AI wykonuje ludzką pracę - przykłady z polskiego rynku
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:
- ekstrakcja danych / OCR
- NER (named entity recognition), czyli rozpoznawanie danych należących do określonych kategorii, np. imiona, nazwiska, numer klienta, rodzaj sprawy itp
- 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
- sprawa nietypowa – przekazywana do Cobota, którym jest generator odpowiedzi oparty o AI
- 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
Ostatnie wpisy:
Wykorzystałem AI do nagrania prezentacji o wpływie AI na rynek pracy
Zobacz, jaki efekt dało wykorzystanie kilku narzędzi AI do przygotowania nagrania, na temat wpływu AI na rynek pracy. Ile zaoszczędziłem czasu dzięki AI?
Element – skąd się wzięła nazwa naszego systemu ATS?
Od czasu do czasu otrzymuję pytanie, skąd wzięła się nazwa systemu ATS Element. Oto odpowiedź, którą przedstawiłem podczas finału konkursu HR Tech Changer.
Element finalistą konkursu HR Tech Changer 2024!
System ATS Element został wyróżniony wyborem do ścisłego finału konkursu HR Tech Changer w kategorii narzędzi rekrutacyjnych. To wielkie wyróżnienie!
Newsletter HR & Tech – 13.10.2024 – nowości ze świata HR i Technologii
Dobre dane z rynku pracy ▪️ Rynek pracodawcy? ▪️ Pracodawca i Agencja w ATS ▪️ Nagroda Nobla za AI ▪️ AI w Tesla FSD ▪️ SpaceX przełamuje bariery ▪️ Halucynacje AI ▪️ LinkedIn AI ▪️ Skuteczne ogłoszenia
Oświadczenia agencji rekrutacyjnej o uzyskaniu zgody kandydata
Agencja rekrutacyjna powinna oświadczyć, że uzyskała zgodę kandydata na przekazanie jego danych osobowych do swojego klienta. Jak tę oświadczenie przekazać?
Raport ofert pracy – wrzesień 2024: duża poprawa!
Jest mocny, pozytywny sygnał na rynku pracy. Wskazuje na to wyraźny wzrost liczby publikowanych ogłoszeń. W jakich branżach? Zapraszamy po konkretne liczby!