Automatizacija poslovnih procesa uz AI: vodič za male i srednje tvrtke

Uz AI se isplati automatizirati poslove u kojima ljudi čitaju e-poštu, dokumente i zahtjeve kupaca pa iz njih ručno prepisuju podatke u ERP ili CRM, a sve što se može zapisati kao jasno pravilo jeftinije je i predvidljivije riješiti bez umjetne inteligencije. Za početak su potrebni jedan dobro opisan proces, uredni podaci u sustavima koje već imate i čovjek koji odobrava ono u što sustav nije siguran, jer AI najlakše pogriješi upravo na nejasnim i neuobičajenim slučajevima.

Što je automatizacija poslovnih procesa i gdje tu ulazi AI?

Automatizacija poslovnog procesa znači da korak koji se ponavlja, poput prepisivanja narudžbe u ERP, umjesto čovjeka obavlja softver, a ljudi rješavaju iznimke. Najveći dio takvih koraka radi se pravilima: ako podatak ima određenu vrijednost, sustav napravi određenu radnju, svaki put jednako.

AI u automatizaciji procesa obično znači veliki jezični model koji čita slobodan tekst ili dokument pa iz njega izvlači podatke, razvrstava ga po smislu ili piše nacrt odgovora. Pravilo ne razumije rečenicu „isto kao prošli tjedan, samo bez monitora“, a jezični model tu rečenicu može povezati s kupčevom prethodnom narudžbom ako vidi povijest narudžbi. Dobro postavljen sustav zato je mješavina: pravila rade sve što je predvidljivo, AI samo korake u kojima treba protumačiti tekst, a čovjek odlučuje kad ni jedno ni drugo nije dovoljno sigurno.

Kada je dovoljno pravilo, a kada treba AI?

Pravilo je dovoljno kad su podaci već strukturirani i odluka se može zapisati kao „ako… onda…“. Dobar domaći primjer su računi: od 1. siječnja 2026. tvrtke u sustavu PDV-a međusobno razmjenjuju eRačune, koje Porezna uprava u vodiču kroz Fiskalizaciju 2.0 opisuje kao račune u strukturiranom obliku koji omogućuje automatsku obradu podataka, uz napomenu da eRačun nije PDF. Podaci su već u poljima, pa sparivanje s narudžbenicom i primkom rade pravila, bez AI-ja.

AI ima smisla kad ulaz nije uredan. Prema istom vodiču obveza eRačuna vrijedi za tuzemne transakcije, a s partnerima u EU-u i šire i dalje se mogu razmjenjivati papirnati računi ili računi u drugom prihvatljivom obliku. Račun inozemnog dobavljača u PDF-u, narudžba u tijelu e-poruke, skenirana otpremnica ili reklamacija napisana kupčevim riječima traže čitanje: jezični model izvlači podatke, a pravila provjeravaju ono što je izvukao.

Koji su procesi dobri kandidati?

Dobar kandidat ponavlja se svakodnevno, ima jasan ulaz i izlaz i danas troši vrijeme ljudi na prepisivanje ili razvrstavanje. U malim i srednjim tvrtkama vrijedi razmotriti ove mogućnosti; koliko koja donosi, pokazat će tek mjerenje na vašim podacima:

• Ulazna e-pošta i dokumenti: razvrstavanje poruka na upite, narudžbe, reklamacije i račune, izvlačenje podataka iz privitaka i prosljeđivanje pravoj osobi uz kratak sažetak.
• Obrada narudžbi: AI iz e-poruke ili PDF-a izvuče kupca, artikle i količine, pravila provjere postoje li u ERP-u, a djelatnik potvrdi nacrt narudžbe.
• Ulazni računi: domaći eRačuni idu kroz pravila, a PDF-ovi i skenirani računi najprije se pročitaju pa prolaze iste provjere.
• Izvještaji iz ERP-a: pregled prodaje, zaliha ili otvorenih stavki slaže se automatski, uz kratko objašnjenje riječima što se promijenilo.
• Zahtjevi kupaca: označavanje po temi i hitnosti, dodjela odjelu i nacrt odgovora koji djelatnik pregleda prije slanja.

Kako se AI spaja na ERP, CRM, e-poštu i zajedničke mape?

AI ne zamjenjuje sustave koje imate, nego se na njih spaja. Ako ERP ili CRM ima programsko sučelje (API), podaci se čitaju i upisuju preko njega; ako ga nema, koristi se izvoz podataka ili kopija baze samo za čitanje. E-poštu je najbolje obrađivati preko namjenskog sandučića, primjerice za narudžbe, a ne čitanjem osobnih sandučića. Zajedničke mape prate se tako da nova datoteka pokrene obradu.

Rizik smanjuje ovakav redoslijed: sustav najprije samo čita i predlaže, zatim upisuje nacrte koje netko potvrđuje, a tek na kraju sam obavlja manje važne radnje koje su se u pilotu pokazale pouzdanima. Sve što upisuje prolazi iste provjere kao unos djelatnika.

