Czy ufasz AI?
Konnichiwa, welcome to the AI Automation Dojo. Today we are asking the question, do you trust AI? No, really, do you trust it enough to let it answer emails from your clients without checking them first? If you said yes, you are brave and possibly a bit crazy. I am your host, Andrzej Kinastowski, one of the founders of Office Samurai, and today we are going to teach you how to automate your ticketing systems without letting the AI burn down the server room.
A więc niezależnie od tego, czy jesteś pracownikiem service desku zmęczonym resetowaniem haseł ludziom, którzy nie potrafią czytać – czy menedżerem przerażonym wizją, że ChatGPT obieca Twoim klientom produkt, którego nie sprzedajesz – jesteś we właściwym miejscu. A teraz chwyć swoją ulubioną katanę albo ten zielony przycisk zatwierdzania i zabierajmy się do roboty. Chcę zacząć dzisiejszy odcinek od tematu, który jest mi bardzo bliski i ma kluczowe znaczenie dla globalnej gospodarki – kosiarek do trawy.
Historia wyimaginowanej kosiarki
Na początku tego roku moja kosiarka się zepsuła. Miała już ponad 10 lat, więc nie było większego sensu próbować jej naprawiać. A trawa była już na tyle wysoka, że mogłaby ukryć małą rodzinę borsuków. Kupno kosiarki wymaga jednak researchu – czytania recenzji – wysiłku. A ja nie miałem czasu na wysiłek, a mój pies potrzebował spaceru. Pomyślałem więc: hej, żyję w przyszłości. Mam w kieszeni sumę całej ludzkiej wiedzy.
Więc podczas spaceru z psem uruchomiłem tryb głosowy Google Gemini. Czułem się jak Tony Stark. Dałem mu prompt: słuchaj, potrzebuję elektrycznej kosiarki akumulatorowej. Oto wielkość mojego trawnika. Oto mój budżet. I chcę, żebyś kupił ją w tym konkretnym sklepie, bo są naszym klientem, a ja – podobnie jak nasi AI-władcy – wierzę w gospodarkę obiegu zamkniętego. A Gemini odpowiada tym kojącym, pewnym siebie głosem: „wyszukuję, znalazłem kilka pasujących opcji, ale jeśli nieco zwiększysz budżet, mogę znaleźć lepsze”. Powiedziałem: OK, komputerze – zwiększ budżet. Wraca z trzema modelami trzech różnych marek.
Wymienia specyfikacje. Porównuje czas pracy baterii. Wybieram dwa modele, które brzmią idealnie. Proszę, żeby znalazł dla nich recenzje i je podsumował. I robi to. Mówi mi, że model A lepiej radzi sobie z mulczowaniem, a model B ładuje się szybciej. To było piękne. Zajęło jakieś 20 minut – poza tym, że mój pies był trochę zdezorientowany, do kogo właściwie mówię. Wróciłem ze spaceru z psem. Problem rozwiązany. Wróciłem do domu, usiadłem przy komputerze, żeby kliknąć „kup”. I wtedy odkryłem, że żadna z tych kosiarek nie istnieje.
Nie były prawdziwe. Ich nazwy brzmiały wiarygodnie. Idealnie pasowały do konwencji nazewnictwa producentów. Specyfikacje wydawały się sensowne i realistyczne. Recenzje były przekonujące – ale wszystko to było kompletną fikcją, halucynacją. I nie tylko to – ten konkretny sklep, który kazałem sprawdzić, nawet nie ma w ofercie jednej z tych marek.
Rzeczywistość agentowej przyszłości
Poczułem się zdradzony. Jestem technologicznym geekiem. Uwielbiam LLM-y. Ewangelizuję te rozwiązania. Ale co jakiś czas AI przypomina, że nie jest genialnym asystentem. Jest bardzo pewnym siebie aktorem improwizującym, który nie przeczytał scenariusza. Bo jeśli posłuchasz ewangelistów, konsultantów i gości z LinkedIna, którzy w tytule stanowiska mają „AI visionary” – powiedzą Ci, że agentowa przyszłość już tu jest. Namalują obraz centrum dowodzenia AI, w którym masz zespół agentów AI, menedżera agentowego zarządzającego agentami oraz audytora agentowego audytującego menedżera.
I wszyscy oni komunikują się bezbłędnie, realizują złożone procesy, a Ty po prostu siedzisz, popijasz espresso i patrzysz, jak linia produktywności idzie w górę. I jasne – wierzę, że to się wydarzy. Za 10 lat? Prawdopodobnie. Za 5 lat? Może. Ale dziś? Przy Twoich chaotycznych procesach, przy systemach legacy działających na kodzie napisanym w czasach, gdy Spice Girls były na szczytach list przebojów? Nie. To działa w laboratorium. Działa na demo. Ale w prawdziwym świecie AI wymyśli kosiarkę, która nie istnieje, i spróbuje kupić ją w sklepie, który jej nie sprzedaje.
