AI wykonuje ludzką pracę - przykłady z polskiego rynku

25 czerwca 2024

Alior, Morele wdrożyły AI zastępujące etaty

Dwa tygodnie temu zamieściłem na LinkedIn krótki post o tym, że takie firmy jak Alior czy Morele chwalą się wdrożeniem rozwiązań, które wykonują pracę, do której potrzebne by było kilkadziesiąt etatów. To chwalenie się, to w rzeczywistości slajdy zaprezentowane podczas konferencji Hiperautomatyzacja & AI, podczas której przedstawiano wdrożone systemy oparte o sztuczną inteligencję.

Hasło “zastępuje etaty” budzi emocje, więc pod postęp pojawiło się kilkadziesiąt komentarzy. W dyskusjach, zarówno na LinkedIn, jak i X, pojawiły się pytania o to, co konkretnie wdrożyły firmy i co konkretnie robi sztuczna inteligencja. Obiecałem, że przedstawię więcej szczegółów i to też poniżej czynię.

Jeszcze uwaga dotycząca “zastępowania etatów”. Nie przywołuje tego sformułowania, by wzbudzać negatywne emocje, czy wręcz straszyć. Osobiście uważam, że automatyzacja pracy i zastępowanie ludzkiej pracy technologią jest nie tylko pozytywne, ale wręcz konieczne do dalszego postępu rozwoju ludzkości. Liczę na to, że w przyszłości nasze dzieci mniej swego życia poświęcą na biurowe czy fizyczne prace od 8 do 16, które w dłuższym okresie mają znikomy wpływ na rozwój intelektualny, jednocześnie przynosząc niewspółmiernie niskie korzyści finansowe. Mam nadzieję, że sztuczna inteligencja wyzwoli ludzkość od tego rodzaju prac i pozwoli nam zużyć naszą życiową energię na więcej rzeczy twórczych, doniosłych, intelektualnie rozwijających. Właśnie dlatego cieszę się, że mamy już w Polsce przykłady realnych wdrożeń AI. Poniżej przedstawiam te wdrożenia.

Alior Bank - Voicebot, Chatbot i Speech Analytics

Alior Bank przedstawił historię rozwoju sztucznej inteligencji, począwszy od 2020 roku. W 2021 roku bank wdrożył Call Steering oraz rozpoczął budowę platformy do analizy mowy (Speech Analytics). W 2022 roku wprowadzono voiceboty w komunikacji wychodzącej, a w 2023 roku chatbota na stronie internetowej banku. W 2024 roku chatbot pojawił się również w aplikacji mobilnej. W bieżącym roku bank rozpoczął pracę nad wykorzystaniem generatywnej sztucznej inteligencji w swoich rozwiązaniach, z którą wiąże daleko idące plany w zakresie automatyzacji komunikacji.

Skuteczność InfoNiny, jeśli dobrze rozumiem, tak nazywa się Voicechat banku, opisana została następującymi statystykami:

Prawidłowe rozumienie intencji – 94%
Przekierowanie do właściwego konsultanta – 93%
Rozmowy obsługiwane automatycznie – 43%
Skrócenie średniego czasu rozmowy o – 15%
Czas reakcji bota – 0,3 s
Wykonywanie pracy równej – 75 FTE

Rozwiązania AI w Alior Banku to:

Setki konwersacji 24/7/365 w tym samym czasie
+12 tysięcy rozmów z klientami dziennie
Niemal 2 mln rozmów rocznie realizowanych przez boty wychodzące
Miliony nowego volumenu sprzedaży (tak, Alior chwali się tym, że boty pozyskują leady, które przekazywane są konsultantom do obsługi i zamknięcia sprzedaży)
100% rozmów bankierów monitorowane przez Speech Analytics

Czego bank nauczył się, wdrażając AI?

Użytkownicy widzą to inaczej – kluczowe jest projektowanie dialogu bota pod potrzeby użytkowników, a nie procesów biznesowych
Stworzenie bota to połowa sukcesu – pozostałe wyzwania to analityka działania AI, optymalizacja, dbałość o jakość.
Bot musi spełniać cele biznesowe – stawianie mierzalnych celów, np. % obsłużonych połączeń, % rozwiązanych spraw, kiedy obsada contact center jest zmniejszona, % skuteczności rozpoznania intencji.
Dobry AI wciąż potrzebuje ludzi (chociaż dużo mniej):
- kompletny zespół i efektywne narzędzia są niezbędne na każdym etapie rozwoju bota, od przygotowania danych uczących, przez analizy po projektowanie dialogów i optymalizacje.
- istnieją procesy, które lepiej pozostawić człowiekowi, np. takie, które wymagają dużej kreatywności i decyzyjności.

Credit Agricole - wall-e, analizator, klasyfikator, priorytetyzator

Jednym z wyzwań, z którym Credit Agricole chce zmierzyć się przy pomocy AI, jest generator odpowiedzi na zapytania klientów. Problemem jest tu długi czas przygotowania odpowiedzi niestandardowych. Przygotowanie takich odpowiedzi trwa około 2.5 razy dłużej, w stosunku do odpowiedzi standardowych. Według statystyk z 2020 r. problem niestandardowych odpowiedzi dotyczy około 1,1 tysiąca spraw miesięcznie.