Zašto kvaliteta podataka odlučuje ishod

AI radi s podacima koje mu sustavi pokažu. Ako isti kupac u ERP-u postoji dvaput pod različitim nazivima, ako šifre artikala nisu ažurne ili se jedinice mjere upisuju različito, AI će jednako samouvjereno odabrati pogrešan zapis. Zato se prije pilota uređuju matični podaci koje proces koristi: partneri, šifrarnik artikala, jedinice mjere i cjenici. To zna biti veći posao od samog AI dijela, ali vam koristi i bez njega.

Primjer iz našeg rada

Za Instar informatiku, hrvatskog trgovca informatičkom opremom, na njihov ERP Luceed tvrtke Tomsoft povezali smo AI sloj koji odgovara na poslovna pitanja postavljena običnim jezikom i automatske izvještaje o prodaji i zalihama po brendovima, u obliku koji traži svaki dobavljač. ERP je ostao glavni sustav i izvor brojki: sustav svake noći preuzima kopiju podataka koji su mu potrebni, brojke dolaze iz upita nad tim podacima, a jezični model ih samo objašnjava. Zato takav izvještaj može biti točan samo onoliko koliko su točni podaci u ERP-u.

Kako postaviti ljudsku provjeru i odobrenja?

Prije pilota zapišite tri popisa: što sustav smije sam (razvrstati poruku, pripremiti nacrt), što samo uz odobrenje (poslati odgovor kupcu, upisati dokument u ERP) i što nikad ne radi sam (odluke o ljudima, popusti, iznimke od pravila). Kad sustav nije siguran ili se podaci ne slažu, predmet ide čovjeku s objašnjenjem što je zapelo.

Odobrenje mora biti stvarno, a ne klik iz navike. Agencija za zaštitu osobnih podataka (AZOP) u preporuci o primjeni članka 22. GDPR-a ističe da ljudska uključenost mora biti stvarna, sadržajna, pravodobna i učinkovita: osoba koja provjerava treba razumjeti sustav, imati pristup podacima, dovoljno vremena i ovlast da promijeni ishod. Preporuka se odnosi na odluke o pojedincima, ali načelo vrijedi za svaku provjeru.

Gdje AI griješi i kako to uhvatiti?

AZOP u preporuci za sigurno korištenje velikih jezičnih modela navodi da takvi sustavi mogu generirati netočne, nepotpune, zastarjele ili izmišljene informacije te da rezultate treba kritički provjeriti. U automatizaciji procesa to izgleda ovako:

• Izmišljen ili krivo pročitan podatak: nepostojeći broj narudžbe, zamijenjeni artikli sličnog naziva, iznos iz krivog retka.
• Formati: decimalni zarez i točka, različito zapisani datumi.
• Rubni slučajevi: poruka koja je istodobno reklamacija i nova narudžba.
• Tiha promjena ulaza: dobavljač promijeni izgled računa, a kvaliteta padne bez upozorenja.
• Previše povjerenja: nakon nekoliko tjedana bez pogreške ljudi lako prestanu gledati što odobravaju; Akt o umjetnoj inteligenciji to naziva automatizacijskom pristranošću.

Takve se pogreške hvataju provjerama ugrađenima u proces:

• Provjera prema ERP-u: svaki izvučeni podatak mora odgovarati nečemu što postoji (OIB partnera, šifra artikla, broj narudžbe), a zbroj stavki ukupnom iznosu.
• Izvor uz svaki podatak: sustav uz vrijednost sprema redak dokumenta iz kojeg je uzeta, pa djelatnik provjeru obavi jednim pogledom. Razvijatelji velikih jezičnih modela u dokumentaciji o smanjenju izmišljenih odgovora preporučuju upravo to: dopustiti modelu da kaže da ne zna, tražiti doslovne citate i povući tvrdnju za koju citata nema, uz upozorenje da se time pogreške smanjuju, ali ne uklanjaju.
• Pragovi: nesigurni i neprovjereni slučajevi idu čovjeku, a ne u ERP.
• Provjera uzorka: netko povremeno ručno pregleda nasumični uzorak predmeta koji su prošli bez čovjeka; AZOP to u preporuci o članku 22. navodi kao jedan od mehanizama za otkrivanje pogrešaka.
• Zapis svakog koraka: što je stiglo, što je sustav predložio i tko je što odobrio ili promijenio.

Kako početi: od mapiranja procesa do pilota

1. Odaberite jedan proces koji se ponavlja svakodnevno, ima vlasnika koji ga dobro poznaje i u kojem se pogreška može ispraviti prije nego što stigne kupcu.
2. Mapirajte kako proces stvarno teče: što ulazi i kojim kanalom, u koje sustave ide, tko što radi i koje iznimke postoje. Skupite stvarne primjere ulaza, i one neuredne.
3. Izmjerite početno stanje: koliko traje jedan predmet, koliko ih je mjesečno i koliko ih završi s pogreškom. To je osnova za kasniju usporedbu.
4. Podijelite korake na one koje radi pravilo, AI ili čovjek i odredite točke odobrenja.
5. Pripremite podatke i pristupe: uredite matične podatke, osigurajte pristup ERP-u i CRM-u, otvorite namjenski sandučić ili mapu.
6. Pustite prvu verziju usporedo s ručnim radom: ljudi rade kao i dosad, a rezultati sustava uspoređuju se s njihovima.
7. Pokrenite pilot s odobrenjima: sustav predlaže, ljudi odobravaju ili ispravljaju, a svaka ispravka postaje primjer za doradu.
8. Odlučite na temelju vlastitih brojki: automatizaciju proširite ili smanjite broj odobrenja tek kad mjerenja iz pilota to opravdaju.

