Automatizácia pred AI: kde firmy získajú najväčšie úspory

AI nie je najväčší zdroj úspor

Väčšina firiem dnes hľadá úspory v AI.

Je to pochopiteľné. AI sa prezentuje ako nástroj, ktorý dokáže automatizovať rozhodovanie, znižovať náklady a zvyšovať efektivitu naprieč celou organizáciou. V mnohých prípadoch sa stáva prvou voľbou pri hľadaní zlepšení. A často oprávnene. V konkrétnych úlohách dokáže AI pracovať rýchlejšie, konzistentnejšie a často efektívnejšie než človek.

Lenže keď sa na to pozriete bližšie, veľmi rýchlo zistíte, že najväčšie úspory nie vždy vznikajú v momente, keď AI nasadíme. Oveľa častejšie vznikajú skôr.

V projekte, ktorý sme popisovali v prvom článku, sme mali jasný cieľ. Nasadiť AI do operations a zefektívniť riadenie sieťovej infraštruktúry. Presne takto dnes začína veľká časť AI iniciatív.

A čo nám ukázala realita?

Ešte predtým, než sme sa dostali k samotnej AI, podarilo sa nám dosiahnuť výrazné zlepšenie len tým, že sa upratali dáta, nastavili procesy a zaviedla automatizácia. Bez veľkých technologických zmien, bez nového „magického“ nástroja.

Výsledky hovoria jasne. Počet incidentov klesol o viac ako 50%. Počet eventov sa znížil o viac ako 70%. Backlog ticketov sa v priebehu približne mesiaca a pol znížil zo 116 na 22, čo predstavuje viac ako 80% pokles. Popritom sa podarilo vyčistiť viac ako 1700 orphaned ticketov, ktoré sa v systéme nahromadili. A len vďaka automatizácii sa eliminovalo približne 10 až 15 incidentov denne.

A teraz to dôležité – to všetko bez nasadenia AI.

Nie preto, že by AI nebola užitočná. Ale preto, že problém, ktorý sme riešili, sa nachádzal v inej vrstve. V dátach, v procesoch a v tom, ako celý systém fungoval v realite.

A práve tu vzniká rozdiel, ktorý dnes veľa organizácií prehliada.

V mnohých prípadoch sa očakáva, že AI – najmä rôzne formy tzv. „agentic“ prístupov – bude schopná samostatne rozhodovať a riadiť komplexné prostredie. Lenže rozhodovanie by v takomto prostredí nemalo vznikať na štatistickej vrstve (napr. LLM agent), ale na expertnej vrstve, ktorá definuje kontext, pravidlá a vzťahy medzi jednotlivými prvkami a prostrediami.

Až keď je expertná vrstva definovaná a dáta dávajú zmysel, začína dávať zmysel aj orchestration. A tu sa ukáže rozdiel. AI dokáže tieto zlepšenia na expertnej vrstve násobiť.

Kde vznikajú najväčšie straty

Keď sa z pohľadu firmy pozeráme na náklady, prirodzene sa sústreďujeme na redukciu toho, čo je najviac viditeľné – počet ľudí, licencie, technológie. To sú veci, ktoré sa dajú jednoducho zmerať, dajú sa dať do Excelu a porovnať medzi kvartálmi.

Lenže najväčšie straty nevznikajú tam.

Ak sa pozrieme na to, čo dlhodobo identifikujú prístupy ako Lean alebo analýzy od McKinsey či Gartneru, zistíme, že problém nie je v technológii, ale v tom, ako pracujeme s dátami, procesmi a kontextom.

Najväčší zabijak efektivity je duplicitná práca. Jeden problém sa prejaví v množstve jednotlivých alertov, incidentov alebo ticketov. Na to priamo nadväzuje druhý problém – chýbajúci kontext. Máme dáta, ale roztrieštené v mnohých systémoch, a zamestnanec musí kontext pochopiť a dáta manuálne prepojiť. Veľká časť skrytej práce tak nespočíva v riešení problému, ale v jeho pochopení.

Do toho vstupuje úplne banálny, ale veľmi prehliadaný problém – prepisovanie a presúvanie informácií. Forwardovanie e-mailov, kopírovanie údajov medzi systémami, ručné vytváranie reportov. Na papieri je firma „zdigitalizovaná“, v realite len zmenila formu práce. Namiesto listov síce máme e-maily a teams správy, ale stále niekto musí informáciu prečítať, pochopiť a posunúť ďalej.