Proces przygotowywania odpowiedzi w Credit Agricole składa się z następujących elementów:

analiza stanu faktycznego
dobranie odpowiedniej podstawy prawnej
podsumowanie i decyzja
uzasadnienie

W związku z powyższym, Credit Agricole postawił za cel stworzenie rozwiązania opartego o AI, które przygotuje pismo z odpowiedzią zawierającą:

podsumowanie i decyzję
opis stanu faktycznego
uzasadnienie
dalsze kroki
podstawa prawna
zakończenie

Jak było przed wdrożeniem AI? Bank wskazał podczas konferencji, w jaki sposób dotychczas (przed wdrożeniem AI) pracownicy organizacji wspierali się systemem informatycznym banku w procesie podejmowania decyzji i przygotowywania odpowiedzi dla klientów banku:

wyszukiwanie fragmentów historycznych odpowiedzi (frazy)
- wybór stopnia skomplikowania sprawy
- wybór stylu języka (urzędowy / kliencki)
- wybór tematyki pisma
- wybór elementu pisma
rodzaj wyszukiwania:
- listy wyboru (filtry) z możliwością zawężania dostępnych fraz
- wyszukiwanie wg konkretnych słów
- wyszukiwanie wg konkretnych numerów przypisanych do fraz
łatwe dodawanie i usuwanie wyszukiwanych fragmentów tekstu
korygowanie wyszukanych fragmentów pism i tworzenie nowych
wyróżnienie elementów pisma odnoszących się do konkretnej sprawy (data / płeć klienta / nr umowy lub rachunku) z funkcją kontrolną

Po wdrożeniu AI proces wygląda następująco:

klient przesyła wiadomość (dokument, email)
analizator (system oparty o AI) wykonuje następujące czynności:
1. ekstrakcja danych / OCR
2. NER (named entity recognition), czyli rozpoznawanie danych należących do określonych kategorii, np. imiona, nazwiska, numer klienta, rodzaj sprawy itp
3. rozpoznawanie wątków (przez co rozumiem przypisywanie wiadomości do odpowiedniej sprawy lub historii wcześniejszych wiadomości)
kategoryzacja (przydzielenie wiadomości do odpowiedniej kategorii spraw)
priorytetyzacja (ustalanie sprawy na liście priorytetów)
przydział do zespołu
1. sprawa nietypowa – przekazywana do Cobota, którym jest generator odpowiedzi oparty o AI
2. sprawa typowa – przekazywana do robota, który przygotowuje odpowiedź bez konieczności wykorzystywania AI

W jaki sposób zastosowanie AI wpłynęło na poprawę procesu generowania odpowiedzi?

Klasyfikator
- Wytrenowany na 80 tys. pism klientów
- Poprawność: 86%
- Wykorzystanie: analiza 200 tys. spraw rocznie
Priorytetyzator
- Trenowanie: 25 tys. pism klientów
- Poprawność: 90%
- Wykorzystanie: analiza 60 tys. spraw rocznie
Generator odpowiedzi
- Zawiera 42 tys. mikroszablonów
- Posiada 18 funkcjonalności
- Wykorzystanie: 4 tys. odpowiedzi rocznie

Timeline projektu:

luty 2021 – start projektu Wall-e
czerwiec 2021 – wdrożenie produkcyjne Wall-e 1.0 (priorytetyzator)
październik 2021 – przygotowanie kodu i próbki do trenowania modeli Kategoryzatora i Generatora Odpowiedzi
październik – luty 2022 – trenowanie modeli, weryfikacja treści, optymalizacje
24 luty 2022 – produkcyjne uruchomienie Walle-2.0

Podsumowanie:

50% krótszy czas przetwarzania spraw
Poprawiona jakość odpowiedzi
Ograniczenie ręcznej obsługi zgłoszeń
Zgodność z oczekiwaniami instytucji finansowych
Większa satysfakcja klienta

Morele.net - integracja z Chat GPT

Najważniejsze fakty związane z wykorzystaniem AI:

wykonują pracę ponad 80 FTE
zarządzają ofertą, w wykonują translacje i walidacje, oszczędzając wydatki na podmioty zewnętrzne na poziomie 20 FTE
obsługują kilkadziesiąt procesów
są zintegrowane z setką dostawców
od kilku miesięcy roboty są integrowane z Chat GPT.

