Sisemine AI-assistent: kuidas ühendada Claude ERP, Teamsi ja wikiga

Teie tiim kasutab juba ChatGPT-d. Aga kui keegi küsib „mis on selle tellimuse tarnetähtaeg?" või „kuidas meil garantiiremont käib?", jääb AI vait. Ta ei tea teie andmeid — ja just seal peitub päris väärtus.

See on kõige sagedasem küsimus, mida meilt pärast esimesi AI-katsetusi küsitakse: kuidas panna AI vastama meie enda andmete põhjal? Selles artiklis selgitame lihtsas keeles, kuidas sisemine AI-assistent töötab. Näitena kasutame lahendust, mida praegu Kodumajale ehitame.

Miks ChatGPT teie küsimustele ei vasta

ChatGPT ja teised avalikud AI-tööriistad on treenitud avaliku interneti peal. Nad kirjutavad head e-kirja ja teevad kokkuvõtte. Aga nad ei tea, mis on teie laoseisus, mida ütleb teie kvaliteedijuhend või milline oli kliendiga kokku lepitud hind.

Selle info leidmine käib enamikus ettevõtetes ikka vanaviisi. Töötaja otsib ERP-ist, kaevab failiserveris, küsib Teamsis kolleegilt. Kogenud töötaja teab, kust vaadata. Uus töötaja kulutab sama vastuse peale pool päeva.

Eesti ettevõtete AI-kasutus tõusis aastaga 14%-lt 22%-le. Aga enamik sellest on üldine vestlus-AI, mis ettevõtte andmeid ei näe. Järgmine samm on ühendada AI teie enda süsteemidega.

Mis on sisemine AI-assistent?

Sisemine AI-assistent on süsteem, kus AI-mudel — meie projektides enamasti Claude — on ühendatud ettevõtte enda andmeallikatega. Töötaja küsib küsimuse tavalises eesti keeles ja saab vastuse, mis põhineb teie ERP-il, dokumentidel ja teadmusbaasil.

Kodumaja on hea näide. Suures tootmisettevõttes on teadmised laiali: osa ERP-is, osa Teamsi vestlustes, osa wikis, osa kogenud töötajate peades. Meie ehitame neile assistendi, mis ühendab Claude'i kolme allikaga: ERP, Microsoft Teams ja ettevõtte teadmusbaas. Tulemus: küsid küsimuse ja saad vastuse, ilma et peaksid teadma, millises süsteemis info asub.

Oluline täpsustus: see ei ole veel AI agent, mis iseseisvalt ülesandeid täidab. Assistent vastab küsimustele ja otsib infot. Agent tegutseb. Praktikas alustab enamik ettevõtteid assistendist — ja see on õige järjekord.

Kuidas see töötab: arhitektuur viie sammuna

Tehniline termin on RAG (retrieval-augmented generation). Nimi kõlab keeruliselt, aga põhimõte on lihtne: enne vastamist otsi, siis vasta leitu põhjal. Samm-sammult näeb see välja nii:

1. Töötaja küsib küsimuse — Teamsis või veebiaknas, tavalises eesti keeles. Näiteks: „Milline on projekti X järgmine tarne?"
2. Süsteem otsib ettevõtte andmetest — ERP-ist, wikist, dokumentidest. Otsing käib tähenduse, mitte ainult märksõnade järgi.
3. Leitud info antakse Claude'ile koos algse küsimusega.
4. Claude koostab vastuse ainult selle info põhjal, selges eesti keeles.
5. Töötaja saab vastuse koos viidetega — näeb, millisest dokumendist või kirjest vastus pärineb.

Praktiline näide, kuidas see igapäevatöös välja näeb. Projektijuht kirjutab Teamsis: „Kas objektile Z tellitud aknad on kohale jõudnud?" Süsteem otsib ERP-ist tellimuse ja tarne oleku, Claude sõnastab vastuse: „Tellimus saabus lattu eile, kaks positsiooni on veel teel, eeldatav saabumine reedel." Juures on viide ERP-i kirjele. Varem oleks sama vastus nõudnud sisselogimist, otsimist ja võib-olla telefonikõnet.

Kaks asja on siin põhimõttelised. Esiteks: AI-mudelit ei treenita teie andmete peal. Süsteem loeb andmeid iga küsimuse ajal värskelt. Kui ERP-is muutub tarnetähtaeg, on järgmine vastus kohe õige. Teiseks: viited allikatele. Töötaja saab alati kontrollida, kust vastus tuli. See hoiab usalduse ja vähendab vigade riski.

Mida ühendada: ERP, Teams ja teadmusbaas

Kodumaja projektis ühendame kolm allikat. Sama kolmik katab enamiku Eesti ettevõtete vajadused.

ERP. Siin elavad tellimused, laoseisud, tähtajad ja hinnad. See on kõige väärtuslikum, aga ka kõige töömahukam ühendus — iga ERP on natuke erinev. Tulemus on seda väärt: „mis seisus on tellimus Y?" saab vastuse sekunditega, ilma ERP-i sisse logimata.

Microsoft Teams. Assistent peab olema seal, kus töö toimub. Kui vastuse saamiseks tuleb avada eraldi rakendus, jääb see kasutamata. Teamsi-sisene vestlusaken tähendab, et küsimine on sama lihtne kui kolleegile kirjutamine.

