Kolejny projekt realizowaliśmy dla firmy produkcyjnej obsługującej dużą liczbę klientów technicznych. Znaczna część codziennej pracy odbywała się telefonicznie - pracownicy prowadzili rozmowy dotyczące wycen, dostępności materiałów, parametrów technicznych, wcześniejszych realizacji, zamówień, dostaw oraz ustaleń projektowych. Z pozoru były to zwykłe rozmowy handlowe i operacyjne, jednak po głębszej analizie okazało się, że właśnie tam znajduje się ogromna część wiedzy o działaniu firmy.

Problem polegał na tym, że ta wiedza nie była nigdzie uporządkowana. Znajdowała się w głowach pracowników, pojedynczych notatkach, wiadomościach e-mail i historii rozmów. Firma nie była w stanie odpowiedzieć na podstawowe pytania: które czynności wykonują pracownicy najczęściej, gdzie procesy się zatrzymują, jakich informacji regularnie brakuje, które działania są powtarzalne i jakie zależności istnieją pomiędzy poszczególnymi etapami obsługi klienta. Dodatkowym wyzwaniem była skala. Rozmów przybywało każdego dnia i ręczna analiza nie miała sensu ekonomicznego. Przeglądanie setek transkrypcji przez ludzi oznaczałoby tygodnie pracy, a mimo tego trudno byłoby dostrzec powtarzające się wzorce. Firma wiedziała, że chce myśleć o automatyzacjach, portalu klienta i ograniczeniu pracy administracyjnej, ale nie chciała zaczynać od zgadywania. Najpierw potrzebna była mapa rzeczywistego działania organizacji.

Zarząd postawił jasny cel: zbudować system, który sam będzie analizował rozmowy telefoniczne, zamieniał je w uporządkowaną wiedzę i stopniowo tworzył pamięć operacyjną firmy. Dopiero na tej podstawie miały powstać decyzje dotyczące dalszej automatyzacji.

Zaproponowaliśmy wieloetapowy system analizy rozmów oparty o lokalne modele AI oraz późniejszą analizę zbiorczą z użyciem dużych modeli językowych. Zamiast od razu szukać automatyzacji, postanowiliśmy najpierw odtworzyć sposób działania firmy. Proces rozpoczynał się od automatycznej transkrypcji rozmów telefonicznych. Nagrania były przetwarzane lokalnie z wykorzystaniem modeli rozpoznawania mowy, dzięki czemu firma zachowała pełną kontrolę nad danymi. Powstawały surowe transkrypcje zapisane w postaci tekstowej.

Kolejnym etapem była anonimizacja. Specjalnie przygotowany agent AI usuwał z rozmów dane osobowe, nazwy klientów, identyfikatory, numery zamówień i inne informacje wrażliwe. Zachowywany był wyłącznie kontekst operacyjny - produkty, parametry techniczne, zależności procesowe, działania pracowników i informacje potrzebne do dalszej analizy. Następnie każda rozmowa przechodziła etap klasyfikacji. Agent AI identyfikował temat rozmowy, typ procesu, wykonywane działania, otwarte sprawy, brakujące informacje oraz fakty techniczne. Nie wykonywaliśmy jeszcze żadnej interpretacji biznesowej. System miał jedynie zamieniać nieuporządkowane rozmowy w ustrukturyzowaną wiedzę.

Najważniejszym elementem projektu była jednak warstwa agregacji. Rozmowy nie były analizowane pojedynczo. Grupowaliśmy je w batchach, a następnie budowaliśmy lokalną pamięć operacyjną. System wykrywał najczęstsze procesy, powtarzalne czynności pracowników, braki danych, zależności techniczne oraz miejsca, w których proces wymagał dodatkowych kontaktów lub ręcznej pracy. Dzięki temu firma zaczęła otrzymywać nie streszczenia rozmów, ale raporty pokazujące rzeczywiste działanie organizacji. Zamiast czytać setki transkrypcji można było zobaczyć np. ile rozmów dotyczy wycen, jak często brakuje wymiarów, gdzie pracownicy wykonują kontakt zwrotny i jakie informacje blokują kolejne etapy pracy.

Cały system został zaprojektowany modułowo. Pozwala to w kolejnych etapach rozszerzyć rozwiązanie o automatyzacje, agentów wspierających pracowników lub portal klienta - ale dopiero wtedy, gdy organizacja naprawdę zrozumie własne procesy.

Rezultatem projektu było stworzenie pierwszej warstwy pamięci operacyjnej firmy opartej na realnych rozmowach telefonicznych. Zamiast intuicyjnego podejmowania decyzji organizacja zaczęła otrzymywać mierzalny obraz swojej pracy. Już po pierwszych analizach system wykrywał dominujące obszary działalności - przede wszystkim wyceny techniczne, zamówienia materiałowe i potwierdzanie parametrów. Pojawiły się również pierwsze zależności procesowe: wyceny regularnie wymagały danych technicznych, brak wymiarów zatrzymywał przygotowanie ofert, a część procesów kończyła się koniecznością ponownego kontaktu z klientem.

Dużą wartością okazało się wykrywanie pracy ukrytej. Firma po raz pierwszy zobaczyła ile czasu pochłaniają działania, które wcześniej wydawały się „normalną obsługą” - oddzwanianie, potwierdzanie danych, sprawdzanie historii realizacji, uzupełnianie brakujących parametrów czy ręczne ustalenia techniczne. Projekt przyniósł także korzyści technologiczne. Udało się połączyć lokalną transkrypcję, anonimizację, analizę języka naturalnego i wieloetapową agregację wiedzy w jeden spójny system. Rozwiązanie nie działa jak zwykły moduł raportowania - zachowuje się bardziej jak analityk procesowy budujący wiedzę o organizacji na podstawie codziennej komunikacji.

Najważniejsze było jednak to, że firma nie rozpoczęła automatyzacji „w ciemno”. Zanim pojawiły się pomysły na agentów AI, portal klienta czy ograniczenie pracy administracyjnej, powstała mapa rzeczywistego działania przedsiębiorstwa. Dzięki temu kolejne decyzje mogą być podejmowane na podstawie danych, a nie przypuszczeń.

Projekt pokazał również nasze podejście do wdrożeń AI. Zamiast zaczynać od automatyzacji, najpierw budujemy zrozumienie procesów. Dopiero wtedy technologia zaczyna pracować tam, gdzie faktycznie przynosi wartość. Finalnie klient otrzymał nie tylko narzędzie do analizy rozmów, ale fundament pod dalszą transformację operacyjną firmy.