W ostatnich latach sztuczna inteligencja (AI) stała się narzędziem, które może znacząco wspomóc pracę nie tylko firm komercyjnych, ale także urzędów, uczelni i instytucji publicznych. Jak zauważa Marek Jeleśniański w artykule Sztuczna inteligencja na pomoc instytucjom, dobrze wdrożone narzędzia AI mogą „zmienić sposób działania wielu instytucji” i stworzyć realne „nowe szanse” dla administracji, szkół i uczelni czy innych organizacji publicznych.
Właśnie te nowe możliwości – otwierające drogę do usprawnienia procedur, odciążenia pracowników i poprawy jakości usług publicznych – sprawiają, że instytucje muszą dziś spojrzeć na AI nie jako na ciekawostkę, ale jako realny element swojej przyszłej pracy. Skoro AI może zmieniać sposób działania instytucji, to naturalnie warto się zastanowić, jak tę zmianę przeprowadzić mądrze i odpowiedzialnie.
Wśród dostępnych opcji znajdują się zarówno gotowe, komercyjne rozwiązania (SaaS/API), jak i modele hostowane we własnej infrastrukturze (zachęcam do zapoznania się z wynikami badań i rankingiem modeli AI dostępnymi na tej stronie). Właściwy wybór wymaga uwzględnienia nie tylko potencjalnych korzyści, takich jak odciążenie pracowników, zwiększenie wydajności czy skrócenie czasu obsługi, lecz także wyzwań związanych z ochroną danych, zgodnością regulacyjną, kosztami oraz odpowiedzialnością instytucji.
W tym artykule nie wskażemy jednego, uniwersalnego rozwiązania, ponieważ każda instytucja publiczna funkcjonuje w odmiennym środowisku i musi dostosować technologię do własnych potrzeb. Przybliżymy natomiast proces, który każda instytucja będzie musiała przejść po swojemu. Pokażemy też, co należy wziąć pod uwagę na drodze do wdrożenia AI w swoich strukturach.
Sztuczna inteligencja zmienia oblicze instytucji publicznych, przynosząc nowe wyzwania w zakresie zgodności i bezpieczeństwa.
Kryteria wyboru LLM w instytucjach publicznych
Wybór odpowiedniego dużego modelu językowego powinien opierać się na jasnych i mierzalnych kryteriach. Podmioty publiczne działają w środowisku szczególnie wrażliwym na kwestie bezpieczeństwa i zgodności z prawem, a ich działanie musi być transparentne. Poniższe kryteria to propozycja procesu decyzyjnego, który może stanowić podstawę audytu instytucji pod kątem implementacji rozwiązań bazujących na AI. Omawiamy krótko każde z proponowanych kryteriów wyboru LLM w instrukcjach, a na końcu każdego opisu formułujemy kilka pytań, które mogą pomóc osobom decyzyjnym odnieść je do swojej organizacji.
Bezpieczeństwo i ochrona danych
Bezpieczeństwo to bodaj najważniejsze kryterium dla instytucji publicznych. Wybór modelu musi gwarantować pełną zgodność z przepisami o ochronie danych i minimalizować ryzyko wycieku. Jednocześnie wiele wytworów pracy instytucji publicznych to w swojej naturze dokumenty publiczne (zobacz: Sztuczna inteligencja na pomoc instytucjom). To znaczy, że nie stanowią żadnej tajemnicy i tym samym mogą być przetwarzane przez duże modele językowe.
Wybór właściwego modelu LLM to kluczowy krok w integracji AI w sektorze publicznym. Do wyboru są rozwiązania z różnych obszarów geograficznych i o różnym poziomie otwartości. Jest spore prawdopodobieństwo, że w instytucjach o dużym nacisku na poufność danych, ten wybór będzie przedmiotem kontroli.
Na początku audytu pod kątem AI instytucja musi zadać sobie pytania:
- Jakiego rodzaju dane będzie przetwarzać model (w tym dane wrażliwe, niejawne, publiczne)?
- Czy te dane (które dane?) mogą opuszczać infrastrukturę instytucji?
- Czy w przypadku danych wrażliwych rozwiązanie zapewnia szyfrowanie, kontrolę retencji i możliwość audytu?
Zgodność regulacyjna
Rozwiązanie AI stosowane w instytucji publicznej musi umożliwiać spełnienie obowiązków prawnych, takich jak archiwizacja dokumentów, jawność działań oraz możliwość przedstawienia pełnej dokumentacji i logów na potrzeby kontroli czy audytu. Modele wdrażane w sektorze publicznym powinny być transparentne i możliwe do prześledzenia, aby instytucja była w stanie wyjaśnić sposób działania narzędzia i uzasadnić podjęte decyzje.
