Zaawansowane możliwości Microsoft Power Automate w projektowaniu procesów biznesowych (chmura + aplikacje pulpitowe)
Jak projektować procesy łączące chmurę z aplikacjami pulpitowymi? Poznaj zaawansowane możliwości Power Automate: wydajne pętle, obsługę błędów, wyrażenia, AI Builder, Dataverse i RPA — od wyboru narzędzi po testy, monitoring i utrzymanie.
Wprowadzenie: kiedy samo „klikanie flow” nie wystarcza i jak podchodzę do projektowania procesów hybrydowych
Przepływ, który po otrzymaniu wiadomości zapisuje załącznik w odpowiednim folderze, można zbudować szybko. Trudniejsze pytania pojawiają się wtedy, gdy ten sam dokument trzeba zweryfikować, zaakceptować i zarejestrować w aplikacji dostępnej wyłącznie na komputerze. Co ma się wydarzyć, jeśli aplikacja będzie niedostępna? Jak rozpoznać, że dokument został już obsłużony? Kto przejmie sprawę wymagającą decyzji? Właśnie w takich sytuacjach samo „klikanie flow” przestaje wystarczać. Potrzebny jest projekt procesu, a nie tylko sekwencja poprawnie skonfigurowanych akcji.
W Microsoft Power Automate rozróżniam dwie uzupełniające się warstwy automatyzacji. Przepływy chmurowe reagują na zdarzenia, działają według harmonogramu lub są uruchamiane na żądanie. Łączą usługi, przekazują dane i koordynują kolejne etapy pracy, na przykład obieg akceptacji. Przepływy pulpitu, tworzone w Power Automate Desktop, wykonują zadania na komputerze, również przez interfejs aplikacji. Są przydatne tam, gdzie proces obejmuje programy klasyczne lub czynności, których nie da się wygodnie zrealizować przez dostępną integrację.
Proces hybrydowy łączy te możliwości. Przykładowo: przepływ chmurowy przyjmuje zgłoszenie i zbiera akceptację, następnie zleca przepływowi pulpitu wprowadzenie danych do aplikacji, a po otrzymaniu wyniku aktualizuje status sprawy. To nie są jednak dwa niezależne scenariusze połączone przyciskiem. Ich współpraca wymaga określenia, jakie dane przechodzą między etapami, co potwierdza wykonanie zadania i gdzie przechowywany jest aktualny stan procesu. Część pulpitowa wymaga też dostępnego, odpowiednio przygotowanego środowiska wykonawczego — nie działa wyłącznie w chmurze.
Dlatego projektowanie zaczynam od przebiegu sprawy, nie od wyboru konektora. Ustalam zdarzenie początkowe, oczekiwany rezultat oraz warunki uznania zadania za zakończone. Oddzielam czynności oparte na jednoznacznych regułach od tych, które wymagają oceny człowieka. Sprawdzam również, który system jest źródłem danych i kto odpowiada za proces, gdy automatyzacja nie może kontynuować pracy. Dzięki temu nie przenoszę bezrefleksyjnie ręcznej procedury do narzędzia.
Następnie wyznaczam granice poszczególnych etapów. Chmura może koordynować obieg sprawy, a pulpit wykonywać wyraźnie wydzielone zadanie w konkretnej aplikacji. Nie zakładam przy tym, że każdy proces musi korzystać z obu warstw. Architektura hybrydowa ma rozwiązywać rzeczywiste ograniczenie, a nie zwiększać liczbę elementów automatyzacji. Jeśli cały scenariusz można sprawnie obsłużyć w chmurze, dokładanie części pulpitowej nie jest celem samym w sobie.
Już na początku określam też skalę: liczbę spraw, godziny ich napływu i dopuszczalny czas realizacji. Proces obsługujący kilka zgłoszeń dziennie ma inne wymagania niż ten, który musi przetworzyć dużą partię dokumentów przed rozpoczęciem pracy zespołu. Kryterium powodzenia nie jest dla mnie wyłącznie udany test pojedynczego uruchomienia. Jest nim przewidywalna obsługa rzeczywistego obciążenia, czytelny status każdej sprawy i możliwość przekazania jej człowiekowi, gdy dalsze działanie wymaga decyzji.
Pętle i iteracje w Power Automate: Apply to each i Do until przy masowym przetwarzaniu danych
Przepływ, który sprawnie obsługuje kilkanaście rekordów, przy kilkudziesięciu tysiącach może działać godzinami albo przekroczyć limity usługi. Przyczyną często nie jest sama liczba danych, lecz sposób ich przetwarzania: nadmiarowe wywołania konektorów, niepotrzebne zagnieżdżenia i źle dobrana współbieżność. Piszemy o tym, bo uczestnicy szkoleń Cognity często sygnalizują, że wydajne przetwarzanie dużych zbiorów danych jest dla nich realnym wyzwaniem w pracy. Dlatego projektowanie pętli warto zacząć od pytania: czy każdy element rzeczywiście wymaga osobnej operacji?
Apply to each — gdy przetwarzasz elementy kolekcji
Apply to each wykonuje zestaw akcji dla każdego elementu przekazanej tablicy. Sprawdza się na przykład przy aktualizowaniu pobranych zgłoszeń, obsłudze załączników lub tworzeniu zadań na podstawie listy zamówień. Liczba iteracji wynika z liczby elementów wejściowych — pętla nie pobiera automatycznie wszystkich rekordów ze źródła.
To ważne rozróżnienie przy dużych zbiorach. Jeżeli akcja pobierająca dane zwraca tylko pierwszą stronę wyników, pętla przetworzy właśnie tę stronę. Trzeba więc sprawdzić ustawienia paginacji, ograniczenia konkretnej akcji oraz ewentualny limit liczby zwracanych rekordów. Poprawnie wykonana pętla nie oznacza jeszcze, że przetworzono cały zbiór.
