A mögöttünk álló 2-3 évben jelentős változásokat hozott a mesterséges intelligencia megjelenése és elterjedése. Hiába nyugtatják a szakértők az állásaik miatt aggódókat, több ellenpélda szerint az MI mégiscsak felforgatja a munkaerőpiacot. Az egyik legismertebb lépés az Amazon nevéhez kötődik, mely a tavalyi év végén 14 ezer emberrel könnyítette szervezetét. Arra azonban továbbra sincs egyértelmű válasz, hogy a technológia hány munkahelyet nyír ki és hányat teremt a (közel)jövőben.

Gyakran a munkaerőhiány és a hatékonyabb működés iránti kényszer is az automatizáció felé tereli a vállalatokat. Az európai gazdaságban ráadásul egyre erősebb versenynyomás érzékelhető, ami tovább növeli a produktivitás javításának fontosságát.

Mindezzel párhuzamosan a felhőszolgáltatások érettsége is elérte azt a szintet, hogy stabil és skálázható alapot biztosítson az ilyen jellegű megoldásokhoz. Az infrastruktúra, a platformszolgáltatások és az egyre szélesebb körben elérhető MI-képességek együtt teszik lehetővé, hogy az automatizáció komplex IT-projekt helyett szolgáltatásként jelenjen meg a vállalatoknál.

Szolgáltatásként használt mesterséges intelligencia

Az AI as a Service tulajdonképpen a mesterséges intelligenciához köthető képességek felhőből való, szolgáltatásként történő igénybevételét jelenti. Nincsen szükség sem saját modell építésére, sem vállalati erőforrásokból finanszírozott infrastruktúra kialakítására és fenntartására. Alapvetően arról van szó, hogy még alacsonyabbra kerül az MI használatának belépési küszöbe, mivel nem beruházásként, hanem működési költségként kell a finanszírozására tekinteni.

Számos területen igénybe vehető az AIaaS, például ügyfélszolgálatok, csevegőbotok biztosíthatnak automatizált, felhasználói élményt javító szolgáltatásokat. A dokumentumfeldolgozásban szintén hasznosak lehetnek: nagyban felgyorsíthatják a számlafeldolgozás, a szerződéselemzés folyamatát, vagy a HR-nek nyújthat segítséget többek között a CV-k automatizált szűrésében. Ugyancsak előnyös lehet a mesterséges intelligencia szolgáltatásként történő alkalmazása, hiszen csökkentheti az ügyféllemorzsolódást, támogathatja a kereslet-előrejelzést, vagy a pénzügyi szférában sokat spórolhat a csalásészleléssel. És természetesen a mára már mindenki által ismert generatív MI lehetőségei széles körben elérhetővé válnak az AI as a Service modell keretei között.

Kétségtelenül gyorsabb a piacralépés ideje akkor, ha nem saját infrastruktúra létrehozásával indul a mesterséges intelligencia alkalmazása, hanem azt szolgáltatásként veszi igénybe a vállalat. Nincs szükség nagy MI-szakértői csapatra sem, tehát a toborzásba sem kell annyi időt és energiát ölni. Ráadásul a frissítés folyamatos, mivel a szolgáltatók érdekeltek a mesterségesintelligencia-fejlesztések lehető legkorábbi közzétételében, előnyt próbálván szerezni versenytársaikkal szemben.

Robotizált folyamautomatizálás a felhőből

Az RPA as a Service a robotizált folyamatautomatizálás felhőalapú, szolgáltatásként igénybe vehető modellje, amelyben a szoftverrobotok futtatásához szükséges infrastruktúrát, menedzsmentet és gyakran magát a fejlesztési környezetet is a szolgáltató biztosítja előfizetéses konstrukcióban. Míg a klasszikus RPA esetében a vállalatok saját környezetben építik ki a botokat (licencvásárlás, szerverek, üzemeltetés, dedikált szakértői csapat), addig az RPAaaS ezt kiváltja egy skálázható, on-demand modellel: a botkapacitás rugalmasan növelhető vagy csökkenthető, a bevezetés gyorsabb, és az IT-oldali terhelés jelentősen kisebb. A különbség lényegében ugyanaz, mint a hagyományos szoftver és a SaaS között: az RPAaaS csökkenti a belépési küszöböt és a beruházási igényt, ugyanakkor bizonyos mértékű függőséget (vendor lock-in) és korlátozottabb testreszabhatóságot is jelenthet.

Tipikusan olyan nagy volumenű, ismétlődő, szabályalapú folyamatoknál jelenik meg, ahol több rendszer között kell adatot mozgatni vagy strukturált lépéseket végrehajtani. Klasszikus példa a számlafeldolgozás, ahol a botok a beérkező számlák adatait rögzítik az ERP-ben, ellenőrzik az összegeket és elindítják a jóváhagyási folyamatokat. Az adatátvitel rendszerek között szintén jól hasznosítható az RPAaaS: amikor például egy CRM-ből adatokat kell átvinni egy pénzügyi vagy logisztikai rendszerbe, az RPA bot kiváltja a manuális másolást és minimalizálja a hibázást.

