A mesterséges intelligenciának nincs szüksége tökéletes adatokra: A tévhit, ami évekbe kerül a vállalatoknak – Vessen véget a migrációs mítosznak

Vége a végtelen készülődésnek: Hogyan nyújt végre valódi hozzáadott értéket a mesterséges intelligencia?

A mesterséges intelligencia hatalmas potenciállal rendelkezik, az üzleti gyakorlatban mégis gyakran drága illúzióvá silányul. Az ok olyan egyszerű, mint amilyen végzetes: a vállalatok akaratlanul is gigantikus, erőforrás-igényes adatmigrációs projektekké alakítják át ambiciózus MI-kezdeményezéseiket. Az eredeti cél, a gyors és mérhető üzleti eredmények elérése elhúzódó küzdelemmé válik a tökéletes adatinfrastruktúra és a központi adattárházakban történő zökkenőmentes konszolidációért. Miközben milliárdokat költenek az előkészítésre, a vállalatok kétharmada továbbra is a kísérleti fázisban ragad – és a tényleges értékteremtés elmarad.

Ez a cikk feltárja, hogy az „infrastruktúra-első” stratégia szigorú követése miért vezet rendszeresen kudarchoz, és miért nem feltétlenül szükséges a teljes adatmigráció a mesterséges intelligencia sikeréhez. Felvázol egy nagyon is szükséges paradigmaváltást: azoknak, akik a konkrét üzleti eredményekből kiindulva terveznek visszafelé, és a föderatív adathozzáférésre támaszkodnak, nem kell megvárniuk az évekig tartó informatikai megaprojektek befejezését. Tanulja meg, hogyan tarthatja az adatokat ott, ahol vannak, hogyan biztosíthatja a mesterséges intelligencia számára csak a szükséges kontextust, és hogyan érhet el mérhető sikert célzott „gyors győzelmek” révén nagyon rövid idő alatt. Ideje a hangsúlyt a puszta adattökéletességről a pragmatikus mesterséges intelligencia értékteremtésre helyezni.

Ehhez kapcsolódóan:

• UNFRAME.AI: Az adatmigráció sosem volt a lényeg. Az MI eredményei azok voltak.

Az adatcsapda kikerülése: A mesterséges intelligencia vizsgálata az eredmény szempontjából

A mesterséges intelligencia legnagyobb gyilkosa az adatmigráció

A mesterséges intelligencia projektek általában nem magáért a technológiáért buknak meg, hanem azért, mert pusztán IT infrastruktúra projektekké silányulnak. Tévesen az összes adat konszolidációját kötelező követelménynek tekintik.

Az eredményből kiindulva gondolkodni (visszafejtés)

Ahelyett, hogy azt kérdeznénk, hogyan kell az összes adatot mesterséges intelligencia számára előkészíteni, a lényegi kérdés az, hogy milyen konkrét adatkörnyezetre van szüksége a mesterséges intelligenciának itt és most ahhoz, hogy konkrét üzleti eredményt hozzon?

Kontextus a szöveg helyett (Federated Access)

A mesterséges intelligenciának nincs szüksége a teljes adattárházra. Az olyan technológiák, mint a föderált adathozzáférés, az adatvirtualizáció és a RAG (Retrieval-Augmented Generation) lehetővé teszik, hogy az adatokat a forrásrendszerekben tároljuk, és csak a lekérdezés pillanatában állítsuk össze a kontextust. Ez hatalmas időt és költséget takarít meg.

Párhuzamos működés álló helyzet helyett

A hosszú távú adatmigráció (ETL folyamatok a jelentéskészítéshez, előzményekhez stb.) folytatódhat. Az MI-kezdeményezésnek azonban nem kell erre várnia, hanem párhuzamosan hozzáférhet a meglévő, elosztott adatokhoz.

Az agilitás legyőzi a perfekcionizmust

Egy átfogó adatséma felépítésére tett kísérlet nem hatékony. A szakterület-orientált, használati esetre specifikus kontextusmodellek (hasonlóan az adatháló-megközelítéshez) jelentősen ígéretesebbek.