Domyślnie iteracje Apply to each są wykonywane sekwencyjnie. Włączenie sterowania współbieżnością pozwala przetwarzać kilka elementów równolegle. To dobre rozwiązanie wtedy, gdy operacje są od siebie niezależne: aktualizacja jednego rekordu nie wpływa na wynik aktualizacji kolejnego, a kolejność zakończenia nie ma znaczenia. Jeśli iteracje modyfikują wspólny stan lub ten sam zasób, równoległość może prowadzić do konfliktów zamiast przyspieszenia.
Do until — gdy zakończenie zależy od warunku
Do until powtarza akcje do chwili spełnienia określonego warunku, z uwzględnieniem ustawionych limitów liczby iteracji i czasu. W odróżnieniu od Apply to each nie służy przede wszystkim do przechodzenia po gotowej kolekcji. Przydaje się, gdy przepływ cyklicznie sprawdza status zadania uruchomionego w zewnętrznym systemie albo pobiera kolejne partie danych, dopóki źródło sygnalizuje, że istnieją następne wyniki.
Warunek jest sprawdzany po wykonaniu akcji wewnątrz pętli, dlatego jej zawartość wykona się co najmniej raz. Projektując Do until, należy określić jednoznaczne kryterium zakończenia oraz rozsądne limity. Przy odpytywaniu o status warto dodać także odstęp między sprawdzeniami. Setki zapytań wysłanych jedno po drugim zwykle nie przyspieszą pracy systemu docelowego, za to zwiększą obciążenie i ryzyko ograniczenia ruchu.
Jak ograniczyć czas i koszt masowego przetwarzania
Największe oszczędności zazwyczaj daje zmniejszenie liczby operacji, a nie maksymalne zwiększanie równoległości. W praktyce warto stosować kilka zasad:
- Filtruj dane u źródła. Jeśli konektor to umożliwia, pobieraj tylko potrzebne rekordy i pola, zamiast odrzucać większość wyników dopiero wewnątrz pętli.
- Wynoś stałe operacje poza pętlę. Tej samej konfiguracji czy niezmiennej listy referencyjnej nie trzeba pobierać ponownie dla każdego elementu.
- Sprawdzaj dostępność operacji zbiorczych. Jeżeli system i konektor obsługują zapis partiami, może on znacznie ograniczyć liczbę wywołań. Nie każdy konektor oferuje jednak taką możliwość.
- Unikaj zbędnych pętli zagnieżdżonych. Porównanie każdego z tysiąca rekordów z każdym z kolejnego tysiąca oznacza milion par do sprawdzenia. Warto wcześniej zawęzić dane lub wykorzystać filtrowanie po stronie źródła.
- Dobieraj współbieżność do ograniczeń usługi. Więcej równoległych iteracji może wywołać throttling, czyli ograniczanie liczby żądań. Wtedy przepływ niekoniecznie zakończy się szybciej.
Wydajność najlepiej oceniać na reprezentatywnej partii danych, obserwując czas wykonania, liczbę wywołań i zachowanie systemu docelowego. Dopiero potem warto zwiększać skalę. Przy bardzo dużych zbiorach dobrym rozwiązaniem może być przetwarzanie w mniejszych partiach z zapamiętywaniem postępu — tak, aby wznowienie pracy nie wymagało ponownego przechodzenia przez wszystkie wcześniej obsłużone rekordy.
3. Zaawansowana obsługa błędów: Configure run after, try–catch–finally, powiadomienia i logowanie
Najtrudniejszy błąd w automatyzacji nie zawsze zatrzymuje przepływ. Czasem dokument zostaje zapisany w systemie, ale potwierdzenie nie wraca na czas. Ponowienie operacji może wtedy utworzyć duplikat, a technicznie poprawne zakończenie kolejnej próby — zamaskować problem. Dlatego obsługę błędów projektuję razem z główną ścieżką procesu: określam, co można powtórzyć, co wymaga interwencji i po czym rozpoznam rzeczywisty wynik operacji.
Warunek biznesowy a błąd wykonania
Nie każdy nieprawidłowy wynik jest awarią techniczną. Brak wymaganej informacji w poprawnie pobranym zgłoszeniu powinien prowadzić do kontrolowanej ścieżki, na przykład zwrotu do uzupełnienia. Do takich rozstrzygnięć służą bloki Condition lub Switch. Inaczej traktuję niedostępność usługi, przekroczenie czasu oczekiwania czy odrzucone wywołanie — tutaj potrzebna jest reakcja na status wykonania akcji.
To rozróżnienie ma praktyczne znaczenie: akcja może zakończyć się statusem sukcesu, mimo że zwrócone dane nie pozwalają kontynuować procesu. Samo przechwytywanie błędów technicznych nie zastąpi więc walidacji wyniku.
Configure run after: kontrola nad ścieżką po niepowodzeniu
W przepływach chmurowych ustawienie Configure run after określa, po jakim statusie poprzedniego kroku ma uruchomić się następna akcja lub zakres. Domyślna ścieżka opiera się na sukcesie, ale można wybrać również niepowodzenie, pominięcie oraz przekroczenie limitu czasu.
| Status poprzedniego kroku | Typowe zastosowanie |
|---|---|
| Sukces — is successful | Kontynuacja głównej ścieżki i sprawdzenie poprawności wyniku biznesowego. |
| Niepowodzenie — has failed | Zapis diagnostyki, uruchomienie ścieżki naprawczej lub przekazanie sprawy do obsługi. |
| Przekroczenie czasu — has timed out | Sprawdzenie, czy operacja zdążyła wykonać się w systemie docelowym, zanim zostanie ponowiona. |
| Pominięcie — is skipped | Uruchomienie kroku końcowego mimo pominięcia wcześniejszej ścieżki, na przykład obsługi błędu. |
Nie zaznaczam wszystkich statusów automatycznie. Krok zapisujący dane nie powinien uruchamiać się po nieudanym pobraniu informacji wejściowych. Szeroki zestaw statusów ma uzasadnienie przede wszystkim przy czynnościach końcowych, które muszą zostać wykonane niezależnie od rezultatu wcześniejszej pracy.