Ďalším prehliadaným problémom je čakanie. Nikde sa nemeria, ale tvorí obrovskú časť času procesu. Čakáme na informáciu, na schválenie, na iný tím. V reporte vidíme „čas riešenia“, ale nevidíme, koľko z toho času bol reálny výkon a koľko len pasívne čakanie.

Samozrejme, musíme opätovne spomenúť základné problémy:

Dáta.
Často zistíme, že problém nie je v množstve dát, ale v ich kvalite. V našom prípade z prvého článku sme mali všetky dáta k dispozícii, ale potrebovali sme ich:

• upratať a nastaviť (veľa eventov / incidentov vznikalo zo zle nastavených thresholdov)
• kategorizovať (správne zatriediť zariadenia podľa typu a vendorov)
• prepojiť (korelovať eventy do jedného incidentu)

Až potom sme mohli riešiť automatizáciu.

Procesy.
Procesy často buď neexistujú, existujú iba na papieri, alebo sú ignorované. Každý rieši veci po svojom, výsledok závisí od konkrétneho človeka a nie od systému.

Ďalší zaujímavý problém vzniká tým, že každý tím optimalizuje svoj výkon lokálne. Jeden na rýchlosť, druhý na kvalitu, tretí na náklady. Každý funguje „efektívne“, ale celý proces sa spomaľuje, pretože nie je riadený ako celok.

Teraz by už malo byť zrejmé, čo sa stane, ak do takéhoto prostredia nasadíme AI bez premyslenia.
Nebude riešiť problém – len efektívne znásobí chaos.

Automatizácia vs AI

Toto je jedno z najväčších nedorozumení vo firmách.

Automatizácia a AI sa často zamieňajú aj keď skutočnosti riešia úplne odlišné problémy.

Automatizácia.

Pracuje s tým, čo je jasné. Má definované pravidlá a presne vie, čo má urobiť v konkrétnej situácii. Je deterministická, stabilná a relatívne lacná.

AI

Pracuje s neistotou. Hľadá vzory, robí odhady a predikcie, rozhoduje sa na základe pravdepodobnosti. Vie chápať vzťahy medzi dátami a dokáže pracovať s významom, nie len s formátom.

Tento rozdiel sa dobre ukazuje aj na tom, čo jednotlivé prístupy reálne robia. Digitalizácia a automatizácia nám umožnia zbierať dáta, ukladať ich, presúvať medzi systémami a nastavovať jednoduché workflow. AI ide o krok ďalej – chápe kontext, prepája informácie, oddelenia, rozhoduje a dokáže predikovať ďalší vývoj.

Problémom je, že dnes firmy často začínajú opačne a snažia sa riešiť komplexné problémy pomocou AI, zatiaľ čo základné, opakovateľné činnosti zostávajú manuálne alebo len čiastočne automatizované.

My sme si tým prešli veľmi prakticky. Keby sme v našom prípade nasadili AI na klasifikáciu tiketov, ale nechali monitoring a nastavenie thresholdov v pôvodnom stave, AI by neriešila problém. Len by triedila šum. Ten istý incident by sa stále generoval viackrát a namiesto odstránenia problému by sme len efektívnejšie spracovávali jeho dôsledky.

Kde automatizácia prináša najväčší ROI

Keď sa bavíme o automatizácii, veľa firiem sa pozerá na to, čo by sa dalo „zautomatizovať“, namiesto toho, aby sa pozreli na to, kde reálne vzniká najviac zbytočnej práce.

A práve tu sa láme rozdiel medzi automatizáciou, ktorá vyzerá dobre na papieri a automatizáciou, ktorá reálne šetrí peniaze.

Najväčší ROI (Return on Investment) totiž nevzniká pri zložitých scenároch, ale pri jednoduchých veciach, ktoré sa opakujú každý deň.

Presne toto sme videli aj v projekte z prvého článku. Nezačínali sme „smart AI use casmi“, ale úplne základnými vecami čo operátori robili denne desiatkykrát. Kontrola dostupnosti zariadenia, základná diagnostika, overenie stavu služby, príprava podkladov. Každý jeden krok trval pár minút. Ale keď ho robíš 50-krát denne, zrazu to nie je detail, ale významná časť kapacity tímu.

