Изкуственият интелект не се нуждае от перфектни данни: Погрешното схващане, което струва на компаниите години – Край на мита за миграцията

Краят на безкрайната подготовка: Как изкуственият интелект най-накрая предоставя реална добавена стойност

Изкуственият интелект притежава огромен потенциал, но в бизнес практиката той често се изражда в скъпа илюзия. Причината е толкова проста, колкото и фатална: компаниите несъзнателно трансформират амбициозните си инициативи за изкуствен интелект в гигантски, ресурсоемки проекти за миграция на данни. Първоначалната цел за постигане на бързи и измерими бизнес резултати се превръща в продължителна борба за перфектната инфраструктура от данни и безпроблемна консолидация в централни хранилища за данни. Докато милиарди се влагат в подготовка, две трети от компаниите остават заседнали в пилотната фаза – и реалното създаване на стойност отпада.

Тази статия разкрива защо стриктното придържане към стратегията „инфраструктура на първо място“ редовно води до провал и защо пълната миграция на данни не е непременно необходима за успеха на ИИ. Тя очертава така необходимата промяна в парадигмата: тези, които планират назад, въз основа на конкретни бизнес резултати, и разчитат на федерален достъп до данни, не е нужно да чакат завършването на дългогодишни ИТ мегапроекти. Научете как да съхранявате данните там, където са, да предоставяте на ИИ само специфичния контекст, от който се нуждае, и да постигате измерим успех чрез целенасочени „бързи победи“ за много кратко време. Време е да изместим фокуса от чистото съвършенство на данните към прагматичното създаване на стойност от ИИ.

Свързано с това:

• UNFRAME.AI: Миграцията на данни никога не е била целта. Резултатите от ИИ бяха.

Избягване от капана на данните: Мислене за изкуствения интелект от гледна точка на резултата

Най-големият убиец на изкуствения интелект е миграцията на данни

Проектите за изкуствен интелект обикновено се провалят не заради самата технология, а защото се израждат в обикновени проекти за ИТ инфраструктура. Консолидирането на всички данни погрешно се счита за задължително изискване.

Мислене от резултата (обратно инженерство)

Вместо да се пита как да се подготвят всички данни за ИИ, основният въпрос е: От какъв специфичен контекст на данните се нуждае ИИ тук и сега, за да постигне конкретен бизнес резултат?

Контекст вместо копие (федериран достъп)

Изкуственият интелект не се нуждае от цялото хранилище за данни. Технологии като федерален достъп до данни, виртуализация на данни и RAG (Retrieval-Augmented Generation) позволяват данните да се съхраняват в техните изходни системи и контекстът да се сглобява само в момента на заявката. Това спестява огромно време и разходи.

Паралелна работа вместо престой

Дългосрочната миграция на данни (ETL процеси за отчитане, история и др.) може и е възможно да продължи. Инициативата за изкуствен интелект обаче не е нужно да чака това, а може да осъществява достъп до съществуващите, разпределени данни паралелно.

Гъвкавостта побеждава перфекционизма

Опитът за изграждане на цялостна схема от данни е неефективен. Ориентирани към домейн, специфични за случая на употреба контекстуални модели (подобни на подхода на мрежата от данни) са значително по-обещаващи.

Силата на „бързите победи“

За да си възвърнат често ерозираното доверие на заинтересованите страни, проектите с изкуствен интелект трябва бързо да демонстрират възвръщаемост на инвестициите (ROI). Идеалният първоначален случай на употреба (висока честота, измерима основа, съществуващи данни) дава осезаеми резултати в рамките на няколко седмици, като по този начин оправдава по-нататъшни инвестиции.

