Controlling w firmie produkcyjnej - jak wykorzystać inżynierię AI do wsparcia procesów raportowania

Jest taka powtarzająca się scenka, którą przez dwadzieścia lat pracy widziałem w niemal każdej firmie produkcyjnej. Silne uczucie déjà vu nie opuszcza nas nawet przez moment. Zmienia się scenografia i aktorzy — schemat pozostaje niezmienny.

Co mam na myśli; np. ważny wskaźnik spadł o kilka punktów. Management dowiaduje się o tym po sześciu tygodniach, z raportu, który ktoś skleja ręcznie w Excelu. Rzetelnie i mimo ogromnego wysiłku, zawsze operacyjnie za późno. Kolejne straty właśnie się materializują, a wiedza o nich ujawni się dopiero za wiele tygodni w kolejnym raporcie. Po przesłaniu danych i wniosków jeszcze standardowe pytanie „czy to jest na pewno dobrze policzone? Przecież to niemożliwe. Sprawdźcie to jeszcze raz…". Policzone jest prawidłowo, ale pytania nie dziwią, bo kontroler pracuje pod taką presją czasu, że już kiedyś się pomylił. W efekcie "pierwsza linia obrony" odpowiedzialnych za realizację jest zawsze taka sama.

Podsumowując; zarząd niezadowolony z wyniku i późnego raportowania, operacje niezadowolone, bo muszą się tłumaczyć z działań sprzed dwóch miesięcy, a nie wiedzą co robić aktualnie, żeby poprawiać wynik. Controlling też niezadowolony; zamiast szykować kolejny raport dłubiemy w poprzednim i mierzymy się z zarzutami o błędne wyliczenia.

Najciekawsze, że w tej scence wszyscy mają rację i nikt nie zawinił. To nie problem kompetencji, tylko konstrukcji: dane "mieszkają" w kilku systemach i arkuszach, a kontroler, zanim zacznie liczyć nowy raport, sprawdza jeszcze raz poprzedni.

Firmy rozwiązują to klasycznie i „po staremu": kolejny etat w controllingu — junior, którego głównym zadaniem było pilnowanie i czyszczenie danych. Raporty przyspieszyły. Koszty pracy controllingu wzrosły o blisko 100%. Mimo tego było warto, pytanie czy nie dało się tego zrobić efektywniej i taniej.

Dziś ten sam problem rozwiązuję inaczej: dla kontrolera tworzymy asystenta, lub w zależności od możliwego bezpiecznego poziomu autonomiczności - agenta AI i skrypty, które deterministycznie przeliczają dane. Model pomaga je oczyścić, wskazuje anomalie, wyłapuje braki — walka o kompletność i czystość danych skraca się z dni do godzin. Na tak przygotowanych danych model AI pisze pierwszą wersję raportu z wnioskami, a kontroler robi to, co jest jego najważniejszym zadaniem: weryfikuje wnioski i rekomenduje decyzje, zamiast sprawdzać np. czy nocna zmiana dobrze zaraportowała operacje. Warunek; do konfiguracji asystenta należy zastosować kilka zasad pozwalających zredukować do zera ryzyko halucynacji modeli, a także twarde wyliczenia oprzeć na sztywnych skryptach. Z darmowym czatem AI używanym przez pracownika "nieoficjalnie" to się nie uda, nie mówiąc o ryzykach z tym związanych.

Efekt działań: dowolny raport jest gotowy szybciej i jest bezbłędny, zatrudnienie kolejnego analityka nie jest konieczne. Operacje dostają informację zwrotną, odpowiednio wcześnie kiedy wciąż można reagować. Rozsądna i efektywna adopcja inżynierii AI daje właśnie takie rezultaty.

Jako praktyk i realista uczciwie zaznaczam, bo od słodkich „AI success story” LinkedIn się ugina: nic tu nie wydarzyło się samo. Każda z tych korzyści jest warunkowa — wymaga wiedzy o inżynierii AI, pracy nad danymi organizacji, rozsądku, realizmu i jednocześnie odwagi. Gwarantowanej i łatwej drogi nie ma. Jest za to powtarzalna kolejność — najpierw porządek, potem analiza — i łatwiej ją przejść z kimś, kto już ją pokonał. Case, który tu opisuję to nie kolejna generatywna historyjka o możliwościach sztucznej inteligencji, tylko opis realnego wdrożenia i zakończonej sukcesem adopcji AI w dziale controllingu firmy produkcyjnej.

Spójrzmy na to z szerokiej perspektywy; controlling wsparty AI to znacznie więcej korzyści niż tylko zaoszczędzony koszt zatrudnienia dodatkowego analityka – w zależności od sytuacji może docelowo przynieść Twojej firmie miliony złotych. Wysokiej jakości dane, dostarczone „just in time” uzbroją Twoją organizację w przewagę konkurencyjną będącą realną dźwignią rentowności.

A u Was ile czasu mija między zdarzeniem, które "psuje" wynik, a momentem, kiedy widać je w liczbach? Takie rozwiązania są w zasięgu ręki twojej firmy; nie potrzeba drogich i skomplikowanych wdrożeń, aby twój najcenniejszy zasób czyli doświadczeni analitycy mogli pracować, szybciej, dostarczając znacząco więcej jakościowej informacji zarządczej.

Zapraszam do komentowania i kontaktu.

Mariusz Pilarczyk · OPERATYKA. — doskonalenie procesów wspierane inżynierią AI w produkcyjnych MŚP