Aleksander Kania, general manager UI Path Polska, w rozmowie z ISBtech o biznesie w erze sztucznej inteligencji, Maestro, agentycznej automatyzacji, procesie przygotowania struktury firmy do maksymalizacji wykorzystanie narzędzi UI Path i przykładach usecase z Polski.
Widzieliśmy się ostatnio prawie 2 lata temu. Jak podsumowałby Pan ten okres dla
UiPath?
Z naszej perspektywy, kluczowym wydarzeniem była premiera Chat’aGPT, która zmusiła całą branżę do zadania sobie fundamentalnego pytania – jak będzie wyglądał świat biznesu w erze sztucznej inteligencji? My wewnętrznie też je sobie zadawaliśmy. Krążyło wtedy wiele komentarzy na rynku, o tym jakie branże znikną, jakich software’ów nie będzie, czego ludzie nie będą robić.
Natomiast my się skoncentrowaliśmy na tym, jakie szanse i jakie wyzwania sztuczna inteligencja postawi przed naszymi klientami. Szybko zdaliśmy sobie sprawę, że AI pomoże im automatyzować szybciej, ale jednocześnie będzie wymagała kontroli, kontekstu i integracji z procesami. Bez tego nie dostarczy wartości. Stąd kluczowe stało się zapewnienie tzw. guardrails, czyli ram ograniczających swobodę jej działania. Nie tylko ze względu na notoryczne halucynacje, ale też dlatego, że jako biznes musimy aktywnie kontrolować jak funkcjonujemy, a czasem wręcz musieć odpowiedzieć na pytanie, co zrobiliśmy, jak i dlaczego.
Efektem tego myślenia była stworzenie Maestro – narzędzia, które pozwala automatyzować procesy od początku do końca z wykorzystaniem różnych technologii. Tam, gdzie algorytmika ma większy sens ekonomiczny i logiczny, używamy robotów. Tam, gdzie potrzebna jest elastyczność – modeli AI. A tam, gdzie konieczna jest ludzka ocena – angażujemy człowieka. Maestro orkiestruje te trzy elementy, dając firmom transparentny wgląd w realizację procesów, możliwość audytowania i pełną obserwowalność.
Narzędzia rzeczywiście pobudzają wyobraźnię. Jak można je wykorzystywać? Czy firmy są już przygotowane, żeby naprawdę dobrze je wykorzystać i czy pomagacie też swoim klientom, żeby najpierw zbudować ten odpowiedni fundament?
Kluczowym elementem Maestro jest tzw. Trust Layer – warstwa odpowiedzialna za
bezpieczeństwo i kontrolę wykorzystania AI. Jej elementem jest Context Grounding, czyli
osadzanie modeli w konkretnych danych i kontekście klienta. Dodatkowo wykorzystujemy
podejście RAG (Retrieval-Augmented Generation), które rozbudowaliśmy o własne
mechanizmy poprawiające jakość odpowiedzi i kontrolę kontekstu tak, aby dostarczyć
potężne narzędzie do tworzenia bazy wiedzy. Pozwala to modelom działać w oparciu o
faktyczne i dobrze zindeksowane dane firmy, a nie tylko wiedzę ogólną. Z perspektywy klienta najważniejsze jest to, że AI przestaje działać jak czarna skrzynka i staje się przewidywalna, a także kontrolowalna.
W opinii dr Inez Okulskiej z Politechniki Warszawskiej, członkini Center for Responsible AI oraz architektki AI w UiPath, Context Grounding jest najbardziej efektywną dostępną obecnie implementacją koncepcji RAG. Co istotne, stwierdza to z perspektywy wieloletniej pracownicy NASK i Ministerstwa Cyfryzacji, obeznanej z analizą dużych zbiorów danych, ich właściwym indeksowaniem i budowaniem indeksów wektorowych.
Z waszego doświadczenia, jak długo trwa proces przygotowania struktury do tego, żeby maksymalizować wykorzystanie waszych narzędzi?
