Microsoft Power Apps – pytania i odpowiedzi Wszystko, co warto wiedzieć

AI w automatyzacji to warstwa inteligencji dodawana do procesów, które wcześniej wymagały ludzkiej oceny – rozpoznawanie dokumentów, klasyfikacja danych, interpretacja tekstu, podejmowanie decyzji na podstawie wzorca. W odróżnieniu od RPA, które wykonuje zadania według stałych reguł, AI potrafi pracować z danymi nieustrukturyzowanymi i uczyć się na podstawie przykładów.

PIRXON korzysta z gotowych, już wytrenowanych modeli – to właśnie ta warstwa sprawia, że roboty RPA i aplikacje low-code stają się znacznie bardziej inteligentne, bez dodatkowego etapu budowy i uczenia modelu.

PIRXON pozycjonuje AI jako warstwę inteligencji w ramach wdrożeń automatyzacji: RPA wykonuje, low-code zarządza, AI rozumie i decyduje.

RPA działa według reguł – jeśli warunek A, to akcja B. Jest szybkie, precyzyjne i przewidywalne. AI analizuje, interpretuje i wyciąga wnioski – radzi sobie z danymi, których nie da się opisać prostą regułą.

W praktyce wdrożeń PIRXON: RPA obsługuje proces, AI rozumie jego zawartość. Przykład: robot pobiera fakturę ze skrzynki mailowej (RPA), AI odczytuje dane z dokumentu i klasyfikuje je, robot wprowadza dane do systemu ERP (RPA).

PIRXON działa przede wszystkim w ekosystemie Microsoft, ale tam, gdzie ma to sens, sięga też po innych dostawców, np. OpenAI. W obszarze AI korzystamy z czterech elementów:

– Copilot Studio – platforma do budowania asystentów AI i agentów konwersacyjnych zintegrowanych z danymi firmowymi i procesami biznesowymi.

– Azure AI Foundry – platforma Microsoftu do budowania zaawansowanych rozwiązań AI na poziomie enterprise, umożliwiająca tworzenie własnych modeli i integrację z istniejącą infrastrukturą IT.

– OpenAI – korzystamy z niego w projektach, które nie wymagają wdrożenia w środowisku Azure lub w których priorytetem jest szybkie uruchomienie pojedynczego procesu. Pozwala to ograniczyć złożoność infrastruktury i skrócić czas wdrożenia. Jeżeli projekt wymaga zgodności z politykami bezpieczeństwa lub wymaganiami compliance, te same modele wdrażamy w środowisku Azure AI Foundry.

– Agenci AI – autonomiczne komponenty, które budujemy na tych platformach: samodzielnie realizują zadania, podejmują decyzje i współpracują z innymi systemami bez ciągłego nadzoru człowieka.

Chatbot odpowiada według scenariusza – z góry zdefiniowanych ścieżek dialogu. Agent AI sam decyduje, jak dojść do odpowiedzi: sięga po wiedzę firmową i dane z systemów, interpretuje je w kontekście i zwraca gotowy wynik. Różnica nie polega na tym, że jeden mówi, a drugi działa – tylko na tym, że chatbot odtwarza scenariusz, a agent rozumie sytuację.

PIRXON buduje agentów AI jako komponenty procesu, a nie jego zamiennik. Agent przejmuje etap procesu wymagający zrozumienia treści – interpretację dokumentu, klasyfikację zgłoszenia, odpowiedź opartą na wiedzy firmowej. Wykonanie operacji w systemach zostaje po stronie deterministycznego, audytowalnego procesu. Model tam, gdzie potrzebna jest elastyczność; automatyzacja tam, gdzie liczy się powtarzalność.

RPA wystarczy, gdy dane są ustrukturyzowane i są zawsze w tym samym miejscu, w tym samym formacie, bez wyjątków. AI jest potrzebne, gdy dane są nieustrukturyzowane lub zmienne – różne formaty faktur, treści e-maili, skany dokumentów, różnojęzyczne treści.

Praktyczna zasada: jeśli człowiek musi „zrozumieć” dokument zanim go przetworzy – tam potrzeba AI. Jeśli wystarczy „skopiowanie z pola A do pola B” – wystarczy RPA.

Przykład z praktyki: Invena zautomatyzowała rejestrację dokumentów księgowych napływających codziennie ze skrzynki e-mail – faktury, paragony, delegacje w różnych formatach i językach – osiągając 100% automatyzacji procesu i odzyskując 45 dni pracy rocznie. Bez komponentu AI ta automatyzacja byłaby niemożliwa – dokumenty trzeba było najpierw „zrozumieć”, nie tylko skopiować.