• A toto je prvé miesto, kde automatizácia prináša najväčší efekt – opakujúce sa, deterministické úlohy.
• Druhá oblasť, kde automatizácia prináša obrovský ROI, sú štandardizované požiadavky.

Service requesty, ktoré majú vždy rovnaký priebeh. Vytvorenie prístupu, reset hesla, základné konfigurácie, jednoduché zmeny. V mnohých firmách tieto veci stále prechádzajú cez ľudí, aj keď ich priebeh je prakticky identický.

Tu automatizácia nešetrí len čas, ale aj odstraňuje kritické miesto. Zrazu tieto požiadavky nečakajú v queue, ale vybavia sa okamžite alebo poloautomaticky. A tým pádom nevzniká šum a uvoľní sa kapacita tímu na riešenie problémov, ktoré vyžadujú pozornosť.

• Tretia oblasť je podľa mňa najviac podceňovaná a to je eliminácia práce, ktorá by vôbec nemala vzniknúť.

V projekte to bolo úplne kľúčové. Automatizácia sama o sebe by nepomohla v takom rozsahu, keby sme najprv neodstránili duplicity a „noise“ v dátach. Až keď sa nastavil monitoring, korelácia eventov a zjednotili sa pravidlá, začalo dávať zmysel automatizovať.

Výsledok bol masívny pokles eventov (eliminovali sa eventy, ktoré nikdy nemali vznikať), a workload sa zredukoval o približne 10 až 15 incidentov denne.

A toto je presne kritická oblasť, ktorá potvrdzuje, že najväčší ROI nevzniká v tom, že robíš veci rýchlejšie ale v tom, že ich prestaneš robiť úplne.

• Štvrtá oblasť je práca s pochopením problému.

Ľudia často nestrácajú čas samotným vykonaním úlohy ale tým, že musia pochopiť, čo treba vlastne robiť. Hľadať dáta, spájať informácie, vytiahnuť históriu, zisťovať súvislosti. Tu vie automatizácia urobiť veľký rozdiel v tom, že pripraví kontext dopredu. Namiesto toho, aby operátor začínal od nuly, systém mu poskytne všetky relevantné informácie ako je stav zariadenia, históriu, súvisiace incidenty, odporúčané kroky niekedy aj prvý troubleshooting.

A posledná vec, ktorú firmy často podceňujú, je konzistentnosť.

Keď ten istý typ problému rieši každý človek trochu inak, výsledok môže byť v detailoch iný. Automatizácia zavádza jednotný postup – konzistentne štandardizuje.

Zároveň sa tu dostávame do momentu, keď samotná automatizácia prestáva stačiť a začína dávať zmysel uvažovať nad orchestration.

Prečo samotná automatizácia nestačí

Ak automatizácia rieši jednotlivé úlohy, orchestration rieši to, ako spolu súvisia.

V praxi to znamená, že systém nepracuje s izolovanými záznamami, ale s kontextom. Vie, že tieto dva alerty sú ten istý problém. Vie, že tento incident súvisí s konkrétnou zmenou. Vie, že táto požiadavka je súčasťou väčšieho procesu.

A v tom momente sa automatizácia prestáva správať ako súbor skriptov a začne fungovať ako riadený systém.

Presne tu sa ukazuje rozdiel medzi tým, keď firma „má automatizácie“ a keď jej systém reálne šetrí čas. Bez orchestration sa totiž automatizujú kroky. S orchestration sa mení spôsob, akým firma funguje.

A to je zásadný rozdiel.

Prečo firmy preskakujú automatizáciu

Automatizácia a orchestration sú extrémne efektívne, ale nie „sexi“.
AI je prezentovaná ako liek na všetky problémy firmy, je viditeľná, dá sa prezentovať a má marketing. Koľkokrát ste už videli na LinkedIne alebo v médiách správu, že firmy, ktoré neimplementujú AI do XY rokov, skončia?

A dnes je to jeden z hlavných dôvodov, prečo firmy tak často preskakujú tento najdôležitejší krok. Automatizácia je považovaná za zastaralú.

Z pohľadu manažmentu je jednoduchšie povedať „implementujeme AI“ než „upratujeme procesy“.
Z pohľadu operations je to presne naopak.

