LLM i agenci AI · Public affairs
Gdy informacji przybywa, agent AI zaprowadza porządek
Każdego dnia pojawiają się nowe projekty ustaw, stanowiska, materiały analityczne i wypowiedzi interesariuszy. Dla firm doradczych w obszarze public affairs oznacza to ogromne ilości informacji, dużą presję czasu i mało miejsca na ręczne, rutynowe czynności. RPP Group odpowiedziała na to własnym agentem AI.
Julia Rose
Najważniejsze w skrócie
- Duża część czasu pracy w RPP Group przypadała na powtarzalne zadania: przeglądanie dokumentów, streszczanie, porównywanie stanowisk, formułowanie kluczowych przekazów.
- Razem z Policy-Insider.AI zbudowaliśmy ChatRPP, system pięciu wyspecjalizowanych agentów dopasowany do sposobu pracy firmy doradczej.
- Czas poświęcany na ręczną pracę rutynową spadł o ok. 70%, odpowiedzi przychodzą w czasie rzeczywistym, a pierwsze wersje robocze w kilka sekund.
- Ocena i decyzje strategiczne pozostają w rękach ludzi, a dane nigdy nie opuszczają infrastruktury firmy.
Punkt wyjścia: rutyna wypiera strategię
W codziennej pracy RPP Group widać było znany schemat. Znaczna część czasu pracy przypadała na powtarzalne zadania: przeglądanie dokumentów, streszczanie treści, porównywanie stanowisk politycznych, formułowanie kluczowych przekazów. Były to zadania konieczne, ale zajmowały czas potrzebny na pracę strategiczną. W doradztwie public affairs, gdzie decydują kontekst, doświadczenie i trafna ocena, zostawało przez to mniej czasu na pracę z klientami.
Potrzebne było rozwiązanie, które rozumie sposób pracy firmy doradczej, zachowuje jej profesjonalny ton, spełnia wymogi compliance i wpisuje się w istniejące procesy. Gotowe narzędzie by tego nie zapewniło.
Rozwiązanie: ChatRPP
Razem z Policy-Insider.AI stworzyliśmy ChatRPP, system AI dla public affairs. Agentową AI nazywa się systemy, które wykonują zadania z uwzględnieniem kontekstu, realizują kolejno kilka kroków i dostarczają uporządkowane wyniki. ChatRPP składa się z pięciu wyspecjalizowanych agentów: orkiestrator kieruje każde zapytanie do właściwego specjalisty, a osobni agenci kontroli jakości sprawdzają wyniki pod kątem wewnętrznych standardów. System wspiera zespół w
- analizie dokumentów politycznych,
- szybkim streszczaniu złożonych treści,
- wypracowywaniu opcji strategicznych,
- formułowaniu jasnych kluczowych przekazów
- oraz przygotowywaniu materiałów komunikacyjnych w stylu firmy.
Użytkownicy mogą zadawać pytania uzupełniające, wgrywać dokumenty i krok po kroku dopracowywać wyniki. Architekturę szczegółowo opisujemy w artykule Pięciu agentów, jeden orkiestrator.
Jak wygląda codzienna praca
Wpływa nowy dokument programowy. Zamiast przeglądać go ręcznie, członek zespołu wgrywa go do ChatRPP. Agent analizuje treść, wskazuje istotne fragmenty, streszcza najważniejsze punkty i klasyfikuje je według wewnętrznej logiki oceny stosowanej w RPP Group. Na życzenie przygotowuje na tej podstawie rekomendacje, narracje lub linie argumentacyjne dla różnych interesariuszy.
