Prof. Andrzej Sobczak, kierownik Zakładu Zarządzania Informatyką w Instytucie Informatyki i Gospodarki Cyfrowej Szkoły Głównej Handlowej i jeden z założycieli inicjatywy Liderzy IT Jutra, w rozmowie z ITwiz o tym, czym różni się zarządzanie procesami na bazie rozwiązań agentowych, czy i gdzie zastąpi ono metody klasyczne. A może przyszłość jest hybrydowa?
Panie Profesorze, ostatnio zasugerował Pan możliwość schyłku klasycznego podejścia do zarządzania procesami w obliczu nowej generacji technologii. Czy to jedynie refleksja, czy faktycznie obserwuje Pan na rynku jaskółki zwiastujące fundamentalną zmianę?
Prof. Andrzej Sobczak, SGH: Refleksja ta bierze początek z analizy potrzeb organizacji. Z jednej strony, od czasów klasycznej robotyzacji procesów (RPA), w polskich firmach silnie promowano uporządkowanie i standaryzację procesów. Fundamentem dla wdrożeń w tamtej technologii była bowiem konieczność posiadania procesu powtarzalnego, wystandaryzowanego, słabo zmiennego w czasie i o dużej wolumetrii.
Z drugiej strony, w wielu firmach to, co dało się w ten sposób zrobotyzować, już zrobiono i trudno jest znaleźć kolejne przypadki użycia dla tej klasycznej automatyzacji. Jednocześnie, klienci oczekują coraz większej elastyczności i obsługi sytuacji wyjątkowych, co było nieosiągalne dla klasycznych robotów.
W tym kontekście pojawiła się nowa kategoria technologiczna, myślałem, że będzie się nazywać RPA II albo robotami kognitywnymi, ale być może ze względów marketingowych, nazwano ją agentami. Agenci oferują zupełnie nową formułę możliwości obsługi procesów. Opierają się one na funkcji celu, a nie na systemach regułowych. To sprawia, że obsługa wyjątków i sytuacji nadzwyczajnych staje się koncepcyjnie dużo prostsza.
Klasyczna definicja procesu biznesowego opiera się na czterech filarach: powtarzalności, mierzalności, odpowiedzialności i dokumentowalności. Jak to agentowe podejście, oparte na roju wyspecjalizowanych agentów AI, zmienia te fundamenty?
Zgadza się. Agenci nie bazują na deterministycznie określonej sekwencji działań, ale na określonych politykach, które definiują ramy ich swobody i zasady działania. Zyskujemy na elastyczności, ale musimy być świadomi, że często zwiększa się poziom ryzyka.
W tym nowym ujęciu, wszystkie cztery wyznaczniki klasycznych procesów ulegają transformacji.
W tradycyjnym ujęciu powtarzalność oznacza powielanie tych samych, dokładnie zdefiniowanych kroków. Jak się to zmienia w podejściu agentowym?
Powtarzalność działań zmieni się w powtarzalność wyniku, a nie ścieżki realizacyjnej. Powtarzalność dotyczy osiągania rezultatu w ramach ustalonych stopni swobody.
Aby to osiągnąć, konieczne jest spełnienie kilku warunków. Po pierwsze, trzeba odpowiednio przygotować zagadnienie, czyli dobrze zdefiniować cel i mechanizm jego realizacji, a to sprowadza się de facto do zaawansowanych promptów. Po drugie, kluczowe jest przygotowanie danych wejściowych; jeżeli będą one zupełnie nieoczekiwane, może pojawić się efekt motyla, gdzie niewielka zmiana na wejściu spowoduje zaskakujący, choć formalnie niebędący błędem, wynik.
Musimy też zaakceptować, że agent może zachować się w sposób niedeterministyczny, i jest to cecha tej generacji narzędzi, a nie błąd. Aby zaradzić tej niedeterministyczności, można stosować systemy wieloagentowe, gdzie jeden agent tworzy, a drugi weryfikuje. Na determinizm odpowiedzi wpływa również dobór modeli – agenci mogą korzystać z różnych modeli w ramach jednej sieci, co wpływa na koszty i stopień ich halucynacji. Na pewno może też pomóc stosowanie tzw. odpowiedzi ustrukturyzowanej – np. w formie plików JSON.
