Umělá inteligence nepotřebuje dokonalá data: Mylná představa, která firmy stojí roky – Konec mýtu o migraci

Konec nekonečných příprav: Jak umělá inteligence konečně přináší skutečnou přidanou hodnotu

Umělá inteligence má obrovský potenciál, ale v obchodní praxi se často stává drahou iluzí. Důvod je stejně jednoduchý jako fatální: firmy nevědomky transformují své ambiciózní iniciativy v oblasti umělé inteligence do gigantických, na zdroje náročných projektů migrace dat. Původní cíl dosáhnout rychlých a měřitelných obchodních výsledků se stává vleklým bojem o dokonalou datovou infrastrukturu a bezproblémovou konsolidaci v centrálních datových skladech. Zatímco do přípravy se investují miliardy, dvě třetiny firem zůstávají uvízlé v pilotní fázi – a samotná tvorba hodnoty padá stranou.

Tento článek odhaluje, proč striktní dodržování strategie „infrastruktura na prvním místě“ pravidelně vede k neúspěchu a proč pro úspěch umělé inteligence není nutně nutná kompletní migrace dat. Nastiňuje tolik potřebný posun paradigmatu: ti, kteří plánují zpětně od konkrétních obchodních výsledků a spoléhají se na federovaný přístup k datům, nemusí čekat na dokončení dlouhodobých IT megaprojektů. Naučte se, jak uchovat data tam, kde jsou, poskytovat umělé inteligenci pouze specifický kontext, který potřebuje, a dosáhnout měřitelného úspěchu prostřednictvím cílených „rychlých výher“ ve velmi krátkém čase. Je načase přesunout pozornost od čisté dokonalosti dat k pragmatické tvorbě hodnoty s využitím umělé inteligence.

Souvisí s tím:

• UNFRAME.AI: Cílem nikdy nebyla migrace dat. Cílem byly výsledky umělé inteligence.

Únik z datové pasti: Pohled na umělou inteligenci z pohledu výsledku

Největším zabijákem umělé inteligence je migrace dat

Projekty umělé inteligence obvykle selhávají nikoli kvůli samotné technologii, ale proto, že se zvrhnou na pouhé projekty IT infrastruktury. Konsolidace všech dat je mylně považována za povinný požadavek.

Myšlení z hlediska výsledku (reverzní inženýrství)

Místo otázky, jak připravit všechna data pro umělou inteligenci, je základní otázkou: Jaký specifický datový kontext umělá inteligence potřebuje v daném okamžiku, aby dosáhla konkrétního obchodního výsledku?

Kontext místo kopie (Federovaný přístup)

Umělá inteligence nepotřebuje celý datový sklad. Technologie jako federovaný přístup k datům, virtualizace dat a RAG (Retrieval-Augmented Generation) umožňují uchovávat data ve zdrojových systémech a sestavovat kontext až v okamžiku dotazování. To šetří obrovské množství času a nákladů.

Paralelní provoz místo klidového stavu

Dlouhodobá migrace dat (ETL procesy pro reporting, historii atd.) může a může pokračovat. Iniciativa AI však na to nemusí čekat, ale může k existujícím, distribuovaným datům přistupovat paralelně.

Agilita poráží perfekcionismus

Pokus o vytvoření komplexního datového schématu je neefektivní. Podstatně slibnější jsou doménově orientované modely kontextu specifické pro daný případ užití (podobné přístupu datové sítě).

Síla „rychlých vítězství“

Aby projekty umělé inteligence znovu získaly často oslabenou důvěru zúčastněných stran, musí rychle prokázat návratnost investic (ROI). Ideální počáteční případ užití (vysoká frekvence, měřitelný základ, existující data) přináší hmatatelné výsledky během několika týdnů, a tím ospravedlňuje další investice.

