Przejdź do treści

Praktyczne zastosowania

Aderant i Amazon Quick: wyszukiwanie wiedzy z 45 do 3 minut

Zaktualizowano: Autor: Andrzej Niemiec11 min czytania

Wiedza techniczna rzadko leży w jednym miejscu. Dokumentacja trafia do Confluence, ustalenia do wątków w Teams, historia problemu do Jiry, a kod do repozytoriów. Aderant połączył sześć takich źródeł w jedno wyszukiwanie oparte na AI i opublikował wyniki w liczbach [1].
Aderant i Amazon Quick: wyszukiwanie wiedzy z 45 do 3 minut
Spis treści
  1. Jakie efekty przyniosło wdrożenie AI w Aderant?
  2. Czym jest Amazon Quick i co robi w tym wdrożeniu?
  3. Które systemy wiedzy połączono w jedno wyszukiwanie?
  4. Jak przebiegało wdrożenie krok po kroku?
  5. Czy wyszukiwanie i tworzenie dokumentacji wypadają podobnie?
  6. Jakie ograniczenia ma wdrożenie opisane przez AWS?
  7. Co z produktami Aderant dla kancelarii?
  8. Jak sprawdzić, czy podobny projekt ma sens w Twojej firmie?
  9. Najczęstsze pytania
  10. Źródła

Jakie efekty przyniosło wdrożenie AI w Aderant?

Efektem było skrócenie czasu wyszukiwania z 30–45 minut do 3–5 minut oraz skrócenie tworzenia artykułu bazy wiedzy z około godziny do 15 minut. AWS opisuje pierwszy wynik jako ponad 90% poprawy szybkości wyszukiwania międzyplatformowego, drugi jako 75% [1]. Projekt dotyczył wewnętrznych operacji technicznych Aderant, nie pracy kancelarii prawnej.

Zespół Cloud Engineering obsługiwał ponad 200 zgłoszeń dziennie i wsparcie o globalnym zasięgu [1]. Informacje potrzebne do odpowiedzi leżały w kilku systemach, więc pracownik przeskakiwał między nimi ręcznie. Jedno pole pytań w języku naturalnym skróciło tę ścieżkę do kilku minut [1].

Czym jest Amazon Quick i co robi w tym wdrożeniu?

Amazon Quick to usługa AWS wykorzystana w Aderant jako warstwa wyszukiwania wiedzy i automatyzacji tworzenia artykułów. Obok niej działały boty CloudOps Helper i Support Helper oraz mechanizm Quick Flows [1]. AWS nie opisuje szczegółów architektury poza tym, że odpowiedzi udzielane były w języku naturalnym, a źródłem treści pozostały istniejące systemy wiedzy [1].

Znaczenie ma kontekst użycia. Quick nie był osobnym projektem badawczym, ale elementem codziennej pracy zespołu wsparcia, który odpowiada na zgłoszenia klientów. Narzędzie skraca drogę do informacji, ale nie zastępuje decyzji o tym, co przekazać w odpowiedzi.

Które systemy wiedzy połączono w jedno wyszukiwanie?

Połączono sześć źródeł: Confluence, SharePoint, repozytoria Git, Jirę, Microsoft Teams i dashboardy QuickSight [1]. To zbiór o różnej strukturze — dokumenty, zgłoszenia, wątki rozmów, kod i metryki.

Taki zestaw tłumaczy skalę problemu. Odpowiedź na jedno pytanie techniczne często wymaga trzech różnych materiałów: opisu w dokumentacji, historii zgłoszenia i ustaleń z rozmowy. Wyszukiwanie po sześciu systemach zbiera te fragmenty w jednym miejscu, zamiast zostawiać pracownikowi sześć otwartych kart.

Jak przebiegało wdrożenie krok po kroku?

Wdrożenie szło etapami i za każdym razem obejmowało kolejną grupę użytkowników:

  1. Październik 2025 — pilotaż CloudOps Helper w zespole Cloud Engineering, początkowo 38 osób [1].
  2. Listopad 2025 — pełne wdrożenie i rozszerzenie działające w przeglądarce Chrome [1].
  3. Luty 2026 — Support Helper dla kolejnych 86 osób [1].

Sekwencja jest tu istotna. Zespół zaczął od jednej grupy o wąskim zakresie zadań, sprawdził odpowiedzi na realnych zgłoszeniach i dopiero potem rozszerzył narzędzie na wsparcie. Skala rosła wraz z zaufaniem do wyników, a nie przed nim.

Czy wyszukiwanie i tworzenie dokumentacji wypadają podobnie?

Oba procesy przyspieszyły, ale inaczej rozkłada się w nich rola człowieka.

KryteriumWyszukiwanie wiedzyTworzenie artykułów
Czas przed wdrożeniem30–45 minut na zadanie [1]około 60 minut [1]
Czas po wdrożeniu3–5 minut [1]15 minut [1]
Skala poprawyponad 90% [1]75% [1]
Źródło treścisześć systemów wiedzy [1]baza wiedzy zespołu [1]
Kontrola człowiekanieopisana w źródlezatwierdzenie i wykrywanie duplikatów [1]

Wyszukiwanie kończy się odpowiedzią, którą pracownik wykorzystuje od razu. Tworzenie artykułu kończy się szkicem, który musi przejść zatwierdzenie i sprawdzenie pod kątem powtórzeń [1]. Krótszy czas nie oznacza więc, że treść trafia do bazy bez nadzoru.

