Ostatnia aktualizacja: 2026-10-26
Dane są gotowe do pilotażu, gdy firma potrafi wskazać proces, potrzebne źródła danych, ich właścicieli, przypadki testowe oraz warunki wymagające zatwierdzenia przez człowieka.
- Nie trzeba wcześniej porządkować wszystkich danych firmowych.
- Najpierw należy usunąć lub ograniczyć błędy, które mogą zmienić wynik badanego procesu.
- Ocena pilotażu powinna prowadzić do decyzji: uruchomienie, poprawa danych albo odroczenie.
Przygotowanie danych przed automatyzacją AI nie powinno zaczynać się od masowego eksportu baz ani wyboru narzędzia. Najpierw trzeba ograniczyć projekt do jednego procesu, opisać oczekiwany wynik i ustalić, jakie informacje rzeczywiście są potrzebne do jego osiągnięcia. Taki zakres nadal wymaga kontroli jakości, dostępu, bezpieczeństwa i legalności wykorzystania danych.
Szybkie fakty
- Punktem wyjścia jest jeden proces i mierzalny wynik, a nie konkretne narzędzie.
- Mapa danych powinna obejmować źródła, właścicieli, formaty, dostęp i problemy jakościowe istotne dla procesu.
- Zestaw testowy powinien uwzględniać zwykłe przypadki, wyjątki oraz sytuacje wymagające decyzji człowieka.
- Przed przekazaniem danych osobowych do narzędzia AI trzeba ocenić zgodność, zakres dostępu i ryzyko.
Zacznij od procesu, nie od narzędzia AI
Wybierz jeden proces, w którym można określić dane wejściowe, oczekiwany wynik, wyjątki i sposób oceny pilotażu. Dopiero taki opis pozwala rozstrzygnąć, jakie dane będą potrzebne i jakie wymagania powinno spełniać rozwiązanie. Technologię nadal trzeba wybrać, ale powinna ona wynikać z wymagań procesu, a nie wyznaczać je z góry.[7][8][9]
Co opisać przed zebraniem danych
Proces do automatyzacji to ograniczony przebieg pracy, a nie ogólny zamiar „wdrożenia AI w firmie”. Jego opis powinien prowadzić od zdarzenia rozpoczynającego zadanie do wyniku, który można zweryfikować.
- Nazwij zdarzenie startowe. Określ, co uruchamia pracę, na przykład pojawienie się dokumentu, zgłoszenia albo rekordu wymagającego obsługi.
- Wskaż dane wejściowe. Zapisz, które pola, dokumenty i reguły są używane przez pracownika w tym procesie.
- Opisz oczekiwany wynik. Może nim być przygotowanie odpowiedzi, sklasyfikowanie sprawy albo przekazanie jej do właściwej osoby, o ile taki wynik odpowiada badanemu procesowi.
- Zbierz wyjątki. Wskaż sytuacje, w których standardowy przebieg nie wystarcza lub dane są niepełne, sprzeczne bądź nietypowe.
- Wyznacz osobę zatwierdzającą. Ustal, kto ocenia wynik i rozstrzyga przypadki wymagające decyzji człowieka.
- Ustal kryteria akceptacji. Zapisz sprawdzalne warunki, według których pilotaż zostanie przyjęty, skierowany do poprawek albo odroczony.
Jak zawęzić pierwszy pilotaż
Na start można przygotować najmniejszy zakres danych pozwalający bezpiecznie przetestować wybrany proces. Nie zwalnia to z oceny jakości, dostępu, bezpieczeństwa ani legalności wykorzystania tych informacji.[6][7][8]
Granice pilotażu powinny wynikać z procesu. Jeśli nie da się wskazać jego początku, wyniku i osoby odpowiedzialnej za decyzję, zakres jest prawdopodobnie zbyt szeroki, aby sensownie ocenić gotowość danych.