To zależy, ale mamy jedną zasadę: unikamy podejścia „big bang”. Rekomendujemy budowanie obszarowe: jeżeli chcemy zasilić bazę wiedzy dokumentami związanymi z obsługą klienta, zaczynamy od tego obszaru i jego danych. Na starcie nie wymagamy od klientów budowania dużych i kosztownych architektur danych , które są obciążającą inwestycją finansową, architektoniczną i organizacyjną. Platforma daje swobodę korzystania z istniejących systemów i rozwijania rozwiązań stopniowo, we własnym tempie i z zachowaniem pełnej kontroli.
Jakie jest kluczowe przesłanie tegorocznego szczytu UiPath?
Najważniejsze jest to, jak szybko AI przechodzi z fazy eksperymentów do realnych
zastosowań biznesowych. Według raportu McKinsey „State of AI”, 88% firm eksperymentuje z AI, ale tylko 6% osiąga konkretny, mierzalny zwrot z inwestycji. Powód jest prosty: większość wdrożeń zatrzymuje się na poziomie produktywności indywidualnej lub punktowych rozwiązań. Wartość pojawia się dopiero wtedy, gdy AI staje się częścią procesu biznesowego, a nie dodatkiem. Im większa skala procesu i jego wpływ na biznes, tym większy potencjał zwrotu.
Przykładem jest Optima Logistics, która wykorzystała agentów AI w rekrutacji, skracając czas pozyskania kandydatów i poprawiając jakość zatrudnienia. W sprzedaży działa to dokładnie tak samo – szybkość i jakość reakcji bezpośrednio przekładają się na wyniki. To pokazuje, że największa wartość AI pojawia się w procesach o dużej skali i bezpośrednim wpływie na biznes.
A więc Optima Logistics – a jakie inne ciekawe use case’y możemy opisać? Co z
backlogiem UiPath w Polsce?
Nasze zaangażowanie w sektorze publicznym oraz edukacja instytucji zaowocowały sporym zainteresowaniem i licznymi przykładami implementacji w tym segmencie. Niedawno Urząd Miasta Stołecznego Warszawa rozpoczął pracę nad automatyzacją. Ten projekt będzie oparty na specyficznej, hybrydowo-chmurowej architekturze. Myślę, że Warszawa zawstydzi niejeden komercyjny podmiot tym, jak nowocześnie podchodzi do kwestii automatyzacji. Z kolei PGW Wody Polskie wdrażają w swoich zakładach robotyzację, czyli automatyzację procesów. Ministerstwo Finansów, NFZ czy ZUS wciąż prężnie rozwijają podobne projekty.
Trzeba przyznać, że nasze instytucje publiczne dostrzegają wyzwanie związane z ilością niezbędnej manualnej pracy. Widzą także potrzeby obywateli i szukają rozwiązań technologicznych, automatyzacji AI po to, żeby ulepszyć ich doświadczenie. Poza Warszawą naszej platformy używają również inne duże polskie miasta: Poznań, Kraków, Wrocław. Służy im ona do różnych rzeczy, od zarządzania nieruchomościami miejskimi, przez rozliczenia, np. podatków, po HR czy politykę społeczną.
Z kolei wśród naszych najbardziej zaawansowanych użytkowników w sektorze prywatnym można wymienić InPost i Raben w obszarze logistyki oraz Tauron i Enea w sektorze energetyki. W tych firmach nasza platforma jest w wykorzystywana w bardzo wielu miejscach: od obsługi reklamacji, zwrotów, śledzenia dostaw po kwestie finansów, księgowości czy rozliczeń różnego rodzaju, a także do przyspieszenia wdrażania nowych usług i produktów poprzez automatyzację testów.
Inny ciekawy przypadek to spółka Lux Med. Wiemy, że zarówno publiczna, jak i prywatna ochrona zdrowia boryka się z dużym popytem, co stwarza olbrzymie naprężenia w organizacji, związane z dostępnością lekarzy, obsługą klienta oraz mnóstwem innych czynników. Automatyzacja jest jednym z wielu sposobów na podniesienie efektywności, który jednocześnie poprawia parametry operacyjne i doświadczenie pacjenta. Lux Med ogłaszał, że rozpoczyna drogę do organizacji cyfrowej. Platforma UiPath jest jednym z elementów, na których ta koncepcja będzie realizowana.