Proč firmy investují miliardy do infrastruktury, místo aby konečně přinášely přidanou hodnotu

Digitální transformace v posledních letech vytvořila paradoxní vzorec, který se týká všech odvětví. Společnosti investují značné částky do umělé inteligence, ale ve většině případů skutečná tvorba hodnoty nedosahuje očekávání. Důvod zřídkakdy spočívá v samotné technologii. Spočívá ve způsobu, jakým organizace přistupují k cestě k umělé inteligenci. Místo zaměření na měřitelné obchodní výsledky se iniciativy v oblasti umělé inteligence postupně transformují v masivní projekty datové infrastruktury, které si žijí vlastním životem a ztrácejí ze zřetele svůj původní účel. To, co začalo jako strategická iniciativa k využití umělé inteligence, často končí jako roky migrace dat bez viditelné návratnosti investic.

Podle prognózy společnosti Gartner z prosince 2025 dosáhnou globální výdaje na umělou inteligenci v roce 2025 přibližně 1,8 bilionu dolarů a očekává se, že do roku 2029 vzrostou na 4,7 bilionu dolarů. Zároveň průzkum McKinsey Global Survey 2025 o stavu umělé inteligence ukazuje, že 88 procent dotázaných společností již umělou inteligenci využívá alespoň v jedné obchodní funkci, ale téměř dvě třetiny jsou stále v experimentální nebo pilotní fázi. Pouze asi šest procent společností se kvalifikuje jako tzv. vysoce výkonné v oblasti umělé inteligence, kde více než pět procent EBIT lze připsat umělé inteligenci. Tato čísla ilustrují zásadní rozdíl mezi penězi plynoucími do umělé inteligence a hodnotou, kterou nakonec generuje. Analýza tohoto rozdílu odhaluje strukturální problém, který sahá daleko za technické otázky.

Jak infrastrukturní projekt pohltil iniciativu umělé inteligence

Logický řetězec, který firmy do této situace vede, se na první pohled zdá věrohodný. Umělá inteligence potřebuje data. Data jsou fragmentovaná napříč mnoha systémy. Proto je třeba je konsolidovat. Konsolidace vyžaduje migraci. Migrace vyžaduje transformaci. Transformace vyžaduje správu a řízení. Správa a řízení vyžaduje programy pro kvalitu dat. Každé jednotlivé rozhodnutí v tomto řetězci je samo o sobě rozumné. Dohromady však transformují iniciativu umělé inteligence na program datové infrastruktury, jehož jediný viditelný výsledek trvá roky.

Tento jev je v datech nápadně patrný. Podle zprávy společnosti Caylent o migraci dat z roku 2025 pouze šest procent dotázaných společností uvedlo, že své nejsložitější migrační projekty dokončily včas. Téměř polovina respondentů zaznamenala během kritických migrací více než pět hodin výpadku, což vedlo k problémům se zákaznickou zkušeností, ztrátám příjmů a provozním zpožděním. Analýza více než 500 recenzí společností ukazuje, že přibližně 73 procent projektů migrace dat selhává kvůli nedostatečnému plánování, mezerám v řízení a nedostatku odborných znalostí specifických pro danou platformu. Překročení časového limitu v průměru o 150 procent není výjimkou, ale pravidlem.

Tyto migrační projekty si vyvíjejí vlastní dynamiku. Přitahují specializované týmy, generují vlastní klíčové ukazatele výkonnosti (KPI) a získávají vlastní sponzory na úrovni představenstva, kteří sázejí svou reputaci na dokončení projektu. Původní případy použití umělé inteligence jsou odloženy do další fáze, poté do období po migraci a nakonec tiše mizí z plánovacích diskusí. Nikdo tento výsledek neplánuje. Vzniká z tisíce malých rozhodnutí, z nichž každé je samo o sobě ospravedlnitelné, ale která dohromady vedou ke strategicky nesprávnému rozložení zdrojů a pozornosti.

Typický scénář ilustruje problém. Čtvrtletní obchodní hodnocení začíná stejně jako v posledních dvou letech. Tým pro transformaci dat prezentuje svůj pokrok. Migrace je dokončena ze 73 procent. Metriky kvality dat se zlepšily v šesti doménách. Architektura datového skladu prošla posledním auditem. Výkonný sponzor souhlasně přikyvuje na grafy milníků. Pak se někdo zeptá otázky, které se všichni vyhýbali: Kdy bude umělá inteligence spuštěna? Následuje ticho. Někdo zmiňuje druhou fázi. Někdo jiný poukazuje na závislosti. Původní časový harmonogram, který sliboval poznatky poháněné umělou inteligencí do osmnácti měsíců, se stal poznámkou pod čarou v projektu datové infrastruktury, který nabral vlastní život.