Skuteczność odczytu dokumentów przez AI zależy od trzech czynników: jakości dokumentów źródłowych, stopnia ich ujednolicenia oraz doboru odpowiedniego, gotowego modelu do charakteru danych.

Modele AI osiągają znacznie wyższe wyniki na dokumentach z czytelnym układem danych i poprawnie naniesioną warstwą tekstową niż na losowych, niskiej jakości skanach. PIRXON na etapie analizy ocenia jakość danych wejściowych i rekomenduje podejście, które zapewni najwyższą możliwą skuteczność dla konkretnego procesu.

Dla procesów, gdzie skuteczność nie osiąga 100% – PIRXON projektuje mechanizm human-in-the-loop: przypadki wątpliwe trafiają do weryfikacji człowieka, reszta jest obsługiwana automatycznie.

PIRXON projektuje mechanizm human-in-the-loop wszędzie tam, gdzie skuteczność modelu AI nie pokrywa 100% przypadków – żaden wyjątek nie gubi się w procesie.

To częsta i w pełni zasadna obawa. Odpowiedź jest jednoznaczna: dane klienta nie są wykorzystywane do trenowania modeli AI.

W rozwiązaniach opartych na Azure AI dane pozostają w granicy zgodności Microsoft, w wybranym regionie – dla naszych wdrożeń europejskim. Microsoft zobowiązuje się kontraktowo, że zapytania, odpowiedzi i osadzenia nie są udostępniane innym klientom ani dostawcom modeli i nie służą do trenowania modeli – ani Microsoftu, ani OpenAI, ani firm trzecich. To zachowanie domyślne, a nie opcja, którą trzeba włączać. Dane mogą być czasowo przechowywane, do 30 dni, wyłącznie na potrzeby wykrywania nadużyć, w magazynie izolowanym dla danego zasobu, niedostępnym dla innych organizacji. Dla wdrożeń o podwyższonych wymaganiach Microsoft udostępnia tryby ograniczonego monitoringu oraz zerowej retencji, po zatwierdzeniu wniosku.

Tam, gdzie proces korzysta bezpośrednio z API OpenAI, obowiązują analogiczne zasady: dane przekazywane przez API nie są wykorzystywane do trenowania modeli, a retencja ograniczona jest do 30 dni na potrzeby bezpieczeństwa, po czym dane są usuwane.

Halucynacje – czyli generowanie nieprawdziwych informacji – są realnym zjawiskiem w dużych modelach językowych. PIRXON adresuje ten problem na poziomie architektury rozwiązania.

W procesach wymagających wysokiej precyzji – przetwarzanie faktur, dokumentów prawnych, danych finansowych – model nie odpowiada swobodnie. Pracuje wyłącznie na treści konkretnego dokumentu i zwraca dane w ściśle określonej strukturze, zdefiniowanej przez schemat odpowiedzi. Nie ma miejsca na dowolną narrację – jest zestaw pól do wypełnienia.

Najważniejsza jest jednak warstwa, która następuje po odczycie. Każdy komplet danych sprawdzamy regułami po stronie robota: zgodność sum i stawek podatku, poprawność numerów identyfikacyjnych, dopasowanie do zamówienia i kartoteki kontrahenta w systemie ERP. Dokument, który nie przejdzie walidacji, nie trafia do systemu – trafia do człowieka. Ryzyka błędu nie da się wyzerować, ale w takiej architekturze błąd zostaje wykryty, zanim wywoła skutki księgowe.

Nie. Copilot Studio i agenci AI działają natywnie w Microsoft Power Platform – nie wymagają osobnej infrastruktury ani specjalistycznego zespołu data science. Dotyczy to typowych zastosowań, takich jak chatbot odpowiadający na pytania pracowników czy klasyfikacja dokumentów w SharePoint. Nie trenujemy własnych modeli, więc po stronie klienta nie pojawia się też potrzeba przygotowania zbiorów treningowych.

Azure AI Foundry stosujemy tam, gdzie proces wymaga bezpośredniego dostępu do modelu przez API, nietypowej integracji lub pełnej kontroli nad środowiskiem – własnej izolacji sieciowej i przechowywania danych w zasobach klienta. Tam zaangażowanie działu IT klienta jest większe.

W obu przypadkach analizę, integrację i prowadzenie projektu bierze na siebie PIRXON, a rola klienta sprowadza się do udostępnienia środowiska i akceptacji rozwiązania.

