O sztucznej inteligencji w firmie mówi się dziś głównie w kontekście pisania maili i dokumentów. To jedna warstwa, którą opisałem w artykule o Microsoft 365 Copilot. Druga, ciekawsza dla firm pracujących na ERP, to AI sięgające po dane operacyjne z systemu: sprzedaż, zapasy, rozrachunki, produkcję. Impuls EVO, dziś sprzedawany jako BPSC ERP, trzyma te dane w bazie Oracle. Pytanie nie brzmi, czy podłączyć do nich AI, tylko jak zrobić to tak, żeby było użyteczne i bezpieczne.

Poniżej rozdzielam te dwie warstwy i pokazuję, jak sensownie wpiąć AI w dane z Impulsa.

AI obok ERP, nie zamiast ERP

Warto od razu ustawić role. ERP jest systemem źródłowym: to on trzyma dokumenty, stany i rozrachunki oraz pilnuje porządku w procesach. AI nie zastępuje tej roli i nie powinno zapisywać danych za człowieka bez kontroli. Działa jako warstwa nad danymi: odpowiada na pytania, streszcza, wyłapuje odstępstwa, przygotowuje wersję roboczą decyzji. Rdzeń zostaje w ERP, a AI z niego korzysta. Ta kolejność chroni przed najczęstszym błędem, czyli traktowaniem AI jak systemu prawdy zamiast jak narzędzia nad prawdziwymi danymi.

Najpierw jakość danych, potem AI

To jest warunek, którego nie da się obejść. AI zapytane o dane niespójne, zduplikowane albo źle opisane zwróci odpowiedź równie niespójną, tylko podaną pewnym tonem, co jest gorsze, bo brzmi wiarygodnie. Jeśli ci sami kontrahenci figurują pod trzema nazwami, a indeksy są opisane byle jak, to nie jest problem do rozwiązania przez AI. To problem do rozwiązania przed AI. Dlatego uczciwy projekt zaczyna się od przeglądu danych i procesu, a nie od podłączenia modelu.

Dlaczego pytania w języku naturalnym wprost do bazy zawodzą

Najbardziej kuszący pomysł brzmi tak: dajmy modelowi dostęp do bazy, niech sam napisze zapytanie i odpowie. W praktyce właśnie ten pomysł psuje najwięcej projektów.

Baza ERP ma setki tabel, a poprawna odpowiedź zależy od wyborów, których model nie ma skąd znać: które typy dokumentów wchodzą do sprzedaży, jak traktować korekty, czy liczyć po dacie dokumentu czy sprzedaży, które magazyny pomijamy. Model wygeneruje zapytanie, które wykona się bez błędu i zwróci liczbę. Liczba będzie wyglądać sensownie i będzie nieprawdziwa. To najgorszy możliwy wynik, bo nikt jej nie zweryfikuje.

Podejście, które działa, jest odwrotne. Zamiast wolnego dostępu do bazy dajemy modelowi zestaw gotowych, sprawdzonych pytań o dane: sprzedaż w okresie, zaległości kontrahenta, stan pozycji, otwarte zamówienia. Definicje są ustalone raz, tak jak przy raportach liczonych na bieżących danych. Model decyduje tylko, o co zapytać i jak przedstawić odpowiedź, a nie jak policzyć. Zakres rośnie o kolejne pytania wtedy, gdy są potrzebne.

Jak sprawdzić, czy odpowiedź jest prawdziwa

Asystent, któremu nie da się zajrzeć na ręce, nie zostanie użyty dwa razy. Dlatego każda odpowiedź powinna pokazywać, z czego wynika: z jakiego okresu, na jakich dokumentach i z możliwością przejścia do zestawienia z tymi samymi liczbami. Kiedy handlowiec może kliknąć i zobaczyć te same dane w raporcie, zaczyna asystentowi ufać. Kiedy dostaje samą liczbę, sprawdza ją w Excelu i przestaje korzystać.

Druga zasada jest równie prosta: asystent musi umieć powiedzieć, że nie wie. Odpowiedź „nie mam takiego zestawienia” jest bezpieczna. Odpowiedź wymyślona jest kosztowna.

Co wychodzi z firmy, a co nie

Przy AI w firmie produkcyjnej to zwykle pierwsze pytanie zarządu i słusznie. Trzeba je rozstrzygnąć na początku, a nie po pilotażu:

  • Gdzie działa model. Usługa chmurowa, usługa w chmurze firmowej z umową obejmującą przetwarzanie danych, czy model uruchamiany lokalnie. To trzy różne poziomy kosztu i kontroli.
  • Co dokładnie jest wysyłane. Zwykle wystarczają liczby i nazwy pozycji, bez danych osobowych. Warstwa API decyduje, które pola w ogóle mogą opuścić bazę.
  • Czy dane są zapamiętywane. Trzeba wiedzieć, czy zapytania są przechowywane i czy służą do uczenia modelu.
  • Kto co widzi. Handlowiec pyta o swoich klientów, nie o wszystkich. Uprawnienia muszą działać w warstwie danych, a nie w treści polecenia dla modelu.
  • Zapis pytań i odpowiedzi po Waszej stronie. Bez niego nie da się później ustalić, skąd wzięła się jakaś decyzja.

API nad bazą ERP jako brama dla AI

AI nie powinno dostawać bezpośredniego dostępu do całej bazy. Rozsądna droga prowadzi przez API nad Impulsem, które działa jak kontrolowana brama: udostępnia tylko te dane i operacje, na które się godzisz, pilnuje, kto ma do czego dostęp, i zapisuje, o co pytano. Dzięki temu można zacząć od samego czytania danych, bez prawa do zapisu, i rozszerzać zakres dopiero, gdy rozwiązanie się sprawdzi. To także miejsce, w którym pilnuje się, żeby dane wrażliwe nie wychodziły poza firmę bez zgody. O samym API nad bazą Impulsa piszę osobno.