Защо компаниите инвестират милиарди в инфраструктура, вместо най-накрая да предоставят добавена стойност

Дигиталната трансформация през последните години създаде парадоксален модел, който обхваща всички индустрии. Компаниите инвестират значителни суми в изкуствен интелект, но в повечето случаи реалното създаване на стойност не отговаря на очакванията. Причината рядко се крие в самата технология. Тя се крие в начина, по който организациите подхождат към пътя към ИИ. Вместо да се фокусират върху измерими бизнес резултати, инициативите, свързани с ИИ, постепенно се трансформират в мащабни проекти за инфраструктура от данни, които развиват свой собствен живот и губят от поглед първоначалната си цел. Това, което започна като стратегическа инициатива за използване на ИИ, често завършва с години на миграция на данни без видима възвръщаемост на инвестициите.

Според прогнозата на Gartner от декември 2025 г., глобалните разходи за изкуствен интелект ще достигнат приблизително 1,8 трилиона долара през 2025 г. и се очаква да нараснат до 4,7 трилиона долара до 2029 г. В същото време, проучването на McKinsey Global Survey 2025 за състоянието на изкуствения интелект показва, че 88% от анкетираните компании вече използват изкуствен интелект в поне една бизнес функция, но близо две трети все още са в експериментална или пилотна фаза. Само около шест процента от компаниите се квалифицират като така наречените високопроизводителни компании в областта на изкуствения интелект, където повече от пет процента от печалбата преди лихви и данъци (EBIT) се дължи на изкуствения интелект. Тези цифри илюстрират фундаментално несъответствие между парите, вливащи се в изкуствен интелект, и генерираната в крайна сметка стойност. Анализът на това несъответствие разкрива структурен проблем, който се простира далеч отвъд техническите проблеми.

Как инфраструктурният проект погълна инициативата за изкуствен интелект

Логическата верига, която води компаниите до тази ситуация, изглежда правдоподобна на пръв поглед. Изкуственият интелект се нуждае от данни. Данните са фрагментирани в множество системи. Така че е необходимо да бъдат консолидирани. Консолидацията изисква миграция. Миграцията изисква трансформация. Трансформацията изисква управление. Управлението изисква програми за качество на данните. Всяко отделно решение в тази верига е разумно само по себе си. Но взети заедно, те трансформират инициативата за изкуствен интелект в програма за инфраструктура на данни, която отнема години, преди един-единствен резултат от изкуствения интелект да стане видим.

Това явление е поразително очевидно в данните. Според доклада за миграцията на данни на Caylent от 2025 г., само шест процента от анкетираните компании съобщават, че са завършили най-сложните си проекти за миграция навреме. Близо половината от анкетираните са имали повече от пет часа престой по време на критични миграции, което е довело до проблеми с клиентското изживяване, загуби на приходи и оперативни забавяния. Анализ на над 500 отзива за компании показва, че приблизително 73 процента от проектите за миграция на данни се провалят поради неадекватно планиране, пропуски в управлението и липса на специфична за платформата експертиза. Превишаването на времето, средно със 150 процента, не е изключение, а правило.

Тези миграционни проекти развиват собствена динамика. Те привличат специализирани екипи, генерират свои собствени ключови показатели за ефективност (KPI) и печелят свои собствени спонсори на ниво борд, които залагат репутацията си за завършването на проекта. Първоначалните случаи на употреба на ИИ се отлагат за следващата фаза, след това за периода след миграцията и накрая тихо изчезват от дискусиите за планиране. Никой не планира този резултат. Той произтича от хиляда малки решения, всяко от които е оправдано само по себе си, но които, взети заедно, водят до стратегическо неправилно разпределение на ресурсите и вниманието.

Типичен сценарий илюстрира проблема. Тримесечният бизнес преглед започва, както през последните две години. Екипът за трансформация на данни представя своя напредък. Миграцията е завършена на 73 процента. Показателите за качество на данните са се подобрили в шест области. Архитектурата на хранилището за данни е преминала последния си одит. Главният изпълнителен директор кима одобрително към графиките с етапи. След това някой задава въпроса, който всички избягват: Кога ще заработи изкуственият интелект? Настъпва тишина. Някой споменава втората фаза. Някой друг посочва зависимостите. Първоначалният график, който обещаваше базирани на изкуствен интелект прозрения в рамките на осемнадесет месеца, се превърна в бележка под линия в проект за инфраструктура на данни, който е придобил собствен живот.