Wiki ja teadmusbaas. Juhendid, standardid, protsessikirjeldused, korduma kippuvad küsimused. Sageli on see info olemas, aga keegi ei leia seda üles. Assistent teeb aastate jooksul kogunenud teadmised jälle kasutatavaks.

Sama loogikaga saab hiljem lisada teisi allikaid: failiserver, CRM, e-post, tootmisandmed. Alustada tasub kahest-kolmest allikast, mis katavad kõige sagedasemad küsimused.

Mis kasu ettevõte sellest saab

Kasud on konkreetsed ja mõõdetavad:

• Vastused eesti keeles, otse andmetest. Töötaja ei pea teadma, kus info asub ega kuidas ERP-i päringut teha.
• Vähem otsimisele kuluvat aega. Tüüpiliselt säästab töötaja AI-ga 1–2 tundi päevas. Suur osa sellest tuleb just info otsimise pealt.
• Kiirem sisseelamine. Uus töötaja küsib assistendilt sama, mida muidu küsiks kogenud kolleegilt. Kolleegi aega see ei kuluta.
• Teadmised jäävad ettevõttesse. Kui kogenud töötaja lahkub, jäävad tema kirja pandud juhendid ja otsused leitavaks. Assistent hoiab need elus.

Orienteeruv rusikareegel: kui 30 töötajat säästab igaüks kasvõi 30 minutit päevas, on see kuus üle 300 töötunni. Selle vastu tasub investeeringut mõõta.

Millal piisab valmislahendusest, millal on vaja eritellimust

Aus vastus: alati ei ole vaja eritellimust. Valik sõltub sellest, kus teie andmed elavad.

Valmisühendused on kiired käivitada ja odavad. Aga niipea, kui vastus peab tulema ERP-ist, spetsiifilisest andmebaasist või mitmest süsteemist korraga, jäävad need hätta. Kodumaja puhul oli just ERP-i ühendus põhjus, miks valmislahendusest ei piisanud.

Meie soovitus: alustage sellest, et kaardistame, kus teie kõige väärtuslikumad küsimused ja vastused elavad. Alles siis otsustage, kas ehitada või osta. See kaardistus on osa meie AI auditist, mis annab teile selge plaani enne, kui arendusse sentigi panete.

Turvalisus: kelle käes on andmed?

See on juhtide kõige põhjendatum mure. Kolm põhimõtet, mida iga sisemine assistent peab järgima:

Andmed jäävad teie kontrolli alla. Ärikliendi lepingutega AI-teenused ei kasuta teie andmeid mudelite treenimiseks. Kui ka see ei sobi, saab kogu lahenduse jooksutada oma serveris. Avatud lähtekoodiga mudelid on selleks päriselt valmis — näiteks TildeOpen on Euroopa keelte, sealhulgas eesti keele jaoks ehitatud suur mudel. Kulude suurusjärk: pilve-AI orienteeruvalt 300–800 € kuus, oma GPU-server 2000–5000 € ühekordselt.

Õigused säilivad. Assistent tohib näidata ainult seda, mida küsijal on õigus näha. Palgainfo ja juhtkonna dokumendid ei tohi lekkida üldisesse otsingusse. See on arhitektuuri, mitte hea tahte küsimus.

Inimene jääb otsustajaks. Assistent vastab ja viitab, aga otsuseid teeb inimene. Viited allikatele teevad kontrollimise lihtsaks. Ja enne käivitamist testime süsteemi rünnete vastu — mida need endast kujutavad, kirjeldasime artiklis OWASP LLM Top 10 turvariskidest.

Kuidas me sellise projekti üles ehitame

Meie lähenemine on kolmes sammus: Kaardistame → Ehitame → Juurutame.

1. Kaardistame. Selgitame välja, milliseid küsimusi töötajad päriselt küsivad ja kus vastused elavad. See määrab, millised süsteemid ühendame esimesena.
2. Ehitame. Ühendame Claude'i valitud allikatega, seadistame õigused ja testime vastuste kvaliteeti päris küsimuste peal.
3. Juurutame. Toome assistendi Teamsi, treenime töötajad seda kasutama ja mõõdame, kas otsimisele kuluv aeg päriselt väheneb.

Viimane samm on kõige alahinnatum. Tööriist, mida keegi ei kasuta, ei säästa midagi. Sellepärast käib meie arendusprojektidega alati kaasas juurutamine ja koolitus.

Ajaline suurusjärk on orienteeruvalt selline: kaardistus võtab paar nädalat, esimene töötav versioon kahe-kolme allikaga on tavaliselt valmis mõne kuuga. Me ei soovita alustada kaheaastase megaprojektiga. Parem on käivitada kitsas ja töötav versioon, mõõta tulemust ja laiendada sealt edasi. Nii saab juhtkond otsuseid teha päris kasutusandmete, mitte lubaduste põhjal.

Alusta ühest küsimusest

Küsige oma tiimilt: „Millise info otsimisele kulub meil kõige rohkem aega?" See üks küsimus näitab, kust teie sisemine AI-assistent peaks alustama.

Kui tahate teada, kuidas selline lahendus teie ERP-i, Teamsi ja teadmusbaasiga töötaks, räägime pool tundi. Vaatame teie süsteemid üle ja ütleme ausalt, kas piisab valmislahendusest või tasub ehitada oma.

Broneeri tasuta konsultatsioon →