Kiedy automatyzacja procesów biznesowych przestaje wystarczać i co robi AI

Automatyzacja procesów biznesowych rozwiązuje jeden konkretny problem: eliminuje powtarzalną pracę tam, gdzie zadanie jest przewidywalne, a dane mają ustaloną strukturę. Działa dobrze, dopóki świat jest prosty. Przestaje wystarczać, gdy pojawiają się wyjątki, zmienność i potrzeba oceny, której nie da się zamknąć w sztywnym algorytmie. AI nie zastępuje automatyzacji. Rozszerza jej zasięg o przypadki, które wcześniej wymagały udziału człowieka.

Granica między automatyzacją a AI nie przebiega jednak między starszą i nowszą technologią. Przebiega między zadaniami możliwymi do opisania regułą a zadaniami wymagającymi interpretacji. Ten artykuł wyjaśnia, kiedy i dlaczego organizacje docierają do tej granicy, co konkretnie zmienia AI w procesach biznesowych oraz jak ocenić, czy proces jest gotowy na kolejny etap technologicznego wsparcia.

Co automatyzacja procesów biznesowych robi dobrze i gdzie zaczyna się jej granica

Klasyczna automatyzacja najlepiej radzi sobie z zadaniami powtarzalnymi, wykonywanymi według jednoznacznych reguł. Wejście do procesu ma przewidywalną strukturę, wynik jest z góry określony, a liczba możliwych wariantów pozostaje ograniczona.

Tak można przetwarzać standardowe faktury, wprowadzać dane z formularzy o stałym układzie, generować cykliczne raporty z systemu ERP, wysyłać przypomnienia albo przekazywać sprawę do kolejnego etapu po spełnieniu konkretnego warunku.

W takich zastosowaniach automatyzacja procesów biznesowych może działać szybko i niezawodnie. Ogranicza ręczne przepisywanie danych, skraca czas wykonania zadania i zmniejsza liczbę błędów wynikających z nieuwagi pracownika. Jej działanie jest również stosunkowo łatwe do zweryfikowania: system albo wykonał zaprogramowaną czynność poprawnie, albo nie.

Problem zaczyna się wtedy, gdy rzeczywisty proces przestaje odpowiadać modelowi zapisanemu w regułach.

Dokument może zawierać te same informacje, ale mieć inny układ. Klient może przesłać niekompletne dane. Treść zgłoszenia może wymagać interpretacji. Jedna informacja może być poprawna tylko w zestawieniu z historią klienta albo danymi z innego systemu. W procedurze może być przewidzianych kilka wyjątków, ale pracownicy znają kolejnych kilkanaście, które nigdy nie zostały formalnie opisane.

Klasyczna automatyzacja nie ocenia takiego przypadku. Wykonuje instrukcję lub zatrzymuje się i przekazuje sprawę człowiekowi.

W praktyce automatyzacja często obsługuje większość prostych przypadków, natomiast pozostałe tworzą kolejkę wyjątków. Nie należy automatycznie zakładać, że w każdej firmie będzie to dokładnie 20 czy 30 procent wolumenu. Proporcje zależą od procesu, jakości danych oraz liczby wariantów. Mechanizm pozostaje jednak ten sam: niewielka grupa trudniejszych spraw może pochłaniać nieproporcjonalnie dużo czasu zespołu.

W jednym z opisanych przez BCG wdrożeń procesu quote-to-order około 70 procent prostych zapytań zakwalifikowano do docelowej obsługi bez udziału człowieka. Kolejne 20 procent miało wymagać współpracy pracownika z agentem AI, a najbardziej skomplikowane 10 procent miało pozostać pod kontrolą ludzi. Nie jest to uniwersalny benchmark, ale dobrze pokazuje potrzebę rozdzielenia różnych typów spraw zamiast traktowania całego wolumenu jednakowo.

Granica automatyzacji regułowej nie musi więc świadczyć o błędnym wdrożeniu. Jest cechą jej architektury. System oparty na regułach działa skutecznie w granicach sytuacji, które przewidziano podczas projektowania. Im bardziej zmienny proces, tym więcej reguł, wyjątków i ścieżek trzeba utrzymywać.

Trzy sygnały, że automatyzacja procesów dobiegła swoich granic

Granica automatyzacji rzadko pojawia się jako jedna awaria lub jednoznaczny komunikat systemowy. Częściej widać ją w codziennym sposobie pracy zespołu, kosztach utrzymania rozwiązania i wynikach procesu.