Miliardový zmatek nedokončených příprav

Ekonomický rozměr tohoto problému je významný. Společnost Gartner předpovídá, že do konce roku 2026 organizace bez dat připravených pro umělou inteligenci zaznamenají selhání nebo opuštění více než 60 procent svých projektů v oblasti umělé inteligence. Harvard Business Review uvádí celkovou míru selhání projektů v oblasti umělé inteligence na 80 procent, což je téměř dvojnásobek míry selhání IT projektů, které umělou inteligenci nezahrnují. Podle průzkumu společnosti S&P Global Market Intelligence z roku 2025 42 procent společností opustilo většinu svých iniciativ v oblasti umělé inteligence, což je dramatický nárůst oproti pouhým 17 procentům v předchozím roce. Průměrná organizace zahodila 46 procent svých konceptů v oblasti umělé inteligence ještě předtím, než se vůbec dostaly do produkčního prostředí.

Společnost Gartner také předpovídá, že nejméně 30 procent generativních projektů umělé inteligence bude po fázi ověření konceptu opuštěno kvůli nízké kvalitě dat, nedostatečným kontrolám rizik, rostoucím nákladům nebo nejasné obchodní hodnotě. Průzkum Informatica CDO Insights Survey 2025 jasně identifikuje největší překážky úspěchu umělé inteligence: kvalitu a vyspělost dat (43 procent), nedostatek technické vyspělosti (rovněž 43 procent) a nedostatek kvalifikovaného personálu (35 procent).

Tato čísla poukazují na zásadní nedorozumění, které je v mnoha organizacích rozšířené. Problém není v tom, že by případy použití umělé inteligence selhávaly. Problém je v tom, že migrace se stala samotným úkolem, nikoli prostředkem k dosažení cíle. Konsolidace všech dat do centrálního datového skladu se stala cílem sama o sobě, zatímco původní obchodní hodnota ustupuje do pozadí. Investice do dat připravených pro umělou inteligenci mezitím explodují. Společnost Gartner předpovídá, že trh s daty umělé inteligence vzroste ze 134 milionů dolarů v roce 2024 na 14,6 miliardy dolarů do roku 2029, což představuje složenou roční míru růstu 155 procent. Peníze tečou, ale pokud se k poskytování dat přistupuje jako k monolitickému, přípravnému projektu, nikoli jako k iterativnímu procesu, jdou špatným směrem.

Přemýšlejte spíše o výsledku, než o plánování z pohledu infrastruktury

Alternativní přístup začíná zásadně odlišnou otázkou. Místo otázky, jak připravit data pro umělou inteligenci, je třeba se ptát, jaký kontext umělá inteligence potřebuje k dosažení konkrétního obchodního výsledku. Toto obrácení perspektivy mění celou architekturu projektu.

Většina případů použití umělé inteligence vyžaduje kontext ze tří až pěti systémů, nikoli plně migrované datové portfolio. Požadavky na kontext jsou specifické. Umělá inteligence pro analýzu smluv potřebuje smlouvy, dodatky, strany a závazky. Nepotřebuje celý datový sklad. Umělá inteligence pro zákaznický servis potřebuje historii interakcí, produktová data a záznamy o správě případů. Nepotřebuje každou tabulku v každém zdrojovém systému.

Minimální požadovaná datová cesta je téměř vždy užší než rozsah migračního projektu. Migrace je optimalizována pro každý myslitelný budoucí dotaz. Umělá inteligence potřebuje správný kontext pro konkrétní případy použití v daném okamžiku. Tyto dva požadavky se zásadně liší a jejich rovnocenné zacházení je přesně tím mechanismem, kterým infrastrukturní projekty pohlcují iniciativy umělé inteligence.