Try–catch–finally z wykorzystaniem Scope
Power Automate pozwala odwzorować wzorzec try–catch–finally za pomocą zakresów Scope i odpowiednich zależności wykonania. Nie jest to osobna instrukcja języka, lecz sposób organizacji przepływu:
- Try grupuje operacje realizujące zadanie biznesowe.
- Catch uruchamia się po niepowodzeniu lub przekroczeniu czasu zakresu Try. Zapisuje kontekst błędu i decyduje o dalszej obsłudze.
- Finally wykonuje czynności końcowe, takie jak zapis wyniku przetwarzania lub zwolnienie wcześniej ustawionej blokady biznesowej.
W prostym układzie szeregowym Try → Catch → Finally zakres Finally konfiguruję tak, aby uruchamiał się po każdym z czterech statusów Catch. Uwzględnienie pominięcia jest istotne: po udanym Try zakres Catch zwykle nie zostanie wykonany. Finally nie daje jednak gwarancji wykonania po anulowaniu lub wymuszonym zakończeniu całego przepływu. Jeżeli potrzebna jest akcja Terminate, umieszczam ją po wymaganych czynnościach końcowych, a nie przed nimi.
Przechwycenie błędu nie oznacza jeszcze naprawienia procesu. Obsłużona awaria może nie skutkować końcowym statusem Failed, dlatego oddzielnie zapisuję wynik biznesowy i świadomie ustalam status zakończenia przepływu.
Ponowienia, logowanie i powiadomienia
Politykę ponowień stosuję przede wszystkim do problemów przejściowych, takich jak chwilowa niedostępność usługi lub ograniczenie liczby żądań, o ile dana akcja ją obsługuje. Błędne dane albo brak uprawnień zwykle wymagają usunięcia przyczyny. Przed ponowieniem operacji zmieniającej dane sprawdzam też jej idempotentność: czy powtórzenie nie utworzy kolejnego dokumentu, płatności lub zlecenia.
W procesie hybrydowym szczególnej ostrożności wymaga nieudane wywołanie przepływu desktopowego. Aplikacja mogła zapisać zmianę przed zerwaniem połączenia. Ponowne uruchomienie całego zadania bez sprawdzenia stanu docelowego bywa więc bardziej ryzykowne niż przekazanie go do weryfikacji.
Log powinien pozwalać odtworzyć zdarzenie bez przeglądania każdego kroku ręcznie. Zapisuję identyfikator wykonania i sprawy biznesowej, czas, etap procesu, status, kod błędu oraz informację o podjętej reakcji. Do zebrania wyników akcji wewnątrz zakresu można wykorzystać funkcję result(); nie należy jednak bezrefleksyjnie kopiować pełnych danych wejściowych i wyjściowych, które mogą zawierać informacje poufne.
Powiadomienie ma wskazywać działanie, a nie tylko informować o awarii. Powinno wyjaśniać, czego dotyczy problem, czy ponowienia zostały wyczerpane i gdzie znaleźć szczegóły wykonania. Alert kieruję do osoby odpowiedzialnej dopiero wtedy, gdy potrzebna jest interwencja — zamiast wysyłać osobny komunikat po każdej nieudanej próbie tej samej operacji.
4. Zmienne i wyrażenia: praca na tablicach, JSON, tekstach i datach — WDL oraz Power Fx
O poprawności automatyzacji często decyduje nie wybór akcji, lecz sposób przygotowania danych. Kwota odczytana jako tekst, brakujące pole w odpowiedzi API albo data zinterpretowana w niewłaściwej strefie czasowej mogą zmienić wynik całego procesu. Dlatego przed budowaniem wyrażeń ustalam, jakiego typu danych oczekuje kolejny krok i co ma się wydarzyć, gdy wartość będzie pusta lub niepoprawna. W Cognity omawiamy przygotowanie danych zarówno od strony technicznej, jak i praktycznej — w odniesieniu do procesów, z którymi uczestnicy spotykają się w codziennej pracy.
WDL i Power Fx — dwa różne konteksty pracy
W przepływach chmurowych Power Automate korzystam z wyrażeń opartych na Workflow Definition Language (WDL). Funkcje takie jak concat(), coalesce() czy formatDateTime() pozwalają przekształcać wyniki akcji bez dokładania kolejnych kroków wyłącznie do prostych operacji na danych.
Power Fx, którego składnia przypomina formuły arkusza kalkulacyjnego, jest dostępny m.in. w przepływach Power Automate Desktop utworzonych z włączoną obsługą tego języka. Nie jest jednak zamiennikiem WDL w edytorze wyrażeń przepływu chmurowego. W procesie hybrydowym rozdzielam więc obie składnie, a między chmurą i pulpitem przekazuję dane o jasno określonym formacie.
Przykładowo usunięcie zbędnych spacji i zamiana liter na wielkie wygląda następująco:
WDL — przepływ chmurowy:
toUpper(trim(' fv/2026/001 '))
Power Fx — przepływ desktopowy z obsługą Power Fx:
=Upper(Trim(" fv/2026/001 "))Oba przykłady zwracają FV/2026/001. Nie oznacza to jednak pełnej zgodności funkcji: Trim w Power Fx redukuje również nadmiarowe spacje między wyrazami, podczas gdy WDL trim() usuwa białe znaki z początku i końca tekstu.
Zmienne czy Compose? Najpierw określam rolę wartości
W chmurze zmienne mają określony typ, np. String, Integer, Float, Boolean, Array lub Object. Używam ich wtedy, gdy wartość rzeczywiście ma się zmieniać podczas wykonania procesu. Jeżeli potrzebuję tylko obliczyć wynik i wykorzystać go w kilku miejscach, zwykle wystarcza akcja Compose. Dzięki temu przepływ ma mniej operacji modyfikujących stan i łatwiej prześledzić pochodzenie danych.