Безсмислената работа за милиарди долари от незавършени приготовления

Икономическото измерение на този проблем е значително. Gartner прогнозира, че до края на 2026 г. организациите без данни, готови за използване на изкуствен интелект, ще се сблъскат с провал или изоставяне на над 60% от проектите си, свързани с изкуствен интелект. Harvard Business Review определя общия процент на неуспех при проектите с изкуствен интелект на 80%, което е почти двойно повече от процента на неуспех при ИТ проекти, които не включват изкуствен интелект. Според проучване на S&P Global Market Intelligence от 2025 г., 42% от компаниите са изоставили по-голямата част от своите инициативи, свързани с изкуствен интелект, което е драматично увеличение спрямо едва 17% през предходната година. Средностатистическата организация е изхвърлила 46% от своите проекти с изкуствен интелект, преди те дори да достигнат до производство.

Gartner също така прогнозира, че поне 30 процента от проектите за генеративен изкуствен интелект ще бъдат изоставени след фазата на доказване на концепцията поради лошо качество на данните, неадекватен контрол на риска, ескалиращи разходи или неясна бизнес стойност. Проучването на Informatica CDO Insights Survey 2025 ясно идентифицира най-големите пречки пред успеха на изкуствения интелект: качество и зрялост на данните (43 процента), липса на техническа зрялост (също 43 процента) и недостиг на квалифициран персонал (35 процента).

Тези цифри подчертават едно фундаментално неразбиране, разпространено в много организации. Проблемът не е, че случаите на употреба на ИИ се провалят. Проблемът е, че миграцията се е превърнала в самата задача, а не в средство за постигане на цел. Консолидирането на всички данни в централно хранилище за данни се е превърнало в самоцел, докато първоначалната бизнес стойност избледнява на заден план. Междувременно инвестициите в данни, готови за ИИ, се увеличават драстично. Gartner прогнозира, че пазарът на данни с ИИ ще нарасне от 134 милиона долара през 2024 г. до 14,6 милиарда долара до 2029 г., което представлява сложен годишен темп на растеж от 155 процента. Парите текат, но отиват в грешна посока, ако към предоставянето на данни се подхожда като към монолитен, подготвителен проект, а не като към итеративен процес.

Мислете от гледна точка на резултата, вместо да планирате от гледна точка на инфраструктурата

Алтернативният подход започва с фундаментално различен въпрос. Вместо да се пита как да се подготвят данни за ИИ, човек трябва да се запита какъв контекст е необходим на ИИ, за да постигне конкретен бизнес резултат. Това обръщане на перспективата променя цялата архитектура на проекта.

Повечето случаи на употреба на ИИ изискват контекст от три до пет системи, а не напълно мигрирано портфолио от данни. Изискванията за контекст са специфични. ИИ за анализ на договори се нуждае от договори, изменения, страни и задължения. Не е необходимо цялото хранилище за данни. ИИ за обслужване на клиенти се нуждае от история на взаимодействия, данни за продукти и записи за управление на случаи. Не е необходимо да има всяка таблица във всяка изходна система.

Минимално необходимият път на данните е почти винаги по-тесен от обхвата на проекта за миграция. Миграцията е оптимизирана за всяка възможна бъдеща заявка. Изкуственият интелект се нуждае от правилния контекст за специфични случаи на употреба тук и сега. Тези две изисквания са коренно различни и третирането им като еквивалентни е именно механизмът, чрез който инфраструктурните проекти поглъщат инициативи, свързани с изкуствен интелект.