Zależy od zakresu. Wdrożenie agenta AI obsługującego jeden, dobrze zdefiniowany proces można uruchomić w 4–6 tygodni. Agent AI obsługujący złożony proces wieloetapowy – 6 do 12 tygodni.

PIRXON zawsze zaczyna od Proof of Concept na realnych danych klienta – tak żeby przed decyzją o pełnym wdrożeniu wiadomo było, jaka skuteczność jest osiągalna i jaki jest potencjał ROI.

Koszt zależy od zakresu i złożoności. Proste wdrożenie AI do jednego procesu – np. ekstrakcja danych z faktur – to inwestycja porównywalna z wdrożeniem RPA. Zaawansowane rozwiązania oparte na agentach AI lub Azure AI Foundry to budżety wyższe, zależne od architektury i liczby integracji. PIRXON wycenia projekty AI w modelu fixed-price – koszt jest znany przed startem.

ROI z AI pochodzi z dwóch źródeł: eliminacji ręcznej pracy przy przetwarzaniu nieustrukturyzowanych danych oraz redukcji błędów wynikających z ludzkiego przepisywania. Przykłady z wdrożeń PIRXON:

– Espersen zautomatyzował tłumaczenie specyfikacji produktów na pięć języków, redukując czas i koszt pracy nad tłumaczeniem o 66% – sam robot tłumaczy dokument w 5 minut, a cały proces z weryfikacją człowieka zamyka się w 25 minutach – przy 5000+ tłumaczeniach rocznie.

– Invena odzyskała 45 dni roboczych rocznie i 21 600 zł oszczędności, automatyzując 100% procesu rejestracji dokumentów księgowych.

– Alsendo zautomatyzowało 88% obsługi zgłoszeń logistycznych dzięki połączeniu RPA z komponentem AI.

AI w automatyzacji procesów jest niezależne od branży – liczy się charakter danych i procesu. PIRXON wdrażał rozwiązania AI m.in.:

– Logistyka: Alsendo osiągnęło 88% automatyzacji obsługi zgłoszeń logistycznych dzięki komponentowi AI.

– Przemysł spożywczy: Espersen zautomatyzował tłumaczenie dokumentów produktowych, redukując czas i koszt pracy nad tłumaczeniem o 66%.

Wszędzie tam, gdzie firma przetwarza duże wolumeny dokumentów, maili lub danych nieustrukturyzowanych – AI ma zastosowanie.

PIRXON posiada udokumentowane wdrożenia AI w procesach logistycznych i produkcyjnych – jako element szerszej automatyzacji RPA.

Zbudowanie pierwszej wersji rozwiązania AI rzeczywiście jest dziś proste – narzędzia low-code sprawiają, że działający prototyp powstaje w kilka dni. I to jest źródło większości nieudanych projektów AI: demo działa, a wdrożenie produkcyjne nie powstaje nigdy.

Trudność zaczyna się przy dokumentach odbiegających od wzorca, przy kilkuset wariantach układu od różnych dostawców, przy wyjątkach, których nikt nie przewidział na etapie prezentacji. Sam model jest dostępny dla każdego – wartością jest warstwa wokół niego: walidacja wyników regułami biznesowymi, obsługa sytuacji nietypowych, integracja z systemami ERP i utrzymanie rozwiązania po uruchomieniu.

To właśnie doświadczenie z wdrożeń w SAP, IFS, proALPHA czy Teta – a nie wiedza o samych modelach – decyduje o tym, czy proces działa w produkcji. Zespół wewnętrzny dochodzi do tego na własnych błędach, zwykle obok bieżących obowiązków. My przechodziliśmy tę drogę wielokrotnie i wiemy, w którym miejscu takie projekty się zatrzymują.

PIRXON koncentruje się na wdrożeniach AI, które działają produkcyjnie – nie na pilotażach bez dalszego ciągu.

Pierwszy krok to bezpłatna konsultacja – rozmowa o procesach, w których firma przetwarza dane nieustrukturyzowane lub podejmuje powtarzalne decyzje. Na tej podstawie PIRXON ocenia, czy i gdzie AI przyniesie największy efekt.

Jeśli potencjał jest – proponujemy Proof of Concept na realnych danych: sprawdzamy skuteczność modelu zanim zapadnie decyzja o pełnym wdrożeniu.

Bezpłatna jest rozmowa. PoC i analiza procesów to osobna, płatna usługa – ale to ona daje pewność, że AI rozwiązuje realny problem, a nie tylko wygląda imponująco w prezentacji.