Andrej Jonovic, prezes XBP Global – cykl wywiadów

Andrej Jonovic jest prezesem XBP Global, międzynarodowej firmy technologiczno-usługowej, która koncentruje się na kluczowych dla przedsiębiorstw procesach operacyjnych. XBP Global wykorzystuje sztuczną inteligencję agentową w regulowanych obszarach, takich jak ochrona zdrowia, sektor publiczny i usługi finansowe, gdzie kluczowe znaczenie mają precyzja, bezpieczeństwo, suwerenność danych i możliwość przeprowadzenia audytu. W tym wywiadzie Jonovic opowiada o adaptacyjnej orkiestracji procesów, modelach o otwartych wagach, inteligentnym przetwarzaniu dokumentów, rozstrzyganiu spraw przez człowieka oraz o tym, co pozwala przekształcić sztuczną inteligencję z możliwości technicznej w wymierne wyniki operacyjne.

Karierę zawodową rozpoczął Pan jako prawnik transakcyjny, a następnie zajął się fuzjami i przejęciami oraz transformacją przedsiębiorstw, by ostatecznie stanąć na czele XBP Global. Jak to doświadczenie wpłynęło na sposób, w jaki ocenia Pan ład korporacyjny, ryzyko handlowe i wpływ organizacyjny wdrażania sztucznej inteligencji w procesach o kluczowym znaczeniu dla działalności?

Zwykle w pierwszej kolejności analizuję model operacyjny. Praca przy transakcjach i transformacji uczy zadawania pytania, czy dana struktura rzeczywiście się sprawdza, kiedy wyjdziemy poza prezentację i zaczniemy ją wdrażać.

W przypadku sztucznej inteligencji ma to szczególne znaczenie, ponieważ model może działać znakomicie w izolacji, a mimo to przynosić słabe wyniki operacyjne. W ochronie zdrowia, sektorze publicznym i bankowości precyzja przetwarzania, zgodność z przepisami i możliwość przeprowadzenia audytu to warunki niepodlegające negocjacjom. Trzeba wiedzieć, gdzie znajdują się dane, jakie działania system może podejmować, jak kontroluje się decyzje i jak kształtują się koszty, gdy proces jest realizowany na dużą skalę.

Nadzór trzeba uwzględnić już na etapie projektowania tej architektury. Chcę wiedzieć, gdzie działa model, jakie informacje przekraczają granice przedsiębiorstwa, co jest rejestrowane w ścieżce audytowej i co się dzieje, gdy proces dochodzi do decyzji wymagającej innego poziomu kontroli.

Prawdopodobnie właśnie w tym obszarze moje doświadczenie ma największe znaczenie. Zwykle mniej interesuje mnie to, co technologia potrafi podczas kontrolowanej demonstracji. Chcę wiedzieć, czy można wdrożyć ją w procesie o kluczowym znaczeniu dla działalności i na niej polegać.

XBP Global określa sztuczną inteligencję agentową jako kolejny etap rozwoju automatyzacji opartej na tradycyjnych regułach oraz robotyzacji procesów. Co zmienia się od strony technicznej, gdy proces przestaje wykonywać z góry określone instrukcje, a zaczyna wykorzystywać agentów AI zdolnych do wnioskowania, podejmowania decyzji i koordynowania wielu zadań?

Architektura staje się znacznie bardziej adaptacyjna.

Tradycyjna automatyzacja procesów działa w sposób deterministyczny. Obowiązują określone reguły, wiadomo, co następuje w kolejnym kroku, a wraz ze wzrostem złożoności procesu dodaje się na sztywno kolejne elementy logiki. To sprawdza się bardzo dobrze w przypadku przewidywalnych zadań. Problemy pojawiają się, gdy liczba reguł staje się ogromna albo proces zmienia się szybciej, niż można przebudować system.

Obecnie wdrażamy adaptacyjną orkiestrację procesów. Można zachować deterministyczne silniki reguł tam, gdzie wymaga tego precyzja i zgodność z przepisami, a następnie wprowadzić inteligentne modele do tych części procesu, w których wnioskowanie przynosi wartość. Agenci mogą koordynować zadania, uzyskiwać dostęp do informacji i wybierać kolejne działania, bez konieczności ręcznego kodowania każdej możliwej ścieżki procesu.