Jakie ograniczenia ma wdrożenie opisane przez AWS?

Opis dotyczy jednego zespołu i jednego zestawu systemów. Wyniki nie są benchmarkiem dla innych organizacji, bo nie podano ani liczby pytań, ani wskaźnika trafności odpowiedzi [1]. Mamy czas przed i po, nie mamy natomiast danych o tym, jak często odpowiedź wymagała poprawy.

Drugie ograniczenie wynika z zakresu treści. Połączone źródła to dokumentacja techniczna, zgłoszenia, rozmowy i repozytoria [1]. To inny materiał niż umowy czy akta spraw, więc wyniku nie da się przełożyć wprost na pracę działu prawnego.

Co z produktami Aderant dla kancelarii?

Aderant Expert Sierra to odrębny produkt: chmurowy system zarządzania praktyką i finansami kancelarii, hostowany na AWS, obejmujący finanse, sprawy, rozliczenia, stawki oraz rejestrację czasu i wydatków [2]. To nie to samo narzędzie, które posłużyło do wyszukiwania wiedzy w opisanym projekcie.

Szersza strategia firmy obejmuje platformę chmurową Stridyn [3] oraz warstwę AI o nazwie MADDI, używaną w produktach Aderant [4]. Te elementy pokazują kierunek rozwoju dostawcy, ale nie dowodzą, że opisany projekt dotyczył kancelarii ani wyszukiwania umów [1].

Jak sprawdzić, czy podobny projekt ma sens w Twojej firmie?

Punktem wyjścia jest pomiar, nie zakup. Zanim pojawi się narzędzie, warto policzyć cztery rzeczy: ile czasu zajmuje znalezienie jednej informacji, w ilu systemach trzeba szukać, ile pytań powtarza się w tygodniu i kto dziś odpowiada za jakość odpowiedzi. Aderant zaczął od zespołu, w którym te liczby były znane [1].

Drugi krok to wybór zakresu. Jeden zespół i kilka źródeł dają wynik, który da się zmierzyć przed rozszerzeniem. Trzeci krok to zasada zatwierdzania treści, bo automatyczne tworzenie artykułów bez kontroli człowieka przenosi ryzyko na czytelników bazy wiedzy [1]. Sposób pracy z AI w dokumentach opisujemy też w tekstach o Google Search z AI i o Codexie w analizie danych.

Najczęstsze pytania

Ile czasu oszczędza wyszukiwanie wiedzy oparte na AI?

W opisanym wdrożeniu czas spadł z 30–45 minut do 3–5 minut na zadanie, co AWS określa jako ponad 90% poprawy [1]. Przy tworzeniu artykułu bazy wiedzy czas spadł z około godziny do 15 minut, czyli o 75% [1]. Oba wyniki dotyczą jednego zespołu w Aderant, a nie średniej rynkowej.

Czy Aderant wdrożył to rozwiązanie dla kancelarii prawnej?

Nie. Projekt obejmował wewnętrzny zespół Cloud Engineering, a od lutego 2026 r. także 86 osób wsparcia technicznego [1]. Użytkownikami byli inżynierowie i zespoły wsparcia. Produkty dla kancelarii, takie jak Expert Sierra, są osobną częścią oferty firmy [2].

Czym różni się Amazon Quick od Expert Sierra?

Amazon Quick to usługa AWS do wyszukiwania i pracy z wiedzą, wykorzystana w wewnętrznym projekcie Aderant [1]. Expert Sierra to system zarządzania praktyką kancelarii, obejmujący finanse, sprawy, rozliczenia i rejestrację czasu [2]. To dwa różne produkty o różnych zadaniach.

Czy trzeba przenosić dane do jednego systemu?

AWS nie opisuje migracji treści. Opis wymienia sześć istniejących systemów wiedzy jako źródła wyszukiwania i nie podaje informacji o ich konsolidacji [1]. Na podstawie tego materiału nie da się więc stwierdzić, czy dane pozostawały w miejscu, czy zostały skopiowane.

Od czego zacząć podobny projekt?

Od jednego zespołu i policzenia czasu potrzebnego na znalezienie informacji. Aderant uruchomił pilotaż w grupie 38 osób, a rozszerzenie przyszło po wynikach pilotażu [1]. Warto też z góry ustalić, kto zatwierdza treści tworzone automatycznie, bo ten etap występował w opisanym wdrożeniu [1]. Kontekst rynku pokazuje tekst o benchmarkach AI.

Źródła

  1. Aderant transforms cloud operations with Amazon Quick (AWS, 2026)
  2. Aderant Expert Sierra (Aderant, 2026)
  3. Aderant – Stridyn (Aderant, 2026)
  4. Stridyn: An AI-Driven Cloud Platform Unlocking Advanced Technology for Law Firms (Aderant, 2025)
AN
O autorze
Andrzej Niemiec

Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.

Jak powstają teksty: Polityka AI · O redakcji