1. Kolejka wyjątków rośnie szybciej niż wolumen

Automatyzacja wykonuje poprawnie proste przypadki. Każda sprawa odbiegająca od schematu trafia jednak do operatora. Pracownik sprawdza dokument, wyszukuje brakujące informacje, porównuje dane w kilku systemach, podejmuje decyzję i ponownie uruchamia proces. Jeżeli liczba wyjątków pozostaje mała, taki model może działać sprawnie. Problem pojawia się przy rosnącym wolumenie. Nawet przy stałym odsetku nietypowych przypadków kolejka szybko zaczyna obciążać zespół. Co gorsza, trudne sprawy wymagają zwykle więcej czasu niż standardowe.

Organizacja odpowiada wówczas zwiększeniem zatrudnienia w zespole kontrolnym albo back-office. W rzeczywistości nowe etaty kompensują ograniczenie architektury procesu. Firma skalowała automatyzację części standardowej, lecz nie zmieniła sposobu obsługi odchyleń. W dobrze zaprojektowanym modelu nie wystarczy więc mierzyć udziału spraw automatycznych. Trzeba również analizować liczbę wyjątków, czas ich obsługi, przyczyny odrzuceń oraz liczbę powrotów do wcześniejszych etapów.

2. Automatyzacja wymaga ciągłego doinwestowania, aby nadążyć za zmianami

Każda zmiana formatu dokumentu, pola w formularzu, reguły biznesowej albo interfejsu systemu może wymagać modyfikacji automatyzacji. Dotyczy to szczególnie rozwiązań opartych na skryptach odtwarzających czynności użytkownika. Początkowo utrzymanie kilku ścieżek nie jest problemem. Z czasem liczba wyjątków, integracji i lokalnych modyfikacji rośnie. Zespół technologiczny coraz większą część czasu przeznacza na naprawy, aktualizacje i testowanie zmian. Koszt utrzymania rośnie, natomiast zakres pracy przejętej przez automat pozostaje podobny.

To sygnał, że organizacja próbuje opisać regułami środowisko, które jest zbyt zmienne. Kolejne warunki w skrypcie mogą czasowo poprawić skuteczność, ale zwiększają podatność rozwiązania na następne zmiany. Przed dalszą rozbudową warto sprawdzić, czy problemem jest rzeczywiście narzędzie. Źródłem trudności może być również brak standardu danych, zbyt wiele kanałów wejścia albo niepotrzebnie rozbudowany proces.

3. Proces jest zautomatyzowany, ale koszt jednostkowy nie spada

Techniczna skuteczność automatyzacji nie jest jeszcze wynikiem biznesowym. Robot może wykonywać dużą liczbę operacji, a mimo to łączny czas obsługi sprawy, poziom błędów i koszt jednostkowy pozostają bez większych zmian. Zwykle oznacza to przesunięcie wąskiego gardła. Wcześniej problemem było ręczne wprowadzanie danych. Po wdrożeniu automatyzacji koszt pojawia się przy kontroli wyników, uzupełnianiu braków, wyjaśnianiu niezgodności i ponownym procesowaniu odrzuconych spraw.

W takim modelu pracownik wykonuje mniej prostych czynności, ale więcej trudnej pracy kontrolnej. Jeżeli każdy przypadek nadal wymaga zatwierdzenia, rzeczywisty poziom automatyzacji może być znacznie niższy, niż wskazuje liczba operacji wykonanych przez robota. Dlatego efektywności rozwiązania nie powinno się mierzyć wyłącznie liczbą automatycznie przetworzonych dokumentów. Potrzebne są co najmniej: całkowity czas cyklu, odsetek spraw zakończonych bez udziału człowieka, poziom błędów wykrytych na dalszych etapach i czas przeznaczany na obsługę wyjątków.

Co robi AI, czego nie potrafi klasyczna automatyzacja

AI w procesach biznesowych nie sprowadza się do szybszego wykonywania tych samych instrukcji. Pozwala objąć wsparciem zadania, w których dane są zmienne, a poprawny rezultat zależy od interpretacji kontekstu.

1. AI obsługuje dane o zmiennej strukturze

Klasyczna automatyzacja oczekuje danych w określonym miejscu i formacie. Jeżeli numer faktury zawsze znajduje się w tym samym polu, system może go łatwo przepisać. Zmiana układu dokumentu wymaga jednak przygotowania kolejnego szablonu albo reguły.

