Kako z AI popisati poslovne procese v MSP

Kako lahko malo ali srednje podjetje z umetno inteligenco hitreje popiše dejanske poslovne procese? Najvarnejši odgovor je: AI naj zajame, strukturira in opozori na vrzeli, človek pa naj potrdi končni opis. Zanesljiv popis združuje intervjuje, dokumente in sistemske dnevnike, dosledno beleži izjeme ter ohranja sled do vira vsakega koraka.

Zakaj običajni popisi procesov pogosto zgrešijo resničnost

Pravilnik opisuje, kako naj bi delo potekalo. Vodja pogosto predstavi pričakovani potek. Izvajalec pa pozna bližnjice, ročne predaje, čakanje, Excelove tabele in izjeme, zaradi katerih se dejanski proces razlikuje od uradnega.

Veliki jezikovni modeli imajo podobno slepo pego: nepopoln opis radi zgladijo v logičen »idealni potek«. Zato AI ni vir resnice, ampak pomočnik analitika. Njegova vrednost je v hitrem zajemu, strukturiranju in pripravi vprašanj, ne v samodejnem razglašanju, kako proces zares deluje.

Osem pravil za zanesljiv AI-podprt popis

1. AI zajema in strukturira, človek potrjuje. Končni popis odobri lastnik procesa.
2. Uporabite več vrst virov. Intervjuji, dokumenti in dnevniki dogodkov se dopolnjujejo.
3. Najprej dokumentirajte dejansko stanje. Izjeme, čakanja in zasilne rešitve so del procesa, ne motnja v opisu.
4. Zahtevajte strukturiran izhod. LLM naj vrne veljaven JSON po fiksni shemi; diagram naj izdela koda.
5. Ohranite sledljivost. Vsak korak naj vsebuje citat, časovni žig, stran dokumenta ali dogodek iz sistema.
6. Ločite vloge agentov. Zajem, ekstrakcija in kritika naj bodo ločeni koraki, nato sledi človeška validacija.
7. Skladnost načrtujte od začetka. Upoštevajte GDPR, delovno pravo, poslovne skrivnosti in Uredbo EU o umetni inteligenci.
8. Popis obravnavajte kot živ dokument. Potrebuje različice, odgovorno osebo, datum potrditve in cikel revizije.

LLM, process mining ali task mining?

Za večino MSP je najboljši začetek generativni popis, dopolnjen z razpoložljivimi dnevniki. Agentni hibrid je smiseln po dveh ali treh pilotnih procesih, ko so shema, glosar in način validacije že preizkušeni.

Referenčni potek: od dokazov do potrjenega diagrama

1. Zajem: intervjuji z izvajalci, veljavni dokumenti in izvozi dogodkov iz ERP/CRM.
2. Priprava: transkripcija, psevdonimizacija osebnih podatkov ter razdelitev daljših vsebin na smiselne segmente.
3. Ekstrakcija: agent pripravi JSON s koraki, vlogami, vhodi, izhodi, odločitvami, izjemami, viri in statusom preverjenosti.
4. Preverjanje: koda preveri graf, kritik agent pa poišče vsebinske vrzeli in pripravi konkretna dodatna vprašanja.
5. Vizualizacija: deterministični pretvornik izdela BPMN ali Mermaid. Tako se izognete pokvarjenim referencam in koordinatam, ki jih LLM pogosto ustvari pri neposrednem pisanju BPMN XML.
6. Validacija: lastnik procesa in izvajalci opravijo walkthrough po diagramu, razrešijo nepreverjene korake ter zapišejo datum in različico potrditve.

Pet faz uspešnega projekta

1. Namen in meje

Izberite en proces od začetka do konca, na primer od povpraševanja do plačila. Določite sprožilec, končni rezultat, namen popisa in zahtevano raven podrobnosti. Za optimizacijo pogosto zadošča raven L3, za avtomatizacijo pa je praviloma potreben natančnejši L4. Že na začetku imenujte lastnika procesa.

