Jak AI może odciążyć project managerów w biurze tłumaczeń z XTRF?

AI podłączone do XTRF może przejąć dużą część tego, co project manager robi ręcznie każdego dnia: sprawdza statusy zadań, wysyła przypomnienia do tłumaczy, przygotowuje wyceny z analizy CAT i odpowiada klientom na pytanie "kiedy będzie gotowe?". XTRF ma REST API, które daje odczyt projektów, zadań, bazy dostawców i faktur bez eksportowania czegokolwiek do Excela. W biurze prowadzącym kilkadziesiąt projektów jednocześnie to przekłada się na PM-a, który rano otwiera trzy rzeczy do decyzji, zamiast spędzać pół godziny na sprawdzaniu, co się w ogóle dzieje.

Jak XTRF łączy się z AI: REST API, konto integracyjne i co to daje

XTRF Smart Projects ma REST API dostępne pod adresem Waszej instancji, typowo w formie https://waszafirma.xtrf.eu/project-manager/api/v1/.... Autoryzacja działa przez OAuth2: administrator tworzy w XTRF konto integracyjne, generuje token dostępu i przypisuje mu odpowiednie uprawnienia. Producent udostępnia dokumentację API w portalu deweloperskim, nie trzeba o to pisać do supportu.

Przez API dostajecie:

• Projekty: ID projektu, numer (np. P-2024-0431), status (open, in progress, completed, cancelled), daty, klient, pary językowe
• Zadania (jobs) i etapy (tasks): przypisany vendor, deadline, status (sent, accepted, in progress, delivered), liczba słów
• Analiza CAT w zadaniu: nowe słowa (new words), dopasowania 100% (perfect matches), dopasowania rozmyte w przedziałach (fuzzy matches), powtórzenia (repetitions)
• Baza dostawców (vendors): imię i nazwisko, pary językowe, specjalizacje, stawki dla poszczególnych usług i typów pliku, historia ocen jakości
• Faktury klientów i payables: kwoty, daty wystawienia, powiązanie z projektem
• Pliki projektu: nazwy, rozmiary, typy

Czego API nie daje bez dodatkowej pracy: treści samych plików do tłumaczenia (to zostaje w narzędziu CAT: SDL Trados, memoQ, Phrase), historii konwersacji z portalu dostawcy w czasie rzeczywistym, ani możliwości edycji wszystkich pól bez ograniczeń. Zapis danych przez API, na przykład tworzenie projektu czy przypisywanie vendora, wymaga uprawnień "Project Manager" na koncie integracyjnym.

Klasyczny moduł XTRF (Classic Projects) ma oddzielne API SOAP. Integracja możliwa, bardziej pracochłonna konfiguracyjnie. Jeśli Wasza instancja działa na Classic, warto sprawdzić to u administratora przed planowaniem zakresu.

Jednej rzeczy producent XTRF nie udostępnia: bezpośredniego dostępu do bazy danych SQL instancji. Wszystko idzie przez API, co oznacza, że możliwości integracji są dokładnie takie, jakie opisuje dokumentacja endpointów. Żadnych obejść, żadnych "shortcutów przez bazę".

Co AI wyciąga z XTRF i co robi z tymi danymi

AI cyklicznie odpytuje API, pobiera listę aktywnych projektów i zadań, sprawdza statusy i terminy, a potem działa według reguł, które Wy z PM-ami ustaliliście. Nie zgaduje. Nie interpretuje. Wykonuje.

• Monitoruje deadline'y na poziomie zadania, nie tylko projektu. Jeśli vendor ma dostarczyć tłumaczenie o 15:00, a o 13:00 status zadania wciąż pokazuje "in progress", AI wysyła przypomnienie, zanim PM zdąży zauważyć problem.
• Sprawdza, czy vendor potwierdził przyjęcie zadania. Po wysłaniu zadania do dostawcy XTRF zmienia status na "sent". AI pilnuje, żeby status przeszedł w "accepted" w ustalonym czasie, i wysyła ponaglenie, gdy tak nie jest.
• Generuje projekt wyceny z analizy CAT. Czyta wartości pól z zadania, mnoży przez stawki z cennika klienta i wysyła PM-owi gotowy dokument do zatwierdzenia, nie do tworzenia od podstaw.
• Odpowiada klientom na pytania o status. Pobiera aktualny stan zadań z API i składa odpowiedź: "Projekt P-2024-0431 jest na etapie korekty, planowane dostarczenie jutro do 10:00".
• Zestawia rentowność: wartość faktury klienta minus suma payables dla vendorów, pogrupowane po kliencie, parze językowej i miesiącu.

