Główną przeszkodą dla AI w przedsiębiorstwach nie jest wydajność modeli, ale jakość i kontekst danych. Tylko 9% firm czuje się przygotowanych na integrację.
Źródło zdjęcia: MIT Technology Review
Sztuczna inteligencja szybko przechodzi od fazy eksperymentów do codziennego wykorzystania w przedsiębiorstwach. Organizacje wdrażają asystentów AI, agentów i systemy predykcyjne w obszarach finansów, łańcuchów dostaw, zasobów ludzkich i obsługi klientów. Jednak w miarę jak AI staje się integralną częścią kluczowych procesów biznesowych, liderzy odkrywają, że największą przeszkodą nie jest wydajność modeli ani moc obliczeniowa, ale jakość i kontekst danych, na których te systemy się opierają. Według najnowszego raportu MIT Technology Review, do końca 2025 roku połowa firm wykorzystywała AI w co najmniej trzech funkcjach biznesowych.
AI wprowadza nowe wymaganie: systemy muszą nie tylko mieć dostęp do danych, ale także rozumieć kontekst biznesowy za nimi stojący. Bez tego kontekstu AI może szybko generować odpowiedzi, ale nadal podejmować złe decyzje.
• Problem kontekstu danych: Tradycyjne strategie danych skupiały się na agregacji, tracąc w procesie znaczenie przypisane do informacji — sposób, w jaki odnoszą się do polityk, procesów i rzeczywistych decyzji biznesowych
• Niedojrzałość infrastruktury: Tylko jedna na pięć organizacji uważa swoje podejście do danych za wysoce dojrzałe, a jedynie 9% czuje się w pełni przygotowanych do integracji z systemami danych
• Rozwiązanie: data fabric: Warstwa abstrakcji obejmująca infrastrukturę, architekturę i organizację logiczną, umożliwiająca agentom AI interakcję z wiedzą biznesową zamiast surowych systemów przechowywania
• Trzy komponenty sukcesu: Inteligentne obliczenia dla szybkości, pula wiedzy dla zrozumienia biznesowego i kontekstu oraz agenci dla autonomicznych działań opartych na tym zrozumieniu
• Nowa era autonomii: W erze autonomicznych systemów i inteligentnych aplikacji warstwa kontekstowa staje się niezbędna dla bezpiecznego skalowania AI
Jak wyjaśnia Irfan Khan, prezes i dyrektor produktu SAP Data & Analytics: "AI jest niesamowicie dobra w generowaniu wyników. Działa szybko, ale bez kontekstu nie może wykazać się dobrym osądem, a dobry osąd to właśnie to, co tworzy zwrot z inwestycji dla biznesu. Szybkość bez osądu nie pomaga. Może właściwie nam zaszkodzić."
Tradycyjne strategie danych skupiały się głównie na agregacji. W ciągu ostatnich dwóch dekad organizacje intensywnie inwestowały w wydobywanie informacji z systemów operacyjnych i ładowanie ich do scentralizowanych hurtowni, jezior danych i pulpitów nawigacyjnych. To podejście ułatwia generowanie raportów, monitorowanie wydajności i tworzenie spostrzeżeń w całej organizacji, ale w tym procesie dużo znaczenia przypisanego do tych danych zostaje utracone.
Khan ilustruje problem przykładem dwóch firm wykorzystujących AI do zarządzania zakłóceniami w łańcuchu dostaw. Jeśli jedna używa surowych sygnałów, takich jak poziomy zapasów, czasy realizacji i wyniki dostawców, podczas gdy druga dodaje kontekst obejmujący procesy biznesowe, polityki i metadane, oba systemy szybko przeanalizują dane, ale prawdopodobnie dojdą do różnych wniosków.
Rozwiązaniem staje się data fabric — warstwa abstrakcji obejmująca infrastrukturę, architekturę i organizację logiczną. Dla agentowego AI fabric staje się głównym interfejsem, umożliwiając agentom interakcję z wiedzą biznesową zamiast surowymi systemami przechowywania. Grafy wiedzy odgrywają kluczową rolę, umożliwiając agentom odpytywanie danych korporacyjnych przy użyciu języka naturalnego i logiki biznesowej.
Wartość data fabric opiera się na trzech komponentach: inteligentnych obliczeniach zapewniających szybkość, puli wiedzy dostarczającej zrozumienia biznesowego i kontekstu oraz agentach zapewniających autonomiczne działania oparte na tym zrozumieniu. "To upodmienia pewne, spójne decyzje, a gdy wszystkie te elementy działają razem, AI nie tylko analizuje i interpretuje dane — napędza mądrzejsze, szybsze decyzje, które rzeczywiście tworzą wpływ biznesowy" — mówi Khan.
Obecnie wiele organizacji przemyśla swoją architekturę danych. Zamiast po prostu przenosić dane do pojedynczego repozytorium, szukają sposobów na łączenie informacji między aplikacjami, chmurami i systemami operacyjnymi, zachowując jednocześnie semantykę opisującą sposób działania biznesu.