2. Zajem dejanskega dela

Intervjuvajte izvajalce, ne le vodij. Pri vsakem ključnem koraku si prizadevajte za dva neodvisna vira. Vprašanja naj pokrijejo sprožilec, vhode, odločitve, izjeme, predaje, uporabljene sisteme, trajanje in pogoste napake. Agent naj sistematično vpraša tudi: »Kaj se zgodi, če podatki niso popolni?«, »Kaj naredite, ko stranka ne odgovori?« in »Kje čakate?«

Za slovenske transkripte pripravite glosar internih kratic in preverite kakovost prepisa narečij. Pred pošiljanjem vsebine v oblačni LLM psevdonimizirajte imena, davčne številke, IBAN-e in druge nepotrebne osebne podatke.

3. Strukturiranje v JSON

Aktivnosti poimenujte v obliki glagol + samostalnik, na primer »Preveri račun«. Uporabljajte vloge namesto imen oseb. Vsak korak naj ima enolični ID, vhod, izhod, naslednji korak, morebitno odločitev, vir in polje preverjeno. Iz istega vira lahko nato programsko izpeljete diagram, SIPOC in matriko RACI.

4. Validacija

Koda naj preveri, ali je končno stanje dosegljivo, ali imajo odločitve vse veje in ali obstajajo mrtvi konci. Kritik agent naj poišče nejasne predaje, odločitve brez merila, manjkajoče izjeme ter korake brez časovne ali količinske opredelitve.

Odstopanja opisujte kot ugotovitve o procesu, ne kot napake posameznikov. To je ključno za iskrenost naslednjih intervjujev. Če imate dnevnike, izvedite tudi preverjanje skladnosti med modelom in dejanskimi primeri.

5. Vzdrževanje

JSON naj bo izvorni dokument, diagrami pa izpeljane različice. Popis shranite v Git ali wiki, določite polletni pregled oziroma revizijo ob spremembi sistema ter spremljajte odmik procesa. Za avtomatizacijo prednostno izbirajte korake z velikim obsegom, jasnimi pravili in stabilnim potekom.

Najpogostejše pasti in protiukrepi

• Ni izjem: uvedite obvezna vprašanja »kaj če« in kritik agenta.
• Model zapolni vrzeli: zahtevajte vir ter oznako »nepreverjeno«.
• Pravilnik preglasi realnost: primerjajte ga z intervjuji izvajalcev in dnevniki.
• Imena namesto vlog: shema naj dovoljuje le vloge.
• Mešanje ravni podrobnosti: raven procesa določite že v uvodnem navodilu.
• Izguba sredine dolgega transkripta: uporabite segmentacijo in nadzorovano združevanje.
• Nenaravna slovenščina: agentu dodajte glosar organizacije in opravite jezikovni pregled.

GDPR, delovno pravo in AI Act: kaj velja septembra 2026

Pravno opozorilo: spodnji pregled je splošna informacija, ne pravno mnenje. Konkretno uvedbo, zlasti spremljanje zaposlenih, naj pregleda usposobljen pravni strokovnjak.

• GDPR: določite namen in pravno podlago, zbirajte le nujne podatke, določite rok hrambe ter uredite pogodbo z obdelovalcem. Pri obdelavi, ki bo verjetno povzročila veliko tveganje za pravice posameznikov – zlasti pri obsežnem ali sistematičnem spremljanju – je treba pred začetkom presoditi in po potrebi izvesti oceno učinka v zvezi z varstvom podatkov (DPIA).
• Spremljanje zaposlenih: rudarjenje opravil ni avtomatično dopustno in tudi ni avtomatično »visoko tvegani AI«. Presoja je odvisna od namena, funkcij in vpliva. Če sistem spremlja ali ocenjuje uspešnost posameznikov oziroma vpliva na dodeljevanje nalog in pogoje dela, lahko spada med primere iz Priloge III AI Acta. Agregiranje na raven procesa in izključitev individualnega ocenjevanja zmanjšata tveganje, ne odpravita pa obveznosti iz GDPR in delovnega prava.
• Prepoved prepoznavanja čustev: prepoved uporabe sistemov za sklepanje o čustvih na delovnem mestu velja od 2. februarja 2025, razen ozkih medicinskih ali varnostnih izjem. Orodja za »analizo razpoloženja zaposlenih« zato ne sodijo v tak projekt.
• Preglednost: obveznosti iz 50. člena se uporabljajo od 2. avgusta 2026. Če oseba neposredno komunicira z AI agentom, mora biti o tem jasno obveščena, razen kjer je to očitno. Uvod v intervju naj pojasni snemanje, namen, človeški pregled in možnost prekinitve.
• Roki za visoko tvegane sisteme: Uredba (EU) 2026/1744 je roke za samostojne primere iz Priloge III prestavila na 2. december 2027, za sisteme, povezane z reguliranimi proizvodi iz Priloge I, pa na 2. avgust 2028. To je odlog dela obveznosti, ne dovoljenje za odlašanje z varnim načrtovanjem.
• AI pismenost: organizacija naj sprejme ukrepe, ki podpirajo AI pismenost zaposlenih. Ekipa mora znati prepoznati halucinacije, nepreverjene sklepe, podatkovna tveganja in omejitve avtomatizirane analize.