Poniedziałek rano, 40 projektów, troje PM-ów

Zanim PM otworzy laptopa, AI przeszło przez wszystkie aktywne projekty w XTRF. Na skrzynce czeka podsumowanie: 8 zadań z terminem przed 12:00, dwóch vendorów nie potwierdziło przyjęcia zadania (numer zadania i projekt w mailu), 4 nowe zapytania czekają na wycenę.

Jedno z nich to zapytanie od klienta "FirmaLogistyczna sp. z o.o.": dokumentacja przetargowa PL-DE, 5 200 słów. Analiza CAT jest już zapisana w XTRF po wgraniu pliku w memoQ. AI przygotowało projekt wyceny: nowe słowa po stawce z cennika klienta, 100% matches po stawce powtórzeń, progi fuzzy każdy po osobnej stawce. PM otwiera PDF, sprawdza liczby, klika "wyślij do klienta". Pięć minut.

Bez AI ta sama godzina wyglądałaby tak: PM otwiera XTRF, przechodzi projekt po projekcie, otwiera każde zadanie żeby sprawdzić status vendora, przegląda skrzynkę w poszukiwaniu potwierdzeń i nowych zapytań, otwiera arkusz z cennikiem klienta, liczy wycenę. Zanim skończy, przyszły dwa nowe maile i jeden tłumacz napisał, że potrzebuje więcej czasu.

Każdy z trojga PM-ów ma właśnie swój wariant tej samej godziny. Pomnóżcie to przez pięć dni w tygodniu.

Automatyczna wycena z analizy CAT: jak to działa od środka

Wycena w biurze tłumaczeń bazuje na kilku zmiennych: liczbie słów z podziałem na kategorie dopasowania, stawce dla konkretnego klienta i parze językowej. Po wgraniu pliku i uruchomieniu analizy CAT w Trados, memoQ albo Phrase wynik wraca do XTRF i zadanie zawiera pola z rozkładem: new words, 100% matches, repetitions, fuzzy 75-84%, fuzzy 85-94%, fuzzy 95-99%. Każda kategoria ma inną wagę w wycenie.

AI czyta te wartości przez API, pobiera cennik klienta z XTRF, liczy kwotę dla każdej kategorii i sumuje. Gotowy projekt wyceny trafia do PM-a jako dokument do zatwierdzenia, nie do tworzenia od zera.

Gdzie AI się zatrzymuje: gdy cennik klienta ma wyjątki (specjalny projekt, negocjowana stawka jednorazowa) albo gdy plik nie przeszedł analizy CAT i brakuje danych w zadaniu. Wtedy flaguje wycenę jako "do ręcznego uzupełnienia" i wskazuje, czego brakuje. PM nie dostaje błędnej liczby, dostaje sygnał, że trzeba dorzucić dane.

Typowo to jeden krok w procesie, który wcześniej wymagał trzech programów otwartych jednocześnie: XTRF, arkusza z cennikiem i kalkulatora albo kolejnego arkusza.

Dobór tłumacza: specjalizacja, dostępność i ocena z karty vendora

W XTRF każdy dostawca ma kartę z listą par językowych, specjalizacji (prawnicze, medyczne, techniczne, marketingowe i inne), stawkami dla poszczególnych usług i historią ocen jakości przypisywanych przez PM-ów po zakończeniu projektu. Te dane są ustrukturyzowane i dostępne przez API.

AI przy dobieraniu vendora do zadania:

• Filtruje bazę po parze językowej i specjalizacji projektu
• Sprawdza, czy vendor ma aktywne zadania z nakładającymi się terminami (odpytuje API o jego zadania w danym zakresie dat)
• Uwzględnia ostatnią ocenę jakości z karty vendora
• Generuje listę dwóch albo trzech kandydatów z krótkim uzasadnieniem: imię, para językowa, specjalizacja, ostatnia ocena, dostępność w terminie

PM wybiera z listy propozycji. AI nie przypisuje vendora samodzielnie bez zatwierdzenia. Decyzja, kto tłumaczy wrażliwy kontrakt dla klienta korporacyjnego, zostaje po stronie człowieka. AI skraca czas dojścia do tej decyzji z kilkunastu minut przeglądania bazy do jednej.

