.png)
Egy beszerzési vezető lelkesen mutatja be az igazgatótanácsnak a vállalat legújabb befektetését – egy forradalmi AI-alapú számlafeldolgozó eszközt. "Ez 95%-os pontossággal kinyeri az adatokat bármilyen PDF-ből!" – mondja büszkén. A bemutató lenyűgöző. Hat hónappal később a munkatársak még mindig kézzel viszik át az adatokat az ERP-be. E-mailben vadásszák a jóváhagyásokat. Excel táblákban követik a státuszokat. Az AI csak egy elszigetelt eszköz, egy pontszerű szigetmegoldás maradt a manuális folyamatok tengerében.
Az AI-washing és a pont-megoldások
A piacon jelenleg zajló "AI-washing" során szinte minden szoftver hirtelen "AI-alapúvá" vált. De valójában mit takar ez? Többnyire csak chatbotokat, egyszerű prediktív modelleket, vagy dokumentumfelismerő komponenseket. Önmagában egyik sem rossz. A probléma ott kezdődik, amikor ezeket a pont-megoldásokat úgy adjuk el, mintha a teljes digitális transzformációt jelentenének. Mintha az AI egyedül képes lenne megoldani minden folyamatautomatizálási kihívást.
Gondoljunk bele mit ér az, ha az AI tökéletesen kategorizálja a beérkező e-maileket, de utána valakinek még mindig manuálisan kell továbbítania őket? Mit ér, ha az AI felismeri a számla adatait, de nem tudja automatikusan ellenőrizni a megrendeléssel, berögzíteni a rendszerbe, és elindítani a jóváhagyási folyamatot?
A valóság az, hogy az AI csak egy eszköz a sok közül. Fontos eszköz, de önmagában nem elegendő. Olyan, mintha egy Forma-1-es motort tennénk egy lovaskocsiba – a motor lehet akármilyen erős, ha nincs meg köré a teljes autó, nem fog előre menni.
A service task minden olyan automatizált lépés egy folyamatban, ami emberi beavatkozás nélkül végez el egy meghatározott feladatot. A kulcsszó itt az, hogy automatizált – de nem feltétlenül AI-alapú.
Az alábbi ábra segít megérteni, hogy mely esetekben érdemes szabály alapú rendszereket és melyeknél érdemes AI-t használni a feladat elvégzésére:
.png)
If-then logika: Egyszerű feltételes elágazások. Ha az összeg nagyobb mint 10,000 EUR, akkor vezérigazgatói jóváhagyás kell. Nem hangzik túl innovatívan, de a legtöbb üzleti folyamat tele van ilyen döntési pontokkal.
OCR (Optical Character Recognition): Ez a technológia már évtizedek óta velünk van. Képes a szkennelt vagy fotózott dokumentumokból szöveget kinyerni. Nem "érti" amit lát, csak karaktereket ismer fel és digitális szöveggé alakítja őket.
RPA: Az RPA (Robotic Process Automation) ugyanazokat a lépéseket hajtja végre egy felhasználói felületen, mint egy ember. Kattint, másol, beilleszt, kitölt. Ott hasznos, ahol nincs API, vagy a régi rendszerek nem támogatják a modern integrációkat.
API hívások: Az API (Application Programming Interface) lehetővé teszi, hogy különböző rendszerek kommunikáljanak egymással. Amikor ellenőrizni kell, hogy létezik-e a megrendelés az ERP-ben, vagy frissíteni kell a készletnyilvántartást, API hívásokat használunk.
Webhook-ok: Egy esemény bekövetkezésének hatására automatikusan elindul egy új folyamat. Ez az eseményvezérelt architektúra teszi lehetővé, hogy a folyamatok valóban automatikusan, emberi beavatkozás nélkül fussanak.
AI Agent: Itt jön képbe az intelligencia. Az AI agent nem csak karaktereket lát, hanem érti is őket. Tudja, hogy ez egy szállító neve, az egy adószám, amaz pedig egy összeg. Képes kontextusban értelmezni az információt, döntéseket hozni.
