Tehisintellekt ettevõttele - kus see päriselt aitab.
Suur osa Eesti ettevõtte juhtidest mõtleb tehisintellekti üle umbes nii: kõik räägivad sellest, eelarves pole rida, demonstratsioonid on tervitatavad aga konkreetset näpunäidet pole. See pillar-leht on kirjutatud just sellele juhile. Loeme lahti, kus tehisintellekt on tegelikult päris kasu loonud Eesti B2B ettevõtetes, kus see ei sobi (veel), kuidas alustada väikselt ilma midagi katki tegemata ja millised on tüüpilised vead. Räägime juurutustest, mille me oleme ise klientidega läbi teinud, mitte slaidide kogumikust. Eesmärk on, et pärast selle lehe lugemist on sul selge pilt - kas tehisintellekt sobib praegu sinu ettevõttele, mille peale alustada ja millised küsimused tasub Dignicy-tüüpi partneriga arutada enne, kui üldse projekti algab.
Tehisintellekt ettevõttes ei tähenda 2026. aastal enam ainult tšäti-roboteid. Tegelikult on suurim kasu sageli kohtades, mis ei nimega "AI": sissetuleva kirjavahetuse klassifitseerimine, dokumentide kokkuvõte, andmete sünk eri süsteemide vahel, tellimuse kontrollimine, sisene otsing, regulaarne raport. Tüüpiline tehisintellekti-juurutus on järgmine: võtad ühe töövoo, kus tiim raiskab täna palju aega, ja paned mudeli teha sellest osa. Inimene jätkab kontrolli ja otsuste tegemisega.
Mudelid, mida kasutame, jagunevad kolme kategooriasse. Esimene on suured "üldistavad" mudelid (GPT-4/5, Claude, Gemini), mis sobivad keele, kokkuvõtete, klassifitseerimise ja loovtööde jaoks. Teine on spetsialiseeritud mudelid (näiteks tõlke- ja transkribeerimismudelid), mis on tihti kiiremad ja odavamad konkreetsele ülesandele. Kolmas on kohaliku või eraldatud juurutusega mudelid (näiteks Llama, Mistral), mida kasutame siis, kui andmed peavad jääma sinu kontrolli alla.
Praktilist kasu mõõdame alati neljast kohast: säästetud aeg, kvaliteedi paranemine, kulu otsene vähenemine ja kogemus. Kogemus tuleb sageli tähtsuselt esmaks - tiim, kes saab tüüdusest osa ära ja teeb seda, mida tegelikult osatakse, on tihti suurim kasu. Aga me alustame alati kvantitatiivsest mõõdikust, et otsust ei tee me tunde järgi.
Juht, kes ei tea, kust alustada
See lehekülg on sinu jaoks. Loe see lõpuni, kirjuta üles 3 töövoogu, mille pealt tiim raiskab kõige rohkem aega, ja siis räägime - meie ütleme ausalt, kas mõni neist on AI-le sobiv pilootprojekt või tasub probleem hoopis teisiti lahendada.
Tiim, kes proovis kunagi ja jättis pooleli
AI-juurutus jääb tihti pooleli, sest demonstratsioon on lihtne, aga tootmiskvaliteet on raske. Kui teil on mingi katsetus tehtud ja jäetud, saame vaatame üle, mis tegelikult ei töötanud, ja kui tihti probleem on tehnoloogias, mitte töövoogu kavandamises.
Ettevõte, kelle andmed on tundlikud
Kui andmed on tundlikud (kliendi-, isikuandmed, finants), siis AI-juurutus on raamistatud privaatsuse ümber. Räägime, mis mudelid sobivad ja kuidas teha juurutus nii, et compliance-nõuded jäävad kaitstuks, ilma et kogu projekt jääks tarbimismaale.
Esmavastuse kvaliteedi tõstmine
Tugi- või müügitiim vastab kümnetele samadele küsimustele päevas. AI valmistab vastuse mustandi, inimene kontrollib ja saadab. Esmavastuse aeg langeb tundidest minutiteks.
Sisemine teadmiste otsing
Tiim ei leia infot Notionist, Drive-ist või sisesest wikist. AI kombineerib need otsinguliideseks, mis vastab ka eestikeelsetele küsimustele ja toob viited. Tihti suurim aja säästja.
Tootekoopia automatiseerimine
Uue toote põhiandmete pealt valmistab AI tootekirjelduse, SEO-pealkirja, tõlked. Sisutiim toimetab. Lansseerimisaeg lüheneb.
Andmete normaliseerimine ja rikastamine
Müügivihjete nimekiri, tooteandmed, sisemine analüütika - AI viib eri allikate andmed ühtseks, märgib puuduvad ja teeb otsustamise võimalikuks.
Mis selle teenuse sisse kuulub.