Zmapuj dane potrzebne w wybranym procesie
Dla każdego kroku procesu ustal, skąd pochodzą informacje, kto zna ich znaczenie, jak można je odczytać i połączyć oraz jakie problemy mogą wpłynąć na wynik. Zakres takiego audytu zależy od rodzaju automatyzacji: rozwiązanie oparte na regułach może potrzebować innych danych niż system pracujący z dokumentami lub modelami AI.[6][7][8]
Źródłami informacji mogą być systemy biznesowe, dokumenty, arkusze oraz aplikacje internetowe. Samo wskazanie systemu nie wystarcza: trzeba jeszcze ustalić, które pola lub dokumenty są używane, co oznaczają i kto odpowiada za ich biznesową interpretację.
| Element procesu | Źródło danych lub dokument | Właściciel | Problem jakościowy lub dostępowy | Wpływ na wynik | Decyzja przed pilotażem |
|---|---|---|---|---|---|
| Dane wejściowe | System lub formularz rozpoczynający proces | Osoba znająca znaczenie pól | Braki, duplikaty albo niejednoznaczne wartości | Czy problem może zmienić wynik procesu | Naprawić, ograniczyć zakres albo kontrolować w teście |
| Dane referencyjne | Rejestr używany do porównania lub uzupełnienia informacji | Właściciel danego rejestru | Nieaktualność lub niespójne identyfikatory | Czy możliwe jest prawidłowe połączenie rekordów | Ujednolicić dane istotne dla pilotażu |
| Dokumenty | Repozytorium wykorzystywane w procesie | Właściciel treści | Nieaktualna wersja albo brak możliwości odczytu | Czy dokument może prowadzić do błędnego wyniku | Wybrać właściwy zakres i wersje |
| Reguły biznesowe | Procedura, instrukcja lub wiedza osoby wykonującej zadanie | Właściciel procesu | Sprzeczne albo nieudokumentowane zasady | Czy wynik można jednoznacznie ocenić | Wyjaśnić regułę lub skierować przypadek do człowieka |
| Dane testowe | Przypadki przygotowane do oceny pilotażu | Właściciel procesu i danych | Brak wyjątków albo oczekiwanego wyniku | Czy test odzwierciedla rzeczywisty proces | Uzupełnić zestaw przed oceną pilotażu |
Jak ocenić kompletność, aktualność i spójność w kontekście procesu
Jakość danych należy oceniać względem konkretnego zastosowania. Dane mogą być wystarczające dla ograniczonego pilotażu, mimo że w innych częściach organizacji nadal występują niespójności. Nie istnieje jeden próg jakości odpowiedni dla wszystkich procesów.
- Kompletność: czy są dostępne informacje konieczne do uzyskania lub oceny wyniku?
- Aktualność: czy proces korzysta z właściwej wersji rekordu, dokumentu lub reguły?
- Spójność: czy te same pojęcia i identyfikatory mają zgodne znaczenie w połączonych źródłach?
- Dostępność: czy potrzebne dane można odczytać i wykorzystać w kontrolowanym zakresie?
- Jednoznaczność: czy właściciel danych potrafi wyjaśnić znaczenie pól, wartości i wyjątków?
Których błędów nie wolno odkładać na później
Najpierw należy usuwać problemy, które mogą zmienić wynik badanego procesu. Pozostałe można oznaczyć i kontrolować podczas pilotażu. Wpływ konkretnego błędu zależy jednak od procesu, zastosowanego modelu, reguł oraz sposobu użycia danych, dlatego taka decyzja nie może opierać się wyłącznie na ogólnej ocenie bazy.[6][7][9]
Przygotuj dane testowe i warunki akceptacji
Przed uruchomieniem produkcyjnym przygotuj zestaw przypadków typowych, granicznych, błędnych, niepełnych oraz wymagających decyzji człowieka. Zestaw musi odpowiadać rzeczywistemu procesowi, ponieważ sama liczba przykładów nie potwierdza jakości rozwiązania.[5][7][8]
Jakie przypadki powinny wejść do zestawu testowego
- Przypadek typowy: dane są kompletne, a proces przebiega standardową ścieżką.
- Przypadek graniczny: dane lub warunki znajdują się na granicy reguły biznesowej.