Работейки назад от резултата, получен от изкуствен интелект, често се установява, че необходимите данни вече са достъпни. Не е необходимо те да бъдат премествани. Те трябва да бъдат свързани, организирани за конкретния случай на употреба и достъпни по време на изпълнение. Ефективното управление на данните, получени от изкуствен интелект, започва с това осъзнаване: първо дефинирайте резултата, след което намерете най-простия път до контекста, който позволява този резултат.

Управлявана AI платформа - Изображение: Xpert.Digital

Тук ще научите как вашата компания може да внедри персонализирани решения с изкуствен интелект бързо, сигурно и без високи бариери за навлизане.

Управляваната AI платформа е вашето цялостно и безпроблемно решение за изкуствен интелект. Вместо да се занимавате със сложни технологии, скъпа инфраструктура и продължителни процеси на разработка, вие получавате готово решение, съобразено с вашите нужди, от специализиран партньор – често само в рамките на няколко дни.

Ключовите предимства накратко:

⚡ Бързо внедряване: От идея до готово за употреба приложение за дни, а не за месеци. Ние предлагаме практични решения, които създават незабавна добавена стойност.

🔒 Максимална сигурност на данните: Вашите чувствителни данни остават при вас. Гарантираме сигурна и съвместима обработка без споделяне на данни с трети страни.

💸 Без финансов риск: Плащате само за резултати. Високите първоначални инвестиции в хардуер, софтуер или персонал са напълно елиминирани.

🎯 Фокусирайте се върху основния си бизнес: Концентрирайте се върху това, което правите най-добре. Ние се грижим за цялостното техническо внедряване, експлоатация и поддръжка на вашето AI решение.

📈 Готов за бъдещето и мащабируем: Вашият изкуствен интелект расте с вас. Ние гарантираме непрекъсната оптимизация и мащабируемост и гъвкаво адаптираме моделите към новите изисквания.

Повече информация тук:

• Управлявана платформа с изкуствен интелект

Федериран достъп до данни като архитектурен алтернативен модел

Изкуственият интелект без миграция на данни не е пряк път. Това е различна архитектура, която отразява как изкуственият интелект всъщност работи в производствени среди. Три основни принципа характеризират този подход.

Първо, федеративният достъп свързва изкуствения интелект (ИИ) с изходните системи, където се намират данните, без да е необходима предварителна централизация. CRM данните остават в CRM. Документите остават в хранилището за документи. Оперативните данни остават в ERP. Слоят с ИИ може да осъществява достъп до всичко това, без да чака синхронизация. Федеративният достъп до данни запазва данните на първоначалното им място, използва техники за виртуализация, за да осигури унифициран изглед, и позволява анализи в реално време при поискване. За разлика от хранилището на данни, където данните се преместват физически на централно място, федеративният достъп елиминира рисковете и разходите, свързани с дублирането на данни, и подобрява оперативната ефективност.

Второ, специфичните за случая на употреба контекстни модели определят от какво конкретно се нуждае всяко приложение с изкуствен интелект. Вместо да изгражда универсална схема, която се опитва да обхване всичко, системата определя специфичните обекти, взаимоотношения и сигнали, релевантни за всеки отделен случай на употреба. Този принцип е в съответствие с концепцията за архитектура на мрежа от данни, където екипите, ориентирани към домейни, управляват независимо съответните си данни и поддържат персонализирани стандарти за управление, които отразяват специфични бизнес изисквания.

Трето, сглобяването по време на изпълнение сглобява контекста в момента на вземане на решение, а не предварително чрез пакетни конвейери. Когато ИИ трябва да отговори на въпрос, той компилира съответния контекст от всички източници, където и да се намира този контекст. Без забавяне при синхронизация. Без остарели моментни снимки. Актуални данни, сглобени при поискване. Този принцип е претърпял технологично съзряване с разпространението на Retrieval Augmented Generation (RAG). RAG архитектурите позволяват на ИИ системите да извличат съответна външна информация в момента на заявка и да я вграждат в контекста, вместо да разчитат единствено на предварително обучено знание. До средата на 2026 г. над 66% от корпоративните генеративни ИИ реализации ще използват RAG архитектури.