Modele AI mogą wyszukiwać potrzebne informacje niezależnie od tego, gdzie znajdują się na dokumencie. Pozwalają analizować faktury różnych dostawców, wiadomości e-mail, umowy, pisma i załączniki bez konfigurowania osobnego schematu dla każdego wariantu.

Nie oznacza to bezbłędnego odczytu każdego dokumentu. Nadal potrzebne są progi pewności, walidacja danych i mechanizm przekazania trudnego przypadku pracownikowi. Zmienia się jednak zakres dokumentów, które system może wstępnie obsłużyć.

2. AI identyfikuje wyjątki i anomalie

Automatyzacja regułowa wyszukuje odchylenia wcześniej zdefiniowane przez projektanta. AI może porównywać nowy przypadek z większym zbiorem historycznych zdarzeń i wskazywać nietypowe kombinacje informacji.

W procesie likwidacji szkód może to oznaczać zestawienie treści zgłoszenia, dokumentacji, historii klienta, rodzaju szkody i wcześniejszych decyzji. System nie musi sam podejmować ostatecznej decyzji. Może skierować uwagę pracownika na sprawy, które wyraźnie odbiegają od standardowego przebiegu.

Dzięki temu człowiek nie kontroluje w takim samym zakresie każdego przypadku. Koncentruje się na sprawach o podwyższonym ryzyku lub niskim poziomie pewności modelu.

3. AI łączy kontekst z wielu źródeł

Klasyczna automatyzacja zazwyczaj przenosi i porównuje konkretne pola. AI może analizować relacje między informacjami zapisanymi w różnych formach i systemach. Przykładowo operator oceniający wniosek nie musi samodzielnie otwierać kilku aplikacji, wyszukiwać wcześniejszej korespondencji i porównywać dokumentów. AI może zebrać informacje, wskazać niespójności, przygotować krótkie podsumowanie oraz pokazać źródła wykorzystane do jego opracowania. Decyzja nadal może należeć do pracownika, zwłaszcza gdy niesie skutki finansowe, prawne albo dotyczy klienta. Zmniejsza się jednak czas potrzebny na przygotowanie materiału do jej podjęcia.

4. AI może wykorzystywać historię procesu

Reguła automatyzacji pozostaje taka sama do momentu, w którym ktoś ją zmieni. Model AI może być rozwijany na podstawie wcześniejszych przypadków i informacji zwrotnej od użytkowników. W procesie obsługi zgłoszeń system może uczyć się, które cechy sprawy najczęściej prowadzą do przekazania jej do konkretnego zespołu. Jeżeli pracownicy regularnie poprawiają błędną klasyfikację, dane te mogą posłużyć do ulepszania modelu. Uczenie się nie powinno jednak oznaczać niekontrolowanej zmiany zachowania systemu. Organizacja potrzebuje ustalonych zasad aktualizacji modelu, walidacji wyników, kontroli jakości i odpowiedzialności za decyzję o wdrożeniu nowej wersji.

Przykład z praktyki: automatyzacja przejęła faktury, ale nie usunęła pracy kontrolnej

W projekcie dla firmy zarządzającej nieruchomościami analizowaliśmy pracę pięcioosobowego biura odpowiedzialnego za obieg faktur, pism, umów i pozostałej dokumentacji. W 2025 roku przez obszar przeszło ponad 32 tysiące dokumentów, z czego około 28 tysięcy stanowiły faktury. Firma miała system obiegu dokumentów oraz robota RPA uruchomionego do wprowadzania faktur. Robot przejmował w poszczególnych miesiącach około 66–71 procent tego wolumenu. Na pierwszy rzut oka był to wysoki poziom automatyzacji.

Analiza całego procesu pokazała jednak inny obraz. W ciągu roku odnotowano 4462 powroty dokumentów, co odpowiadało 13,8 procent całego wolumenu. W analizowanym okresie robot generował średnio prawie 25 błędów dziennie, a dzienny poziom błędów był niestabilny i wynosił od 0 do 50 procent. Część nieprawidłowości wykrywano dopiero w kolejnych działach. Proces pozostawał również częściowo papierowy. Dokumenty otrzymane cyfrowo były drukowane, ręcznie kontrolowane i uzupełniane, a następnie ponownie wprowadzane do elektronicznego obiegu. Aż 42 procent dokumentów przechodziło przez co najmniej cztery osoby. Robot skrócił etap wprowadzania danych, ale pozostawił pracę kontrolną, powroty i „papierowy ogon”.