Při zpětném pohledu z výsledku umělé inteligence často zjistíme, že potřebná data jsou již dostupná. Není třeba je přesouvat. Je třeba je propojit, uspořádat pro daný případ použití a zpřístupnit za běhu. Efektivní správa dat umělé inteligence začíná tímto poznáním: nejprve definujte výsledek a poté najděte nejjednodušší cestu ke kontextu, který tento výsledek umožňuje.

Zde se dozvíte, jak může vaše společnost rychle, bezpečně a bez vysokých vstupních bariér implementovat řešení umělé inteligence na míru.

Spravovaná platforma umělé inteligence je vaším komplexním a bezstarostným řešením pro umělou inteligenci. Místo řešení složitých technologií, drahé infrastruktury a zdlouhavých vývojových procesů získáte hotové řešení šité na míru vašim potřebám od specializovaného partnera – často během několika dní.

Klíčové výhody na první pohled:

⚡ Rychlá implementace: Od nápadu k aplikaci připravené k použití během několika dnů, nikoli měsíců. Dodáváme praktická řešení, která vytvářejí okamžitou přidanou hodnotu.

🔒 Maximální zabezpečení dat: Vaše citlivá data zůstanou u vás. Garantujeme bezpečné a kompatibilní zpracování bez sdílení dat s třetími stranami.

💸 Žádné finanční riziko: Platíte pouze za výsledky. Vysoké počáteční investice do hardwaru, softwaru nebo personálu jsou zcela eliminovány.

🎯 Zaměřte se na své hlavní podnikání: Soustřeďte se na to, co děláte nejlépe. Postaráme se o kompletní technickou implementaci, provoz a údržbu vašeho řešení s umělou inteligencí.

📈 Připraveno na budoucnost a škálovatelné: Vaše umělá inteligence roste s vámi. Zajišťujeme neustálou optimalizaci a škálovatelnost a flexibilně přizpůsobujeme modely novým požadavkům.

Více informací zde:

• Spravovaná platforma umělé inteligence

Federovaný přístup k datům jako architektonický alternativní model

Umělá inteligence bez migrace dat není zkratkou. Je to jiná architektura, která odráží, jak umělá inteligence ve skutečnosti funguje v produkčním prostředí. Tento přístup charakterizují tři základní principy.

Zaprvé, federovaný přístup propojuje umělou inteligenci se zdrojovými systémy, kde se data nacházejí, aniž by vyžadoval předchozí centralizaci. Data CRM zůstávají v CRM. Dokumenty zůstávají v úložišti dokumentů. Provozní data zůstávají v ERP. Vrstva umělé inteligence má k těm všem datům přístup bez čekání na synchronizaci. Federovaný přístup k datům uchovává data v jejich původním umístění, využívá virtualizační techniky k zajištění jednotného pohledu a umožňuje na vyžádání informace v reálném čase. Na rozdíl od datových skladů, kde jsou data fyzicky přesouvána do centrálního umístění, federovaný přístup eliminuje rizika a náklady spojené s duplikací dat a zlepšuje provozní efektivitu.

Za druhé, kontextové modely specifické pro daný případ užití definují, co každá aplikace umělé inteligence konkrétně potřebuje. Namísto vytváření univerzálního schématu, které se snaží pokrýt vše, systém definuje specifické entity, vztahy a signály relevantní pro každý jednotlivý případ užití. Tento princip je v souladu s konceptem architektury datové sítě, kde doménově orientované týmy nezávisle spravují svá příslušná data a udržují přizpůsobené standardy správy a řízení, které odrážejí specifické obchodní požadavky.

Za třetí, běhové sestavování sestavuje kontext v okamžiku rozhodnutí, nikoli předem prostřednictvím dávkových procesů. Když umělá inteligence potřebuje odpovědět na otázku, sestaví relevantní kontext ze všech zdrojů, ať už se tento kontext nachází kdekoli. Žádné synchronizační zpoždění. Žádné zastaralé snímky. Aktuální data sestavovaná na vyžádání. Tento princip prošel technologickým vývojem s rozšířením technologie Retrieval Augmented Generation (RAG). Architektury RAG umožňují systémům umělé inteligence načítat relevantní externí informace v okamžiku dotazování a vkládat je do kontextu, namísto spoléhání se pouze na předem natrénované znalosti. Do poloviny roku 2026 bude architektury RAG využívat více než 66 procent implementací generativní umělé inteligence v podniku.