Jednocześnie, nawet przy pracy na danych jawnych, modele AI mogą generować błędy („halucynacje”), dlatego instytucja musi zapewnić mechanizmy weryfikacji, kontroli i audytu wyników. W zależności od tego, jak krytyczny jest proces, w którym AI ma wspierać pracowników, te wymagania mogą przesądzić o wyborze modelu hostowanego u zewnętrznego operatora lub rozwiązania, które daje pełną kontrolę nad danymi, logami i historią interakcji.
Istotne będzie także przygotowanie odpowiedniej bazy wiedzy oraz przeszkolenie pracowników, żeby potrafili korzystać z narzędzia w sposób świadomy i umieli stosować techniki promptowania poprawiające jakość uzyskiwanych odpowiedzi (zapraszamy przy okazji do zapoznania się z ofertą szkoleń z zakresu AI, w tym dedykowanych dla instytucji).
Warto w tym miejscu rozważyć kilka pytań:
- Czy planowane rozwiązanie spełnia wszystkie wymogi bezpieczeństwa i wymogi prawne?
- Czy wybrany model daje możliwość łatwego archiwizowania wyników pracy oraz audytowania?
- Czy dostawca zapewnia wszystkie niezbędne certyfikaty i transparentność?
Całkowity koszt posiadania (TCO)
Koszt wdrożenia to nie tylko zakup licencji. W przypadku hostowania modelu na własnej infrastrukturze należy brać pod uwagę także inwestycje w sprzęt i sieć, energię i koszty transferu danych, kompetencje zespołu oraz wszystkie koszty związane z utrzymaniem i rozwojem modelu (więcej na ten temat znajdziesz w sekcji poniżej).
Analizując własną sytuację, warto znaleźć odpowiedzi na pytania:
- Jakie są koszty początkowe oraz koszty długoterminowe rozważanego rozwiązania?
- Czy organizacja jest w stanie oszacować i przewidywać wzrost kosztów, np. przy wzroście intensywności korzystania z modelu?
- Czy są opcje, które mogą pomóc optymalizować koszty w przyszłości, np. poprzez modyfikacje warunków umowy lub inną kompozycję usług?
Koszt posiadania samochodu nie ogranicza się tylko do samej ceny, jaką za niego zapłaciliśmy, ale obejmuje też ubezpieczenie, naprawy, paliwo, parking i inne wydatki. Analogicznie jest ze wdrożeniami rozwiązań IT.
Zasoby techniczne i kompetencje
Instytucja musi ocenić, jakie kompetencje posiada jej zespół oraz jakie ma zaplecze techniczne. Nie wszystkie wdrożenia będą wymagały fachowców w dziedzinie sztucznej inteligencji, ale gdy instytucja planuje inwestować na przykład we własny hosting, będzie potrzebowała zespołu, który będzie w stanie wdrożyć, dostosować do potrzeb (fine-tuning), utrzymać i nadzorować pracę modelu. Wymagania te dotyczą infrastruktury (serwery, zabezpieczenia, narzędzia do zarzadzania), ale i kompetencji zespołu – wsparcie IT, znajomość integracji systemów, pracy z danymi, czy tworzenia rozwiązań końcowych w API.
Jeśli instytucja nie posiada takich zasobów lub ich tworzenie byłoby zbyt kosztowne, może rozważyć wybranie gotowych rozwiązań komercyjnych (SaaS/API), oczywiście na podstawie wcześniej omówionych kryteriów dotyczących bezpieczeństwa danych i zgodności regulacyjnej. Rozwiązania komercyjne przenoszą odpowiedzialność za obsługę techniczną na dostawcę i pozwalają instytucji szybciej zacząć testować AI w swoich strukturach, ale za cenę mniejszej niezależności.
Najważniejsze pytania:
- Jakie są kompetencje techniczne posiadanego przez instytucję zespołu IT?
- Czy instytucja posiada infrastrukturę niezbędną do bezpiecznego hostowania modelu?
- Jakie są potrzeby w zakresie integracji z obecnie wykorzystywanymi systemami w strukturach zarządzania?
- Czy są obszary, które instytucja może przetwarzać bezpiecznie, bez naruszania zasad dotyczących bezpieczeństwa danych, a których oddanie w ręce AI realnie wpłynie na pracę urzędników?