Практическото приложение на тази архитектура е очевидно в реални корпоративни среди. Библиотеката за машинно обучение на SAP Federated Machine Learning Library, например, използва архитектурата за федерализиране на данни на SAP Datasphere, за да предоставя интелигентно SAP и други данни за машинно обучение, без да е необходимо репликация или преместване на данни. Компании като Downer, един от най-големите доставчици на интегрирани услуги в Австралия, внедриха платформа за федерализирани данни и изкуствен интелект, която съчетава децентрализирана гъвкавост с централизирано управление, позволявайки на бизнес звената да внедряват иновации независимо, като същевременно безпроблемно и сигурно споделят корпоративни данни.

Сравнение на виртуализацията на данни и пакетната обработка

Изборът между федериран достъп чрез виртуализация на данни и традиционна консолидация, базирана на ETL, не е двоичен, а по-скоро въпрос на съгласуване с изискванията на съответното работно натоварване. Виртуализацията на данни осигурява по-бързо време за реакция при заявки към по-малки, разпределени набори от данни. Въпреки това, с нарастващите обеми данни и сложните изисквания за трансформация, ETL може да бъде по-ефективен поради способността си да обработва големи набори от данни, използвайки предварително дефинирани правила за трансформация.

Основният компромис е, че виртуализацията на данни заменя физическата консолидация с логическа интеграция. Получавате по-нови данни, тъй като заявките осъществяват директен достъп до изходните системи, и избягвате разходите и сложността на копирането на всички данни в едно хранилище. В същото време ставате зависими от наличността и производителността на всяка базова система. За тежки аналитични заявки в петабайтовия диапазон, хранилищата с предварително изчислени агрегати и колонно съхранение превъзхождат федеративните заявки в мрежите с коефициент десет или повече.

Умното решение е да се използват и двата подхода по допълващ се начин. ETL обработва структурирани, исторически данни за отчитане и осигурява последователност. Виртуализацията на данни позволява гъвкав достъп до актуални или разпределени данни за критични във времето заявки. При интегриране на нов източник на данни, модифицирането на ETL работни процеси може да отнеме дни или седмици. Виртуализацията на данни позволява незабавна интеграция на временни или експериментални източници на данни. Този хибриден подход оптимизира еднакво производителността, разходите и гъвкавостта.

Най-краткият път до измерими резултати от изкуствения интелект

Икономическата логика зад ориентирания към резултатите подход е убедителна. Средната продължителност на проекти с изкуствен интелект следва познат модел: три месеца планиране, шест месеца разработка, шест месеца тестване, три месеца внедряване, общо осемнадесет месеца до възвръщаемост на инвестициите. Според Gartner средно само 48% от проектите с изкуствен интелект достигат до производствена фаза, а пътят от прототипа на ИИ до производствената фаза отнема осем месеца. Само 35% от проектите с изкуствен интелект достигат производствена готовност.

Но има и друг начин. Според проучване на IDC, 92% от успешните внедрявания на изкуствен интелект осигуряват положителна възвръщаемост на инвестициите в рамките на дванадесет месеца. 40% от компаниите отчитат положителна възвръщаемост в рамките на шест месеца. Ключът се крие в избора на правилния първоначален случай на употреба и избягването на прекалено амбициозна подготовка на инфраструктурата.

Рамката за бърза възвръщаемост на инвестициите в изкуствен интелект се основава на четири принципа. Идеалният първи случай на употреба се характеризира с висока честота; въпросната задача се изпълнява ежедневно или седмично. Той има ясна базова линия и текущата производителност може да бъде измерена. Данните вече съществуват и случаят на употреба има ограничени зависимости от други системи. Ако тези критерии са изпълнени, измерими резултати могат да бъдат постигнати в рамките на няколко седмици.