| Zadanie | Wcześniej | Z ChatRPP |
|---|---|---|
| Analiza dokumentów | godziny ręcznego przeglądania | automatyczna analiza, odpowiedzi w czasie rzeczywistym |
| Pierwsze wersje robocze | ręcznie, często pod presją czasu | w kilka sekund, w tonie firmy |
| Kontrola jakości | wyłącznie po stronie zespołu | agenci kontroli jakości sprawdzają zgodność z wewnętrznymi standardami |
| Na czym skupia się zespół | rutyna wypiera strategię | praca strategiczna i kontakt z klientami |
Odpowiedzialność i ochrona danych
Odpowiedzialne wykorzystanie AI było jedną z głównych zasad projektu. ChatRPP celowo wspiera pracę ekspertów od polityki: przejmuje zadania przygotowawcze, przyspiesza pracę i dba o spójność. Ostateczną ocenę, klasyfikację i decyzje strategiczne zawsze podejmuje człowiek.
Polityka to wrażliwy obszar pracy. Dlatego całe przetwarzanie odbywa się zgodnie z RODO i w infrastrukturze RPP Group, a poufne informacje nigdy nie opuszczają kontrolowanego środowiska.
Efekt
W praktyce: RPP Group
Czas poświęcany na ręczną pracę rutynową spadł o ok. 70%. Zespół opisuje ChatRPP jako dodatkowego członka zespołu, który rozumie branżę i dostarcza wyniki wymagające niewielu poprawek. Decyzje zapadają szybciej, bo istotne informacje są dostępne w czasie rzeczywistym.
Agent stał się stałą częścią codziennej pracy, zwłaszcza w okresach, gdy informacji jest bardzo dużo, a czasu mało.
Czego mogą się z tego nauczyć inne firmy
Projekt pokazuje, co agenci AI potrafią poza technicznymi eksperymentami, gdy są dopasowani do rzeczywistych procesów. Cztery wnioski sprawdzą się także w innych branżach opartych na wiedzy:
- Zacznij od wąskiego gardła: agent działa tam, gdzie doświadczeni ludzie tracą czas na przewidywalną rutynę.
- Odwzoruj sposób pracy: logika oceny, ton i standardy firmy powinny znaleźć się w systemie.
- Wbuduj kontrolę jakości: agenci sprawdzający i akceptacja przez człowieka zapewniają wiarygodność wyników.
- Trzymaj dane u siebie: przy poufnych treściach przetwarzanie odbywa się we własnej infrastrukturze.
Na stronie Systemy wieloagentowe pokazujemy, jak budujemy takie systemy dla innych procesów.
Agent AI do pracy z wiedzą w Twojej firmie?
W analizie procesu wskazujemy proces, w którym Twój zespół traci najwięcej czasu na rutynę, i pokazujemy, jak mógłby wyglądać system agentów, który go przejmie.
Zapytaj o analizę procesuNajczęściej zadawane pytania
ChatRPP analizuje dokumenty polityczne, streszcza je, wypracowuje opcje strategiczne i przygotowuje kluczowe przekazy oraz projekty komunikatów w stylu RPP Group. Użytkownicy mogą zadawać pytania uzupełniające i dopracowywać wyniki.
Czas poświęcany na ręczną pracę rutynową spadł o ok. 70%. Odpowiedzi są dostępne w czasie rzeczywistym, a pierwsze wersje robocze powstają w kilka sekund.
Ostateczna ocena, klasyfikacja i decyzje strategiczne pozostają w rękach ludzi. Agent przejmuje zadania przygotowawcze.
We własnej infrastrukturze RPP Group, zgodnie z RODO. Poufne informacje nigdy nie opuszczają kontrolowanego środowiska.
Julia jest w theBlue.ai od 2019 roku i od początku istnienia firmy obserwuje z bliska, jak powstają aplikacje AI dla przedsiębiorstw. Jako Marketing Lead ściśle współpracuje z zespołami inżynierów i doradców, a złożone tematy techniczne przekłada na język zrozumiały dla osób decyzyjnych.
W swoich artykułach pisze o praktycznych doświadczeniach z projektów enterprise AI oraz o wyzwaniach i szansach, jakie AI daje firmom.