Nie traktuję też każdego ciągu cyfr jako liczby. Numer dokumentu 000123 powinien pozostać tekstem, jeżeli zera wiodące mają znaczenie. Z kolei tekstową liczbę można przekształcić wyrażeniem int('123'), ale dopiero po upewnieniu się, że źródło rzeczywiście dostarcza poprawny zapis liczbowy.
Tablice i JSON: struktura zamiast ręcznego sklejania
Tekst zawierający JSON nie jest tym samym co obiekt JSON. Funkcja json() przekształca poprawny tekst JSON w strukturę danych. Jeśli wcześniejsza akcja już zwraca obiekt, ponowna konwersja nie jest potrzebna. Akcja Parse JSON przydaje się natomiast, gdy chcę opisać oczekiwaną strukturę schematem i wygodnie korzystać z jej pól w kolejnych akcjach.
Poniższe przykłady WDL zakładają, że Dokument jest zmienną typu Object, a Pozycje — typu Array:
Odczyt opcjonalnego pola:
variables('Dokument')?['numer']
Wartość zastępcza dla null:
coalesce(variables('Dokument')?['numer'], 'Brak numeru')
Liczba elementów tablicy:
length(variables('Pozycje'))Operator ? umożliwia bezpieczny odczyt brakującej właściwości, zwracając null. Warto pamiętać, że coalesce() wybiera pierwszą wartość różną od null — nie zastępuje automatycznie pustego tekstu. Do sprawdzania pustych ciągów i kolekcji służy empty().
Do ograniczania tablicy do potrzebnych rekordów wykorzystuję Filter array, a do zmiany struktury jej elementów — Select. To czytelniejsze niż ręczne składanie tekstu JSON, które łatwo uszkodzić cudzysłowem lub znakiem nowej linii w danych wejściowych.
Daty: formatowanie nie zastępuje konwersji strefy
Datę przetwarzam w formacie jednoznacznym, najlepiej ISO 8601 z informacją o strefie lub przesunięciu. Zapis przeznaczony dla użytkownika przygotowuję dopiero na końcu. Samo formatDateTime() zmienia sposób prezentacji daty, lecz nie przelicza jej na czas lokalny.
Termin za siedem dni od bieżącej chwili:
addDays(utcNow(), 7)
Bieżący czas w strefie właściwej dla Polski:
convertTimeZone(utcNow(), 'UTC', 'Central European Standard Time', 'dd.MM.yyyy HH:mm')Konwersja z użyciem identyfikatora strefy uwzględnia zmianę czasu letniego i zimowego; ręczne dodanie jednej lub dwóch godzin nie daje tej samej pewności. Na granicy cloud–desktop ustalam również, czy przekazuję konkretny moment w czasie, samą datę biznesową czy gotowy tekst do wyświetlenia. To trzy różne znaczenia, nawet jeśli na ekranie wyglądają podobnie.
5. AI Builder i AI w automatyzacjach: OCR faktur, tłumaczenie i klasyfikacja danych
Reguła automatyzacji dobrze radzi sobie z pytaniem: „czy kwota przekracza ustalony limit?”. Nie wystarczy jednak, gdy najpierw trzeba znaleźć tę kwotę na skanie faktury albo ustalić, czego dotyczy wiadomość od klienta. W takich miejscach wykorzystuję AI: do przekształcania nieuporządkowanej treści w dane, na których proces może dalej pracować. Model interpretuje materiał wejściowy, ale to reguły biznesowe określają, co wolno zrobić z jego wynikiem.
AI Builder udostępnia możliwości AI w środowisku Power Platform, m.in. przetwarzanie dokumentów oraz wybrane zadania związane z analizą tekstu. Power Automate może też korzystać z zewnętrznych usług AI przez odpowiednie łączniki. Nie są to rozwiązania zamienne w każdym scenariuszu: wybór zależy od zadania, dostępności języków, wymagań dotyczących danych i kosztu przetwarzania.
OCR faktur: od odczytu tekstu do danych gotowych do weryfikacji
OCR i przetwarzanie faktur rozwiązują dwa różne problemy. OCR rozpoznaje tekst na obrazie lub w skanie. Model przetwarzający faktury dodatkowo identyfikuje pola, takie jak numer dokumentu, data, dane dostawcy czy kwoty, a w obsługiwanych przypadkach również pozycje faktury. Sam odczyt tekstu nie oznacza więc, że powstał poprawny dokument księgowy.
Przykładowy proces odbiera załącznik, przekazuje go do modelu, a następnie weryfikuje wyodrębnione wartości. Sprawdzam przede wszystkim kompletność wymaganych pól, zgodność kwot w granicach przyjętych tolerancji oraz możliwość dopasowania dostawcy do danych referencyjnych. W procesie hybrydowym zaakceptowany wynik może następnie trafić do aplikacji obsługiwanej przez automatyzację pulpitową — bez ponownego interpretowania dokumentu na tym etapie.
Najwięcej problemów powodują nieczytelne skany, nietypowe układy, wielostronicowe tabele i niejednoznaczne oznaczenia wartości. Jeżeli model udostępnia wskaźnik pewności, wykorzystuję go jako dodatkową przesłankę, a nie gwarancję poprawności. Próg akceptacji warto ustalać dla konkretnych pól: błędny numer rachunku ma inne konsekwencje niż niedokładnie odczytany opis pozycji. Dokumenty niespełniające kryteriów powinny trafiać do weryfikacji człowieka.
Tłumaczenie: pomoc w obsłudze, nie automatyczna aprobata treści
Tłumaczenie maszynowe sprawdza się przy wielojęzycznych zgłoszeniach, korespondencji operacyjnej czy przygotowywaniu roboczych wersji komunikatów. Można je realizować przez dostępną funkcję AI Builder lub odpowiednią usługę tłumaczeniową, po sprawdzeniu obsługi wymaganych języków. Zachowuję przy tym oryginał tekstu i wyraźnie oddzielam go od tłumaczenia.