Hogy mindez ne maradjon elméleti, nézzünk meg egy egyszerűsített folyamatot. Kövessük végig egy számla útját a beérkezéstől a kifizetésig:
1. lépés: Beérkezés (Email monitoring - Service Task) A rendszer folyamatosan figyeli a postafiókot. Amikor új e-mail érkezik melléklettel, automatikusan elindul a folyamat.
2. lépés: Dokumentum kinyerés (OCR - Service Task) Az OCR komponens átalakítja a PDF mellékletet olvasható szöveggé. Nem "érti" mit lát, csak karaktereket ismer fel.
3. lépés: Adatok értelmezése (AI Agent - Service Task) Most jön az AI agent. Értelmezi a szöveget: "Ez egy számla. A kibocsátó a Fluenta Europe Kft. Az összeg 5,670 EUR. A teljesítés dátuma 2024. október 15. Három tétel van rajta..."
4. lépés: Szállító ellenőrzés (API hívás - Service Task) API hívás a törzsadat rendszerhez: létezik ez a szállító? Aktív-e? Van-e keretszerződésünk vele?
5. lépés: Megrendelés egyeztetés (API hívás + AI - Service Task) Összetettebb feladat: API-n keresztül lekérjük a kapcsolódó megrendelést, majd az AI összeveti a számla tételeit a megrendeltekkel. Eltérés esetén újabb folyamat indul.
6. lépés: Eltérés kezelés (If-then logika - Service Task) Ha az eltérés kisebb mint 3%, automatikus jóváhagyás. Ha nagyobb, akkor emberi ellenőrzés kell.
7. lépés: Jóváhagyási workflow (If-then logika - Service Task) Az összeg alapján meghatározza, kinek kell jóváhagynia. 5,000 EUR alatt osztályvezető, felette igazgató, 50,000 felett vezérigazgató.
8. lépés: Értesítések (Notification + Email - Service Task) A megfelelő vezető kap egy értesítést a jóváhagyásról. Egy kattintás: jóváhagyva vagy elutasítva.
9. lépés: Könyvelési adatok előkészítése (RPA - Service Task) Ha jóváhagyták, az RPA "bejelentkezik" a könyvelési rendszerbe, és ugyanazokat a lépéseket hajtja végre, mint amit egy könyvelő tenne.
10. lépés: Fizetés ütemezése (API - Service Task) A jóváhagyott számla adatai átkerülnek a bank rendszerébe, bekerül a következő utalási csomagba.
11. lépés: Archíválás és jelentés (Multiple Service Tasks) A számla tárolásra kerül a megfelelő helyen, frissülnek a dashboard-ok, és ha kell, adatot szolgáltat a havi jelentésekhez.
Látja a komplexitást? Még anélkül is, hogy belementünk volna az automatizáció rejtelmeibe, tizenegy különböző service task, és hét különböző technológia kellett egy zökkenőmentes folyamat felépítéséhez. Ha bármelyik pont szigetszerűen, elszigetelten működne, az egész folyamat megszakadna.
A fenti példa mikrofolyamatok összekapcsolásából jött létre. A mikrofolyamat egy jól körülhatárolt, specifikus üzleti cél elérésére szolgáló folyamat, ami kisebb, újrafelhasználható komponensekből épül fel. Mint egy LEGO konstrukció – az alapkockák (service task-ok) technológia szintjén mindig ugyanazok, de végtelen kombinációban. Ennek előnye, hogy skálázható, több részlegen is használható ugyanaz a rendszer, valamint képesek vagyunk fokozatosan fejleszteni a folyamatot és egyre nagyobb automatizációs szintre emelni.
A kulcs, hogy ez nem ugrás, hanem fokozatos fejlődés. Ha vannak még papíralapú folyamatok, akkor először azokat digitalizálni kell, hogy később elkezdhessük az automatizálás folyamatát. Ha már minden digitális, kezdjük el összekötni és egyre több intelligens, automatizált elemet hozzáadni.