Въздействието на подобни бързи победи далеч надхвърля непосредствената финансова възвръщаемост. Доставчик на телекомуникационни услуги внедри чатбот с изкуствен интелект за петте най-чести запитвания на клиентите относно фактурирането. В рамките на 60 дни решението разреши 35% от запитванията без човешка намеса, намали средното време за разрешаване от 24 часа на 10 минути и подобри оценките за удовлетвореност на клиентите с 22%. Средно голям производител внедри задвижвана от изкуствен интелект прогнозна поддръжка на критична производствена линия. 45-дневният пилотен проект доведе до 62% намаление на непланираните престои, 157 000 долара избегнати производствени загуби и 28% намаление на разходите за поддръжка. Асистентът с изкуствен интелект на Klarna разреши две трети от всички запитвания на клиенти в чат през първия месец и намали средното време за разрешаване от единадесет минути на под две минути.

Защо доверието на заинтересованите страни е най-твърдата валута

Тези бързи победи изпълняват функция, която надхвърля простото спестяване на разходи. Те възстановяват доверието на заинтересованите страни, което е ерозирало през годините на инфраструктурни проекти без видими резултати. Бързите успехи предоставят бързо и осезаемо доказателство, че ИИ създава бизнес стойност. Това изгражда увереността на вземащите решения, намалява съпротивата срещу приемането и проправя пътя за по-големи инвестиции в ИИ.

Успешните бързи победи създават положителни обратни връзки, които ускоряват приемането на ИИ. Първоначалният успех генерира ентусиазъм и ресурси за по-широко внедряване. Разширяването на внедряването създава допълнителна стойност и организационно обучение. Това обучение дава възможност за по-сложни приложения и по-големи ползи. По-големите ползи оправдават увеличените инвестиции в възможности за ИИ.

Данните на McKinsey подчертават този механизъм. Високопроизводителните компании с изкуствен интелект – шестте процента от компаниите с измерим принос към печалбата преди лихви, данъци и данъци (EBIT) от изкуствен интелект – са три пъти по-склонни от другите да съобщят, че организацията им възнамерява да използва изкуствен интелект за трансформативна промяна. Тези компании са почти три пъти по-склонни от другите да препроектират фундаментално работните процеси и това умишлено препроектиране на работните процеси демонстрира един от най-силните приноси за постигане на измеримо въздействие върху бизнеса. Високопроизводителните компании редовно внедряват изкуствен интелект в повече бизнес функции, отколкото тяхната група от конкуренти, и са три пъти по-склонни да разширят използването на агенти с изкуствен интелект.

Паралелна работа вместо последователна зависимост

Проектът за миграция не е необходимо да бъде спиран. Той може да служи за цели, различни от изкуствения интелект. Регулаторните отчети, историческите анализи или таблата за управление на вътрешния пътен план наистина може да изискват консолидирани данни. Инвестицията в изграждането на тази основа не е пропиляна за тези цели.

Но изкуственият интелект не е нужно да чака миграцията да приключи. Двете могат да протичат паралелно. Миграцията продължава по собствен график за предвидените цели. Изкуственият интелект предоставя резултати сега, въз основа на данните, които съществуват днес.

Прагматичният подход започва с идентифициране на два до три случая на употреба на ИИ, които биха донесли измерима бизнес стойност. След това се картографира специфичният контекст на данните, необходим за всеки случай на употреба. След това се проверява дали този контекст е директно достъпен, без да се изисква миграция. Накрая, ИИ се пилотира по най-тесния възможен път на данните.

Този подход е в съответствие с констатациите на анализатора на Gartner Харита Хандабату, която описва постепенен преход от генеративния изкуствен интелект като централен фокус към фундаменталните фактори, които подпомагат устойчивото внедряване на изкуствен интелект, включително данни, готови за изкуствен интелект, и агенти, поддържащи изкуствен интелект. Инвестициите се изместват от стратегия, ориентирана към инфраструктурата, към архитектура, ориентирана към данните и възможностите. Организациите, които третират готовността на данните като второстепенна мисъл, са тези, които най-вероятно ще останат сред 94-те процента, които никога не преминават отвъд пилотната фаза.