W przypadku umów, reklamacji i instrukcji związanych z bezpieczeństwem płynny język nie jest wystarczającym kryterium jakości. Model może niewłaściwie przełożyć termin branżowy, zgubić negację albo zmienić wydźwięk zobowiązania. Takie zastosowania wymagają przeglądu przez osobę znającą język i kontekst. Warto również zadbać o spójność terminologii, korzystając z mechanizmów oferowanych przez wybraną usługę.
Klasyfikacja danych: kierowanie spraw do właściwej obsługi
Klasyfikacja przydaje się wtedy, gdy o dalszym przebiegu procesu decyduje znaczenie tekstu, a nie obecność jednego słowa. Pozwala np. rozróżniać pytania o płatności, reklamacje i zgłoszenia techniczne. Model klasyfikacyjny przypisuje treść do ustalonych kategorii, natomiast model generatywny sterowany instrukcją może dodatkowo wyjaśnić wybór lub wydobyć informacje. Ta elastyczność wymaga jednak kontroli: odpowiedź generatywna nie musi zachować oczekiwanego formatu ani ograniczyć się do dozwolonych etykiet.
Projektowanie zaczynam od jednoznacznego opisu kategorii i reprezentatywnych przykładów. Uwzględniam też kategorię „do weryfikacji” dla wiadomości niejasnych lub wielowątkowych. Jakość oceniam na osobnym zbiorze testowym, analizując pomyłki między kategoriami. Wysoka ogólna skuteczność może maskować słabe rozpoznawanie rzadkich, ale istotnych zgłoszeń.
Kiedy AI ma sens — i gdzie postawić granice
AI uzasadnia swój koszt, gdy dane mają zmienną formę, ręczna interpretacja zajmuje dużo czasu, a wynik można zweryfikować. Jeśli potrzebna informacja znajduje się już w uporządkowanym polu, zwykłe mapowanie lub reguła będą zazwyczaj prostsze i bardziej przewidywalne.
- Weryfikacja proporcjonalna do ryzyka: automatyczna propozycja kategorii to nie to samo co zgoda na płatność. Decyzje o wysokich konsekwencjach wymagają dodatkowych zabezpieczeń.
- Ochrona treści: przed przekazaniem dokumentów do usługi trzeba sprawdzić zasady przetwarzania, lokalizację danych i warunki ich przechowywania. Nie należy przesyłać informacji zbędnych do wykonania zadania.
- Odporność na manipulację: przy modelach generatywnych treść maila lub dokumentu należy traktować jako dane, nie instrukcje. Zawarte w niej polecenia nie mogą nadawać uprawnień ani zmieniać reguł procesu.
- Koszt i utrzymanie jakości: przed wdrożeniem trzeba zweryfikować aktualne licencjonowanie, limity i sposób naliczania zużycia. Pilotaż powinien obejmować również koszt ponowień oraz ręcznej weryfikacji, a jakość wymaga ponownego sprawdzania po zmianach modelu, instrukcji lub rodzaju dokumentów.
Za miarę powodzenia przyjmuję nie liczbę wywołań AI, lecz skrócenie czasu obsługi przy akceptowalnym poziomie błędów. Często najlepszym rozwiązaniem jest model, który przygotowuje dane i wskazuje niepewne przypadki, pozostawiając człowiekowi jasno określony zakres decyzji.
6. Łączniki Premium i Dataverse: zastosowania, bezpieczeństwo, uprawnienia, governance i zarządzanie danymi
Przepływ może poprawnie przenosić dane między systemami, a mimo to nie spełniać wymagań biznesowych: korzystać z nadmiernych uprawnień, przechowywać poufne informacje w niewłaściwym miejscu albo zależeć od konta osoby, która niedługo zmieni stanowisko. Dlatego wybór łączników i warstwy danych traktuję jako decyzję architektoniczną, a nie tylko konfigurację kolejnych akcji.
Łącznik Premium zapewnia dostęp do określonej integracji, natomiast Dataverse jest platformą przechowywania danych i zarządzania nimi. Te pojęcia nie są zamienne, choć łącznik Microsoft Dataverse w Power Automate należy do kategorii Premium.
Łączniki standardowe, Premium i Dataverse — co wybrać?
| Rozwiązanie | Typowe zastosowanie | Co sprawdzić przed wdrożeniem |
|---|---|---|
| Łączniki standardowe | Obsługa poczty, dokumentów i list, np. przez Office 365 Outlook lub SharePoint. | Limity usługi, dostępne operacje oraz zakres praw konta używanego przez połączenie. |
| Łączniki Premium | Integracja z bazami i systemami biznesowymi, np. przez SQL Server lub SAP ERP. | Licencjonowanie, wymagania systemu docelowego, dostępność sieciową i ewentualną potrzebę użycia bramy danych. |
| Microsoft Dataverse | Wspólny model danych dla aplikacji i automatyzacji, z relacjami między tabelami oraz kontrolą dostępu do rekordów. | Model bezpieczeństwa, pojemność, audyt, retencję i zasady odpowiedzialności za dane. |
Oznaczenie Premium jest przede wszystkim kategorią licencyjną — nie gwarancją większej szybkości czy niezawodności. Przed wyborem integracji sprawdzam aktualne warunki Microsoft oraz sposób uruchamiania przepływu. Wymagane uprawnienia licencyjne mogą zależeć od użytkownika, procesu i kontekstu użycia; samo posiadanie Microsoft 365 nie oznacza dostępu do wszystkich możliwości Premium.