A „gyors győzelmek” ereje

Az érdekelt felek gyakran megrendült bizalmának visszaszerzése érdekében a mesterséges intelligencia projekteknek gyorsan megtérülést (ROI) kell mutatniuk. Egy ideális kezdeti felhasználási eset (nagy gyakoriság, mérhető alap, meglévő adatok) néhány héten belül kézzelfogható eredményeket hoz, így indokolttá teszi a további befektetést.

Miért költenek a vállalatok milliárdokat infrastruktúrára ahelyett, hogy végül hozzáadott értéket teremtenének

Az elmúlt évek digitális átalakulása paradox mintázatot hozott létre, amely minden iparágra kiterjed. A vállalatok jelentős összegeket fektetnek be mesterséges intelligenciába, ám a legtöbb esetben a tényleges értékteremtés elmarad a várakozásoktól. Az ok ritkán magában a technológiában rejlik. Abban rejlik, ahogyan a szervezetek a mesterséges intelligenciához vezető utat megközelítik. Ahelyett, hogy a mérhető üzleti eredményekre összpontosítanának, a mesterséges intelligencia kezdeményezései fokozatosan hatalmas adatinfrastruktúra-projektekké alakulnak át, amelyek önálló életre kelnek, és szem elől tévesztik eredeti céljukat. Ami a mesterséges intelligencia kihasználására irányuló stratégiai kezdeményezésként indult, gyakran évekig tartó adatmigrációval végződik, látható megtérülés nélkül.

A Gartner 2025. decemberi előrejelzése szerint a mesterséges intelligenciára fordított globális kiadások 2025-ben elérik a körülbelül 1,8 billió dollárt, és várhatóan 2029-re 4,7 billió dollárra nőnek. Ugyanakkor a McKinsey 2025-ös globális felmérése a mesterséges intelligencia helyzetéről azt mutatja, hogy a megkérdezett vállalatok 88 százaléka már használ mesterséges intelligenciát legalább egy üzleti funkcióban, de közel kétharmaduk még mindig kísérleti vagy pilot fázisban van. A vállalatoknak csak mintegy hat százaléka minősül úgynevezett MI-kiemelkedő teljesítményűnek, ahol az EBIT több mint öt százaléka a mesterséges intelligenciának tulajdonítható. Ezek a számok alapvető eltérést mutatnak a mesterséges intelligenciába áramló pénz és a végső soron generált érték között. Ennek az eltérésnek az elemzése egy olyan strukturális problémát tár fel, amely messze túlmutat a technikai problémákon.

Hogyan nyelte el az infrastrukturális projekt az AI kezdeményezést

A logikai lánc, amely a vállalatokat ebbe a helyzetbe vezeti, első pillantásra hihetőnek tűnik. A mesterséges intelligenciának adatokra van szüksége. Az adatok számos rendszer között széttagolt állapotban vannak. Ezért konszolidálni kell őket. A konszolidáció migrációt igényel. A migráció átalakítást igényel. Az átalakítás irányítást igényel. Az irányítás adatminőségi programokat igényel. Ebben a láncban minden egyes döntés önmagában is ésszerű. De együttesen egy MI-kezdeményezést olyan adatinfrastruktúra-programmá alakítanak, amelynek évekbe telik, mire egyetlen MI-eredmény is láthatóvá válik.

Ez a jelenség feltűnően látszik az adatokban. A Caylent 2025-ös adatmigrációs jelentése szerint a megkérdezett vállalatoknak mindössze hat százaléka számolt be arról, hogy a legösszetettebb migrációs projektjeit határidőre befejezte. A válaszadók közel fele több mint öt órányi leállást tapasztalt a kritikus migrációk során, ami ügyfélélménybeli problémákat, bevételkiesést és működési késedelmeket eredményezett. Több mint 500 vállalati értékelés elemzése azt mutatja, hogy az adatmigrációs projektek körülbelül 73 százaléka a nem megfelelő tervezés, az irányítási hiányosságok és a platformspecifikus szakértelem hiánya miatt hiúsul meg. Az átlagosan 150 százalékos időtúllépések nem kivételek, hanem szabályt jelentenek.