KPI-ji, ki pokažejo kakovost in donosnost

Pri desetih procesih letno po 30 ur analitika in ceni 60 € na uro pomeni 40-odstotni prihranek približno 7.200 € vrednosti časa. Če odštejemo 1.500 € letnih stroškov orodij in 2.400 € enkratne vzpostavitve, je ilustrativni neto učinek prvega leta približno 3.300 €, od drugega leta pa 5.700 €. Pomembnejša korist je lahko preprečena napačna avtomatizacija, ki je v tej računici ni.

Poenostavljena različica za mikro podjetje

Če ima podjetje manj kot deset zaposlenih in nima uporabnih sistemskih dnevnikov, ne potrebuje zahtevnega večagentnega sistema. Uporabite štiri korake:

1. izvajalec posname walkthrough in med delom razlaga svoje odločitve;
2. AI pripravi transkript in strukturirani JSON;
3. iz JSON-a ustvarite diagram v Mermaidu;
4. izvedite en validacijski sestanek z izvajalcem in lastnikom procesa.

Tudi pri tej hitri različici ostajajo obvezni viri, izjeme, oznaka »nepreverjeno« in človeška potrditev.

Pogosta vprašanja

Ali lahko ChatGPT sam izdela zanesljiv BPMN diagram?

Ne dovolj zanesljivo za produkcijsko uporabo. Boljša pot je LLM → JSON po fiksni shemi → programske kontrole → deterministična pretvorba v BPMN ali Mermaid → človeška potrditev.

Kateri podatki so nujni za process mining?

Najmanj ID primera, naziv aktivnosti in časovni žig. Za uporabnejšo analizo dodajte še vlogo izvajalca, sistem, rezultat ter druge atribute, ki ne posegajo čez nujni obseg obdelave.

Ali potrebujemo DPIA za task mining?

Ne v vsakem možnem primeru avtomatično, vendar je pri sistematičnem ali obsežnem spremljanju zaposlenih verjetnost velikega tveganja visoka. Pred uvedbo je treba opraviti dokumentirano presojo, pogosto pa tudi formalno DPIA, ter preveriti zahteve delovnega prava in vključevanja predstavnikov delavcev.

Kako preprečimo, da bi AI izmišljal korake?

Vsak korak mora imeti dokazljiv vir. Če je korak le sklep, naj bo izrecno označen kot nepreverjen. Dodatno uporabite ločenega kritik agenta, programska preverjanja in walkthrough z ljudmi, ki proces izvajajo.

Kje začeti?

Izberite en dovolj pogost, vendar obvladljiv proces z jasnim začetkom in koncem. V dveh tednih izdelajte prvi popis, izmerite kakovost ter šele nato razširite pristop.

Sklep: dober popis je dokazljiv, ne le lep

AI lahko bistveno skrajša pot od intervjuja do uporabnega modela procesa. Vendar kakovost ne izhaja iz lepote diagrama, temveč iz sledljivih virov, zajetih izjem, programsko preverjene strukture in potrditve ljudi, ki delo poznajo. Najprej popišite realnost. Šele nato optimizirajte in avtomatizirajte.

---

Viri in nadaljnje branje:

• Uredba (EU) 2024/1689 o umetni inteligenci, konsolidirano besedilo
• Uredba (EU) 2026/1744 – Digital Omnibus on AI
• Splošna uredba o varstvu podatkov (GDPR), zlasti 35. člen
• Informacijski pooblaščenec: programska oprema za spremljanje aktivnosti zaposlenih
• Več razmišljanj o umetni inteligenci in digitalni preobrazbi

Pravni del odraža stanje 23. septembra 2026.