Kiedy Dataverse wnosi rzeczywistą wartość
Dataverse ma sens, gdy proces potrzebuje spójnego modelu danych, a nie tylko miejsca na zapis wyniku. W obsłudze wniosków zakupowych można oddzielić wniosek, jego pozycje, dostawcę i decyzje akceptacyjne, a następnie powiązać je relacjami. Aplikacje i przepływy korzystają wtedy z tych samych tabel, zamiast utrzymywać rozbieżne kopie informacji.
Nie oznacza to, że każdą listę SharePoint należy przenieść do Dataverse. Przy prostym rejestrze, niewielkiej liczbie zależności i nieskomplikowanych uprawnieniach lista może wystarczyć. Dataverse warto rozważyć szczególnie wtedy, gdy rosną wymagania dotyczące relacji, dostępu do poszczególnych rekordów, audytowalności i współdzielenia danych przez kilka aplikacji.
Uprawnienia: liczy się tożsamość wykonująca operację
Dostęp do edycji przepływu nie jest tym samym co dostęp do danych. Operacje wykonują się z uprawnieniami tożsamości używanej przez dane połączenie. Projektując rozwiązanie, ustalam więc nie tylko, kto może uruchomić automatyzację, lecz także w czyim kontekście odczyta ona, zmieni lub usunie informacje.
W Dataverse role zabezpieczeń określają dozwolone operacje i zakres dostępu do rekordów. Model można oprzeć na jednostkach biznesowych, zespołach i własności rekordów, a dla obsługiwanych kolumn zastosować dodatkowe zabezpieczenia. Uprawnienia wynikające z różnych ról sumują się, dlatego dodanie wąskiej roli nie odbierze dostępu przyznanego wcześniej przez szerszą.
Stosuję zasadę najmniejszych uprawnień: integracja powinna otrzymać tylko dostęp niezbędny do swojego zadania. Dla procesów krytycznych ustalam też właściciela technicznego, sposób utrzymania połączeń oraz procedurę zmiany poświadczeń. Konta aplikacyjne lub service principal wykorzystuję tam, gdzie dany łącznik i scenariusz je obsługują.
Governance: środowiska, DLP i kontrolowane wdrożenia
Oddzielne środowiska deweloperskie, testowe i produkcyjne ograniczają ryzyko eksperymentowania na danych operacyjnych. Rozwiązania (solutions), odwołania do połączeń i zmienne środowiskowe pomagają przenosić konfigurację między środowiskami bez ręcznego przepisywania adresów czy identyfikatorów. Same odwołania do połączeń nie przenoszą jednak poświadczeń — połączenia docelowe trzeba odpowiednio przygotować.
Polityki danych, często nazywane politykami DLP, pozwalają kontrolować dopuszczalne użycie i łączenie konektorów. Mogą ograniczyć na przykład przekazywanie danych biznesowych do niezatwierdzonych usług. Nie zastępują jednak uprawnień w systemie źródłowym ani nie analizują automatycznie znaczenia każdej przesyłanej informacji.
Zarządzanie danymi po uruchomieniu procesu
Jeszcze przed wdrożeniem określam system będący źródłem prawdy, identyfikatory rekordów oraz zasady aktualizacji i usuwania danych. Bez tego integracja łatwo tworzy duplikaty lub nadpisuje informacje, za które odpowiada inny system.
W Dataverse planuję również zakres audytu, retencję i zużycie pojemności bazy, plików oraz dzienników. Audyt wymaga konfiguracji i nie jest kopią zapasową. Przechowuję tylko dane potrzebne procesowi, a okres ich utrzymywania dopasowuję do wymagań biznesowych i prawnych — również dla załączników i danych skopiowanych z systemów źródłowych.
7. Power Automate Desktop (RPA): automatyzacja aplikacji klasycznych, mysz i klawiatura, makra oraz SQL
Nie każdy etap procesu da się obsłużyć przez konektor lub API. Starszy system może udostępniać potrzebną funkcję wyłącznie w oknie aplikacji, a narzędzie księgowe — wymagać ręcznego importu pliku. W takich sytuacjach wykorzystuję Power Automate Desktop (PAD): do automatyzacji czynności wykonywanych na komputerze, od obsługi formularzy po pracę z plikami i aplikacjami lokalnymi. Nie traktuję jednak RPA jako domyślnego sposobu integracji. Najpierw sprawdzam, czy ten sam efekt można uzyskać bez sterowania interfejsem.
Automatyzacja aplikacji: elementy interfejsu zamiast samych kliknięć
Przepływ pulpitu może uruchomić aplikację, odczytać zawartość pola, wybrać pozycję na liście i zatwierdzić formularz. Tam, gdzie jest to możliwe, projektuję te operacje z użyciem rozpoznawanych elementów interfejsu i selektorów, a nie stałych współrzędnych ekranu. Kliknięcie przycisku zidentyfikowanego jako konkretny element jest zwykle odporniejsze na przesunięcie okna niż kliknięcie punktu o określonej pozycji.
Symulowanie myszy i klawiatury pozostaje przydatne, gdy aplikacja nie udostępnia elementów możliwych do niezawodnego rozpoznania. Wymaga jednak większej kontroli nad środowiskiem: aktywnym oknem, rozdzielczością, skalowaniem obrazu i czasem ładowania ekranów. Zamiast zakładać, że po kilku sekundach formularz będzie gotowy, lepiej czekać na pojawienie się właściwego elementu. Po zapisaniu danych warto również sprawdzić rezultat — samo wykonanie kliknięcia nie potwierdza, że system przyjął operację.
Makra i SQL: nie wszystko trzeba wykonywać przez ekran
PAD może korzystać z istniejących mechanizmów automatyzacji, zamiast odtwarzać każdą czynność użytkownika. Przykładem jest uruchomienie makra w Excelu, które przygotowuje lokalny raport. Taki wariant ma sens, jeżeli makro jest sprawdzone, jego działanie jest zrozumiałe, a środowisko pozwala na jego uruchamianie. Trzeba uwzględnić ustawienia bezpieczeństwa, dostępność plików i zależności od konkretnej instalacji Office. Nagranie czynności w rejestratorze PAD nie jest przy tym tym samym co makro VBA — to odrębne mechanizmy.