Wróćmy do technologii. Jaka jest relacja LLM-ów i agentowej AI w UiPath?
Na LLM od samego początku patrzyliśmy jako na silnik dla agentycznej automatyzacji, technologię, która wesprze automatyzację działań w biznesie. Dążyliśmy do zaaplikowania ich w naszej platformie, aby ułatwić budowanie agentów AI.
Jak to poszło? Po pierwsze użyliśmy dużych modeli językowych, żeby uprościć budowanie automatyzacji. Daliśmy programistom automatyzacji procesów lub testów LLM-owe wsparcie, które pozwala definiować przypadki i dane testowe językiem naturalnym. W
kolejnym etapie stworzyliśmy agentów AI do pracy z interfejsem użytkownika po to, żeby można było powiedzieć wprost: „Agencie, chcę, żebyś wszedł do mojej aplikacji i sprawdził mi dane takiego klienta”. Następnym krokiem było otworzenie naszej platformy na różne zewnętrzne LLM-y. Mamy wbudowane modele od Anthropic, Open AI czy Google. Natomiast nasza platforma również posiada mechanizmy bring your own model (BYOM), a więc jeśli klient ma własne modele, może je również dołączyć.
Kolejny krok, który realizujemy obecnie, to udostępnienie całej naszej platformy jako zestawu narzędzi dla takich środowisk jak Claude Code, żeby automatyzacja procesów stała się dla nich natywnym sposobem działania.
Na koniec: What’s next?
Pewną nowością w UiPath jest zmiana podejścia do uniwersalności naszej platformy. Znajduje ona zastosowanie bardzo szeroko, od firm z sektora ochrony zdrowia, przez logistykę i producentów, po urzędy miasta czy ministerstwa. Z jednej strony to ogromna zaleta – możemy działać w niemal każdej branży. Z drugiej strony oznacza to, że wdrożenia często wymagają indywidualnego dopasowania, co wydłuża czas uzyskania wartości. Dlatego przechodzimy w kierunku rozwiązań branżowych, gotowych produktów dla konkretnych problemów biznesowych.
Uznaliśmy, że są miejsca, gdzie AI daje bardzo dużą wartość biznesową i gdzie moglibyśmy stworzyć gotowy produkt. UiPath zdefiniował kilka takich strategicznych segmentów, dla których buduje gotowe biblioteki agentów, z czym wiąże się nasza inwestycja w R&D, ale również w akwizycje. W zeszłym roku nabyliśmy brytyjską firmę Peak AI, specjalizującą się w AI do optymalizacji stanów magazynowych, łańcucha dostaw i pricingu. To daje nam dedykowane rozwiązanie „z pudełka” .
Kolejną naszą inwestycją sprzed kilku tygodni był zakup firmy Workfusion. To szczególna akwizycja, bo chociaż to amerykańska firma i większość jej klientów jest w USA, to w Polsce funkcjonuje duża gałąź R&D. Stąd UiPath w Polsce powiększył się o prawie 60 inżynierów analityki AI. Workfusion tworzy rozwiązania dedykowane do przeciwdziałania nadużyciom w bankowości, zwłaszcza AML (przeciw praniu pieniędzy) i KYC (poznaj swojego klienta), zbudowane na bazie różnych zaawansowanych narzędzi analitycznych, które działają w wielu globalnych bankach – to nasz kolejny kluczowy segment. Trzecią domeną jest służba zdrowia, gdzie przygotowaliśmy rozwiązanie własnej budowy. Parę tygodni temu miała miejsce jego premiera w Stanach Zjednoczonych.
Kontynuujemy ten kierunek inwestycji i będziemy rozszerzać pokrywane obszary wedle identyfikowanych potrzeb sektorowych. Możliwe, że kolejnym krokiem będzie rozwiązanie do likwidacji szkód dla branży ubezpieczeniowej. Wspólnie z dużym międzynarodowym ubezpieczycielem właśnie pracujemy nad nim w modelu co-innovation, w którym nasza platforma jest rozbudowana o case management i bibliotekę predefiniowanych pod ten cel agentów AI.