A fokozatos automatizáció előnye, hogy sokkal kevesebb hiba csúszik a rendszerbe, mintha rögtön az automatizált szintet célozná a szervezet, valamint a fokozatosság hagy időt a munkatársaknak hozzászokni a megváltozott munkamódszerhez.
Miért nem elég önmagában az AI?
Amikor különálló AI eszközöket használunk, mindegyik a saját adatbázisában dolgozik. A számlafeldolgozó AI ismeri a számlákat, a szerződéskezelő AI a szerződéseket, de nem beszélnek egymással. Így nem tudják, hogy a most beérkezett számla ahhoz a tavalyi keretszerződéshez tartozik, amiben speciális árak vannak.
Oké, az AI kinyerte az adatokat. Most valaki másolja át az ERP-be. Az rendszer historikusan rögzíti és feldolgozza az adatokat. Most valaki küldjön neki egy e-mailt. Minden ilyen "híd" időt vesz igénybe és hibalehetőséget jelent.
Az AI látja a számlát, de nem tudja, hogy ehhez a szállítóhoz volt egy minőségi kifogás múlt héten. Nem tudja, hogy a projekt, amihez tartozik, le lett állítva. Nem látja a teljes képet, csak a saját szűk területét.
Az elszigetelt AI eszköz nem csupán egyetlen folyamaton belül, hanem a szervezet egészére nézve is szűk keresztmetszetet képez. A számlafeldolgozó rendszer megoldja a pénzügy egy problémáját, de mi történik, ha a HR osztály a beérkező önéletrajzokat, vagy a jogi osztály a szerződéseket szeretné automatikusan feldolgozni? Az ilyen célspecifikus eszközök nem hasznosíthatók más részlegeken.
A vállalat így arra kényszerül, hogy minden újabb automatizálandó folyamathoz egy újabb, önálló pontmegoldást vezessen be. Ennek eredménye egy drága, nehezen fenntartható és átláthatatlan rendszermix lesz, ami nem egy skálázható stratégia, csupán egymásra dobált, szigetszerű megoldások halmaza.
Ezzel szemben, amikor a service task-ok egy integrált folyamatban kapcsolódnak össze:
Nincs adatvesztés: Minden információ végigfut a folyamaton. Amit az OCR kinyer, azt használja az AI, amit az AI kategorizál, azt ellenőrzi az API hívással, és így tovább.
Nincs várakozás: Egyik lépés indítja a következőt. Nincs "majd holnap átnézem" vagy "várjuk meg amíg Kovács úr visszajön szabadságról".
Teljes átláthatóság: Minden lépés logolva van. Tudjuk, melyik számla hol tart, mennyi ideje, mi a következő lépés.
Mi a Fluenta One-nál pontosan ebben a mikrofolyamat-alapú, service task központú megközelítésben hiszünk, amiket user taskokkal kiegészítve workflow alapon kínálunk. Nem AI-t adunk el, hanem intelligens folyamat automatizációt, ahol az AI csak egy komponens a sok közül. Ez nem azt jelenti, hogy lebecsüljük az AI szerepét. Épp ellenkezőleg: pontosan tudjuk, hol és hogyan tud a legtöbbet hozzáadni. De azt is tudjuk, hogy önmagában nem elég.
Az AI forradalma valós. De nem abban áll, hogy minden problémát AI-jal oldunk meg. Hanem abban, hogy az AI-t intelligensen integráljuk más technológiákkal, valódi, működő, értékteremtő folyamatokat hozva létre.
Ne dőljön be annak, aki azt mondja, hogy egyetlen AI tool megoldja minden problémáját. De ne is utasítsa el az automatizációt, mert túl komplexnek tűnik. A megfelelő megközelítéssel, mikrofolyamatokban gondolkodva, service task-ok intelligens kombinálásával valódi digitális transzformáció érhető el.
Kíváncsi, hol tart az Ön vállalata? Töltse ki ingyenes automatizáltsági felmérésünket és 5 perc alatt megtudja, mely folyamatai érettek az automatizálásra! Személyre szabott javaslatokat kap a következő lépésekhez.
.png)