Wprowadzenie człowieka w pętli
Nie mówię, żeby z tego nie korzystać. Mówię, że trzeba rozumieć, do czego te technologie są dobre, a gdzie wciąż mają braki. Trzeba znać różnicę między filmem science fiction a dokumentem. Dlatego chcę opowiedzieć Ci o czymś, co działa już dziś. W jednym z naszych poprzednich odcinków przedstawiłem Wam Cyber Olę – nasze cyfrowe alter ego szefowej działu administracji, asystenta czatu w Teams, który pomaga pracownikom.
A dziś chcę pokazać, jak wziąć ten koncept i podłączyć go do rzeczy, które uparcie odmawiają śmierci – systemów ticketowych i współdzielonych skrzynek mailowych. Znasz te miejsca. IT service desk. Czarna dziura, do której trafiają maile, żeby umrzeć. Użytkownicy zadający w kółko te same trzy pytania aż do cieplnej śmierci wszechświata – jak zresetować hasło, czy mogę dostać dostęp do SAP-a, dlaczego drukarka się pali? Ale my nie spuszczamy AI ze smyczy i nie liczymy na szczęście. Tak właśnie powstają wyimaginowane kosiarki. My stosujemy podejście zwane human in the loop – człowiek w pętli.
Musimy mieć absolutną kontrolę nad tym, co robi to narzędzie. Po prostu nie możemy pozwolić mu działać samopas – popełniać błędy albo halucynować odpowiedzi, które brzmią wiarygodnie, ale są całkowicie nieprawdziwe. Potrzebujemy siatki bezpieczeństwa, żeby obsługiwać zgłoszenia zarówno z wewnątrz, jak i z zewnątrz naszej organizacji.
Jak działa agent nadrzędny
Podłączyliśmy nasz framework do Jiry, ale działa on z dowolnym systemem ticketowym albo ze skrzynką mailową. Zobaczmy: użytkownik tworzy zgłoszenie. Najpierw trafia ono do tego, co nazywamy agentem nadrzędnym. Pomyśl o agencie nadrzędnym jak o pielęgniarce na triage. Patrzy na przychodzące zgłoszenie i decyduje: czy to pytanie typu „powiedz mi jak”, czy raczej „zrób to za mnie”. Jeśli to pytanie takie jak to – czy mamy jakieś zasady dotyczące tego, jak powinny być konstruowane hasła? – to po utworzeniu takiego zgłoszenia użyjemy RAG, czyli generowania wspomaganego wyszukiwaniem (Retrieval Augmented Generation).
It finds the answer in your actual company policy, not on Reddit. But, and this is the I tried to buy a fake lawnmower lesson, we do not let it send the answer automatically. We do not trust it yet, especially when we answer questions from external users. It sends the answer to a validation station. A human operator sees the user’s original ticket, the AI’s proposed answer, along with names of documents it took the data from, and the AI’s reasoning. The human operator can edit the answer if they want, and when they click approve, the answer is sent to the requester, and the ticket closes. The human does not do the work. They are a guardrail for the AI, a final judge, if you will.
Magia GenAI i tłumaczenie
To samo w sobie jest już fajne, ale podkręćmy to jeszcze bardziej. Operator nie musi rozumieć języka, w którym pisze zgłaszający. Możemy skonfigurować narzędzie tak, aby wszystkie zgłoszenia trafiające do danej kolejki były tłumaczone na język domyślny – w większości przypadków będzie to angielski. Jeśli więc zgłaszający wyśle ticket np. po francusku, zarówno jego treść, jak i zaproponowana przez narzędzie odpowiedź zostaną automatycznie przetłumaczone na angielski i pokazane w stacji walidacji po angielsku. Gdy operator zatwierdzi odpowiedź – ewentualnie edytując ją po drodze – zostanie ona przetłumaczona z powrotem na język oryginalnego zgłoszenia, zanim trafi do zgłaszającego. Z perspektywy zgłaszającego obie strony rozmawiają po francusku, a z perspektywy operatora – po angielsku. Magia GenAI w najlepszym wydaniu.