Firmy tak často preskočia najlacnejší a najefektívnejší krok a idú rovno na najdrahší a najkomplexnejší.

Buď ju firma spraví vedome na začiatku, alebo ju bude riešiť neskôr – drahšie, pomalšie a už pod tlakom nefunkčného AI projektu.

Ako postupovať správne

Ak má AI priniesť reálnu hodnotu, poradie krokov je kľúčové.

Najprv pochopiť dáta.
Potom upratať procesy.
Odstrániť šum a duplicity.
Zautomatizovať opakovateľné činnosti.
Prepojiť ich cez orchestration.
A až potom nasadiť AI.

Tento postup nie je teoretický. Je to praktická skúsenosť z projektov, kde sa podarilo dosiahnuť výrazné zlepšenie ešte predtým, než sa AI vôbec zapojila. V momente, keď systém začne vďaka dátam a nastaveným procesom dávať zmysel, AI prestáva byť experimentom a začína byť nástrojom, ktorý má na čom stavať.

Do toho však vstupuje ešte jeden faktor, ktorý túto logiku často narúša. Marketingové pomenovanie „Agentic AI“, pod ktorým sa môže skrývať kvalitné enterprise riešenie, ale aj rýchlo poskladaný model nad ChatGPT.

A tu je dôležité rozlišovať, o akom type riešení sa vlastne bavíme.

Enterprise agentic systémy sú postavené na kombinácii dátových modelov, znalostných štruktúr, ontologických pravidiel, LLM a orchestration. Tieto systémy sa nesnažia „uhádnuť“ realitu, ale ju modelovať. Vytvárajú kontext, definujú vzťahy a riadia rozhodovanie na základe explicitnej logiky.

Na druhej strane je dnes veľké množstvo riešení postavených primárne na LLM agentoch, často rýchlo poskladaných nad GPT alebo Claude. Tie sú extrémne silné v práci s textom a interakciou, ale nemajú vlastný model reality. Nevedia si sami vytvoriť konzistentný obraz systému, nepoznajú väzby medzi dátami a rozhodujú na základe pravdepodobnosti, nie kontextu. Stavajú sa na nich výborné demá, ale v reálnom prostredí je ich použitie výrazne limitovanejšie.

A práve tu vzniká ilúzia, že AI dokáže preskočiť fázu upratovania dát a procesov.

LLM agenti sú výborné riešenie na čiastkové úlohy alebo jednoduchšie procesy, najmä v menších firmách. Ak však riadite strednú až väčšiu organizáciu, prestávajú dávať zmysel ako hlavná riadiaca vrstva a je potrebné uvažovať nad komplexnejším, enterprise prístupom.

Ak takéto riešenie nasadíte do prostredia, kde sú dáta rozbité a procesy nedávajú zmysel, nebude ho „upravovať“. Bude sa v ňom snažiť orientovať a veľmi často začne robiť rozhodnutia, ktoré síce vyzerajú správne, ale nie sú konzistentné ani spoľahlivé.

Záver

Najväčšie úspory vo firmách nevznikajú z AI. Vznikajú z poriadku.

Z poriadku v dátach, procesoch a ich prepojení. V momente, keď systém začne dávať zmysel, veľká časť problémov, ktoré sa firmy snažia riešiť pomocou AI, jednoducho prestane existovať. Nie preto, že by zmizla potreba inovácie, ale preto, že sa odstráni chaos, ktorý tieto problémy vytváral.

Automatizácia tento efekt zrýchľuje. Orchestration mu dáva logiku, kontext a umožňuje ho škálovať naprieč celou organizáciou.

AI potom prichádza ako ďalšia vrstva a nástroj, ktorý dokáže zlepšiť to, čo už funguje. Dokáže pracovať s komplexitou, predikovať, odporúčať a zefektívňovať rozhodovanie – ale len vtedy, keď má na čom stavať.

Ak však systém nedáva zmysel, AI ho neopraví.
A práve preto dnes vidíme toľko projektov, ktoré vyzerajú dobre v pilotnej fáze, ale v realite neprinášajú očakávanú hodnotu. Nie preto, že by technológia zlyhala, ale preto, že bola nasadená na nesprávnom mieste a v nesprávnom čase.

A práve preto sa v celej sérii vraciame k tej istej myšlienke.

Firmy často začínajú tam, kde by mali končiť.