Rekomendowane rozwiązanie nie polegało na natychmiastowym zastąpieniu robota przez AI. Najpierw należało uporządkować architekturę procesu: ograniczyć równoległe repozytoria, odejść od drukowania, ujednolicić kanały wejścia, zdefiniować kategorie błędów oraz zastąpić kontrolę każdego dokumentu kolejką spraw wymagających interwencji. Dopiero na takim fundamencie można rozwijać zastosowania AI: klasyfikowanie dokumentów o różnych formatach, porównywanie danych, identyfikowanie niespójności i kierowanie do pracownika przypadków o niskim poziomie pewności.

Wniosek z projektu jest prosty: AI nie naprawia źle zaprojektowanego procesu. Bez wcześniejszego mapowania może dodać kolejną warstwę technologiczną do pracy, która już jest nieprzejrzysta. W tym przypadku analiza objęła inwentaryzację 25 procesów, szczegółowe mapowanie 11 z nich, analizę całorocznych danych oraz kategoryzację błędów robota. Dopiero te informacje pozwoliły określić, gdzie automatyzacja regułowa nadal wystarcza, a gdzie uzasadnione jest zastosowanie AI.

Kiedy zacząć od audytu procesu, zanim sięgnie się po AI

AI nie jest właściwym pierwszym krokiem, jeżeli organizacja nie rozumie obecnego przebiegu procesu. Brak mapy, właściciela i danych o wyjątkach sprawia, że trudno nawet zdefiniować, jaki problem technologia ma rozwiązać.

Najpierw warto przeprowadzić audyt lub mapowanie, gdy:

• nie wiadomo, ile kosztuje obsługa jednego przypadku,
• wyjątki nie są zdefiniowane ani skategoryzowane,
• różne osoby obsługują ten sam typ sprawy w odmienny sposób,
• nie można wiarygodnie zmierzyć czasu cyklu i liczby powrotów.

W takich warunkach wdrożenie AI może przyspieszyć wybrane czynności, ale nie musi poprawić wyniku całego procesu. Może również utrwalić niepotrzebne kroki, wadliwy podział odpowiedzialności lub złe zasady kontroli. W podejściu Sigla Consulting punktem wyjścia jest zrozumienie procesu end-to-end. Analizujemy jego przebieg, dane wejściowe, role, wyjątki, wąskie gardła i mierniki. Następnie wskazujemy, które problemy wymagają uproszczenia procesu, które nadają się do klasycznej automatyzacji, a gdzie uzasadnione może być zastosowanie AI w procesach biznesowych.

Jak ocenić, czy proces jest gotowy na AI

COO lub dyrektor odpowiedzialny za obszar może przeprowadzić wstępną ocenę gotowości procesu, korzystając z czterech kryteriów.

1. Proces ma powtarzalny i mierzalny wolumen

AI daje największy efekt tam, gdzie liczba przypadków pozwala przełożyć poprawę pojedynczej operacji na widoczny wynik procesu. Proces wykonywany kilka razy w tygodniu rzadko uzasadnia budowę dedykowanego rozwiązania. Wyjątkiem mogą być sprawy rzadkie, lecz bardzo pracochłonne, kosztowne lub obciążone wysokim ryzykiem. Przed rozpoczęciem projektu należy określić miesięczny wolumen, sezonowość, czas obsługi i udział pracy ręcznej.

2. Wyjątki są rozpoznane i skategoryzowane

Sama informacja, że automat „nie obsługuje części spraw”, jest niewystarczająca. Trzeba wiedzieć, dlaczego przypadki wypadają ze standardowej ścieżki. Przyczyną może być brak danych, nietypowy dokument, konflikt informacji, błąd systemowy albo konieczność oceny eksperckiej. Każda kategoria może wymagać innego rozwiązania. Część wyjątków da się usunąć poprzez poprawę procesu lub danych, inne mogą być dobrym obszarem zastosowania AI.

3. Organizacja posiada cyfrowe dane historyczne

AI korzysta z danych o wcześniejszych przypadkach. Potrzebna jest historia dokumentów, decyzji, wyników procesu oraz korekt wprowadzanych przez pracowników. Jeśli informacje znajdują się głównie w papierze, lokalnych plikach i skrzynkach pocztowych, pierwszym etapem powinna być digitalizacja oraz uporządkowanie źródeł. Znaczenie ma także jakość danych: kompletność, spójność definicji i możliwość powiązania wejścia procesu z jego wynikiem.