AI w strategii spółki:

powołanie centrum kompetencji AI
business cases dla AI – dyscyplinowanie wydatków i działań
preferencje dla AI – zakładamy 2 razy mniejsze ROI niż dla tradycyjnych rozwiązań
predykcja, że za dwa do trzech lat większość krytycznych procesów będzie oparta o AI
każdy Dyrektor ma w swoich priorytetach wprowadzenie w ciągu roku jednego projektu AI

Zastosowanie dla Chat GPT

informacja produktowa na stronie, tu Morele przedstawiło więcej szczegółów:
- 10 tys. zapytań produktowych miesięcznie
- odpowiedź powinna być natychmiastowa
- wskaźnik satysfakcji nie niższy niż 90%
- koszt minimum 10-krotnie mniejszy w porównaniu do tradycyjnej obsługi
Krótki opis usterki
Matchowanie opisu
Pytania odnośnie do zamówień
Kategoryzacja pytań
Linkowanie wewnętrzne

Wnioski po wdrożeniu integracji z Chat GPT

Kluczowe jest przygotowanie odpowiednich promptów
Istotne znaczenie dla promptów ma architektura danych wsadowych
Konieczny jest stały monitoring i optymalizacja
Pytający powinien mieć możliwość rozmowy z człowiekiem
Dla 70% pytających wystarczająca jest odpowiedź Chat GPT

Żabka - Franek obsługuje franczyzobiorców

Żabka pochwaliła się wdrożeniem Franka, czyli AI chatbota, który obsługuje franczyzobiorców zgłaszających zapytania i problemy związane z prowadzonymi przez siebie sklepami.

Wyzwania związane z prowadzeniem Centrum Wsparcia Franczyzobiorców:

400 tysięcy zgłoszeń rocznie
zapewnienie obsługi 6-24/7 dni w tygodniu
90 osób w 3 zespołach
6000 wariantów scenariuszy
100 kategorii

Z powyższymi wyzwaniami radzić ma sobie chatbot Franek. Zadania Franka:

szybkie przywrócenie płynnego działania sklepu, rozwiązywanie problemów
rozładowanie obciążenia infolinii i personelu
zwiększenie efektywności w obsłudze zgłoszeń
zwiększenie satysfakcji użytkownika

Funkcjonalności Franka

udzielanie instrukcji self-service dla najczęściej występujących problemów
udzielanie informacji o statusie zgłoszenia
integracja z artykułami z bazy wiedzy
przyjmowanie i poprawna kategoryzacja zgłoszeń
bezpośrednia wysyłka zgłoszeń do serwisów IT
automatyzacja odpowiedzi na zapytania o nr PIN PUK karty SIM
przekierowanie do live chat z konsultantem

Efekty wdrożenia Franka:

Franek wymienił z franczyzobiorcami 2 234 599 wiadomości
zebrał i poprawnie skategoryzował 59 065 zgłoszeń
Franek zaoszczędził ponad 2000 godzin pracy na samym dopytywaniu o szczegóły zgłoszenia
rozwiązuje 20% spraw bez angażowania konsultantów
obsługuje ponad 100 scenariuszy w ponad 6 000 wariantach
Franek otrzymał wyróżnienie w konkursie BEST IN RPA 2023 na najlepsze wdrożenie RPA (Robotyzacja Procesów Biznesowych)

Podsumowanie

Cieszą te przykłady wdrożeń AI na naszym rynku. Niech to będzie przykład dla innych firm, które myślą już o wdrażaniu sztucznej inteligencji celem optymalizacji swoich procesów. Te wdrożenia realnie skracają czas oczekiwania na wykonanie zadania, zwiększają jakość procesów, w długim okresie obniżają koszty a to będzie korzystnie wpływać na cenę usług i towarów. Sądzę, że to właśnie dzięki automatyzacji realna stanie się rozmowa o 4-dniowym tygodniu pracy, a później o 3-dniowym 😉

Ps. w ostatniej chwili natrafiłem jeszcze na poniższy raport Citi Banku, który dobrze pasuje do tego artykułu:

Najczęściej czytane:

Darmowe ogłoszenia o pracę i największa lista źródeł kandydatów – największa w Polsce lista bezpłatnych i płatnych źródeł kandydatów
Praca w HR – najnowsze oferty pracy i aktualne średnie wynagrodzenia w branży HR
Akademia Rekrutacji – zbiór wiedzy na temat rekrutacji oraz raporty z rynku pracy.
Gowork – jak reagować na negatywne opinie o pracodawcach – Kompleksowy poradnik dla pracodawców.
Sztuczna inteligencja w rekrutacji i Chat GPT-3 – wszystko co musisz wiedzieć o najnowszej wersji sztucznej inteligencji i jej możliwych zastosowaniach, także w rekrutacji.
RODO w rekrutacji – sourcing, direct search, ogłoszenia. Wszystko co musisz wiedzieć – kompleksowy poradnik RODO w rekrutacji z naciskiem na działania typu direct search / sourcing.
Wszystko o systemach ATS – poradnik wyboru systemu rekrutacyjnego

Maciej Michalewski

Founder & CEO @ Element

Nasze artykuły przeczytasz także na Medium, Hashnode, Substack, Reddit

Ostatnie wpisy:

Czy sytuacja rynku pracy poprawi się? Dane z sierpnia i komentarze

Maciej Michalewski 28 września 2024

Kontynuuję analizę rynku pracy, tym razem przedstawiająca dane dotyczące liczby publikowanych ogłoszeń rekrutacyjnych w sierpniu oraz komentarze ekspertów.

Czytaj więcej »