Kod nas je prva radna verzija jednog procesa obično gotova za 4–8 tjedana, ovisno o broju sustava koje treba povezati i o stanju podataka.

Što traže GDPR i Akt o umjetnoj inteligenciji?

Čim AI obrađuje e-poštu, narudžbe ili zahtjeve kupaca, obrađuje i osobne podatke, barem imena i adrese e-pošte, pa vrijedi Opća uredba o zaštiti podataka (Uredba (EU) 2016/679). U praksi to znači:

• obrađujte samo podatke potrebne za svrhu (članak 5.), zbog čega je namjenski sandučić bolji od pristupa svim porukama;
• ako pružatelj AI usluge obrađuje podatke u vaše ime, odnos uređuje ugovor s izvršiteljem obrade (članak 28.);
• ako će obrada vjerojatno prouzročiti visok rizik za prava i slobode pojedinaca, prije početka radi se procjena učinka na zaštitu podataka (članak 35.);
• odluka koja se temelji isključivo na automatiziranoj obradi, a na osobu ima pravne ili slično značajne učinke, dopuštena je samo iznimno (ugovor, zakon ili izričita privola) i uz zaštitne mjere poput prava na ljudsku intervenciju i osporavanje odluke (članak 22.).

AZOP u preporuci o jezičnim modelima savjetuje i da se osobni podaci ne unose u javno dostupne AI alate bez prethodnog odobrenja, da se koriste odobreni poslovni alati umjesto privatnih računa te da se provjeri gdje se podaci obrađuju i koriste li se za treniranje modela. Aplikacije koje izrađujemo i održavamo smještamo na poslužitelje u EU-u.

Akt o umjetnoj inteligenciji (Uredba (EU) 2024/1689) obveze određuje prema riziku. Europska komisija opisuje četiri razine: neprihvatljiv rizik (zabranjene prakse), visok rizik, rizik transparentnosti i minimalan rizik; u potonju kategoriju, prema Komisiji, spada velika većina AI sustava koji se danas koriste u EU-u. Za automatizaciju procesa to znači:

• razvrstavanje poslovne e-pošte, čitanje ulaznih računa i izvještaji iz ERP-a nisu među visokorizičnim područjima iz Priloga III. Uredbe;
• visokorizično je, među ostalim, korištenje AI-ja za odabir kandidata (uključujući filtriranje prijava za posao), za odluke o radnicima i za procjenu kreditne sposobnosti fizičkih osoba, a obveze za takve sustave nakon izmjena Uredbom (EU) 2026/1744 primjenjuju se od 2. prosinca 2027.;
• ako AI izravno razgovara s ljudima, primjerice kao chatbot ili glasovni agent, ljudi moraju biti obaviješteni da razgovaraju s AI sustavom, osim ako je to očito (članak 50.); pravila o transparentnosti primjenjuju se od 2. kolovoza 2026.;
• tvrtke koje koriste AI trebaju poduzeti mjere kojima podupiru razvoj znanja o umjetnoj inteligenciji kod zaposlenika koji s njom rade (članak 4.).

Ovo je pregled, a ne pravni savjet: konkretnu obradu provjerite sa službenikom za zaštitu podataka.

O čemu ovisi trošak?

Trošak manje ovisi o samom AI modelu, a više o poslu oko njega. Na procjenu utječu:

• broj sustava koje treba povezati i kvaliteta njihovih sučelja;
• raznolikost ulaza: jedan oblik narudžbe ili mnogo različitih dobavljača;
• broj iznimki i točaka odobrenja;
• stanje matičnih podataka;
• zahtjevi za zapisom, pravima pristupa i smještajem podataka;
• količina dokumenata i održavanje nakon uvođenja, kad se promijene ulazi ili model.

Kako iz tih stavki nastaje procjena, opisali smo u tekstu o cijeni AI implementacije. Isplativost (povrat ulaganja) računajte na brojkama iz vlastitog pilota, a ne na tuđim prosjecima.

Prvi razgovor s nama besplatan je i posvećen jednom vašem procesu: što ulazi, u koje sustave ide, gdje nastaju zastoji i iznimke te kakvi su podaci u ERP-u ili CRM-u. Nakon njega dobivate opseg, procjenu troška i plan po fazama. Ako krenemo, slijedi softver po mjeri i AI integracija s vašim sustavima: prva radna verzija za 4–8 tjedana, napredak koji pratite u klijentskom portalu i održavanje nakon puštanja u rad.