AutoFlow AI

Problem i grupa docelowa

Zanim cokolwiek da się zautomatyzować, trzeba wiedzieć, co dokładnie i jak często ktoś robi ręcznie - a ten etap ("process discovery") zwykle wymaga wywiadów, warsztatów i ręcznej analizy, więc jest wolny i kosztowny. AutoFlow zbiera te dane automatycznie z realnej pracy na komputerze, zamiast polegać na czyjejś pamięci.

Dla kogo: Zespoły operacyjne/back-office (marketing, księgowość, e-commerce, obsługa klienta) pracujące dużo w CRM/Excelu/mailu/Slacku.

Jak to działa

• Agent Windows monitoruje aktywne okno i bezczynność, buduje z tego sesje pracy zapisywane lokalnie (SQLite)
• Rozszerzenie Chrome śledzi domenę i tytuł aktywnej karty tym samym mechanizmem prywatności co agent desktopowy
• Redakcja danych wrażliwych (e-mail, telefon, PESEL, NIP, numery kart, nazwa użytkownika) i blocklista aplikacji/domen działają lokalnie, zanim cokolwiek trafi na serwer
• Odczyt kontekstu dokumentów: nazwa pliku/arkusza/nagłówków kolumn z Excela (COM) oraz nagłówków tabel/pól formularzy ze stron (za osobną zgodą per domena)
• Silnik wykrywania wzorców analizuje sekwencje aplikacji, znajduje powtarzające się łańcuchy (np. CRM → Excel → Slack) i szacuje roczny koszt/czas
• Generator sugestii proponuje gotowy skrypt Python albo scenariusz no-code - kod można od razu uruchomić i sprawdzić w bezpiecznej piaskownicy

Stack technologiczny

Backend

Python, FastAPI, SQLAlchemy, Uvicorn

Frontend

Server-rendered (Jinja2 + czysty JavaScript, bez build stepu)

Baza danych

SQLite (MVP), architektura gotowa pod Postgres (zmiana zmiennej środowiskowej)

AI / modele

Brak zewnętrznego LLM - wykrywanie wzorców i sugestie działają regułowo/deterministycznie; miejsce na model (np. Claude) zaprojektowane, niezaimplementowane

Agent desktopowy

Python, pywin32 (Win32 API + COM do Excela), psutil, requests

Rozszerzenie przeglądarki

Chrome Manifest V3, czysty JavaScript

Status

Działający, przetestowany szkielet, nie produkcja. Działa end-to-end: zbieranie aktywności (Windows + Chrome) → lokalna redakcja danych wrażliwych → rejestracja urządzeń i przyjmowanie danych przez backend → dashboard z wykrywaniem wzorców, szacowaniem ROI i sugestiami automatyzacji → uruchomienie i test wygenerowanego kodu w piaskownicy.

Rezultaty i testy

• Silnik wykrywania wzorców poprawnie zidentyfikował testową, 3-krotnie powtórzoną sekwencję czynności w różnych dniach
• Automatycznie wygenerowany skrypt Python (agregujący dane) wykonany w piaskownicy zwrócił poprawny, oczekiwany wynik
• Redakcja danych wrażliwych zweryfikowana na rzeczywistych danych z urządzenia (poprawnie zamaskowany adres e-mail w tytule okna aplikacji firmowej)

O projekcie

AutoFlow AI powstał, żeby rozwiązać pierwszy i zwykle najtrudniejszy krok każdego wdrożenia automatyzacji: znalezienie tego, co faktycznie warto zautomatyzować. Zamiast wywiadów i warsztatów, lekki agent na Windows i rozszerzenie do Chrome obserwują realną, powtarzalną pracę - jakie aplikacje i strony są używane i jak długo - przy czym każda wrażliwa informacja (e-maile, numery telefonów, dane logowania) jest maskowana lokalnie na urządzeniu, zanim cokolwiek trafi na serwer. Zebrane dane trafiają do silnika, który wykrywa powtarzające się sekwencje czynności, szacuje ich roczny koszt w godzinach i pieniądzach, a następnie proponuje konkretną automatyzację - gotowy skrypt Python albo scenariusz no-code - którą od razu można uruchomić i przetestować w bezpiecznej piaskownicy, zamiast zgadywać, czy zadziała. Cały proces działa bez udziału zewnętrznego modelu AI, w pełni lokalnie i deterministycznie. Projekt jest obecnie na etapie działającego MVP, zweryfikowanego end-to-end na pojedynczej maszynie - kolejne kroki to wdrożenie poza localhost, wsparcie wielu użytkowników/organizacji oraz opcjonalne podpięcie LLM do bardziej precyzyjnych sugestii.