Praktická implementace této architektury je patrná v reálných podnikových prostředích. Například Federated Machine Learning Library od společnosti SAP využívá architekturu federace dat SAP Datasphere k inteligentnímu zpřístupnění dat SAP i jiných systémů pro strojové učení bez nutnosti replikace nebo přesunu dat. Společnosti jako Downer, jeden z největších australských poskytovatelů integrovaných služeb, implementovaly platformu federovaných dat a umělé inteligence, která kombinuje decentralizovanou agilitu s centralizovanou správou, což umožňuje obchodním jednotkám nezávisle inovovat a zároveň bezproblémově a bezpečně sdílet podniková data.

Porovnání virtualizace dat a dávkového zpracování

Volba mezi federovaným přístupem prostřednictvím virtualizace dat a tradiční konsolidací založenou na ETL není binární, ale spíše otázkou sladění s požadavky příslušné pracovní zátěže. Virtualizace dat poskytuje rychlejší dobu odezvy při dotazování na menší, distribuované datové sady. S rostoucími objemy dat a složitými transformačními požadavky však může být ETL efektivnější díky své schopnosti zpracovávat velké datové sady pomocí předdefinovaných transformačních pravidel.

Základním kompromisem je, že virtualizace dat nahrazuje fyzickou konsolidaci logickou integrací. Získáte aktuálnější data, protože dotazy přistupují přímo ke zdrojovým systémům, a vyhnete se nákladům a složitosti kopírování všech dat do jednoho datového skladu. Zároveň se stáváte závislými na dostupnosti a výkonu každého podkladového systému. U náročných analytických dotazů v rozsahu petabajtů překonávají datové sklady s předem vypočítanými agregacemi a sloupcovým úložištěm federované dotazy napříč sítěmi desetkrát nebo i vícekrát.

Chytrým řešením je používat oba přístupy komplementárně. ETL zajišťuje zpracování strukturovaných historických dat pro reporting a zajišťuje konzistenci. Virtualizace dat umožňuje agilní přístup k živým nebo distribuovaným datům pro časově kritické dotazy. Při integraci nového zdroje dat může úprava pracovních postupů ETL trvat dny nebo týdny. Virtualizace dat umožňuje okamžitou integraci dočasných nebo experimentálních zdrojů dat. Tento hybridní přístup optimalizuje výkon, náklady a flexibilitu stejnou měrou.

Nejkratší cesta k měřitelným výsledkům AI

Ekonomická logika, která stojí za přístupem orientovaným na výsledky, je přesvědčivá. Průměrná doba trvání projektu umělé inteligence se řídí známým vzorcem: tři měsíce plánování, šest měsíců vývoje, šest měsíců testování, tři měsíce nasazení, celkem osmnáct měsíců do návratnosti investic. Podle společnosti Gartner se v průměru pouze 48 procent projektů umělé inteligence dostane do produkčního prostředí a cesta od prototypu umělé inteligence k produkčnímu prostředí trvá osm měsíců. Pouze 35 procent projektů umělé inteligence dosáhne produkční připravenosti.

Existuje ale i jiná cesta. Podle studie IDC přináší 92 procent úspěšných implementací umělé inteligence pozitivní návratnost investic do dvanácti měsíců. 40 procent společností hlásí pozitivní návratnost do šesti měsíců. Klíčem je výběr správného počátečního případu užití a vyhnutí se příliš ambiciózní přípravě infrastruktury.

Rámec pro rychlou návratnost investic do umělé inteligence je založen na čtyřech principech. Ideální první případ užití se vyznačuje vysokou frekvencí; daný úkol se provádí denně nebo týdně. Má jasnou výchozí hodnotu a lze měřit aktuální výkon. Data již existují a případ užití má omezené závislosti na jiných systémech. Pokud jsou tato kritéria splněna, lze dosáhnout měřitelných výsledků během několika týdnů.