Ryzyko operacyjne
W realiach instytucji publicznej nie każdy proces może być w równym stopniu przetwarzany przez sztuczną inteligencję. Dotyczy to zwłaszcza obszarów, gdzie ryzyko błędów niesie poważne konsekwencje, na przykład w decyzjach administracyjnych czy w komunikacji kierowanej do obywateli. Modele językowe nie są wolne od błędów i nawet przy bardzo dobrze opracowanych promptach mogą generować odpowiedzi błędne i nieprecyzyjne. Dlatego przed wdrożeniem AI w konkretnych procesach administracyjnych konieczne jest przeanalizowanie ryzyk wystąpienia błędów. W niektórych procesach AI powinno pełnić jedynie funkcję pomocniczą, natomiast w innych może w pełni automatyzować wykonywanie zadań.
W tym kryterium warto znaleźć odpowiedzi na pytania:
- Które zadania AI może automatyzować w sposób bezpieczny, a które powinny być obsługiwane pod nadzorem człowieka lub wcale nie powinny podlegać automatyzacji?
- Czy do automatyzacji danego zadania powinna być rozważana sztuczna inteligencja; czy nie ma innych, bardziej stabilnych rozwiązań?
- Czy odpowiedzi LLM muszą być powtarzalne i weryfikowalne?
- Czy model będzie wspierał procesy krytyczne (na przykład obsługa decyzji administracyjnych)?
Gotowość organizacyjna
Wdrażanie AI w urzędzie lub instytucji publicznej to przede wszystkim proces zmiany organizacyjnej. Bez odpowiedniego przygotowania w obszarze struktury zarządzania, wsparcia decydentów, kompetencji personelu, a także gotowości do integrowania AI z codziennymi procesami, projekt może zakończyć się fiaskiem. Instytucja musi mieć odpowiednie procedury, szkolenia i zasady korzystania z AI, aby zapewnić odpowiedzialne i bezpieczne użycie modeli (na jelesnianski.pl znajdziesz ofertę szkoleń m.in. dla instytucji państwowych).
Pytania do sprawdzenia gotowości zespołu:
- Czy pracownicy mają kompetencje do korzystania z modeli AI?
- Czy w strukturze są osoby/zespoły odpowiedzialne za strategię AI, nadzór, audyt i monitorowanie efektywności?
- Czy istnieją polityki lub regulaminy określające zasady pracy z LLM?
- Czy instytucja jest gotowa na zarządzanie zmianą procesów, procedur, ryzykiem zmian i ewentualnymi oporami wewnętrznymi (na przykład wśród pracowników)?
Jakość i gotowość danych (data governance)
Dane są podstawą działania każdego modelu AI, bo jeśli są niekompletne, rozproszone lub trudne do odnalezienia, nawet najlepszy LLM nie przyniesie wartości. Dlatego instytucja powinna upewnić się, że jej dane są uporządkowane, aktualne i dostępne w sposób bezpieczny. Co ważne, w przyszłości pomocne mogą okazać się narzędzia AI oparte na sparametryzowanym prawie, które pozwolą automatycznie interpretować przepisy, tworzyć projekty dokumentów, czy wspierać procesy zgodności. Ich skuteczność również zależy od tego, jakimi danymi dysponuje instytucja.
W świetle tych wyzwań należy odpowiedzieć na pytania:
- Czy instytucja jest w stanie wskazać, z jakich źródeł danych model będzie korzystać i czy te dane są aktualne?
- Czy istnieją procedury, które określają, kto może zobaczyć, zmienić lub wykorzystać określone dane?
- Czy instytucja ma kontrolę nad tym, jak dane są przekazywane, chronione i czy można prześledzić, kto i kiedy miał do nich dostęp?
Przedstawione kryteria pozwalają instytucji jasno określić, czego naprawdę potrzebuje i jakie wymagania muszą zostać spełnione, aby wdrożenie AI było bezpieczne, zgodne z prawem i wartościowe operacyjnie. Zrozumienie charakteru danych, ryzyk, kosztów, kompetencji i gotowości organizacyjnej stanowi fundament dalszych decyzji. Mając te elementy uporządkowane, można świadomie przejść do przygotowania do pilotażu w organizacji.
SaaS/API czy własny hosting? Praktyczne porównanie dla instytucji publicznych
Wybór sposobu wdrożenia modelu AI ma dla instytucji publicznych duże znaczenie, ponieważ decyduje o bezpieczeństwie danych, kosztach, odpowiedzialności i zakresie kontroli nad technologią. Najczęściej rozważane są trzy opcje:
- korzystanie z gotowej usługi (SaaS/API),
- uruchomienie modelu na własnej infrastrukturze (tzw. hosting lokalny lub prywatna chmura)
- lub podejście hybrydowe, łączące elementy obu ww. opcji.