Gdy zadanie dotyczy danych przechowywanych w bazie, alternatywą dla kopiowania wartości z ekranów mogą być akcje bazodanowe i zapytania SQL. Wymagają one odpowiedniego połączenia, sterownika oraz uprawnień. Bezpośredni odczyt może ograniczyć liczbę operacji w interfejsie, ale zapis do tabel aplikacji wymaga szczególnej ostrożności. Może ominąć walidacje i reguły biznesowe realizowane przez sam system, dlatego powinien odbywać się wyłącznie przez zatwierdzony, wspierany sposób dostępu.
RPA czy konektor — kryteria wyboru
Wybór opieram na dostępnych funkcjach i kosztach utrzymania, nie tylko na szybkości zbudowania prototypu:
- Konektor lub API wybieram, gdy obsługuje potrzebną operację i zapewnia odpowiedni dostęp do danych. Zwykle ogranicza to zależność od wyglądu aplikacji i dostępności sesji pulpitu.
- RPA stosuję, gdy niezbędna funkcja jest dostępna wyłącznie przez interfejs albo nie istnieje wspierana integracja. Warunkiem jest możliwość zapewnienia przewidywalnego środowiska pracy robota.
- Podejście hybrydowe sprawdza się, gdy większość procesu może działać w chmurze, a tylko jeden etap wymaga aplikacji lokalnej. Przepływ chmurowy może wtedy uruchomić przepływ pulpitu na skonfigurowanej maszynie i odebrać jego wynik.
Przed wdrożeniem rozstrzygam też, czy automatyzacja będzie działała z udziałem użytkownika (attended), czy bez jego udziału (unattended). Od tego zależą wymagania dotyczące sesji Windows, dostępności maszyny i licencjonowania. Robot sterujący ekranem nie powinien konkurować z człowiekiem o mysz i klawiaturę. Dobrze zaprojektowane RPA obejmuje więc nie tylko sekwencję czynności, lecz także warunki ich wykonania oraz odpowiedzialność za dostosowanie przepływu po zmianach w aplikacji.
Zakończenie: checklista wdrożeniowa i przykłady procesów end-to-end
O gotowości automatyzacji do wdrożenia nie świadczy jeden poprawnie zakończony przebieg. Ważniejsze jest to, czy proces zachowa się przewidywalnie przy brakujących danych, niedostępnej aplikacji lub ponownym przesłaniu tego samego dokumentu. W rozwiązaniach łączących chmurę z aplikacjami pulpitowymi dochodzi jeszcze jedno pytanie: czy po przerwaniu pracy wiadomo, które operacje zostały już wykonane i od którego miejsca można bezpiecznie wznowić proces?
Przy odbiorze rozwiązania warto więc ocenić nie tylko sam przepływ, lecz także odpowiedzialność za jego działanie, sposób obsługi wyjątków i możliwość potwierdzenia wyniku biznesowego. Poniższa checklista pomaga zamienić działający prototyp w proces, który można przekazać do codziennego użytkowania.
Checklista przed uruchomieniem produkcyjnym
- Projektowanie: określ właściciela procesu, zdarzenie rozpoczynające pracę, oczekiwany rezultat i kryteria sukcesu. Wyznacz granice między działaniami w chmurze, zadaniami desktopowymi i decyzjami człowieka. Tam, gdzie dostępny jest odpowiedni konektor lub API, preferuj integrację zamiast obsługi interfejsu użytkownika. Ustal też sposób identyfikowania spraw i zapobiegania powtórnemu wykonaniu tej samej operacji, zwłaszcza zapisu dokumentu czy wysłania zlecenia.
- Testy: sprawdź pełną ścieżkę biznesową, a nie wyłącznie pojedyncze akcje. Uwzględnij błędne i niekompletne dane, duplikaty, większy wolumen, brak uprawnień oraz niedostępność systemu docelowego. Przetestuj przerwanie i wznowienie procesu po częściowym wykonaniu. Potwierdź z użytkownikami, że wynik jest poprawny również w aplikacji docelowej — zielony status przepływu nie zastępuje odbioru biznesowego.
- Monitoring: ustal, kto otrzymuje zgłoszenie problemu i w jakim czasie powinien zareagować. Obserwuj liczbę spraw zakończonych, odrzuconych i oczekujących, czas obsługi oraz odsetek interwencji ręcznych. Zapewnij możliwość powiązania przebiegu automatyzacji z konkretną sprawą, bez zbędnego ujawniania danych wrażliwych w komunikatach diagnostycznych.
- Utrzymanie: przypisz odpowiedzialność za połączenia, uprawnienia, maszyny wykonujące RPA i aktualizacje aplikacji. Zweryfikuj wymagania licencyjne oraz dostępne zasoby dla przewidywanego obciążenia. Przygotuj instrukcję obsługi wyjątków, procedurę wdrażania i wycofywania zmian oraz tryb awaryjnej pracy ręcznej. Zaplanuj przeglądy po zmianach formularzy, interfejsów i reguł biznesowych.
Trzy przykłady procesów od zgłoszenia do potwierdzonego wyniku
Obsługa faktury zakupowej. Dokument trafia do ustalonego kanału, a przepływ chmurowy uruchamia odczyt danych i ich weryfikację. Niekompletne lub niepewne wyniki kierowane są do sprawdzenia przez pracownika, a następnie dokument przechodzi wymaganą akceptację. Jeśli system księgowy nie udostępnia odpowiedniej integracji, Power Automate Desktop wprowadza zatwierdzone dane. Proces kończy się potwierdzeniem numeru zapisu w systemie i aktualizacją statusu sprawy, nie samym kliknięciem przycisku zapisu.