Dopad takových rychlých výher sahá daleko za hranice okamžité finanční návratnosti. Poskytovatel telekomunikačních služeb implementoval chatbota s umělou inteligencí pro pět nejčastějších zákaznických dotazů týkajících se fakturace. Během 60 dnů řešení vyřešilo 35 procent dotazů bez lidského zásahu, zkrátilo průměrnou dobu řešení z 24 hodin na 10 minut a zlepšilo skóre spokojenosti zákazníků o 22 procent. Středně velký výrobce implementoval prediktivní údržbu s umělou inteligencí na kritické výrobní lince. 45denní pilotní projekt přinesl 62% snížení neplánovaných prostojů, 157 000 dolarů zabráněných výrobních ztrát a 28% snížení nákladů na údržbu. Asistent s umělou inteligencí od společnosti Klarna vyřešil v prvním měsíci dvě třetiny všech zákaznických chatových dotazů a zkrátil průměrnou dobu řešení z jedenácti minut na méně než dvě minuty.

Proč je důvěra zúčastněných stran nejtvrdší měnou

Tato rychlá vítězství slouží funkci, která přesahuje pouhé úspory nákladů. Obnovují důvěru zúčastněných stran, která se v průběhu let infrastrukturních projektů bez viditelných výsledků narušila. Rychlé úspěchy poskytují rychlý a hmatatelný důkaz, že umělá inteligence vytváří obchodní hodnotu. To buduje důvěru osob s rozhodovací pravomocí, snižuje odpor k jejímu přijetí a otevírá cestu pro větší investice do umělé inteligence.

Rychlé úspěchy vytvářejí pozitivní zpětnou vazbu, která urychluje zavádění umělé inteligence. Počáteční úspěch generuje nadšení a zdroje pro širší implementaci. Rozšíření implementace vytváří dodatečnou hodnotu a organizační učení. Toto učení umožňuje sofistikovanější aplikace a větší přínosy. Větší přínosy ospravedlňují zvýšené investice do schopností umělé inteligence.

Data společnosti McKinsey tento mechanismus podtrhují. Společnosti s vysokou výkonností v oblasti umělé inteligence – šest procent společností s měřitelným příspěvkem umělé inteligence k EBIT – třikrát častěji než ostatní uvádějí, že jejich organizace hodlá využít umělou inteligenci k transformační změně. Tyto společnosti téměř třikrát častěji než ostatní zásadně přepracují pracovní postupy a toto záměrné přepracování pracovních postupů demonstruje jeden z nejsilnějších příspěvků k dosažení měřitelného dopadu na podnikání. Společnosti s vysokou výkonností pravidelně nasazují umělou inteligenci ve více obchodních funkcích než jejich kolegové a třikrát častěji rozšiřují používání agentů umělé inteligence.

Paralelní provoz místo sekvenční závislosti

Projekt migrace není nutné zastavit. Může sloužit účelům nad rámec umělé inteligence. Regulační reporting, historické analýzy nebo manažerské dashboardy v rámci interního plánu mohou skutečně vyžadovat konsolidovaná data. Investice do budování tohoto základu se pro tyto účely nevyplatí.

Umělá inteligence ale nemusí čekat na dokončení migrace. Obě mohou probíhat paralelně. Migrace pokračuje podle vlastního harmonogramu a pro své zamýšlené účely. Umělá inteligence přináší výsledky nyní, na základě dat, která existují dnes.

Pragmatický přístup začíná identifikací dvou až tří případů užití umělé inteligence, které by přinesly měřitelnou obchodní hodnotu. Následuje mapování specifického datového kontextu potřebného pro každý případ užití. Poté se zkoumá, zda je tento kontext přímo přístupný bez nutnosti migrace. Nakonec je umělá inteligence pilotně otestována na nejužší možné datové cestě.

Tento přístup je v souladu se zjištěními analytičky Gartneru Harithy Khandabattuové, která popisuje postupný posun od generativní umělé inteligence jako ústředního bodu k základním faktorům podporujícím udržitelné nasazení umělé inteligence, včetně dat připravených na umělou inteligenci a agentů umělé inteligence. Investice se přesouvají od strategie zaměřené na infrastrukturu k architektuře zaměřené na data a schopnosti. Organizace, které berou připravenost dat jako druhořadou záležitost, s největší pravděpodobností zůstanou mezi 94 procenty, které nikdy nepostoupí za pilotní fázi.