- Töövoogude audit ja AI-sobivuse hinnang
- Pilot ühe töövoo peal (mõõdetav tulemus)
- Tootmiskvaliteediga juurutus
- Mudelivalik ja andmete privaatsus
- Inimese kontrolli punktide loogika
- Mõõdikute paneel ja kulu seire
- Tiimile koolitus ja töövoo dokumentatsioon
- Jätkuva toe või sisetiimi-üleandmise valik
Kuidas projekt liigub.
Esimene samm on alati audit ja vestlus. Vaatame töövoogu, mitte tehnoloogiat. Otsustame, mis on parim esimene pilootprojekt - tüüpiliselt see, kus saab esimese mõõdetava tulemuse 2 kuni 4 nädalaga. Pärast piloodit otsustame koos: kas läheme tootmisse, vaatame järgmise töövoo või lõpetame, sest saadud info ei õigusta jätkamist. See aus stoppi-säte on osa lähenemisest.
Avastus ja audit
1 nädalRäägime tiimi ja juhiga, vaatame töövood ja andmed üle. Otsustame koos, kas üldse alustada, mis töövoog on parim esimene kandidaat ja milline on selle pilootprojekti mõõdik.
Pilot
2 kuni 4 nädalatEhitame piloodi ühe selge töövoo peale. Saame esimese mõõdetava tulemuse päris andmete pealt. Otsustame koos, kas läheme tootmisse või õpime ja proovime midagi muud.
Tootmiskvaliteet
3 kuni 8 nädalatPärast piloodi õnnestumist viime lahenduse tootmiskvaliteedile. Lisame logimise, monitooringu, fallback-i, inimese kontrollipunktid ja andmete privaatsuse kihiti.
Skaleerimine ja edasiarendus
jätkuvaltLisame uusi töövoogu, kasutajaid või keeli. Vaatame mõõdikuid kvartali järel ja otsustame, kus on järgmine investeering kõige mõistlikum.
Mitte demonstratsioon, vaid tootmissüsteem.
Oleme tehisintellekti juurutanud reaalsetes Eesti B2B keskkondades: STEK Estonia partneriportaal, PostOwl AI SaaS, MEZ Crafts B2B-platvorm, Eurex reaalajaline süsteem. Pole demoprojektid - igapäevases kasutuses olevad tootmissüsteemid.
Kõige sagedasemad küsimused enne otsust.
Kust ma peaksin alustama? +
Lihtsa katsega: kirjuta üles kolm töövoogu, mille pealt sinu tiim raiskab kõige rohkem aega või kus on liiga palju vigu. Räägime need läbi - meie ütleme ausalt, kas mõni neist on AI-juurutuse jaoks sobiv pilootprojekt. Tihti on vastus, et üks on sobiv, üks ei ole, üks vajab enne andmete korrastamist. Ulatust paneme paika alles pärast seda vestlust, mitte enne.
Kui palju peab olema andmeid, et AI-d kasutada? +
Vähem, kui sa arvad. Suuremate keele- või klassifitseerimismudelite kasutamiseks ei pea olema oma "treeningandmestik" - mudel oskab juba palju. Andmeid läheb vaja siis, kui tahame mudelit teha sinu konkreetses kontekstis paremini, või kui me ehitame retrieval-loogikat sisemise sisu peal. Sageli on vajaminev andmehulk üllatavalt väike.
Kas tehisintellekt saab eesti keelega hakkama? +
Tänased mudelid (GPT-4/5, Claude, Gemini) saavad eesti keelega väga hästi hakkama, eriti kui sisendid on selged ja töövoo kontekst on antud. Spetsialiseeritud ülesannetel (juriidiline tekst, väga tehniline keel) tasub mudelivalikut testida, aga reeglina on eesti keel praeguste mudelite jaoks tugev keel.
Mis vahe on AI-l ja tavalistel automaatikatel nagu Zapier? +
Zapier ja sarnased tööriistad liigutavad andmeid süsteemide vahel kindla skeemi järgi. Tehisintellekt lisab juurde otsuse või loovuse osa: kvalifitseerimine, klassifitseerimine, mustandi koostamine, anomaalia esiletoomine. Tihti on parim lahendus hübriid: integratsioon liigutab andmeid, AI teeb sisulise osa, inimene kinnitab tulemuse. Räägime auditi ajal alati, kus piir kummalgi peaks olema.
Kas AI-juurutus võib läbi kukkuda? +
Jah, ja peamine põhjus on tihti see, et kavandamine kannab tegemise. Demonstratsioon on lihtne, tootmiskvaliteet raske. Sellepärast me alustame alati piloodist, mille mõõdik on selge, ja otsustame piloodi pealt, kas tootmisse minna. Kui pilot ei õigusta jätkamist, lõpetame. See aus stoppi-säte on osa Dignicy lähenemisest, mitte erandlik teemademiooli.
Räägime sinu projektist.
30 minuti jooksul vaatame läbi, kas see lahendus sobib sinu olukorrale ja milline võiks olla esimene mõõdetav samm.
Aruta AI-piloodist →