Реорганизация на инвестиционната логика

Данните за разходите на Gartner разкриват тектонична промяна в инвестиционната логика. Въпреки че инфраструктурата с изкуствен интелект остава най-голямата категория разходи, с 965 милиарда долара през 2025 г., темпът ѝ на растеж е сравнително умерен - 29% годишно. Ускорението се случва и другаде: данните, свързани с изкуствен интелект, нарастват със 155% годишно, киберсигурността, свързана с изкуствен интелект, със 74%, а моделите, свързани с изкуствен интелект, с 68%. Парите следват пречките, а не заглавията.

В рамките на пазара на данни с изкуствен интелект, двигателите на растежа са още по-ясни. Генерирането на синтетични данни нараства с годишен темп от 178%, от 41 милиона долара до 6,8 милиарда долара до 2029 г. Наборите от данни, готови за ИИ – тоест предварително подготвени данни, структурирани за работни процеси с ИИ – нарастват със 136% годишно. Компаниите са готови да плащат за бързи пътища към производството. Това е ясен сигнал, че пазарът цени бързата готовност на данните пред бавната, всеобхватна миграция.

Печелившите организации, тези, които наистина се възползват от тази трансформация, инвестират във възможностите, които карат системите с изкуствен интелект да работят в корпоративен мащаб: готовност на данните, управление, интеграция и сигурност. Те обръщат типичните съотношения на разходите, като посвещават 50 до 70 процента от времето и бюджета си на готовност на данните – т.е. извличане, нормализиране, метаданни за управление, табла за качество и контрол на съхранението. Тази готовност на данните обаче не се разбира като монолитен проект за миграция, а по-скоро като итеративен процес, основан на случаи на употреба.

От перфекционизъм на данните до прагматизъм, основан на изкуствения интелект

Централният извод от този анализ може да се обобщи в един принцип: Целта никога не е била перфектна инфраструктура. Целта е била да се постигнат резултати от изкуствения интелект и за щастие това не изисква пълна консолидация на данните. Екипите, които осъзнават това, спират да третират миграцията като предпоставка и започват да гледат на резултатите от изкуствения интелект като на метриката, която наистина има значение.

Данните говорят сами за себе си. 88% от компаниите използват изкуствен интелект, но само една трета са започнали да го мащабират. 73% от проектите за миграция се провалят поради проблеми с внедряването, а не поради самата технология. 42% от компаниите ще са се отказали от по-голямата част от своите инициативи за изкуствен интелект до 2025 г. В същото време, първите шест процента показват, че пътят към успеха се крие в амбициозни цели, преработени работни процеси и бързо мащабиране, а не в завършване на проекти за миграция.

Това представлява ясен призив за действие за ИТ директорите и техническите директори. Въпросът вече не е как да се консолидират всички данни, преди да може да се внедри ИИ. Въпросът е какъв специфичен контекст на данните е необходим за следващия случай на употреба на ИИ и как този контекст може да бъде осигурен най-бързо и рентабилно. Федерираният достъп, специфичните за случая на употреба контекстни модели и асемблирането по време на изпълнение са архитектурните инструменти, които позволяват този подход. Те заместват парадигмата на пълната подготовка с парадигмата на итеративното създаване на стойност.

Компаниите, които гледат на ИИ не като на вторичен бенефициент на инфраструктурни проекти, а като на движеща сила, определяща изискванията за данни, ще бъдат тези, които ще преминат най-бързо от пилотната към фазата на мащабиране. Проектът за миграция може да продължи, но ИИ не е нужно да чака.

Konrad Wolfenstein

С удоволствие бих служел като ваш личен съветник.

Можете да се свържете с мен на wolfenstein∂xpert.digital или

Просто ми се обадете на +49 7348 4088 965 .

LinkedIn