U jednego klienta baza vendorów liczy ponad 80 tłumaczy z różnymi specjalizacjami i parami językowymi. Bez automatycznego filtrowania i rankowania każdy dobór vendora to ręczne przejście przez długą listę i sprawdzenie kalendarza każdego kandydata osobno. Nikt tego nie robi skrupulatnie przy 40 aktywnych projektach.

Rentowność klientów i par językowych: raport, który wcześniej powstawał raz na kwartał

XTRF przechowuje faktury klientów i payables dla dostawców powiązane z projektami. Marżę na projekcie da się policzyć: kwota faktury klienta minus suma payables. Tyle że ręcznie, zestawione po kliencie i parze językowej za pół roku, to praca na kilka godzin. Dlatego zazwyczaj nie powstawała wcale.

AI robi to automatycznie. Pobiera z XTRF faktury i payables przez API, zestawia według klienta, pary językowej i okresu, wysyła PM-om albo właścicielowi co tydzień albo na żądanie.

Co daje taki raport w praktyce: wiecie, która para językowa generuje najlepszą marżę, który klient jest rentowny, a który zajmuje dużo czasu PM-a przy małych projektach z krótkimi terminami. W jednym biurze, z którym pracowaliśmy, raport pokazał, że tłumaczenia ustne powiązane z projektami pisemnymi dla konkretnego klienta generują niską marżę przy bardzo wysokim nakładzie pracy PM-a. To była wiedza "intuicyjna" u PM-ów od lat, ale nikt jej nigdy nie pokazał właścicielowi jako twardy wynik z systemu. Efekt był taki, że ustalono minimalną wartość zlecenia dla tego klienta i struktura zamówień zmieniła się w ciągu kwartału.

AI zestawia też reklamacje jakościowe. Gdy po zamknięciu projektu trafia mail od klienta z zastrzeżeniami do tłumaczenia, AI łączy go z odpowiednim projektem i vendorem w XTRF i śledzi wzorzec. Jeśli kilka reklamacji wskazuje na tego samego dostawcę w krótkim czasie, to pojawia się w cotygodniowym podsumowaniu, zanim PM zorientuje się z rosnącą listą ręcznych wpisów w kartach.

Od czego zacząć integrację XTRF z AI

Nie ma sensu zaczynać od wszystkiego naraz. Praktyczny punkt startowy to jeden przepływ, który najbardziej boli w codziennej pracy PM-ów. Zanim cokolwiek zaczniecie budować, sprawdźcie kilka rzeczy:

• Wersja XTRF: Smart Projects czy Classic? Od tego zależy, z którym API pracujemy (REST kontra SOAP).
• Konto integracyjne: administrator XTRF tworzy konto z uprawnieniami do odczytu projektów, zadań, vendorów i faktur. Jeśli chcecie też zapis (przypisywanie vendorów, zmiany statusów bezpośrednio w systemie), konto musi mieć uprawnienia PM-a.
• Token OAuth2: wygenerowany w panelu XTRF dla konta integracyjnego. Bez niego żadne zapytanie do API nie przejdzie.
• Co boli najbardziej: pilnowanie terminów i przypomnienia dla vendorów, automatyczne wyceny, dobór tłumaczy, raport rentowności. Zacznijcie od jednego, sprawdźcie, czy działa, dołóżcie kolejne.

Pierwsze działające połączenie, które czyta aktywne projekty i wysyła podsumowanie do PM-a, da się uruchomić w ciągu kilku dni. Pełna integracja z automatycznym doborem vendorów, zatwierdzaniem wycen i cotygodniowym raportem to kilka tygodni, zależnie od złożoności procesów w Waszym biurze i tego, ile z nich jest już ustrukturyzowanych w XTRF.

Jeśli chcecie zobaczyć, jak to mogłoby wyglądać w Waszym biurze, 15 minut rozmowy wystarczy, żeby ocenić, od czego zacząć i ile to realnie zmienia. Możecie też przejrzeć realne wdrożenia u firm, które już spinają AI z systemami branżowymi.