Ezek a migrációs projektek saját dinamikát alakítanak ki. Elkötelezett csapatokat vonzanak, saját kulcsfontosságú teljesítménymutatókat (KPI-kat) generálnak, és saját szponzorokat szereznek az igazgatótanács szintjén, akik hírnevüket a projekt befejezésébe fektetik. Az eredeti mesterséges intelligencia használati eseteit a következő fázisra, majd a migráció utáni időszakra halasztják, végül pedig csendben eltűnnek a tervezési megbeszélésekről. Senki sem tervezi meg ezt az eredményt. Ezer apró döntésből fakad, amelyek mindegyike önmagában is indokolt, de együttesen az erőforrások és a figyelem stratégiai rossz elosztásához vezetnek.

Egy tipikus forgatókönyv illusztrálja a problémát. A negyedéves üzleti áttekintés ugyanúgy kezdődik, mint az elmúlt két évben. Az adattranszformációs csapat bemutatja az előrehaladását. A migráció 73 százalékban kész. Az adatminőségi mutatók hat területen javultak. Az adattárház architektúrája megfelelt a legutóbbi auditon. A vezető szponzor helyeslően bólint a mérföldkő diagramokra. Aztán valaki felteszi a kérdést, amit mindenki elkerült: Mikor fog élesedni a mesterséges intelligencia? Csend következik. Valaki a második fázist említi. Valaki más a függőségekre mutat rá. Az eredeti ütemterv, amely tizennyolc hónapon belül mesterséges intelligenciával vezérelt elemzéseket ígért, lábjegyzetté vált egy olyan adatinfrastruktúra-projektben, amely önálló életre kelt.

A befejezetlen előkészületek milliárd dolláros zagyvasága

Ennek a problémának a gazdasági dimenziója jelentős. A Gartner előrejelzése szerint 2026 végére a mesterséges intelligencia által támogatott adatokkal nem rendelkező szervezetek MI-projektjeinek több mint 60 százaléka kudarcot vall és feladja a projektet. A Harvard Business Review a MI-projektek teljes kudarcarányát 80 százalékra teszi, ami majdnem kétszerese a MI-t nem magában foglaló IT-projektek kudarcarányának. Az S&P Global Market Intelligence 2025-ös felmérése szerint a vállalatok 42 százaléka felhagyott MI-kezdeményezéseinek többségével, ami drámai növekedés az előző évi mindössze 17 százalékhoz képest. Egy átlagos szervezet a MI-alapú koncepcióbizonyítások 46 százalékát még az éles üzembe helyezés előtt elvetette.

A Gartner azt is előrejelzi, hogy a generatív mesterséges intelligencia projektek legalább 30 százalékát a koncepcióbizonyítási fázis után felhagyják a rossz adatminőség, a nem megfelelő kockázatkezelés, a növekvő költségek vagy a nem egyértelmű üzleti érték miatt. Az Informatica CDO Insights Survey 2025 egyértelműen azonosítja a mesterséges intelligencia sikerének legnagyobb akadályait: az adatminőség és az érettség (43 százalék), a technikai érettség hiánya (szintén 43 százalék), valamint a képzett személyzet hiánya (35 százalék).

Ezek a számok rávilágítanak egy alapvető félreértésre, amely sok szervezetben elterjedt. A probléma nem az, hogy a mesterséges intelligencia használati esetei kudarcot vallanak. A probléma az, hogy a migráció magává a feladattá vált, ahelyett, hogy a cél elérésének eszközévé. Az összes adat központi adattárházba történő konszolidálása önmagában vett céllá vált, miközben az eredeti üzleti érték háttérbe szorul. Eközben a mesterséges intelligenciára kész adatokba történő befektetés robbanásszerűen növekszik. A Gartner előrejelzése szerint a mesterséges intelligencia által generált adatok piaca a 2024-es 134 millió dollárról 2029-re 14,6 milliárd dollárra fog növekedni, ami 155 százalékos összetett éves növekedési ütemet jelent. A pénz áramlik, de rossz irányba halad, ha az adatkiépítést monolitikus, előkészítő projektként, és nem iteratív folyamatként közelítik meg.