Wszystkie podejścia mają zalety, ale każde wiąże się z innymi obowiązkami i ryzykami.
W tym podrozdziale przedstawiamy krótki przegląd obu opcji. Po bardziej szczegółowe informacje odsyłamy do artykułu „Koszty integracji AI – SaaS, API czy własny hosting?”.
SaaS/API umożliwia szybki start, ale własny hosting oferuje pełną kontrolę nad danymi. Obie opcje mogą wiązać się z dużymi kosztami, tylko nacisk będzie rozłożony inaczej.
SaaS/API – szybki start i niskie koszty wejścia
W modelu SaaS/API instytucja korzysta z gotowego narzędzia dostarczanego przez dostawcę zewnętrznego. To najprostszy sposób, by rozpocząć pracę z AI.
Najważniejsze zalety:
- Szybkie wdrożenie – instytucja może zacząć korzystać z narzędzia praktycznie od razu, bez zakupu sprzętu.
- Brak konieczności utrzymywania infrastruktury – wszystkie aktualizacje i zabezpieczenia są po stronie dostawcy usługi.
- Brak dużych inwestycji – opłaty są przewidywalne, generowane za użycie mocy obliczeniowej lub w postaci miesięcznych opłat abonamentowych.
- Możliwość testowania – instytucja może testować możliwości AI w swoich strukturach bez dużych inwestycji.
Ograniczenia i ryzyka:
- Dane opuszczają instytucję – dane wysyłane w promptach do modelu opuszczają instytucję (są kierowane do zewnętrznych serwerów).
- Instytucja jest zależna od dostawcy – zmiany cenników i dostępność usług mogą wpływać na działanie całej instytucji.
- Bardzo ograniczona możliwość dostosowywania modelu – zwykle brak jest możliwości dostosowania modelu do potrzeb organizacji, model działa tak, jak został przygotowany przez dostawcę.
Własny hosting – pełna kontrola i większa odpowiedzialność
Własny hosting AI to sytuacja, w której model jest w całości uruchamiany i działa na infrastrukturze należącej do instytucji – na posiadanych serwerach lub w prywatnej, wykupionej na potrzeby organizacji chmurze (zewnętrznych serwerach oddanych do dyspozycji organizacji).
Najważniejsze zalety:
- Kontrola nad bezpieczeństwem danych – dane nie opuszczają struktur (serwerów) należących do organizacji, co pozwala spełnić podwyższone wymagania dotyczące ochrony danych.
- Łatwiejsze audyty i kontrola pracy modelu.
- Dostosowanie do procedur i systemów – model może korzystać z baz danych instytucji oraz wykorzystywanych w niej systemów informatycznych.
- Instytucja niezależna od dostawcy – instytucja sama zarządza modelem, decyduje o jego aktualizacjach i modyfikacjach.
Ograniczenia i ryzyka:
- Duże koszty inwestycyjne – w przypadku hostingu on-premise na koszt składa się zakup serwerów i kart GPU/chipów NPU (karty są drogie i ze względu na duży popyt często dostęp do najnowszych układów jest ograniczony), budowa lub dostosowanie serwerowni, stworzenie lub rozbudowa infrastruktury (łącza, klimatyzacja, zabezpieczenia itd.).
- Konieczność posiadania/zatrudnienia fachowców – utrzymanie modelu wymaga odpowiednich kompetencji.
- Pełna odpowiedzialność operacyjna – aktualizacje, kopie zapasowe, kontrola bezpieczeństwa itd. należą do obowiązków instytucji.
- Dłuższy czas wdrożenia – w przypadku hostingu on-premise realizacja inwestycji zwykle trwa od kilku tygodni do nawet kilku miesięcy, a w przypadku instytucji czas ten może być dodatkowo wydłużony ze względu na procedury przetargowe. Co więcej, potrzebny jest czas na trenowane i dostosowywanie modeli do potrzeb instytucji (fine-tuning).
- Koszty amortyzacji technologicznej – sprzęt wykorzystywany do hostowania modeli AI szybko się starzeje i konieczne jest cykliczne jego wymienianie (cykle od trzech do pięciu lat).