- Przypadek niepełny: brakuje informacji potrzebnej do pewnego wyniku.
- Przypadek sprzeczny: źródła wskazują różne wartości lub reguły.
- Przypadek błędny: dane mają niewłaściwy format albo wartość niezgodną z oczekiwaniem procesu.
- Przypadek wymagający eskalacji: automatyzacja powinna zatrzymać działanie i przekazać sprawę człowiekowi.
Dla każdego przypadku zapisz oczekiwany wynik albo regułę eskalacji. Dzięki temu ocena nie sprowadza się do pojedynczej, udanej prezentacji systemu, lecz odnosi się do wcześniej ustalonych warunków.
Jak ustalić moment zatwierdzenia przez człowieka
Zatwierdzenie przez człowieka oznacza określony punkt procesu, w którym wynik automatyzacji nie powinien zostać użyty bez weryfikacji. Trzeba wskazać, jakie sytuacje uruchamiają taką kontrolę, kto podejmuje decyzję i co dzieje się po odrzuceniu wyniku.
Kryteria akceptacji powinny być sprawdzalne w ramach danego pilotażu. Mogą odnosić się do poprawności wyniku, obsługi wyjątków lub prawidłowego zatrzymania procesu, ale ich szczegółowy zakres musi wynikać z celu automatyzacji.
Co monitorować po uruchomieniu
Testowanie, ewaluacja, weryfikacja i walidacja nie kończą się wraz ze startem rozwiązania. Po uruchomieniu trzeba nadal kontrolować jakość wyników, pojawiające się wyjątki i zmiany w danych. Zakres oraz częstotliwość tej kontroli zależą od ryzyka, znaczenia decyzji i dynamiki wykorzystywanych informacji.[4][5]
Przypisz odpowiedzialność za dane i decyzje
Przed pilotażem wyznacz właściciela procesu, właściciela danych, osobę techniczną oraz osobę zatwierdzającą wynik automatyzacji. Formalne nazwy i podział ról mogą wyglądać inaczej w poszczególnych organizacjach, a w małej firmie jedna osoba może pełnić kilka funkcji.[6][9]
- Właściciel procesu określa cel, przebieg, wyjątki i oczekiwany wynik.
- Właściciel danych zna biznesowe znaczenie pól, dokumentów i reguł. Nie musi być administratorem systemu.
- Osoba techniczna odpowiada za dostęp, eksport, integrację lub zabezpieczenia w ustalonym zakresie.
- Osoba zatwierdzająca rozstrzyga, czy wynik spełnia kryteria i czy może przejść do następnego etapu.
Do każdego źródła w mapie danych przypisz właściciela biznesowego oraz osobę odpowiedzialną za dostęp techniczny. Pozwala to kierować problemy jakościowe, wyjątki i niejednoznaczne wyniki do właściwej osoby zamiast pozostawiać odpowiedzialność wyłącznie po stronie IT.
Sprawdź dane osobowe, dostęp i wymagania regulacyjne
Przed użyciem danych osobowych w narzędziu AI oceń cel i podstawę przetwarzania, zakres dostępu, rolę dostawcy oraz ryzyko dla osób, których dane dotyczą. Konkretne obowiązki zależą od rodzaju danych, celu, dostawcy, konfiguracji rozwiązania i roli poszczególnych podmiotów.[1][3]
Co ocenić przed przekazaniem danych do narzędzia AI
- Jakie dane są potrzebne do celu pilotażu i czy zakres można ograniczyć?
- Kto otrzyma dostęp do danych w organizacji i po stronie dostawcy?
- W jakiej roli działa dostawca narzędzia?
- Dokąd trafiają dane i jak długo są przechowywane?
- Kto kontroluje działanie rozwiązania i reaguje na wyjątki po uruchomieniu?
Taka karta oceny nie zastępuje indywidualnej analizy prawnej. Pozwala jednak ustalić, czy zakres danych można ograniczyć oraz czy projekt powinien zostać skierowany do inspektora ochrony danych, zespołu bezpieczeństwa lub prawnika.