Az eredményre gondolj, ahelyett, hogy az infrastruktúra szempontjából terveznél

Az alternatív megközelítés egy alapvetően más kérdéssel kezdődik. Ahelyett, hogy azt kérdeznénk, hogyan kell az adatokat mesterséges intelligencia számára előkészíteni, azt kellene megkérdeznünk, hogy milyen kontextusra van szüksége a mesterséges intelligenciának egy adott üzleti eredmény eléréséhez. Ez a nézőpontváltás megváltoztatja a teljes projektarchitektúrát.

A legtöbb MI-használati eset három-öt rendszer kontextusát igényli, nem pedig egy teljesen migrált adatportfóliót. A kontextuskövetelmények specifikusak. Egy szerződéselemzéshez használt MI-nek szerződésekre, módosításokra, felekre és kötelezettségekre van szüksége. Nincs szüksége a teljes adattárházra. Egy ügyfélszolgálati MI-nek interakciós előzményekre, termékadatokra és ügykezelési rekordokra van szüksége. Nincs szüksége minden forrásrendszer minden táblázatára.

A minimálisan szükséges adatút szinte mindig szűkebb, mint a migrációs projekt hatóköre. A migráció minden elképzelhető jövőbeli lekérdezéshez optimalizálva van. A mesterséges intelligenciának a jelenben jelen lévő konkrét használati esetekhez megfelelő kontextusra van szüksége. Ez a két követelmény alapvetően különbözik, és éppen az egyenértékűként való kezelésük az a mechanizmus, amellyel az infrastrukturális projektek felfalják a mesterséges intelligencia kezdeményezéseit.

A mesterséges intelligencia eredményéből visszafelé haladva gyakran azt tapasztaljuk, hogy a szükséges adatok már elérhetők. Nem kell áthelyezni őket. Össze kell kapcsolni, a használati esethez kell rendszerezni, és futásidőben elérhetővé kell tenni őket. A hatékony mesterséges intelligencia adatkezelés ezzel a felismeréssel kezdődik: először definiáljuk az eredményt, majd megtaláljuk a legegyszerűbb utat az eredményt lehetővé tevő kontextushoz.

Felügyelt mesterséges intelligencia platform - Kép: Xpert.Digital

Itt megtudhatja, hogyan valósíthat meg vállalata testreszabott mesterséges intelligencia megoldásokat gyorsan, biztonságosan és magas belépési korlátok nélkül.

Egy menedzselt MI platform az Ön átfogó, gondtalan megoldása a mesterséges intelligencia területén. Ahelyett, hogy komplex technológiával, drága infrastruktúrával és hosszadalmas fejlesztési folyamatokkal kellene bajlódnia, egy specializált partnertől kap egy az Ön igényeire szabott, kész megoldást – gyakran mindössze néhány napon belül.

A legfontosabb előnyök egy pillantásra:

⚡ Gyors megvalósítás: Az ötlettől a használatra kész alkalmazásig napok, nem hónapok alatt. Gyakorlati megoldásokat szállítunk, amelyek azonnal hozzáadott értéket teremtenek.

🔒 Maximális adatbiztonság: Érzékeny adatai Önnél maradnak. Garantáljuk a biztonságos és megfelelő feldolgozást anélkül, hogy megosztanánk az adatokat harmadik felekkel.

💸 Nincs pénzügyi kockázat: Csak az eredményekért fizet. A hardverbe, szoftverbe vagy személyzetbe történő magas előzetes beruházások teljesen elmaradnak.

🎯 Koncentrálj a fő üzleti tevékenységedre: Koncentrálj arra, amiben a legjobb vagy. Mi gondoskodunk a mesterséges intelligencia megoldásod teljes technikai megvalósításáról, üzemeltetéséről és karbantartásáról.

📈 Jövőálló és skálázható: A mesterséges intelligencia veled együtt növekszik. Folyamatos optimalizálást és skálázhatóságot biztosítunk, és rugalmasan igazítjuk a modelleket az új követelményekhez.

További információ itt:

• Felügyelt AI platform

Federált adathozzáférés, mint architekturális alternatív modell

Az adatmigráció nélküli mesterséges intelligencia nem rövid megoldás. Ez egy másfajta architektúra, amely tükrözi, hogyan működik valójában a mesterséges intelligencia termelési környezetekben. Három alapelv jellemzi ezt a megközelítést.