Podejście hybrydowe
Istnieje jednak strategia łącząca oba powyższe rozwiązania. Będziemy ją nazywać podejściem hybrydowym. Tutaj część zadań i część danych instytucja przetwarza przy pomocy zewnętrznych usług SaaS/API. Mogą to być na przykład dane niewrażliwe i usługi, których wyniki i tak są udostępniane do wiadomości publicznej lub gdy ryzyko jest niskie. Drugą część danych, tych wrażliwych, organizacja przetwarza we własnym środowisku – w tym podejściu najczęściej w wykupionej przez nią chmurze.
Najważniejsze zalety:
- Duża elastyczność – instytucja dopasowuje sposób przetwarzania danych w zależności od tego, jakie dane przetwarza.
- Elastyczne zarządzanie kosztami – decydujemy zależnie od potrzeb, ile środków kierujemy na utrzymanie własnych rozwiązań, ale ile na komercyjne subskrypcje.
- Zazwyczaj wyższe bezpieczeństwo – wrażliwe procesy działają w kontrolowanym środowisku organizacji.
- Szybsze wdrażanie nowych funkcji – SaaS/API pozwala testować nowości bez konieczności aktualizowania własnych serwerów.
- Rozwijanie kompetencji zespołu – instytucja może zaczynać od wdrażania SaaS, a z czasem rozwinąć swoje własne zasoby IT.
Ograniczenia i ryzyka:
- Większa złożoność zarządzania – konieczność kontrolowania odrębnych środowisk.
- Potrzeba jasnych procedur klasyfikacji danych – organizacja musi jasno i precyzyjnie ustalić, które dane są przetwarzane zewnętrznie, a które we własnych strukturach.
- Integracja systemów może być trudniejsza – łączenie obu modeli może wymagać dodatkowych prac technicznych i nadzoru.
- Konieczne szkolenia i świadomość pracownicza – pracownicy muszą dokładnie znać procedury przetwarzania danych oraz wiedzieć, które procesy mogą być przetwarzane w rozwiązaniach komercyjnych, a które we własnym hostingu.
Rekomendacje wdrożeniowe dla instytucji publicznych
Jednostki samorządu terytorialnego (gminy, miasta, powiaty)
Rekomendacja: model hybrydowy, z większym akcentem na rozwiązania komercyjne (SaaS/API)
Wyjaśnienie: Jednostki samorządu terytorialnego przetwarzają dużą liczbę dokumentów jawnych, na przykład uchwały, komunikaty, zamówienia publiczne itp. Dlatego bardzo często mogą korzystać z rozwiązań komercyjnych. Natomiast w przypadku zadań, przy których przetwarza się dane wrażliwe, konieczne będzie korzystanie z własnego hostingu, na przykład w chmurze przeznaczonej na wyłączny użytek danej organizacji.
Uczelnie wyższe i duże instytucje edukacyjne
Rekomendacja: model hybrydowy z większym akcentem na własny hosting
Wyjaśnienie: Uczelnie często posiadają rozbudowaną infrastrukturę IT oraz wykwalifikowanych pracowników technicznych, co może ułatwić im hostowanie modeli językowych. Znajdą one zastosowanie zwłaszcza w pracy badawczej, analizie danych czy przy tworzeniu baz wiedzy (przynajmniej w odniesieniu do części takich zadań). Z kolei usługi SaaS/API mogą wspierać prace administracyjne, marketing oraz tworzenie narzędzi i materiałów dydaktycznych. Zaawansowane i komercyjne modele AI dostępne przez API mogą być też niezbędne do zaawansowanych analiz.
Administracja centralna i urzędy o wysokiej odpowiedzialności (ministerstwa, urzędy wojewódzkie, organy regulacyjne)
Rekomendacja: własny hosting
Wyjaśnienie: Instytucje pracujące z danymi o znaczeniu strategicznym muszą zapewnić im bezpieczeństwo. Wdrażane rozwiązania muszą spełniać najbardziej surowe wymogi prawne i audytowe – tutaj ochrona danych jest priorytetem. Takie wymagania może spełnić w zasadzie tylko własny hosting on-premise lub prywatna chmura z pełną kontrolą nad danymi i logami. Narzędzia AI dostępne w modelu SaaS lub przez API mogą być rozważone do prac administracyjnych i o charakterze edukacyjnym.
Jednostki ochrony zdrowia (szpitale, instytuty medyczne, przychodnie publiczne)
Rekomendacja: własny hosting
Wyjaśnienie: Dane medyczne to dane szczególnie mocno chronione. Instytucje je przetwarzające muszą spełniać surowe wymogi prawne, których naruszenie wiąże się z dużymi karami. Od systemów AI wymaga się pełnej kontroli nad przetwarzaniem danych oraz ich przechowywaniem. Z tego względu instytucje przetwarzające dane medyczne powinny skupić się na wdrażaniu własnego hostingu. Jednocześnie modele AI dostępne poprzez API lub w ramach subskrypcji mogą być rozważone do wybranych prac administracyjnych.