Reorganizace investiční logiky

Data o výdajích společnosti Gartner odhalují tektonický posun v investiční logice. Zatímco infrastruktura umělé inteligence zůstává zdaleka největší kategorií výdajů s 965 miliardami dolarů v roce 2025, její tempo růstu je poměrně mírných 29 procent ročně. Zrychlení se odehrává i jinde: data umělé inteligence rostou ročně o 155 procent, kybernetická bezpečnost umělé inteligence o 74 procent a modely umělé inteligence o 68 procent. Peníze sledují úzká hrdla, nikoli titulky.

Na trhu s daty s umělou inteligencí jsou faktory růstu ještě jasnější. Generování syntetických dat roste ročním tempem 178 procent, ze 41 milionů dolarů na 6,8 miliardy dolarů do roku 2029. Datové sady připravené pro umělou inteligenci – tedy předem připravená data strukturovaná pro pracovní postupy umělé inteligence – rostou ročně o 136 procent. Společnosti jsou ochotny platit za zkratky k produkci. To je jasný signál, že trh si cení rychlé připravenosti dat před pomalou a komplexní migrací.

Vítězné organizace, ty, které skutečně sklízejí hodnotu z této transformace, investují do funkcí, které umožňují systémům umělé inteligence fungovat v podnikovém měřítku: připravenost dat, řízení, integrace a zabezpečení. Obrátí typické poměry výdajů a věnují 50 až 70 procent svého času a rozpočtu připravenosti dat – tedy extrakci, normalizaci, metadatům řízení, dashboardům kvality a kontrolám uchovávání dat. Tato připravenost dat však není chápána jako monolitický migrační projekt, ale spíše jako iterativní proces řízený případy užití.

Od datového perfekcionismu k pragmatismu umělé inteligence

Hlavní zjištění této analýzy lze shrnout do jednoho principu: Cílem nikdy nebyla dokonalá infrastruktura. Cílem bylo dosáhnout výsledků z umělé inteligence a naštěstí to nevyžaduje úplnou konsolidaci dat. Týmy, které si to uvědomují, přestávají považovat migraci za nezbytný předpoklad a začínají vnímat výsledky umělé inteligence jako metriku, na které skutečně záleží.

Data hovoří sama za sebe. 88 procent firem používá umělou inteligenci, ale pouze třetina ji začala rozšiřovat. 73 procent migračních projektů selhává kvůli problémům s implementací, nikoli kvůli samotné technologii. 42 procent firem do roku 2025 opustí většinu svých iniciativ v oblasti umělé inteligence. Zároveň prvních šest procent ukazuje, že cesta k úspěchu vede v ambiciózních cílech, přepracovaných pracovních postupech a rychlém škálování, nikoli v dokončení migračních projektů.

To představuje jasnou výzvu k akci pro CIO a CTO. Otázkou již není, jak konsolidovat všechna data před implementací umělé inteligence. Otázkou je, jaký specifický datový kontext je potřeba pro další případ použití umělé inteligence a jak lze tento kontext co nejrychleji a nejhospodárněji zajistit. Federovaný přístup, modely kontextu specifické pro případ užití a sestavování za běhu jsou architektonické nástroje, které tento přístup umožňují. Nahrazují paradigma kompletní přípravy paradigmatem iterativní tvorby hodnoty.

Společnosti, které vnímají umělou inteligenci nikoli jako druhotného příjemce infrastrukturních projektů, ale jako hnací sílu určující požadavky na data, budou ty, které nejrychleji postoupí od pilotní fáze k fázi škálování. Migrační projekt může pokračovat, ale umělá inteligence nemusí čekat.

Rád/a bych sloužil/a jako váš osobní poradce.

Můžete mě kontaktovat na adrese wolfenstein∂xpert.digital nebo

Zavolejte mi na +49 7348 4088 965 .

LinkedIn