Jak w obliczu elastyczności agentów mierzyć efektywność procesu?
Mierzalność procesu zmieni się w mierzalność rezultatu. Przestajemy mierzyć czas trwania poszczególnych kroków, koszty czy błędy (KPI zorientowane na proces), a zaczynamy mierzyć jakość końcowego produktu i efektywność wykorzystania zasobów. Mierzalność przenosi się z wewnętrznej wydajności na zewnętrzną wartość dostarczoną klientowi.
W tym podejściu mierzalność przestaje być zero-jedynkowa, staje się procentowa. Zakładamy pewien procent „swobody”, który musimy zaakceptować. Stwarza to wyzwania komunikacyjne z biznesem, zwłaszcza tam, gdzie wymagana jest 100-proc. pewność, np. w księgowości. Klasyczne systemy regułowe są świetne dla problemów o „ostrych brzegach”, gdzie jest jasna odpowiedź: dobra lub zła, natomiast AI najlepiej sprawdza się w problemach o „obłych kształtach”, rozmytych granicach, gdzie mówimy o prawdopodobieństwie lub przynależności do pewnej kategorii. To wymaga zupełnie innego sposobu myślenia.
Kto będzie odpowiedzialny za proces, którego ścieżka realizacji nie jest z góry określona?
W klasycznym podejściu mamy „Process Ownera”. Z agentami AI odpowiedzialność przenosi się na osoby, które projektują polityki i zasady etyczne, w ramach których agenci mogą działać.
Kluczowa staje się rola architekta. To on musi stworzyć ekosystem komunikacyjny oraz podjąć wyzwanie wyjaśnialności (explainability) wyników w kontakcie z regulatorami. Wymaga to przekonania wewnętrznego i zewnętrznego compliance’u, że tak realizowane procesy są bezpieczne i wartościowe.
Obawiam się, że w Polsce nie doceniamy często złożoności tych rozwiązań. Architektura musi być zaawansowana (budowanie agentów from scratch z wykorzystaniem frameworków), a nie tylko oparta na środowiskach low-code/no-code. Powszechny dziś, wczesny poziom dojrzałości w tym obszarze przejawia tym, że często agenci są utożsamiani z chatbotami. Tu mogę tylko podziwiać siłę marketingu dostawców środowisk typu „pilot”.
Tymczasem jak wiadomo procesy end-to-end wymagają zaadresowania znacznie większej złożoności.
Czy nie ma ryzyka, że w reakcji na medialne niepowodzenia regulacje zostaną zaostrzone, co zahamuje implementację agentów?
Zdecydowanie istnieje takie ryzyko. Obawiam się, że na skutek kilku medialnych niepowodzeń regulacje mogą zostać wzmocnione, a nie poluzowane, gdyż regulator będzie chciał się wykazać większą kontrolą.
Jeżeli agent działa elastycznie, jak wygląda jego dokumentacja?
Klasyczna dokumentacja to mapa procesu, często w notacji BPMN. W podejściu agentowym dokumentacja przestaje być mapą, a staje się zbiorem zasad dla ekosystemu agentów.
Dla niektórych podmiotów (np. e-commerce czy małych podmiotów usługowych), zestaw reguł i standardów może być wystarczający. Jednak w sektorach regulowanych (banki, ubezpieczenia, farmaceutyki) audytorzy oczekują mapy flow i uzasadnienia. Krytyczne jest zatem logowanie wszystkich działań w celu późniejszej audytowalności wyniku.
Najbardziej realistyczny kierunek, który testujemy, to hybryda w hybrydzie. Główny przepływ pracy jest realizowany przez klasyczny flow (robota lub system regułowy), a agenci są stosowani do obsługi wyjątków, wsparcia eksperckiego i augmentacji (wzbogacania) pewnych działań.
Czy ten nowy paradygmat może objąć obszary uznane wcześniej za zbyt ryzykowne dla automatyzacji?
