Automatyzacja i AI: jak łączyć roboty i testy z modelami językowymi

Klasyczna automatyzacja jest niezrównana w powtarzalnych, sztywnych krokach: zaloguj się, pobierz plik, wypełnij pole. Zawodzi tam, gdzie potrzebne jest rozumienie — treści dokumentu, intencji maila, kontekstu zgłoszenia. To właśnie tę lukę wypełnia AI.

Najprościej ująć to tak: reguły radzą sobie z tym, co przewidywalne; modele językowe — z tym, co wymaga interpretacji. Dobra automatyzacja korzysta z obu, przydzielając każdemu to, w czym jest lepszy, zamiast wpychać AI wszędzie na siłę.

Nie jest to teza czysto teoretyczna. Według raportu Deloitte (State of Generative AI in the Enterprise, 2024) dwie trzecie organizacji notuje realne zyski w produktywności i efektywności dzięki AI, a niemal trzy czwarte deklaruje, że ich najbardziej zaawansowana inicjatywa GenAI spełnia lub przekracza oczekiwania co do zwrotu. Skala potencjału jest przy tym duża — McKinsey szacuje wartość samej generatywnej AI na 2,6–4,4 bln USD rocznie w skali globalnej gospodarki.

Co istotne, łączenie automatyzacji z AI to nie nisza, lecz główny kierunek rynku: samodzielne RPA ustępuje miejsca inteligentnej automatyzacji — połączeniu RPA z AI i uczeniem maszynowym. Gartner nazywa to hiperautomatyzacją i wskazuje jako dominujący trend automatyzacji. Podział ról jest naturalny: RPA daje niezawodne, powtarzalne wykonanie, a AI dokłada rozumienie treści i decyzje, których samym regułom brakuje — i właśnie ta kombinacja daje więcej niż każda z tych technologii z osobna.

W automatyzacji procesów najczęstsze i najbezpieczniejsze zastosowania to: odczyt i ekstrakcja danych z dokumentów (faktury, umowy, formularze), klasyfikacja i kierowanie zgłoszeń oraz maili, streszczanie długich treści i generowanie draftów odpowiedzi.

Cechą wspólną tych zastosowań jest to, że AI przetwarza informację, a nie podejmuje nieodwracalnych decyzji finansowych czy prawnych bez nadzoru. To rozsądny punkt startu: duża wartość przy ograniczonym ryzyku.

W testowaniu AI pomaga dziś głównie w trzech obszarach: generowaniu przypadków testowych na podstawie wymagań, „samonaprawiających się” selektorach (test dostosowuje się do drobnych zmian w interfejsie, zamiast od razu padać) oraz analizie logów i wyników, żeby szybciej wskazać prawdopodobną przyczynę awarii.

To spójne z danymi z rynku: World Quality Report wskazuje automatyzację testów jako obszar, w którym generatywna AI daje najbardziej wymierne przyspieszenie. Ale — jak niżej — przyspieszenie to nie to samo co zastąpienie myślenia o jakości.

Najprostszy wzorzec: robot Python w wybranym kroku wywołuje model przez API i używa odpowiedzi dalej w procesie (np. „sklasyfikuj to zgłoszenie i przypisz do kolejki”). To łatwe do wdrożenia i łatwe do kontrolowania.

Bardziej zaawansowane wzorce to „function calling”, w którym model decyduje, którą z dostępnych akcji wykonać, oraz RAG (retrieval-augmented generation) — model odpowiada na bazie Twoich własnych dokumentów, a nie ogólnej wiedzy. RAG jest szczególnie cenny tam, gdzie liczy się aktualność i zgodność z wewnętrznymi procedurami.

Modele bywają pewne siebie, a mylne — potrafią wygenerować odpowiedź brzmiącą wiarygodnie, lecz błędną. Dlatego integracja z AI wymaga dyscypliny: walidacji wyników regułami tam, gdzie to możliwe, oraz człowieka w pętli przy decyzjach o wysokiej stawce.

Kluczowe jest wyznaczenie granic: gdzie AI może działać samodzielnie (np. wstępna klasyfikacja), a gdzie tylko sugeruje, a decyzję zatwierdza człowiek. Dobrze zaprojektowany proces traktuje AI jak bardzo szybkiego, ale omylnego asystenta — nie jak wyrocznię.

To nie jest przesadna ostrożność. Gartner prognozuje, że ponad 40% projektów opartych o autonomicznych agentów AI zostanie zarzuconych do końca 2027 roku — głównie przez rosnące koszty, niejasną wartość biznesową i słabą kontrolę ryzyka. Praktyczny wniosek jest prosty: łączenie automatyzacji z AI realnie się opłaca, ale pod warunkiem zdyscyplinowanego wdrożenia — z jasnym celem i granicami — a nie „wpięcia AI, bo wypada”.

Największą barierą wdrożeń nie jest technologia, lecz dane. Wysłanie faktur, umów czy zgłoszeń klientów do zewnętrznego modelu w chmurze bywa nie do przyjęcia z powodów prawnych i biznesowych. Odpowiedzią jest uruchamianie modeli lokalnie i on-premise, tak by wrażliwe dane nie opuszczały Twojej infrastruktury.

To podejście spójne z filozofią Testto: wartość z automatyzacji i AI bez oddawania kontroli nad danymi. Więcej o samym rozróżnieniu on-premise kontra chmura piszemy w osobnym artykule.