Kontekst
Dentressangle inwestuje w ambitne europejskie firmy z wielu branż. Aby przyspieszyć tworzenie wartości, grupa potrzebowała systematycznego sposobu na:
identyfikację zastosowań AI o wysokim ROI w każdej spółce portfelowej,
uzgodnienie z zarządami ryzyk, zasad nadzoru i wymagań dotyczących danych, oraz
przekładanie strategii na działające oprogramowanie, szybko i bezpiecznie.
Partnerstwo
Nasz model łączy doradztwo na poziomie zarządu z praktyczną realizacją:
Strategia i priorytetyzacja z partnerami funduszu: briefingi dla kadry zarządzającej, mapowanie szans i punktowany pipeline inicjatyw AI.
Realizacja ze spółkami portfelowymi: małe, nastawione na rezultat zespoły (produkt, dane/ML, inżynieria) dostarczające przyrosty co kilka tygodni.
Model operacyjny i nadzór: dostęp do danych, bezpieczeństwo, metryki ewaluacji i zarządzanie zmianą wbudowane od pierwszego dnia.
Rozwiązanie: produkty szyte na miarę każdej spółki
Budujemy dedykowane produkty AI osadzone w systemach i procesach każdej firmy, stawiając na wyjaśnialne metody, mierzalne KPI i proste przekazanie. Poniżej dwa przykłady.
Przykład 1: AplusA — AI do kodowania odpowiedzi otwartych i kontroli jakości danych
Kto.
AplusA to instytut badań rynku medycznego, który prowadzi wielojęzyczne ankiety w kolejnych falach. Przed analizą zespoły przygotowują dane poprzez kodowanie wypowiedzi i kontrole jakości, a do centralizacji tych operacji wprowadzany jest nowy DataHub. Celem jest automatyzacja najbardziej ręcznych etapów i zachęcenie zespołów do pracy w DataHubie zamiast w arkuszach kalkulacyjnych.
Co zbudowaliśmy.
Opracowaliśmy dwa moduły integrujące się bezpośrednio z DataHubem:
Po pierwsze, silnik kodowania AI, który uczy się i utrzymuje spójny klucz kodowy na podstawie surowych odpowiedzi, konsoliduje zduplikowane kody i klasyfikuje nowe odpowiedzi, pozostając odpornym na kolejne, iteracyjne fale zbierania danych.
Po drugie, generator reguł kontroli jakości, który odczytuje istniejące „tabele programistyczne” w Wordzie, konwertuje je na ustrukturyzowaną specyfikację JSON i automatycznie generuje kontrole w Pythonie, uruchamiane w środowisku sandbox z pętlą autokorekty aż do przejścia wszystkich testów.
Jak.
Łączymy wyszukiwanie (retrieval) z rerankingiem, aby dostarczyć właściwy kontekst semantyczny, oraz wykorzystujemy prompting LLM do wspierania odkrywania i konsolidacji kodów. Warstwa API udostępnia przejrzyste interfejsy dla DataHuba, a prace przebiegają w krótkich sprintach z jawnymi testami akceptacyjnymi.
Dlaczego to ważne.
To podejście zapewnia szybsze i spójniejsze kodowanie, gwarantuje powtarzalne i audytowalne kontrole jakości oraz wprowadza nowoczesny proces pracy, który skłania zespoły do działania w DataHubie zamiast w Excelu czy Wordzie.
Przykład 2: Coverguard Safety
Kto
Coverguard Safety projektuje i sprzedaje środki ochrony indywidualnej w całej Europie, a zarząd potrzebował ustrukturyzowanej ścieżki od budowania świadomości AI do zestawu spriorytetyzowanych pilotaży skoncentrowanych na cyfrowym doświadczeniu klienta i efektywności sprzedaży.
Format współpracy
Przeprowadziliśmy trzyczęściową sesję, która rozpoczęła się wprowadzeniem do AI dla kadry zarządzającej (historia, możliwości i aktualny stan technologii), po którym nastąpiła krótka prezentacja najbardziej adekwatnych realizacji Galadrim, a zakończyła się wspólnym warsztatem identyfikującym i kwalifikującym zastosowania specyficzne dla firmy.
Rezultat
Przygotowaliśmy udokumentowany plan z krótkoterminowymi pilotażami i KPI. Pierwszy strumień zakłada inteligentnego chatbota produktowego i system rekomendacji dla sklepu internetowego. Drugi dotyczy automatyzacji powtarzalnych zapytań klientów o ceny, stany magazynowe i specyfikacje produktów we wszystkich kanałach. Trzeci to asystent przetargowy, który mapuje wiersze z plików Excel klientów na produkty z katalogu i przygotowuje wstępne odpowiedzi ofertowe. W średnim terminie: wielojęzyczne procesy contentowe oraz asystent doboru produktów w terenie wspierający zespół sprzedaży.
Kolejne kroki
Zarekomendowaliśmy potwierdzenie priorytetów, doprecyzowanie zakresu i budżetu oraz uruchomienie pilotaży w iteracyjnym rytmie dostarczania z jasnymi metrykami sukcesu i punktami kontrolnymi dla interesariuszy.