Wierzę, że w niektórych obszarach liczy się rezultat, a nie sposób dojścia. Jeżeli system agentowy dostarcza dużą wartość biznesową, np. znacznie lepsza personalizacja w mailingu, tworzenie 500 mikrosegmentów klientów zamiast 15, to szefa marketingu nie interesuje, jak system działa wewnętrznie. Z drugiej strony, w procesach takich jak wycena szkody ubezpieczeniowej czy w księgowości, nie da się zaakceptować rozmytych wyników.
Systemy agentowe mogą przynosić ogromne korzyści tam, gdzie liczy się elastyczność i wartość, na przykład w agencjach kreatywnych. Ostatnio policzyliśmy, że dobrze zbudowany system wieloagentowy do obsługi prostych zadań takich, jak klasyfikacja zapytań, przygotowanie ofert, w domu mediowym może „wyciąć” kilkadziesiąt etatów.
Czy możemy mówić, że rok 2024 i mijający to były lata agentów AI? Jak wygląda industrializacja tych rozwiązań?
Choć wiele się o tym mówiło, nie mogę się zgodzić, aby był to rok agentów na rynku. Obserwowane wdrożenia to często rozwiązania pilotażowe i to raczej PoC (proof of concept), a nie pełne.
Gdy firmy zobaczą realne koszty zbudowania i utrzymania systemów agentowych, a nie tylko tanich PoC czy PoV (proof of value), przyjdzie orzeźwienie. Industrializacja tych rozwiązań jest dużym wyzwaniem, o którym mało która organizacja myśli.
W przyszłości z pewnością będzie koegzystować wiele podejść – API, roboty i systemy agentowe. Klasyczne zarządzanie procesami nie zniknie tam, gdzie kluczowa jest stabilność i regulacje.
Mogę spuentować następująco: AI działa, ale organizacje są niegotowe do wdrażania AI na dużą skalę. Wiele firm nie docenia konieczności analizy procesu i przygotowania danych. Wdrażanie AI to fundamentalnie zmiana organizacyjna, a nie tylko zakup narzędzia. Dlatego świadome organizacje, jak niektóre banki, zaczynają powoływać departamenty transformacji biznesu z wykorzystaniem AI, co jest właśnie podejściem dojrzałym.
Oczywiście klasyczne zarządzanie procesami nie zniknie – tam gdzie są regulacje, tam gdzie fundamentem jest stabilność działania, tam gdzie bardziej liczy się sama praca niż efekt – tam klasyczne procesy będą „forever”.
„Od klasycznego do agentowego zarządzania procesami”
1. Powtarzalność działań → zmieni się w powtarzalność wyniku, nie ścieżki realizacyjnej
Klasycznie podejście: Powtarzamy te same, dokładnie zdefiniowane kroki.
Z agentami AI: Powtarzalność dotyczy osiągania wyniku (w ramach ustalonych stopni swobody), a nie sekwencji działań.
2. Mierzalność procesu → zmieni się w mierzalność wyniku
Klasycznie podejście: Mierzymy czas trwania poszczególnych kroków, koszty, liczbę błędów na etapie (KPIs zorientowane na proces).
Z agentami AI: Będziemy mierzyć jakość finalnego produktu, efektywność wykorzystania zasobów Mierzalność przenosi się z wewnętrznej wydajności procesu na zewnętrzną wartość dostarczoną klientowi.
3. Odpowiedzialność → nastąpi przejście od właściciela procesu do kreatora polityk działania
Klasycznie podejście: Istnieje „Process Owner” odpowiedzialny za działanie i optymalizację całego procesu.
Z agentami AI: Odpowiedzialność przenosi się na osoby, które projektują polityki i zasady etyczne, w ramach których mogą działać agenci.
4. Dokumentowalność → nastąpi przejście od map procesu do reguł działania
Klasycznie podejście: Dokumentacja to mapa procesu, np. w notacji BPMN, opisująca sekwencję kroków.
Z agentami AI: Dokumentacja przestaje być mapą. Staje się zbiorem zasad dla ekosystemu agentów.
Źródło: Wpis prof. A. Sobczaka na LinkedIn