A riporting automatizálás során a robotok különböző forrásokból (ERP, BI, Excel) gyűjtik össze az adatokat, elkészítik a rendszeres riportokat, majd e-mailben vagy dashboardon publikálják azokat, emberi beavatkozás nélkül. A HR és pénzügyi back-office folyamatokban pedig olyan feladatokat vesznek át, mint a béradatok rögzítése, beléptetések adminisztrációja, költségelszámolások feldolgozása vagy beszállítói adatok karbantartása.

Csereszabatosak?

Felmerül a kérdés, hogy van-e lényeges különbség a két modell között, vagy tulajdonképpen ugyanannak a dolognak a két oldaláról van szó. Míg az RPA szabályalapú automatizációt valósít meg, az MI esetében adaptív, tanuló rendszerekről van szó. Így az AIaaS és az RPAaaS egymást kiegészítő lehetőségek, amelyek lehetővé teszik az „intelligens automatizációt”.

Leegyszerűsítve az RPA esetében végrehajtásról, az MI esetében döntésről és értelmezésről beszélhetünk. Egy számlafeldolgozási példán keresztül talán könnyebben érthetővé válik a helyük: míg a mesterséges intelligencia végzi az adatok kinyerését az azok forrását jelentő PDF állományokból, addig az RPA feladata lehet a könyvelési rendszerbe történő rögzítés.

Ezt a két lehetőséget szolgáltatásként használva jelentős hatékonyságnövelés érhető el. Ebben az esetben ráadásul kevésbé számít az IT erőforráshiány és könnyebb megfelelni a mindig feszes ROI-elvárásoknak. Szintén a szolgáltatási modell irányába való eltolódást támogatja, hogy az AWS, a Microsoft Azure és a Google Cloud nemcsak infrastruktúrát adnak, hanem egyre inkább teljes MI- és automatizációs stacket kínálnak szolgáltatásként.

Kihívások

Az AIaaS és RPAaaS modellek terjedésének egyik kulcskérdése a vendor lock-in és az egyszerűség közötti kompromisszum. A szolgáltatók teljes, integrált ökoszisztémát kínálnak, ami jelentősen leegyszerűsíti a bevezetést és az üzemeltetést, például az egységes supportnak köszönhetően. Ugyanakkor ez az egyszerűség gyakran erős függőséget eredményez. Ha egy vállalat mélyen beépíti folyamataiba egy adott platform (például Azure AI és Power Automate vagy AWS AI és Step Functions) szolgáltatásait, a későbbi váltás technikailag és üzletileg is költségessé válik.

A fentiek mellett több strukturális kockázattal és korláttal is számolni kell. Az egyik legkritikusabb terület az adatvédelem és compliance: mivel ezek a szolgáltatások jellemzően felhőben működnek, a vállalatok érzékeny adatokat adhatnak át külső szolgáltatóknak, ami felveti a GDPR-megfelelés, az adatlokáció és az auditálhatóság kérdéseit. További korlát a testreszabhatóság: bár a szolgáltatásként kínált megoldások gyors bevezetést tesznek lehetővé, gyakran standardizált funkcionalitást nyújtanak, ami nem minden esetben illeszkedik tökéletesen az egyedi üzleti folyamatokhoz.

És ne feledkezzünk meg az MI-specifikus kockázatokról sem! A generatív modellek esetében ismert probléma a hallucináció, amikor a rendszer valósnak tűnő, de hibás vagy nem létező információt generál, ami üzleti környezetben komoly következményekkel járhat. Emellett kulcskérdés a kontroll és átláthatóság: sok AIaaS megoldás feketedoboz-jellegű, vagyis a döntési mechanizmusok nem teljesen átláthatók, ami nehezíti a validációt, a hibakeresést és a felelősség meghatározását. Szükség van tehát a megfelelő kontrollok alkalmazására, amivel kezelhetővé válnak ezek a problémák.

Az automatizáció következő szintje

Tetszik vagy sem, a jelenlegi trendek alapján az AIaaS és az RPAaaS konvergenciája felé halad a piac: a korábban külön kezelt technológiák egyre inkább egymásra épülnek. Az RPA a strukturált, szabályalapú végrehajtásban erős, míg az MI - különösen a generatív modellek - az értelmezésben, döntéstámogatásban és nem strukturált adatok feldolgozásában.

A kettő kombinációja hozza létre az úgynevezett intelligens automatizáció megoldásokat, ahol a mesterséges intelligencia értelmezi, az RPA pedig végrehajtja a folyamatokat. Ennek logikus következő lépcsője az Automation as a Service, ahol a vállalatok már nem külön AI- vagy RPA-komponenseket vásárolnak, hanem komplett, end-to-end automatizált üzleti folyamatokat szolgáltatásként.

Cikksorozatunk következő részében azt nézzük meg konkrét példákon keresztül, hogy hol tartunk jelenleg, végül pedig a bevezetés és üzemeltetés kihívásaival fogunk foglalkozni.

Ez a cikk független szerkesztőségi tartalom, mely a One Solutions támogatásával készült. Részletek »