Kolejna zmiana polega na tym, że łatwiej można zastąpić model stanowiący podstawę systemu. Obserwujemy bardzo szybki rozwój modeli o otwartych wagach przeznaczonych do zastosowań korporacyjnych. Jeśli potok przetwarzania zostanie prawidłowo zaprojektowany, wraz z rozwojem ekosystemu można zintegrować lepszy model, nie przebudowując całego procesu operacyjnego.

Sądzę więc, że coraz ważniejszym zasobem technicznym staje się sam proces: jego orkiestracja, wiedza dziedzinowa, mechanizmy kontroli i dane związane z modelem.

Wiele firm eksperymentuje ze sztuczną inteligencją, ale ma trudności z przejściem od projektów pilotażowych do wdrożeń produkcyjnych. Jakie bariery architektoniczne lub organizacyjne najczęściej uniemożliwiają przedsiębiorstwom wdrażanie procesów agentowych na dużą skalę? 

Klienci wychodzą już poza etap eksperymentów. Widzieli demonstracje i słyszeli bardzo śmiałe obietnice dotyczące zwrotu z inwestycji. W pewnym momencie ktoś musi wdrożyć tę technologię w rzeczywistym procesie i sprawić, by działała.

Właśnie wtedy architektura staje się wyzwaniem. Proces produkcyjny musi współpracować z istniejącym środowiskiem firmy. Być może wrażliwe informacje muszą pozostać w chmurze prywatnej lub w infrastrukturze lokalnej. Trzeba też nadal uzyskiwać dostęp do istniejących systemów i spełniać wymogi regulacyjne. Ekonomia rozwiązania musi się ponadto sprawdzać przy skali działania przedsiębiorstwa.

Niedawno pozyskaliśmy projekt dotyczący cyklu życia obsługi technicznej globalnej floty lotniczej. Każdy element dokumentacji technicznej będzie przekształcany w wektory i przechowywany w prywatnej bazie wektorowej w prywatnej chmurze klienta. Infrastruktura agentowa zarządza dostępem do tych informacji i umożliwia odtworzenie dokumentacji, gdy samoloty kończą leasing lub są sprzedawane.

To zupełnie inne wyzwanie niż samo wykazanie, że model potrafi odpowiedzieć na pytanie dotyczące dokumentacji samolotu. Mamy do czynienia z całym środowiskiem operacyjnym, w którym trzeba kontrolować dane i zapewnić powtarzalne działanie procesu.

Z perspektywy organizacyjnej problemem jest zwykle brak jasno określonej odpowiedzialności. Ktoś musi dogłębnie rozumieć dany proces, by zdefiniować, co w praktyce oznacza jego wdrożenie produkcyjne. Bez takiej dyscypliny operacyjnej pilotaż może przez bardzo długi czas robić wrażenie, ale nie przynosić żadnych korzyści.

XBP Global łączy automatyzację z nadzorem człowieka, szczególnie w przypadku decyzji o poważnych konsekwencjach. Jak ustalacie, które decyzje system AI może podejmować autonomicznie, a w których przypadkach człowiek musi pozostać częścią procesu? 

Projektujemy rolę człowieka tak, by polegała na rozstrzyganiu spraw.

W procesie, w którym decyzje mogą mieć poważne konsekwencje, zwykle duża część zadań może przechodzić przez potok z wysokim poziomem pewności. Zdarzają się jednak przypadki nietypowe, w których informacje są niepełne, okoliczności wyjątkowe albo ryzyko udzielenia błędnej odpowiedzi jest zbyt duże.

Gdy potok napotyka jeden z takich przypadków, kieruje daną sprawę do eksperta dziedzinowego. Ekspert ją rozstrzyga, a jego ocena może następnie zostać przekazana z powrotem do systemu, dzięki czemu model stale się doskonali.