Szkoły, instytucje kultury i zasobów publicznych (biblioteki, archiwa, muzea)
Rekomendacja: rozwiązania komercyjne (SaaS/API)
Wyjaśnienie: Wiele procesów i materiałów przetwarzanych w tych instytucjach ma charakter jawny. Narzędzia komercyjne mogą być wdrożone szybko i bez dużych kosztów, a integracja takich rozwiązań jest też stosunkowo prosta. Oczywiście wszystkie procesy, w których przetwarzane są dane osobowe, muszą być kontrolowane, a przetwarzanie ich przez AI prawdopodobnie będzie wymagało wdrożenia modelu hybrydowego, związanego na przykład z zakupem specjalnej chmury.
Wdrażanie AI w instytucjach publicznych – krok po kroku
Wdrażanie sztucznej inteligencji do instytucji publicznej to proces, który musi być bezpieczny, zgodny z prawem i przede wszystkim opłacalny. Czasami wybór najnowszego czy najbardziej popularnego modelu, o którym wszyscy mówią, niekoniecznie jest najlepszy. Przy podejmowaniu decyzji należy sobie odpowiedzieć na pytanie: czy to rozwiązanie naprawdę ułatwi pracę i wspomoże obsługę?
Odpowiedź nie zawsze jest łatwa, szczególnie, gdy instytucja nie miała dotychczas do czynienia z modelami językowymi, a pracownicy nie posiadają w tym zakresie wiedzy ani umiejętności. Dlatego częstym rozwiązaniem w takich sytuacjach jest projekt pilotażowy, wdrożenie AI w ograniczonym i kontrolowanym obszarze, obserwowanie wyników, a dopiero potem ostateczne podjęcie decyzji.
Drugim pokrewnym pytaniem jest: czy to naprawdę będzie opłacalne? Tutaj również zazwyczaj trudno jest na nie odpowiedzieć bez przeprowadzenia badania na konkretnej organizacji w konkretnych procesach i we współpracy z konkretnym zespołem.
Planowanie wdrożenia AI wymaga dokładnej analizy potrzeb i możliwości organizacji. W Oxido pomagamy instytucjom dokonać optymalnych wyborów i przejść przez proces wdrożenia.
Poniżej omawiam przykładowy scenariusz działań, który może posłużyć instytucji jako punkt wyjścia dla planowania własnego wdrożenia AI – najpierw pilotażowego. Każda instytucja ma swoją specyfikę, dlatego poniższy proces wraz ze wszystkimi jego etapami – chociaż jest oparty na sprawdzonych praktykach – powinien być elastycznie dopasowany do konkretnych potrzeb i charakteru organizacji.
Etap 1: Analiza potrzeb i wymagań w kontekście ryzyk i wymogów zgodności
Na tym etapie jasno określamy, które procesy będą wspierane lub w całości wykonywane przez AI. W badaniu pilotażowym będzie to precyzyjnie określony zakres usług lub procesów, z uwzględnieniem rodzajów przetwarzanych danych.
Analizujemy:
- jaki rodzaj danych będziemy przetwarzać (jawne, niejawne),
- jakie obowiązki prawne związane są z tymi procesami (zgodność regulacyjna),
- jakiego poziomu odpowiedzialności wymagają zadania (ryzyko operacyjne),
- jakie są ryzyka związane z błędami AI i odpowiedzialnością instytucji (ryzyko operacyjne).
Pod koniec tego etapu mamy już gotową listę procesów, które mogą być bezpiecznie przetwarzane przez AI.
W ramach analizy instytucja powinna też ocenić, jakie ma zasoby techniczne oraz czy ma zespół, który jest w stanie przeprowadzić proces wdrożenia. Kombinacja tych czynników pozwala pod koniec tego etapu wstępnie wytypować kierunek wdrożenia: czy skłaniamy się ku bardziej rozwiązaniom komercyjnym (SaaS/API), czy może konieczne będzie wdrożenie własnego hostingu. I w jakim zakresie.