Gdzie AI na danych ERP daje realny zysk

Nie wszędzie. AI nad danymi z ERP ma sens tam, gdzie dziś ktoś ręcznie przegląda, zestawia albo pilnuje:

  • pytania o dane w języku naturalnym zamiast czekania na zestawienie: którzy klienci mają największe zaległości, które pozycje spadły najmocniej miesiąc do miesiąca,
  • streszczenie sytuacji kontrahenta przed rozmową: obroty, zaległości i otwarte zamówienia w jednym miejscu,
  • wychwytywanie odstępstw: nietypowa cena na zamówieniu, zapas poniżej progu, dokument bez pary,
  • pierwsza wersja opisu albo komunikatu na podstawie danych z systemu, do sprawdzenia przez człowieka,
  • odczytanie danych z dokumentu przychodzącego i przygotowanie go do zaksięgowania, z ostatnim słowem po stronie człowieka.

Wspólny mianownik jest jeden: AI skraca drogę do informacji, która już jest w systemie, ale kosztuje czas, żeby ją wydobyć. Decyzja i odpowiedzialność zostają po stronie człowieka.

AI, automat czy zwykły raport

Nie każdy problem wymaga AI. Część rzeczy, które firmy chcą dziś rozwiązać modelem, lepiej i taniej załatwia zwykły automat albo dobry raport. Jeśli reguła jest jednoznaczna, na przykład oznacz dokumenty po terminie, to automat zrobi to pewniej niż model. Jeśli chodzi o powtarzalne zestawienie, wystarczy raport liczony na bieżących danych. AI zostaje do zadań, w których treść jest zmienna albo pytanie za każdym razem inne. Dobór narzędzia do problemu jest ważniejszy niż samo użycie AI.

Prosty test: jeśli potrafisz zapisać regułę w jednym zdaniu bez słowa „zależy”, to zadanie dla automatu, nie dla modelu.

Pilotaż, który coś rozstrzyga

Większość projektów AI kończy się na etapie „ciekawe, działa”, bo nikt nie ustalił, co miało zostać udowodnione. Pilotaż, który daje odpowiedź, ma cztery elementy: jedno zadanie, jedną grupę użytkowników, mierzalne kryterium i termin.

Przykład takiego kryterium: przygotowanie informacji o kontrahencie przed rozmową zajmuje dziś kilka minut i wymaga dwóch zestawień. Po pilotażu ma zajmować mniej niż minutę, a odpowiedzi mają zgadzać się z raportem w każdym sprawdzonym przypadku. Po dwóch tygodniach wiadomo, czy iść dalej, i to bez rozbudowanego projektu.

Jak podchodzę do AI na danych z Impulsa

Zaczynam od pytania, jaką pracę ma to skrócić i na jakich danych. Sprawdzam stan danych, wskazuję zadania, w których AI da mierzalny zysk, i buduję połączenie przez kontrolowane API, z dostępem według ról i zakresem rozszerzanym stopniowo. Pełny zakres tego, co robię wokół AI, opisuję na stronie o integracji AI z systemami firmy.

Pytania o AI na danych z ERP

Czy dane z naszego ERP wyjdą z firmy?

Tylko to, co świadomie wypuścicie. API nad bazą decyduje, jakie dane w ogóle mogą opuścić system, a jakie nigdy — i to jest właściwe miejsce na tę decyzję, nie ustawienia narzędzia AI. Bez tej warstwy odpowiedź na to pytanie brzmi „nie wiadomo", a to najgorsza możliwa odpowiedź.

Czy AI odpowie na dowolne pytanie o nasze dane?

Nie i nie warto tego obiecywać. Model, który generuje zapytania wprost do bazy, przy skomplikowanym schemacie ERP zwraca liczby wyglądające poprawnie, ale policzone inaczej, niż firma je rozumie. Sensownie działa AI nad wcześniej zdefiniowanym zakresem danych, gdzie definicja wskaźnika jest ustalona.

Jak sprawdzić, czy odpowiedź jest prawdziwa?

Musi być śledzalna: z czego policzona i za jaki okres. Odpowiedź bez tego jest nieweryfikowalna, więc nie da się na niej oprzeć decyzji. To wymóg, który stawia się na etapie projektu, nie coś, co da się dodać później.

Od czego zacząć, żeby nie przepalić budżetu?

Od pilotażu, który coś rozstrzyga: jeden konkretny przypadek, jeden zespół, ustalone z góry kryterium sukcesu. Licencje dla wszystkich kupowane na starcie kończą się tym, że po trzech miesiącach nikt nie umie powiedzieć, czy to działa.

Czy zamiast AI nie wystarczy zwykły raport albo automat?

Bardzo często wystarczy — i to nie jest gorsza odpowiedź. Jeśli pytanie jest zawsze takie samo, raport jest tańszy, szybszy i sprawdzalny. AI ma sens tam, gdzie pytania są różne i nie da się ich przewidzieć z góry.

Porozmawiajmy o AI w Twoim ERP

Jeśli chcesz podłączyć AI do danych z Impulsa i nie wiesz, od czego zacząć ani czy to się u Ciebie opłaca, napisz. Wystarczy, że opiszesz jedno zadanie, które dziś zajmuje ludziom czas na przeglądaniu danych z systemu. Sprawdzę stan danych i procesów, wskażę zadania do pilotażu i podam, co trzeba zrobić, ile to potrwa i ile kosztuje, zanim cokolwiek ruszy.