Przygotowanie dostępu dla nowego pracownika. Zatwierdzone zgłoszenie kadrowe uruchamia zadania związane z kontami, wyposażeniem i dostępami. Działania w usługach posiadających integrację realizowane są przez konektory lub API, zgodnie z nadanymi uprawnieniami. RPA może obsłużyć wydzielony etap w starszej aplikacji wewnętrznej. Zakończenie procesu wymaga potwierdzenia wszystkich obowiązkowych zadań; brak jednego dostępu pozostaje widocznym wyjątkiem, a nie ukrytym błędem.
Uzgadnianie danych między systemami. Przepływ uruchamiany według harmonogramu pobiera dane z dostępnych źródeł, a automat desktopowy eksportuje raport z aplikacji pozbawionej odpowiedniego interfejsu integracyjnego. Po porównaniu rekordów rozbieżności trafiają do osób odpowiedzialnych za ich wyjaśnienie. Wynikiem jest lista uzgodnionych pozycji i otwartych spraw, z zachowaniem informacji o źródłach oraz czasie pobrania danych.
We wszystkich tych scenariuszach obowiązuje ta sama zasada: automatyzacja powinna dostarczać sprawdzalny rezultat i pozostawiać kontrolowaną ścieżkę obsługi wyjątku. To lepsze kryterium jakości wdrożenia niż liczba akcji w przepływie czy liczba zastąpionych kliknięć. Jeśli chcesz poznać więcej takich przykładów, zapraszamy na szkolenia Cognity, gdzie rozwijamy ten temat w praktyce.
Najczęściej zadawane pytania i odpowiedzi odnośnie Zaawansowane możliwości Microsoft Power Automate w projektowaniu procesów biznesowych (chmura + aplikacje pulpitowe)
Przepływ chmurowy może uruchomić przepływ pulpitu na skonfigurowanej maszynie, przekazać mu dane i odebrać wynik. Chmura koordynuje wtedy proces, a Power Automate Desktop wykonuje wydzielone zadanie w aplikacji lokalnej. Przed wdrożeniem trzeba określić format danych wejściowych i wyjściowych, miejsce przechowywania statusu sprawy oraz sposób potwierdzania wykonania operacji. Część pulpitowa wymaga dostępnego środowiska wykonawczego — nie działa wyłącznie w chmurze.
Apply to each przetwarza elementy tablicy, natomiast Do until powtarza działania do spełnienia warunku, w granicach ustawionych limitów. Wybór pętli powinien wynikać ze sposobu zakończenia zadania:
- Apply to each sprawdza się przy obsłudze pobranych rekordów lub załączników.
- Do until służy między innymi do cyklicznego sprawdzania statusu zadania.
Przy dużych zbiorach sprawdź paginację źródła danych, a przy odpytywaniu systemu ustaw odstępy między próbami.
Nadaj operacji stały identyfikator biznesowy i przed ponowieniem sprawdź, czy zapis już istnieje w systemie docelowym. Przekroczenie czasu oczekiwania nie oznacza, że operacja nie została wykonana. Scope i Configure run after pomagają skierować przepływ do obsługi błędu, ale same nie zapobiegają duplikatom. Jeśli nie można jednoznacznie potwierdzić wyniku, bezpieczniej przekazać sprawę do weryfikacji niż automatycznie powtarzać zapis.
Power Fx nie zastępuje WDL w edytorze wyrażeń przepływów chmurowych Power Automate. Chmura korzysta z funkcji WDL, takich jak concat(), coalesce() czy formatDateTime(). Power Fx jest dostępny między innymi w przepływach Power Automate Desktop utworzonych z jego obsługą. Przy łączeniu obu warstw trzeba uzgodnić typy i formaty danych, ponieważ podobnie nazwane funkcje nie zawsze zachowują się identycznie.
Dane odczytane przez AI Builder należy sprawdzić według reguł biznesowych przed przekazaniem ich do systemu księgowego. Sam OCR rozpoznaje tekst, a model przetwarzania faktur identyfikuje pola dokumentu. Weryfikacja powinna obejmować:
- kompletność wymaganych pól;
- zgodność kwot w przyjętych tolerancjach;
- dopasowanie dostawcy do danych referencyjnych;
- ocenę niepewnych odczytów przez człowieka.
Wskaźnik pewności modelu jest dodatkową przesłanką, nie gwarancją poprawności. Kryteria akceptacji warto ustalać osobno dla pól o różnym znaczeniu.
Dataverse warto wybrać, gdy proces wymaga relacji między tabelami, kontroli dostępu do rekordów i wspólnego modelu danych dla kilku aplikacji. Lista SharePoint może wystarczyć do prostego rejestru z nieskomplikowanymi uprawnieniami. Decyzję należy oprzeć na strukturze danych oraz wymaganiach dotyczących bezpieczeństwa i audytu. Przed wdrożeniem Dataverse trzeba również zaplanować pojemność, retencję i odpowiedzialność za utrzymanie danych.
Automatyzacja attended działa z udziałem użytkownika, a unattended wykonuje zadania bez jego udziału. Ten wybór wpływa na wymagania dotyczące sesji Windows, dostępności maszyny i licencjonowania. W procesach sterujących interfejsem trzeba zapewnić warunki, w których robot nie konkuruje z człowiekiem o mysz i klawiaturę. Przed wdrożeniem należy ustalić harmonogram pracy, sposób obsługi wyjątków oraz odpowiedzialność za środowisko wykonawcze.
Samo posiadanie Microsoft 365 nie zapewnia dostępu do wszystkich możliwości Premium w Power Automate. Wymagania licencyjne trzeba sprawdzić dla używanych łączników, sposobu uruchamiania przepływu oraz scenariusza RPA. Łącznik Microsoft Dataverse należy do kategorii Premium, a wykorzystanie AI wymaga dodatkowo weryfikacji zasad naliczania zużycia. Przed wdrożeniem należy sprawdzić aktualne warunki Microsoft, zamiast zakładać, że jedna licencja obejmuje cały proces hybrydowy.