy bez tych danych nie mają.
Marketing: dane lokalizacyjne i geofencing
W marketingu jako przykład przywołano geofencing. Definiuje się przy tym miejsca – na przykład własny sklep albo sklep konkurenta – by zwracać się do grupy docelowej kontekstowo. Kto przebywa od 30 minut do 2 godzin u konkurencyjnego dealera samochodowego, jest z dużym prawdopodobieństwem gotowym do zakupu zainteresowanym w “lower funnel”. Podobne logiki obowiązują dla studiów kuchennych czy sezonowej wymiany opon w warsztatach samochodowych. Warunek jest niewygórowany: nie obszerny dokument strategii AI, lecz jasność co do celu i bezpośredniej konkurencji.
Głosowi agenci AI do terminów i dostępności
Kolejnym przykładem byli telefoniczni agenci AI na gotowej platformie zgodnej z RODO, sterowani przez prompting i podłączeni do platformy automatyzacji. Przed rozmową, w jej trakcie i po niej da się wyzwalać akcje – na przykład wysłać SMS z profilem LinkedIn albo bezpośrednio uzgodnić termin w kalendarzu. Praktyczna wartość leży w skalowaniu: takie systemy pracują całą dobę, mogą prowadzić wiele rozmów równolegle i nadają się do rezerwacji w restauracjach, terminów u fryzjera czy proaktywnego przypominania o jesiennej wymianie opon.
Dlaczego liczy się osobista wymiana
Przy całej technice jeden punkt podkreślano wielokrotnie: jesteśmy otoczeni sztuczną inteligencją, ale realny postęp tworzy na końcu inteligencja ludzka. Szczególna wartość takich wydarzeń leży w połączeniu dwóch światów – wieloletniego doświadczenia ugruntowanych firm przemysłowych i bardziej cyfrowego sposobu myślenia młodych startupów technologicznych. Świadomie Rheinland Day odbył się nie w metropolii, lecz tam, gdzie MŚP faktycznie siedzą: w regionie.
Podsumowanie
Przesłanie Rheinland Day jest przyjemnie przyziemne: AI w MŚP udaje się nie przez szybki kod, lecz przez zrozumienie, czystą bazę danych i jasno zdefiniowane przypadki użycia z wykazalną korzyścią. Kto zaczyna od proof of value zamiast od samego dowodu wykonalności, unika projektów, które rozchodzą się po kościach. Najbardziej przekonujące zastosowania odciążają specjalistów, zabezpieczają cenną wiedzę i zatrzymują wrażliwe dane w domu. Dla decydentów w MŚP oznacza to: najpierw problem, potem dane, potem technologia – w tej kolejności.
Źródło: KI-Lösungen für den Mittelstand – Markt und Mittelstand: Der Podcast (YouTube), w języku niemieckim