Praktyczne zastosowania
Aderant i Amazon Quick: wyszukiwanie wiedzy z 45 do 3 minut
Zaktualizowano: Autor: Andrzej Niemiec11 min czytania
Spis treści
- Jakie efekty przyniosło wdrożenie AI w Aderant?
- Czym jest Amazon Quick i co robi w tym wdrożeniu?
- Które systemy wiedzy połączono w jedno wyszukiwanie?
- Jak przebiegało wdrożenie krok po kroku?
- Czy wyszukiwanie i tworzenie dokumentacji wypadają podobnie?
- Jakie ograniczenia ma wdrożenie opisane przez AWS?
- Co z produktami Aderant dla kancelarii?
- Jak sprawdzić, czy podobny projekt ma sens w Twojej firmie?
- Najczęstsze pytania
- 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:
- Październik 2025 — pilotaż CloudOps Helper w zespole Cloud Engineering, początkowo 38 osób [1].
- Listopad 2025 — pełne wdrożenie i rozszerzenie działające w przeglądarce Chrome [1].
- 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.
| Kryterium | Wyszukiwanie wiedzy | Tworzenie artykułów |
|---|---|---|
| Czas przed wdrożeniem | 30–45 minut na zadanie [1] | około 60 minut [1] |
| Czas po wdrożeniu | 3–5 minut [1] | 15 minut [1] |
| Skala poprawy | ponad 90% [1] | 75% [1] |
| Źródło treści | sześć systemów wiedzy [1] | baza wiedzy zespołu [1] |
| Kontrola człowieka | nieopisana w źródle | zatwierdzenie 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
Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.
Jak powstają teksty: Polityka AI · O redakcji