Enterprise AI i strategia · Zastosowania
Generatywna AI: 6 zastosowań w firmach
Generatywna AI pisze, streszcza, czyta dokumenty i odpowiada na pytania. Oto sześć zastosowań, w których realnie odciąża pracowników firm. Większość z nich działa już w naszych projektach.
Julia Rose
Najważniejsze w skrócie
- Generatywna AI tworzy nowe treści, takie jak tekst, obrazy czy kod. Opiera się na dużych modelach językowych i modelach generujących obrazy.
- Sześć najczęstszych zastosowań: streszczenia, ekstrakcja informacji, asystenci, kod, klasyfikacja tekstów i tworzenie treści.
- Przykłady z projektów: o 80% mniej ręcznej pracy przy ekstrakcji danych, notatki z rozmów tworzone automatycznie w ramach MVP.
- Demo powstaje szybko. Wdrożenie produkcyjne wymaga podłączenia danych, integracji, kontroli jakości i utrzymania.
Czym jest generatywna AI
Generatywna AI tworzy nowe treści na podstawie tego, czego się nauczyła. Duże modele językowe piszą i analizują teksty, modele dyfuzyjne generują obrazy. Dla firm najważniejszy jest język: modele rozumieją polecenia sformułowane zwykłymi słowami, czytają dokumenty, wyciągają z nich informacje i piszą odpowiedzi w dowolnym tonie i formacie. Pełnię możliwości ta technologia pokazuje dopiero wtedy, gdy połączysz ją z własnymi danymi i systemami.
6 zastosowań generatywnej AI
1. Streszczanie tekstów i rozmów
Długie raporty, analizy rynku, umowy czy transkrypcje rozmów zamieniają się w krótkie streszczenia o stałym formacie. Eksperci szybko wychwytują najważniejsze informacje i nie muszą czytać każdego dokumentu w całości.
Z praktyki: arvato
W call center po każdej rozmowie z klientem powstaje notatka zawierająca intencję, kategorię, podjęte działania i kolejne kroki. W ramach MVP notatki powstają automatycznie.
Więcej w artykule Generatywna AI do tworzenia streszczeń.
2. Ekstrakcja informacji z dokumentów i e-maili
Daty, kwoty, nazwiska, dane przesyłek czy zamówień kryją się w e-mailach, plikach PDF i umowach, często w zmiennych formatach. Modele językowe je odczytują i w ustrukturyzowanej postaci przekazują do ERP, CRM lub systemów dziedzinowych.
Z praktyki: Fr. Meyer’s Sohn
Firma logistyczna otrzymuje codziennie tysiące e-maili po niemiecku i po angielsku, bez stałego formatu. Pipeline oparty na GPT, działający na jej własnych serwerach, wyciąga z nich dane przesyłek i ogranicza pracę ręczną o 80%.
3. Asystenci w codziennej pracy
Asystenci AI, często nazywani copilotami, przeszukują dokumenty, streszczają teksty, przygotowują szkice e-maili i odpowiadają na pytania na podstawie danych firmy. Są dostępni jako gotowe produkty, np. Microsoft 365 Copilot, albo jako rozwiązania dedykowane z dostępem do systemów takich jak SAP.
Z praktyki: producent samochodów i GS1 Polska
U producenta samochodów klasy premium (klient objęty NDA) asystent odpowiada na pytania o dane planistyczne z SAP BW, zadawane pisemnie lub głosowo, w kilka sekund zamiast kilku godzin. W GS1 Polska podczas warsztatu pokazaliśmy pracownikom kilku działów, jak korzystać z Microsoft 365 Copilot we własnych zadaniach.
Zobacz projekt asystenta planowania SAP · Zobacz projekt GS1 Polska
4. Pisanie i przegląd kodu
Przy tworzeniu oprogramowania narzędzia AI podpowiadają kod, objaśniają istniejący kod, piszą testy i znajdują błędy. Znane przykłady to GitHub Copilot, Tabnine i Amazon Q Developer, do którego włączono dawny Amazon CodeWhisperer. Za architekturę, przegląd i bezpieczeństwo kodu nadal odpowiadają programiści.
5. Klasyfikacja tekstów i analiza sentymentu
Modele językowe i metody NLP przypisują teksty do kategorii, rozpoznają terminy specjalistyczne i oceniają sentyment, np. w opiniach klientów, zgłoszeniach czy mediach społecznościowych.
Z praktyki: farmacja i wydarzenia
Dla globalnej szwajcarskiej firmy farmaceutycznej (klient objęty NDA) pipeline NLP wyszukuje w tekstach medycznych i mediach społecznościowych działania niepożądane leków i ocenia sentyment, w pięciu językach. Dla organizatora konferencji Re-Work narzędzie działające w czasie rzeczywistym ocenia sentyment w mediach społecznościowych jeszcze w trakcie wydarzenia.
Zobacz projekt z farmakowigilancji · Zobacz projekt dla Re-Work
6. Tworzenie szkiców treści
Generatywna AI pomaga przygotowywać teksty, opisy produktów, prezentacje i obrazy: dostarcza konspekty, pierwsze wersje i warianty w różnym tonie. Przed publikacją ludzie sprawdzają fakty, zgodność z językiem marki i prawa do obrazów.
Od demo do produkcji
Pierwsze demo na gotowym modelu można zbudować w kilka dni. System, który ma działać niezawodnie na co dzień, potrzebuje więcej:
- Podłączenie danych: dostęp do właściwych dokumentów i systemów, z właściwymi uprawnieniami.
- Integracja: wyniki trafiają tam, gdzie ludzie pracują, np. do ERP, CRM lub poczty e-mail.
- Kontrola jakości: zestawy testowe z prawdziwymi przypadkami i stała ewaluacja na produkcji.
- Utrzymanie i ochrona danych: chmura, własne serwery lub model hybrydowy, w zależności od wymagań dotyczących danych.
Analiza procesu pokazuje, które zastosowanie zwróci się najszybciej. Jak wygląda uporządkowany start, opisujemy w artykule Jak firmy skutecznie wdrażają AI.
Które zastosowanie pasuje do Ciebie?
Przyglądamy się Twoim procesom i oceniamy, gdzie generatywna AI przejmie najwięcej pracy i ile będzie kosztował pierwszy krok.
Zapytaj o analizę procesuNajczęściej zadawane pytania
To AI, która tworzy nowe treści, takie jak tekst, obrazy czy kod. Dla firm najważniejsze są duże modele językowe: czytają dokumenty, wyciągają z nich informacje i piszą odpowiedzi.
Najczęściej do streszczania tekstów i rozmów, wyciągania informacji z dokumentów i e-maili, wsparcia przy programowaniu, klasyfikacji tekstów i analizy sentymentu oraz tworzenia szkiców treści. Często służy też jako asystent w codziennej pracy.
Znacznie więcej niż samo demo. Podłączenie danych, integracja z istniejącymi systemami, kontrola jakości i utrzymanie stanowią większość pracy.
W theBlue.ai analiza jest dostępna w stałej cenie od 3000 €. Wdrożenie kosztuje zwykle od 25 000 do 100 000 €, a wycenę z określonym zakresem otrzymujesz na koniec analizy.
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.