Etap 2: Sformułowanie ramowej strategii wdrożenia AI
Warto już na początku procesu określić elementy strategii, aby próbować przewidzieć pewne ryzyka i określić właściwe im środki zaradcze. Pomocne może być też chociażby określenie kryteriów oceny sukcesu, by nie definiować ich później w oparciu o… rezultaty, czyli pod tezę. Marek Jeleśniański na szkoleniu dot. AI dla managerów proponuje następujące elementy strategii:
Etap 3: Wybór rozwiązań do pilotażu i analiza całkowitego kosztu posiadania (TCO)
Gdy instytucja ma już strategię i oceniła wstępnie zakres, w jakim chce korzystać z AI, wymagania prawne oraz posiadane zasoby techniczne i osobowe, zwykle na tym etapie ma już wstępnie wytypowaną formę wdrożenia. To pozwala przymierzyć się do oszacowania TCO, czyli całkowitego kosztu posiadania. Instytucja porównuje koszty licencji SaaS/API, koszty wdrożenia, integracji, infrastruktury (własnej lub wynajętej), energii oraz szkoleń i rozwoju kompetencji pracowników. Wybiera też katalog rozwiązań do dalszej oceny.
Mając oszacowane koszty, przeanalizowane własne potrzeby oraz zasoby, zwykle w tym momencie podejmuje się decyzję o przeprowadzeniu wdrożenia pilotażowego, które pozwoli sprawdzić założenia biznesowe i praktyczne w… praktyce.
Etap 4: Przygotowanie procesów objętych pilotażem, zbudowanie zespołu oraz realizacja pilotażu
Wdrożenie, nawet to pilotażowe, wymaga przygotowania pracowników! Na tym etapie powstają wstępne procedury pracy z AI (jeśli jeszcze nie zostały przygotowane), instrukcje dla pracowników oraz realizowane są szkolenia dla osób objętych pilotażem.
W zależności od tego, jakie dane będą przetwarzane i jakie procesy automatyzowane, różne są ryzyka i ograniczenia prawne, z których pracownicy muszą zdawać sobie sprawę. Zmiany i nowości często budzą opór, dlatego pozytywna komunikacja i szkolenia pracowników, którzy wezmą udział w pilotażu, powinny być realizowane w zasadzie od samego początku – zaczynając od najbardziej ogólnego wprowadzenia w tematykę AI i założenia projektu, stopniowo przechodząc do konkretnych funkcjonalności i procesów związanych z codziennymi obowiązkami zawodowymi.
Pilotaż to ostateczny sprawdzian wszystkich poczynionych wcześniej założeń oraz stopnia gotowości zespołu do nadchodzącej zmiany. Wprowadzamy AI na wybranych procesach, na wycinku funkcjonowania instytucji. Wcześniejsze przygotowania miały na celu zapewnienie bezpiecznego laboratorium, gdzie pracownicy będą mogli testować możliwości, a zespół obserwować realizację założeń merytorycznych, technicznych i biznesowych.
Analizujemy:
- jakość i precyzję odpowiedzi modelu – czy jest dopasowana do potrzeb organizacji,
- wpływ AI na komfort pracy,
- bezpieczeństwo danych i szczelność systemu,
- jakość integracji z systemami (jeśli były przedmiotem pilotażu) – czy AI „dogaduje się” z systemami informatycznymi instytucji,
- weryfikujemy koszty – czy wcześniejsze wyliczenia TCO pokrywają się z praktyką? Były tworzone w dużej mierze na bazie przewidywań skali użytkowania AI, a ta mogła się zmienić w miarę adaptacji usług przez pracowników.
Etap 5: Ocena pilotażu i przygotowanie do wdrożenia AI na pełną skalę
Na tym etapie mamy już wyniki pilotażowego wdrożenia. Mamy dane techniczne na temat stabilności. bezpieczeństwa oraz integracji z systemami informatycznymi, kalkulacje kosztów oraz opinie pracowników. Przychodzi czas na podsumowanie i określenie, w jakim zakresie instytucja będzie chciała wdrażać sztuczną inteligencję oraz jaką ostatecznie formę to wdrożenie przyjmie.
Oczywiście najlepszym rozwiązaniem byłoby jednoczesne przetestowanie kilku modeli wdrożenia, na przykład SaaS/API oraz własnego hostingu (przykładowo w chmurze). Jednak nawet jeśli nie było takiej możliwości, to już teraz, choćby po przetestowaniu tylko komercyjnych usług, instytucja jest bogatsza o liczne doświadczenia, ma już pojęcie o tym, jak AI może pomóc, oraz co myślą o tym wszystkim pracownicy!
Najistotniejszy komponent dla skutecznych zmian?
