AI w audycie wewnętrznym ISO: praktyczne zastosowania i ograniczenia
Kiedyś audyt wewnętrzny ISO wyglądał prosto: przeglądasz dokumenty, patrzysz na zapisy, pytasz ludzi, wyciągasz wnioski. Dziś, gdy coraz więcej procesów jest zdigitalizowanych, a zapisów są tysiące, pojawia się pytanie, czy AI może przejąć część tej pracy. Może - ale tylko tam, gdzie dane są uporządkowane, a audytor rozumie, co robi narzędzie. W tym wpisie pokażę, gdzie AI realnie pomaga w audycie wewnętrznym, a gdzie nadal musisz polegać na sobie.
Co AI robi dobrze w audycie wewnętrznym
Największą przewagę AI widać tam, gdzie trzeba przetworzyć dużo tekstu lub danych w krótkim czasie. Przykład z praktyki: przy audycie zapisów ze szkoleń, AI w kilka minut potrafi wskazać, które pozycje na liście obecności nie mają powiązanego zapisu z oceny skuteczności szkolenia. Ja robię to tak: wrzucam eksport z systemu do narzędzia, zadaję konkretne pytanie, a wynik traktuję jako listę do weryfikacji, nie jako gotowy dowód.
Drugi obszar to analiza dokumentacji pod kątem spójności. Jeśli w procedurze nadzoru nad dokumentacją jest zapisane, że przegląd odbywa się co 12 miesięcy, a w rejestrze widać wpisy co 18 miesięcy, AI wychwyci tę rozbieżność, jeśli dasz mu jasne kryterium. Ale uwaga: jeśli w źródłowym dokumencie nie ma jednoznacznej reguły, narzędzie może wygenerować fałszywy alarm. Dlatego zawsze weryfikuję wynik z oryginałem - to kwestia kilku minut, a chroni przed błędnym ustaleniem.
Gdzie AI zawodzi i dlaczego nie zastąpi audytora
AI nie oceni kontekstu. Jeśli operator na hali nie zapisał parametru procesu, bo uznał, że był w normie, a w rzeczywistości brak zapisu wynikał z awarii czujnika - model tego nie wyłapie, bo nie zna historii procesu. To widać dopiero w rozmowie z ludźmi i na miejscu. Dlatego w mojej praktyce AI służy do przygotowania pytań i wskazania miejsc do sprawdzenia, a nie do wystawiania niezgodności.
Kolejna pułapka to jakość danych wejściowych. Jeśli rejestr niezgodności jest prowadzony w Excelu, gdzie część wierszy ma inne nazwy kolumn, a część danych jest wklejona jako tekst, AI może pominąć część rekordów lub błędnie je zinterpretować. Zanim więc użyję narzędzia, sprawdzam, czy dane są w jednym formacie, czy nie ma pustych komórek w kluczowych kolumnach i czy daty są zapisane w sposób, który da się przetworzyć. To nie jest praca dla AI - to praca dla mnie przed uruchomieniem AI.
Przykład z praktyki
W jednym z projektów dostawca motoryzacyjny przygotowywał się do audytu IATF 16949. Zespół jakości miał rejestr ponad tysiąca rekordów z produkcji, ale w różnych plikach i formatach. Postanowiliśmy użyć AI do wstępnego przeglądu: narzędzie miało wskazać rekordy, w których brakuje daty lub numeru partii. Po pierwszym uruchomieniu okazało się, że model pominął kilkadziesiąt wierszy, bo w jednym z plików daty były zapisane jako tekst, a nie jako data. Musieliśmy najpierw ujednolicić format, a dopiero potem uruchomić analizę ponownie.
Drugie podejście dało już sensowną listę do weryfikacji. Zespół przejrzał ją ręcznie i potwierdził, że kilkanaście rekordów faktycznie wymagało uzupełnienia. Bez AI zajęłoby to kilka godzin, z AI - kilkadziesiąt minut, ale tylko dlatego, że ktoś najpierw posprzątał dane. Wniosek dla mnie jest jasny: AI przyspiesza pracę, ale nie zwalnia z odpowiedzialności za dane wejściowe.
Co z tego wynika
AI w audycie wewnętrznym ISO to narzędzie wspomagające, a nie zastępujące audytora. Najlepiej sprawdza się tam, gdzie dane są jednolite, a kryteria wyszukiwania jasne. Jeśli chcesz zacząć, wybierz jeden proces, przygotuj dane w jednym formacie i przetestuj na małej próbce. Nie traktuj wyniku jako gotowej niezgodności - zawsze weryfikuj z oryginałem. To podejście pozwala czerpać korzyści z AI bez ryzyka błędnych ustaleń audytowych.