Uważam, że ta pętla informacji zwrotnej jest ważna. Nadzór człowieka przynosi większe korzyści, gdy z czasem usprawnia przebieg pracy. Ekspert wnosi wiedzę dziedzinową do tych spraw, w których model wciąż jej potrzebuje.

Próg autonomii w dużej mierze zależy też od środowiska. Rozstrzyganie spraw w ochronie zdrowia, dokumentacja sektora publicznego i regulowane procesy finansowe podlegają innym wymaganiom niż zadania wewnętrzne, których skutki są niewielkie. Akceptowalny poziom pewności musi odzwierciedlać rzeczywiste konsekwencje decyzji podejmowanej przez system.

Klienci XBP Global działają w branżach regulowanych i sektorze publicznym, gdzie suwerenność danych, bezpieczeństwo i możliwość przeprowadzenia audytu są niezbędne. Jak organizacje mogą wdrażać duże modele językowe w chronionych środowiskach, nie rezygnując z możliwości, dzięki którym systemy te są użyteczne? 

Modele z otwartymi wagami znacząco zmieniają odpowiedź na to pytanie.

Przez długi czas zakładano, że uzyskanie najlepszych wyników modelu wymaga przesyłania informacji do środowiska należącego do innej firmy. To oczywisty problem, gdy dane muszą pozostać w granicach organizacji.

Możemy już wdrażać modele z otwartymi wagami klasy korporacyjnej w działających potokach agentowych, jednocześnie przechowując dane w środowisku klienta. W zależności od wymagań może to oznaczać infrastrukturę chmury prywatnej lub rozwiązanie lokalne. Organizacja nadal korzysta z postępów w całym ekosystemie modeli, zachowując jednocześnie kontrolę niezbędną do zapewnienia suwerenności danych.

Architektura musi też umożliwiać zmiany. Nie ma powodu zakładać, że obecny model pozostanie najlepszy do konkretnego zadania. Nasze protokoły treningowe są zaprojektowane tak, byśmy mogli szybko integrować nowe modele z istniejącym potokiem.

Dla klientów z sektorów regulowanych taka elastyczność ma ogromną wartość, ponieważ proces może być stale doskonalony, a granica bezpieczeństwa danych pozostaje nienaruszona. W ten sposób można też zacząć spełniać wymogi, takie jak unijny akt w sprawie sztucznej inteligencji, zamiast traktować zgodność z przepisami jako coś, co dodaje się dopiero po wdrożeniu technologii.

Znaczna część informacji w organizacjach wciąż pozostaje uwięziona w dokumentach, obrazach, starszych systemach i dokumentacji papierowej. Jak rozwija się inteligentne przetwarzanie dokumentów i jaką rolę odgrywa w przekształcaniu rozproszonych danych w informacje, z których agenci AI mogą niezawodnie korzystać?

Uważam, że inteligentne przetwarzanie dokumentów staje się częścią infrastruktury procesów agentowych.

Tradycyjnie przetwarzanie dokumentów w dużej mierze opierało się na szablonach. Wiadomo było, jak wygląda dokument i które pole jest potrzebne, a system wyodrębniał z niego odpowiednią informację. Informacje w organizacjach rzadko są jednak tak uporządkowane. W samej ochronie zdrowia mogą to być wyjaśnienia dotyczące świadczeń (EOB), złożona korespondencja, informacje o roszczeniach oraz dokumentacja w różnych formatach.

Nowsze podejście uwzględnia znacznie więcej kontekstu. Można analizować nieustrukturyzowane informacje, rozpoznawać te istotne i przekształcać je w ustrukturyzowane dane wyjściowe, z których mogą korzystać kolejne systemy. To ważne, ponieważ agent nie jest w stanie niezawodnie koordynować pracy, jeśli informacje, na których się opiera, są niekompletne lub błędnie zinterpretowane.

Skala zmienia również charakter problemu. Obsługujemy środowiska, w których przetwarza się ogromne ilości obrazów, roszczeń, transakcji płatniczych i innych dokumentów. Przy takiej skali nawet niewielka różnica w jakości wyodrębniania informacji staje się poważnym problemem operacyjnym.