Automatyzacja zgłoszeń dotyczących VPN i SAP
A co jeśli użytkownik napisze: czy możesz zresetować moje hasło do VPN? Tworzy zgłoszenie i w tym momencie agent nadrzędny przełącza się w tryb działania. Sprawdza: czy mam podagenta do resetowania hasła VPN? Tak. Czy mam potrzebne parametry? Potrzebujemy tylko identyfikatora użytkownika, a ten mogę pobrać z systemu ticketowego. Następnie wszystko trafia do stacji walidacji. Operator widzi, że z listy dostępnych agentów został wybrany agent do resetowania hasła VPN. Sprawdza, czy parametry się zgadzają i czy to, co narzędzie zdecydowało, jest zgodne z tym, o co poprosił zgłaszający – a potem klika „zatwierdź”.
Gdy to się dzieje, wykonywany jest zestaw wywołań API resetujących hasło, a ja dostaję nowe hasło na telefon. Jest ono wysyłane na numer przypisany w Active Directory do mojego konta. Gotowe. Kolejna rzecz, którą wdrożyliśmy – i która jest bardzo częstą prośbą – to: „daj mi dostęp do SAP”. Gdy użytkownik tworzy takie zgłoszenie, agent nadrzędny znów przełącza się w tryb działania. Sprawdza: czy mam podagenta do nadawania dostępu do SAP? Tak.
It extracts the parameters, user ID, sub-instance, role from the ticket. The human checks everything and clicks approve. Now here is the cool part. The automation follows your process. It goes to your workflow system, and here we are using Microsoft Flows, and asks the user’s boss for approval. It finds the person superior in the Active Directory. When I approve, it fires up an RPA robot, the clicky-clicky kind. In our case, it is UiPath, that logs into the virtual machine, opens SAP, adds the role, and then emails the user, telling them they now have the access. Done. Ticket closed. The human operator did not have to log in. They did not have to navigate SAP menus. They just had to say, yes, that looks like a real request, not a hallucination.
Przypadki użycia biznesowego w finansach i HR
To, co tu widzisz, to nie jest science fiction. To dzieje się teraz i tę logikę można zastosować wszędzie. W finansach – asystent, który zna wszystkie zasady księgowania i procedury. Może obsłużyć niekończący się strumień maili w stylu: gdzie są moje pieniądze, czy dostaliście moją fakturę – wysyłanych przez dostawców. To jest obecnie jeden z najczęstszych przypadków użycia, które wdrażamy. Agent, który odpowiada na maile typu: „hej, czy dostaliście moją fakturę?” oraz „kiedy zostanie ona opłacona?”.
Albo pomyśl o HR. O onboardingu. To koszmar checklist i zadań. Załóż maila, dodaj do Teamsów, zamów laptopa, który nie będzie fatalny. Zamiast tego, żeby specjalista HR klikał przyciski przez trzy godziny, agent przygotowuje cały pakiet. Człowiek widzi: nowy pracownik – John Doe, działania – utwórz konto, wyślij laptop, przypisz opiekuna. Klikasz „zatwierdź” i nowy pracownik faktycznie dostaje komputer oraz dostęp już pierwszego dnia. Korporacyjny cud.
Koniec „meatware”
Możliwości są nieograniczone. Wszędzie tam, gdzie masz ogromne ilości ticketów albo maili – wewnętrznych lub zewnętrznych – taki agent może znacząco odciążyć ludzi. Zbudowanie i wdrożenie czegoś takiego wymaga czasu i wysiłku. Ale warto to zrobić. Zamiast marzyć o elektrycznych owcach, powinniśmy wdrażać to, co GenAI już dziś potrafi zrobić za nas. Bo musimy przestać wykonywać głupie, powtarzalne zadania. My, ludzie, musimy przestać być robotami od kopiuj–wklej. Nie możemy dalej funkcjonować jako meatware.
Musimy odzyskać czas na ważne rzeczy. Na przykład na to, żeby w końcu skosić trawnik. I tym akcentem kończymy – zgłoszenie zamknięte, rozwiązane, zarchiwizowane. Nauczyliśmy się, że kluczem do szczęścia nie jest w pełni autonomiczna AI – tylko taka, która wykonuje całą ciężką robotę i pozwala Tobie zebrać zasługi za jedno kliknięcie „zatwierdź”.
Domo arigato za wysłuchanie. Wielkie podziękowania dla zespołu Office Samurai za zbudowanie tego agenta, dzięki czemu miałem o czym opowiadać. Podziękowania także dla Anny Cubal, naszej producentki i prawdziwej stacji walidacji tego podcastu, która pilnuje, żebyśmy nie halucynowali własnych faktów. Oraz dla Wodzu Beats Studio – naszego środowiska deweloperskiego. Jeśli ten odcinek pomógł Ci zamknąć kilka mentalnych ticketów, kliknij subskrypcję, zostaw pięciogwiazdkową ocenę i powiedz swojemu działowi IT, że przychodzimy w pokoju. Do następnego razu – niech Wasi agenci będą bystrzy, a ludzie czujni.
