AI at automation na gumagawa ng tunay na trabaho

Kung saan akma ang AI at kung saan hindi

Maraming kapaki-pakinabang na automation ang walang AI. Ang pagkuha ng lingguhang ulat mula sa data ng inyong accounting ay ordinaryong code na nakikipag-usap sa bawat system sa pamamagitan ng API nito.

Nakakatulong ang language model kung magulo ang input, tulad ng order sheet na dumarating sa bagong layout sa bawat pagkakataon. Ang mga model na nakabatay sa disenyong transformer ay sumusulat ng maayos na teksto at maaaring magkamali sa parehong kumpiyansang tono, kaya itinuturing namin ang output nila bilang draft na susuriin.

Tinatawag namin ang mga model tulad ng Claude at mga GPT model ng OpenAI sa pamamagitan ng kanilang mga API, direkta o sa pamamagitan ng OpenRouter, at gumagamit ng mga self-hosted na model kapag dapat manatili ang data sa inyong imprastraktura. Ang mga simpleng hakbang ay gumagamit ng mas maliit at mas murang model.

Ano ang nabuo na namin

Dalawang system na pinapatakbo namin sa production ang nagpapakita ng uri ng trabahong tinatanggap namin. Hindi isinama ang mga detalye ng kliyente.

Isang operations assistant para sa sarili naming IT na trabaho

Gumagamit ang aming mga technician ng iisang assistant sa helpdesk, remote monitoring, Microsoft 365, Kubernetes at mga network check. Inilalarawan ng technician ang gawain sa simpleng salita, at ang assistant ay nangangalap ng ebidensya at nagmumungkahi ng pagbabago, na kumikilos lamang sa loob ng mga permiso ng taong iyon at sa loob ng mga system ng customer na iyon. Ang mga web portal na walang API ay hinahawakan sa isang naka-lock na container na walang hawak na credential at winawasak pagkatapos.

Isang assistant para sa reguladong negosyo na may maraming site

Para sa isang kliyente, nagtatanong ang mga tauhan sa pribadong assistant sa chat tool na ginagamit na nila. Nagbabasa ito mula sa accounting, imbentaryo at mga order, point of sale, compliance tracking at payroll reporting, at nagbabalik ng mga Excel, Word o PDF file na binuo mula sa kasalukuyang data. Ang ibinalik na order sheet ng isang buyer ay nagiging draft na sales order at invoice para suriin, at ang mga delivery booking na dumarating sa email ay napupunta sa shared calendar tuwing 15 minuto.

Kung saan nananatili ang tao sa proseso

Sinusunod ng parehong system ang mga patakarang ito, at ganoon din ang mga proyekto ng kliyente.

• Naghihintay ng pag-apruba ang mga pagbabago: ang pagbabago sa record ng negosyo ay ipinapakita nang buo sa isang administrator at inaaprubahan nang isang beses, at nag-e-expire ang pag-apruba.
• Walang pagpapadala: maaaring mag-draft ng email ang client assistant pero hindi ito makakapagpadala o makakapagbura.
• Access ayon sa tao: isang maliit na itinalagang grupo ang nakakakita ng materyal sa finance at HR, ang lahat ng iba ay may limitadong view, at ang magkahalong audience ay nakakakuha ng limitadong view.
• Talaan ng lahat: bawat aksyon, kahilingan sa model at pag-apruba ay nilo-log laban sa isang itinalagang tao.
• Mga key na hindi maaabot: inaabot ang mga model sa pamamagitan ng gateway na may spending cap, kaya hindi kailanman nasa working environment ang mga AI API key.
• Pinakamababang access: ang isang agentic na tool, na gumagawa ng gawain nang paunti-unti, ay makakaabot lang sa kailangan ng trabaho.

Paano tumatakbo ang isang automation project

1. Pumili ng isang workflow. Natutukoy ng maikling discovery call kung saan nagta-type muli ng data ang mga tauhan, at pumipili kami ng isang lugar na pagsisimulan.
2. Nakasulat na saklaw. Kung ano ang ia-automate, aling mga system ang babasahin at babaguhin nito, aling data ang maaaring mapunta sa AI service, at sino ang nag-aapruba ng ano.
3. Access. Magbibigay kayo ng access sa mga kasangkot na system. Bawat application ay may sariling key, na nakatago sa password manager.
4. Patakbuhin nang magkatabi. Tumatakbo ito sa tabi ng manual na proseso habang inihahambing ng taong gumagawa ng trabaho ang mga resulta.
5. Turnover. Nakatago sa Git ang code at dokumentado ito. Sinusuportahan namin ito pagkatapos, o inaako ito ng inyong team.

Isinusulat ng aming mga engineer ang code sa tulong ng Claude Code at Codex, at binabasa ng isang tao ang bawat pagbabago bago ito ilabas. Tumatakbo ang mga service sa mga container (tingnan ang Docker consulting) at kumokonekta sa Microsoft 365 at sa aming sariling software.

Ano ang hinihingi nito sa inyong team

Karamihan ng pagsisikap ninyo ay nasa simula: may taong gumagawa ng trabaho na gagabay sa amin dito, kasama ang mga exception, at susuriin ang mga unang resulta. Ang isang manager ang magpapasya kung aling data ang maaaring mapunta sa AI service at sino ang nag-aapruba ng mga pagbabago. Pagkatapos ng launch, sinusuri ng approver ang mga pagbabago habang dumarating ang mga ito.

Mga tanong tungkol sa AI at automation

Ipapadala ba ang aming data sa isang AI company?

Ang data lang na sinang-ayunan ninyo sa scope. Lumalabas sa inyong network ang tekstong ipinapadala sa hosted na model, kaya kung saan dapat manatili sa loob ang data, gumagamit kami ng self-hosted na model.

Mababago ba ng AI ang aming mga record nang mag-isa?

Binubuo namin ito para hindi nito magawa iyon. Nagmumungkahi ito ng pagbabago, at inaaprubahan ito ng isang itinalagang tao bago may isulat.

Magkano ang gastos sa pagpapatakbo nito?

Naniningil ang mga AI provider ayon sa dami ng tekstong pumapasok at lumalabas, kaya mas mahal patakbuhin ang abalang workflow kaysa sa tahimik. Nagtatakda kami ng limitasyon sa gastos kung saan ito pinapayagan ng provider.