Dlatego inteligentne przetwarzanie dokumentów (IDP) coraz częściej stanowi początkowy etap inteligentnego procesu. Przekształca rozproszone informacje w użyteczne dane, dostarcza kolejnym etapom procesu wiarygodnych informacji do wykorzystania i tworzy podstawę do dalszej automatyzacji.

XBP Global mówiło o przenoszeniu starszych procesów opartych na regułach do potoków agentowej AI oraz o osiąganiu wyższego odsetka spraw rozwiązywanych za pierwszym podejściem. Co system AI musi wiedzieć o procesach organizacji, wyjątkach i wiedzy instytucjonalnej, zanim będzie mógł zapewniać niezawodne wyniki?

Duża część wiedzy instytucjonalnej nigdy nie została opisana w uporządkowanym dokumencie procesowym.

Wiedza ta jest zakorzeniona w starych systemach, zestawach reguł i doświadczeniu osób, które od lat obsługują dany proces. Wiedzą one, które informacje są istotne, która reguła ma zastosowanie w określonych okolicznościach i jakie są dalsze skutki podjęcia niewłaściwej decyzji.

Podczas przenoszenia tych zadań trzeba zachować tę wiedzę operacyjną. W naszej branży często oznacza to łączenie logiki deterministycznej ze sztuczną inteligencją, zamiast zakładać, że wszystkie reguły należy od razu wyeliminować. W regulowanych procesach są obszary, w których silnik reguł jest niezwykle przydatny, ponieważ wymagania są precyzyjne. Są też takie, w których inteligentny model znacznie skuteczniej radzi sobie ze zmiennością.

To właśnie wiedza specjalistyczna w danej dziedzinie podpowiada, gdzie należy zastosować każde z tych rozwiązań.

Dlatego też rozstrzygnięcia przy pierwszym podejściu nie można oceniać wyłącznie na podstawie wyniku modelu. Proces musi prowadzić do rezultatu, który sprawdzi się na kolejnym etapie. Jeśli gdzieś dalej pojawia się kolejna eskalacja, problem został jedynie przesunięty, a nie rozwiązany.

System musi na tyle dobrze rozumieć proces, by wiedzieć, jak wygląda pomyślna transakcja od początku do końca.

XBP Global wykorzystuje automatyzację nie tylko w operacjach obsługi klientów, lecz także podczas własnej transformacji w kierunku modelu operacyjnego opartego na AI. Czego nauczyliście się, wykorzystując firmę jako wewnętrzne pole do testowania rozwiązań, i jak równoważycie wzrost produktywności z rozwojem pracowników oraz zarządzaniem zmianą?

Dość zdecydowanie wdrażamy te rozwiązania we własnej firmie, bo uważam, że bardzo szybko można się wiele nauczyć, gdy wynik bezpośrednio wpływa na własne wyniki finansowe.

Oczekujemy, że nasze działania na rzecz automatyzacji opartej na AI przyniosą obecnie 65–75 mln dolarów rocznych korzyści operacyjnych w ujęciu rocznym, z czego około 35 mln dolarów ma przypaść na 2026 rok. Przychód na pracownika wyniósł w drugim kwartale około 89 000 dolarów, wobec około 82 000 dolarów w poprzednim kwartale. Oczekujemy, że do końca roku zbliży się do 100 000 dolarów.

To przydatne wskaźniki, bo pokazują, czy model operacyjny rzeczywiście staje się bardziej produktywny.

Zmiany dotyczące zatrudnienia są realne. Szacujemy, że do końca 2026 roku globalne zatrudnienie zmniejszy się o około 20%, w miarę przechodzenia na bardziej produktywny model operacyjny. Zarządzanie zmianą musi uwzględniać fakt, że wzrost produktywności wpływa na zapotrzebowanie na pracowników.

Jednocześnie osoby, które pozostaną zaangażowane w te procesy, będą musiały rozwijać swoje kompetencje. Potrzebujemy ekspertów dziedzinowych, architektów i operatorów, którzy potrafią organizować pracę, oceniać wyniki i brać odpowiedzialność za decyzje o większej wartości.