Jak zauważa Marek Jeleśniański, instytucje publiczne, dzięki swej specyfice – publicznemu charakterowi wielu dokumentów, transparentności działań i misji służby publicznej – mają wyjątkową szansę, by sensownie wykorzystać AI. Jednocześnie muszą robić to z rozwagą i odpowiedzialnością. Nie ma dwóch takich samych organizacji ani dwóch takich samych zespołów. Nawet jednostki funkcjonujące na tym samym poziomie administracyjnym różnią się pomiędzy sobą środowiskiem, w którym działają, kulturą organizacyjną i wyzwaniami, z którymi na co dzień się mierzą.
Bez ludzi wdrożenie AI na pewno zakończy się niepowodzeniem. Warto zadbać o to, aby byli w pełni świadomi celów oraz o wiedzę, która pozwoli im przejść przez ten proces bezpiecznie.
Skupiamy się mocno na bezpieczeństwie danych, sprawach technicznych i kosztach wdrożenia, ale równie istotny przy takich projektach jest czynnik ludzki – kierownicy, urzędnicy i pracownicy. To oni będą na co dzień korzystać z AI, integrować ją z obowiązującymi procedurami i oceniać poprawność jej działania. Jeśli chcemy skutecznych wdrożeń, pracownicy muszą nie tylko rozumieć, jak używać AI, ale przede wszystkim widzieć w niej realną wartość, a nie zagrożenie.
Można by więc zapytać, dlaczego szkolenia pojawiły się dopiero w czwartym etapie naszego procesu (rozpoczęcie i realizacja pilotażu). Jeśli się nad tym zastanawiacie, to bardzo dobrze, bo to znaczy, że rozumiecie, jak ważne jest przygotowanie zespołu do zmiany. Prawda jest jednak taka, że kształcenie i przygotowywanie pracowników przenika każdy z opisanych etapów i równie ważne jest przeszkolenie na etapie zero zespołu pracowników, który będzie przygotowywał cały proces.
Wdrożenie AI w instytucji to oczywiście duże informatyczne przedsięwzięcie, ale chyba w równym stopniu wyzwanie z zakresu zarządzania kapitałem ludzkim. Nawet najlepsza infrastruktura i najlepiej dobrane usługi będą bezsensownym kosztem, gdy ludzie nie będą chcieli z nich korzystać.
W całej tej cyfrowej rewolucji, która dzieje się na naszych oczach, nie chodzi o to, aby sztuczna inteligencja zastępowała kogoś, ale aby urzędnik, pracownik czy dydaktyk mądrze korzystający z AI, stał się nowym standardem nowoczesnej administracji i edukacji.
Dlatego właśnie odpowiedź na pytanie, od czego zacząć, jest dość trywialna. Na początek może to być coś niewielkiego – od przygotowania i realizacji pilotażowego wdrożenia na niewielkim wycinku codziennych zadań. A jaki jest tego cel? Sprawdzić, czy warto, dlaczego warto i jak wszyscy możemy na tym zyskać.
Jeśli chcesz lepiej przygotować swoją instytucję do odpowiedzialnego wdrażania AI, na tej stronie znajdziesz inne artykuły pogłębiające temat, ale przede wszystkim praktyczne szkolenia i warsztaty m.in. dla zespołów administracji publicznej. To właśnie tam dostępne są programy uczące skutecznego promptowania, bezpiecznego korzystania z modeli AI, pracy z danymi oraz podejmowania świadomych decyzji technologicznych.
Podsumowanie od Marka Jeleśniańskiego
Pozwolę sobie na dwa słowa na koniec… Kompleksowe wdrożenie AI i zintegrowanie z wieloma systemami w sytuacji, gdy podlegamy wielu ograniczeniom, jest po prostu bardzo trudne, a często towarzyszą temu ogromna presja czasu i naciski. Znam dobrze rzeczywistość polskich instytucji, bo w Oxido mamy okazję im doradzać i prowadzić dla nich szkolenia. Na pewno nie warto podejmować szybkich decyzji dla samego ich podjęcia, a czasami naprawdę warto mieć po drugiej stronie partnera, który odważnie będzie studził entuzjazm/emocje, wskazywał na ryzyka, ale też inspirował, jak potencjał AI można wykorzystać optymalnie. Co to znaczy optymalnie, to już zależy od mnóstwa czynników, w tym zwłaszcza momentu w czasie, w którym aktualnie będziemy!
To co na pewno warto uwzględnić, to, jak pisze Krzysztof, pilotażowe wdrożenie AI. To mały krok, a tym samym znacznie prostszy do wcielenia w życie, a jego efekty będą sensowną podstawą do dalszego działania.
Zapraszamy do współpracy, a przynajmniej do subskrypcji newslettera