4. Proces ma właściciela z mandatem do zmiany modelu pracy

Wdrożenie AI zmienia podział pracy między systemem a człowiekiem. Trzeba zdecydować, które sprawy będą obsługiwane automatycznie, które wymagają zatwierdzenia, a które od początku powinny trafić do eksperta. Takich decyzji nie podejmie sam zespół IT ani dostawca technologii. Potrzebny jest właściciel odpowiedzialny za wynik procesu, mający wpływ na role, standardy, mierniki i sposób działania zespołu. Bez takiego mandatu projekt może zakończyć się uruchomieniem narzędzia, którego pracownicy nie włączą do codziennej pracy.

Najczęstsze pytania o automatyzację procesów biznesowych i AI

Czym różni się automatyzacja procesów od wdrożenia AI?

Automatyzacja wykonuje wcześniej zdefiniowane czynności zgodnie z regułami. AI może dodatkowo analizować dane o zmiennej strukturze, rozpoznawać kontekst, klasyfikować przypadki i wspierać ocenę wyjątków.

Kiedy RPA przestaje wystarczać i trzeba sięgnąć po AI?

RPA ograniczenia ujawnia przede wszystkim wtedy, gdy rośnie liczba wyjątków, zmieniają się formaty danych, a pracownicy muszą stale interpretować wyniki robota. AI warto rozważyć, gdy problemu nie da się efektywnie rozwiązać przez standaryzację procesu lub rozbudowę reguł.

Czy AI zastępuje istniejącą automatyzację, czy ją uzupełnia?

Najczęściej ją uzupełnia. RPA lub workflow nadal mogą wykonywać przewidywalne operacje, natomiast AI analizuje dokumenty, klasyfikuje przypadki, wykrywa anomalie i przygotowuje informacje potrzebne do decyzji.

Jak ocenić, czy mój proces jest gotowy na AI?

Proces powinien mieć mierzalny wolumen, rozpoznane wyjątki, dostępne dane cyfrowe i właściciela odpowiedzialnego za zmianę sposobu pracy. Bez tych elementów trudno określić wartość i ryzyko wdrożenia.

Od czego zacząć wdrożenie AI w procesach operacyjnych?

Od wyboru konkretnego procesu i wyniku biznesowego, który ma się poprawić. Następnie trzeba zmapować stan obecny, zmierzyć wolumen, czas i błędy, skategoryzować wyjątki oraz wybrać ograniczony przypadek do pilotażu. Gdy organizacja nie ma jeszcze wybranego use case’u, właściwym pierwszym krokiem może być warsztat AI w procesach, który pozwala wspólnie ocenić potencjał AI na realnych zadaniach zespołu.

Ile kosztuje ocena gotowości procesu do AI?

Koszt zależy od liczby procesów, dostępności danych, skali organizacji i oczekiwanej szczegółowości analizy. Przed wyceną należy ustalić, czy potrzebny jest krótki warsztat diagnostyczny, mapowanie jednego procesu czy pełny audyt obszaru.

Najpierw określ granicę procesu, później dobierz technologię

Optymalizacja procesów z AI powinna zaczynać się od ustalenia, gdzie rzeczywiście powstaje koszt, opóźnienie lub błąd. Część problemów rozwiąże prostszy standard pracy. Inne wymagają uporządkowania danych, zmiany odpowiedzialności albo klasycznej automatyzacji. AI ma sens tam, gdzie proces jest wystarczająco powtarzalny, ale zawiera zmienność i wyjątki wymagające dotychczas ludzkiej interpretacji.

Dlatego pierwszym pytaniem nie powinno być: „Gdzie możemy wdrożyć AI?”. Lepsze brzmi: „Która część procesu ogranicza jego wynik i dlaczego obecna automatyzacja sobie z nią nie radzi?”. Jeżeli odpowiedź nie jest oparta na danych, właściwym następnym krokiem może być audyt lub warsztat diagnostyczny. Sigla Consulting pomaga zmapować proces, ocenić jego gotowość oraz wskazać miejsca, w których AI może przynieść mierzalną wartość bez dokładania technologii do nieuporządkowanego sposobu pracy.

Radosław Jeziorski

Partner Zarządzający, Sigla Consulting

Partner Zarządzający Sigla Consulting. Przez ponad 20 lat zarządzał sprzedażą, operacjami i transformacjami w sektorze finansowym. Dziś wspiera zarządy w diagnozowaniu źródeł nieefektywności i przekładaniu wniosków na konkretne zmiany w procesach.

ProcesyAI i automatyzacja