Przeprowadzanie tej transformacji we własnej firmie sprawiło, że rozmowa o niej stała się znacznie bardziej praktyczna. Bardzo szybko widać, która automatyzacja przynosi trwałe oszczędności, a które działania sprowadzają się jedynie do częstszego korzystania przez kogoś z AI.

Projekty AI w przedsiębiorstwach są często promowane za pomocą demonstracji, a nie na podstawie mierzalnych wyników biznesowych. Jakich wskaźników powinni używać liderzy, aby oceniać inteligentny proces, i jak uwzględniać dokładność, odsetek wyjątków, czas przetwarzania, koszty operacyjne oraz ograniczenie ryzyka?

Oceniałbym proces na dwóch poziomach.

Na poziomie operacyjnym chcę znać dokładność, odsetek spraw rozstrzygniętych przy pierwszym podejściu, czas przetwarzania, liczbę wyjątków i koszt obsługi. W środowisku regulowanym istotne jest dla mnie również to, czy transakcję można poddać audytowi i czy mechanizmy kontrolne działają niezawodnie przy dużej skali.

Następnie chcę sprawdzić, czy te usprawnienia przekładają się na wyniki finansowe firmy.

W XBP skorygowana marża brutto wyniosła w drugim kwartale 24,9% — najwięcej w historii — a przychód na pracownika wzrósł do około 89 000 dolarów. Podnieśliśmy również nasz cel dotyczący rocznych korzyści z efektywności operacyjnej do 65–75 mln dolarów, ponieważ zidentyfikowaliśmy kolejne możliwości automatyzacji.

Te wskaźniki mówią coś innego niż wynik testu porównawczego. Pokazują, czy technologia zmienia strukturę kosztów operacyjnych.

Proces może charakteryzować się doskonałą dokładnością modelu, a mimo to jego wdrożenie może być nieudane, jeśli jest zbyt kosztowne w utrzymaniu lub wymaga zbyt wielu dodatkowych ręcznych działań. Uważam, że liderzy powinni śledzić rezultat na każdym etapie. Technologia musi przynosić korzyści operacyjne, które można faktycznie zmierzyć.

Czy w przyszłości agentowa AI pozostanie warstwą dodawaną do istniejących systemów przedsiębiorstwa, czy stanie się główną warstwą orkiestracji, za pośrednictwem której ludzie, oprogramowanie, dane i procesy biznesowe będą ze sobą współdziałać?

Myślę, że coraz więcej procesów będzie opierać się na agentach AI.

W przedsiębiorstwach nadal będą funkcjonować systemy, repozytoria danych i aplikacje realizujące określone zadania. Zmieni się sposób przepływu pracy między nimi. Potok oparty na agentach może pobierać informacje, koordynować działanie narzędzi, uruchamiać działania i określać, kiedy transakcja wymaga innego rodzaju interwencji.

Widać to już na przykładzie linii lotniczych. Dokumentacja techniczna znajduje się w prywatnej bazie wektorowej w środowisku klienta, a warstwa agentowa zarządza dostępem do tych informacji i ich wykorzystaniem na poszczególnych etapach cyklu obsługi technicznej.

Oczekuję, że tego rodzaju orkiestracja stanie się znacznie powszechniejsza.

Modele leżące u podstaw tych rozwiązań będą się nadal zmieniać. Modele o otwartych wagach szybko się rozwijają, a po tych, z których korzystamy obecnie, pojawi się kolejna generacja. Dlatego warstwa orkiestracji będzie coraz ważniejsza: przedsiębiorstwa potrzebują czegoś trwałego, co będzie działać wokół tych modeli.

Jeśli zbuduje się potok wokół procesu, wiedzy dziedzinowej, wymagań bezpieczeństwa i mechanizmów kontroli obowiązujących w przedsiębiorstwie, można nadal korzystać z coraz lepszych modeli w miarę ich pojawiania się. Moim zdaniem właśnie tu będzie tkwić znaczna część długoterminowej wartości.

Dziękujemy za świetny wywiad. Czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić XBP Global.