Z rešerše vědeckých studií jsem vybral 18, které se týkají zavádění AI ve firmách a mapování procesů. U každé jsem přečetl abstrakt a závěr. Tady je to nejzajímavější.
V pokusu dostalo 444 lidí pracovní úlohy na psaní a polovina mohla používat ChatGPT. Ti s ChatGPT psali rychleji a kvalitněji. Rozdíly mezi lidmi se zmenšily, protože slabším pomohl víc. Práce se posunula od psaní prvního konceptu k nápadům a úpravám. Autoři sami upozorňují, že úlohy byly krátké a nevyžadovaly znalost konkrétní firmy.
Pokus se 758 konzultanty firmy BCG. U úloh, které AI zvládá, s ní lidé udělali víc, rychleji a v lepší kvalitě. U složité úlohy mimo její možnosti dospěli k správnému řešení o 19 % méně často než lidé bez AI. Hranice vede i uvnitř jedné práce a na první pohled ji nepoznáte.
Průzkum mezi pracujícími v USA. AI používali hlavně na hledání informací a nápadů a na koncepty zpráv. O pravidlech pro používání AI ve své firmě věděla jen asi čtvrtina. Kdo je měl, cítil se při práci s AI jistější. Autoři doporučují tvořit pravidla spolu se zaměstnanci, zvlášť s těmi, kdo AI už zkoušejí.
Data z německých firem. Používání AI souvisí s vyšší produktivitou. Platí to i pro to, jak intenzivně firma AI ve svých procesech používá.
Rozhovory s 22 odborníky z praxe v Česku a Rakousku, otázka zněla, co brzdí malé a střední firmy. Hlavní bariéry jsou nedůvěra k AI, chybějící znalosti, infrastruktura a zdroje. Peníze často nebyly to hlavní. Firmy víc stály o praktickou pomoc a ukázky na skutečných případech. Brzdí i špatná kvalita dat, přechod z pilotu do běžného provozu a odpor lidí zvyklých na starý způsob práce. Mezi českými a rakouskými firmami rozdíl nebyl.
Přehled 106 studií o AI v malých a středních firmách. Řadí vlivy do osmi oblastí: soulad s prací firmy, infrastruktura, znalosti, zdroje, kultura, konkurence, regulace a okolí firmy. Závěr: úspěch závisí na sladění s tím, jak firma pracuje, a s potřebami zákazníků. Výzkum podle autorů málo řeší právní požadavky.
Studie malých a středních firem v EU. O zavedení AI rozhodují víc vlastní digitální schopnosti firmy než podpora zvenku. Firma, která je slabší v digitálu, to může vyvážit schopností inovovat.
Rozhovory s 25 odborníky. Faktory připravenosti jsou v pěti oblastech a ke každému jsou ukazatele, podle kterých jde připravenost posoudit. Posuzovat ji je potřeba pořád znovu, během zavádění, a vždy pro určitý účel. Případová studie tří auditorských firem k tomu dodává, že menší firmy bývají připravené hůř.
Souhrn 30 přehledových studií. K technickým bariérám, jako jsou dostupnost dat a infrastruktura, patří stejnou měrou i lidské: obava o práci, nedůvěra a chybějící znalosti. Přehledy mimo zdravotnictví podle studie řeší hlavně techniku a ekonomiku, píšou příliš optimisticky a výsledky v praxi často neověřují.
Firmy často zavádějí AI bez ohledu na lidi, kteří s ní budou pracovat. Autoři ukazují, že bez porozumění a spolupráce zaměstnanců AI hodnotu nepřinese. Lidé mají obavy o místo, z učení se novému a z nejistoty a AI často nedůvěřují. Často nevědí, proč a jak se má AI používat. Podle autorů pomáhá, když jí lidé lépe rozumí a pracují s ní.
Studie mezi stovkou největších českých firem. Nejvíc se mění administrativní a nekvalifikované pozice. Firmy na to reagují hlavně školením svých lidí, rušení míst hlásila jen jedna. Za klíčovou dovednost považují komunikaci.
Studie jedné výrobní firmy při digitální transformaci, autoři ji sledovali přes dva roky. Klasické řízení procesů stojí na přesně namodelovaných a kontrolovaných procesech. Při velké změně se ale osvědčily procesy „s lehkou rukou“, pružná technika a lidé, kteří vnímají, co se děje. Autoři doporučují ověřit, jestli zažité předpoklady o procesech ve firmě pořád platí.
Mapy procesů mají usnadnit pochopení, v praxi ale bývají těžko srozumitelné. Jedna studie shrnuje, co srozumitelnost ovlivňuje. Druhá dává 50 pravidel pro kreslení map. Patří k nim malý rozsah mapy, rozdělení na podprocesy, zvýraznění hlavní cesty a jasný začátek a konec.
Přehled studií, které ve výrobě použily mapu toku hodnoty (value stream mapping). Jako hlavní měřítko zlepšení většina z nich sledovala zkrácení průběžné doby (lead time), tedy jak dlouho trvá cesta od začátku do konce.
Process mining skládá skutečný průběh procesu ze záznamů událostí, které ukládají informační systémy. Ukáže úzká hrdla a odchylky od plánu. Autor doporučuje spojit zjištění s automatizací, jinak se lidé vrátí ke starým zvykům.
Návrh spojit jazykové modely s pevnými pravidly a daty o procesech. Velký dopad v příštích letech autoři čekají od jazykových modelů jako pomocníků při práci s mapami a modely procesů. Plnou automatizaci řízení procesů považují za rizikovou a zatím neproveditelnou. Autoři mimo univerzity pracují pro firmu, která prodává software pro řízení procesů.