DPIA i system wysokiego ryzyka: czego nie zakładać automatycznie
DPIA, czyli ocena skutków dla ochrony danych, nie jest wymagana automatycznie przy każdym wdrożeniu AI. Przed startem należy jednak ocenić, czy planowane przetwarzanie może z dużym prawdopodobieństwem powodować wysokie ryzyko dla praw lub wolności osób. Wynik zależy od konkretnej operacji, a nie wyłącznie od ogólnej listy kontrolnej.[3]
Nie każda automatyzacja ani każdy asystent AI jest również systemem wysokiego ryzyka w rozumieniu unijnego Aktu w sprawie sztucznej inteligencji. Jeżeli rozwiązanie należy do tej kategorii prawnej, trzeba sprawdzić wymagania dotyczące zarządzania danymi oraz jakości zbiorów treningowych, walidacyjnych i testowych.[2]
| Sytuacja ujawniona przed pilotażem | Decyzja | Działanie |
|---|---|---|
| Zakres procesu, dane, właściciele i kryteria akceptacji są określone | Rozpocząć ograniczony pilotaż | Testować ustalone przypadki i monitorować wyjątki |
| Problem z danymi może zmienić wynik procesu | Poprawić dane przed testem | Usunąć lub ograniczyć problem istotny dla wyniku |
| Problem nie zmienia bezpośrednio wyniku i może być kontrolowany | Oznaczyć i obserwować | Uwzględnić problem w testach oraz monitoringu |
| Nie wyjaśniono celu, dostępu, roli dostawcy lub ryzyka związanego z danymi osobowymi | Wstrzymać przekazanie danych | Uzupełnić ocenę zgodności i odpowiedzialności |
| Nie można wskazać oczekiwanego wyniku ani zasad eskalacji | Odroczyć pilotaż | Doprecyzować proces, reguły i kryteria akceptacji |
Najczęstsze pytania
Czy przed pilotażem trzeba uporządkować wszystkie dane firmowe?
Nie. Prace można ograniczyć do danych niezbędnych w wybranym procesie, pod warunkiem oceny ich jakości, dostępu, bezpieczeństwa i legalności użycia. Ograniczony zakres nie oznacza pominięcia tych kontroli.[6][7][8]
Czy dane testowe powinny być identyczne z danymi produkcyjnymi?
Nie muszą być identyczne, ale powinny reprezentować rzeczywiste sytuacje występujące w procesie, w tym przypadki typowe, graniczne, błędne i wymagające przekazania decyzji człowiekowi.[5][7][8]
Czy wdrożenie AI zawsze wymaga DPIA?
Nie. Trzeba jednak ocenić, czy konkretne przetwarzanie może z dużym prawdopodobieństwem powodować wysokie ryzyko dla praw lub wolności osób. Dopiero ta ocena pozwala rozstrzygnąć potrzebę przeprowadzenia DPIA.[3]
Źródła
- Zanim wdrożysz narzędzie AI, sprawdź czy jest ono zgodne z zasadami RODO, Urząd Ochrony Danych Osobowych.
- Rozporządzenie Parlamentu Europejskiego i Rady (UE) 2024/1689 – Akt w sprawie sztucznej inteligencji, EUR-Lex / Unia Europejska.
- Kiedy trzeba przeprowadzić ocenę skutków dla ochrony danych?, Urząd Ochrony Danych Osobowych.
- NIST AI Resource Center, National Institute of Standards and Technology.
- Artificial Intelligence Risk Management Framework (AI RMF 1.0), National Institute of Standards and Technology.
- Jak przygotować dane firmowe do wdrożenia AI?, Ekspert od Sztucznej Inteligencji.
- Jak przygotować firmę produkcyjną do AI? Zacznij od danych, integracji i procesów, Ideo.
- Co przygotować przed wdrożeniem automatyzacji lub asystenta AI: checklista dla właściciela firmy, Falcon Works.
- Copilot i automatyzacja agentów AI – jak ocenić use case i firmę, Cognity.
+Artykuł Sponsorowany+