Először is, a föderált hozzáférés előzetes központosítás nélkül összekapcsolja a mesterséges intelligenciát a forrásrendszerekkel, ahol az adatok találhatók. A CRM-adatok a CRM-ben maradnak. A dokumentumok a dokumentumtárban maradnak. Az operatív adatok az ERP-ben maradnak. Az MI réteg mindezekhez hozzáférhet anélkül, hogy szinkronizálásra kellene várnia. A föderált adathozzáférés az adatokat eredeti helyükön tartja, virtualizációs technikákat alkalmaz az egységes nézet biztosítására, és valós idejű elemzéseket tesz lehetővé igény szerint. Az adattárházakkal ellentétben, ahol az adatokat fizikailag egy központi helyre mozgatják, a föderált hozzáférés kiküszöböli az adatok duplikálásával járó kockázatokat és költségeket, és javítja a működési hatékonyságot.

Másodszor, a használati esetre jellemző kontextusmodellek határozzák meg, hogy mire van konkrétan szüksége az egyes MI-alkalmazásoknak. Ahelyett, hogy egy mindent lefedő univerzális sémát építene fel, a rendszer meghatározza az egyes használati esetekhez kapcsolódó specifikus entitásokat, kapcsolatokat és jeleket. Ez az elv összhangban van az adatháló architektúra koncepciójával, ahol a tartományorientált csapatok függetlenül kezelik a saját adataikat, és olyan testreszabott irányítási szabványokat tartanak fenn, amelyek tükrözik az adott üzleti követelményeket.

Harmadszor, a futásidejű assembly a döntés pillanatában állítja össze a kontextust, ahelyett, hogy előre kötegelt feldolgozáson keresztül tenné. Amikor a mesterséges intelligenciának válaszolnia kell egy kérdésre, minden forrásból összeállítja a releváns kontextust, bárhol is legyen az. Nincs szinkronizációs késedelem. Nincsenek elavult pillanatképek. Naprakész adatok, igény szerint összeállítva. Ez az elv technológiai fejlődésen ment keresztül a Retrieval Augmented Generation (RAG) elterjedésével. Az RAG architektúrák lehetővé teszik a mesterséges intelligencia rendszerek számára, hogy a lekérdezés pillanatában releváns külső információkat kérjenek le, és beágyazzák azokat a kontextusba, ahelyett, hogy kizárólag az előre betanított tudásra támaszkodnának. 2026 közepére a vállalati generatív mesterséges intelligencia implementációk több mint 66 százaléka RAG architektúrákat fog használni.

Ennek az architektúrának a gyakorlati megvalósítása valós vállalati környezetekben nyilvánvaló. Az SAP Federated Machine Learning Library például az SAP Datasphere adatszövetségi architektúráját használja ki, hogy intelligensen tegye elérhetővé az SAP és nem SAP adatokat a gépi tanulás számára anélkül, hogy replikációra vagy adatmozgatásra lenne szükség. Az olyan vállalatok, mint a Downer, Ausztrália egyik legnagyobb integrált szolgáltatója, egy összevont adat- és mesterséges intelligencia platformot vezettek be, amely a decentralizált agilitást a központosított irányítással ötvözi, lehetővé téve az üzleti egységek számára az önálló innovációt, miközben zökkenőmentesen és biztonságosan megosztják a vállalati adatokat.

Adatvirtualizáció és kötegelt feldolgozás összehasonlítása

Az adatvirtualizáción keresztüli összevont hozzáférés és a hagyományos ETL-alapú konszolidáció közötti választás nem bináris, hanem inkább az adott munkaterhelés követelményeihez való igazodás kérdése. Az adatvirtualizáció gyorsabb válaszidőket biztosít kisebb, elosztott adatkészletek lekérdezésekor. Azonban a növekvő adatmennyiségekkel és az összetett átalakítási követelményekkel az ETL hatékonyabb lehet, mivel képes nagy adatkészleteket feldolgozni előre meghatározott átalakítási szabályok segítségével.

Az alapvető kompromisszum az, hogy az adatvirtualizáció a fizikai konszolidációt logikai integrációra cseréli. Frissebb adatokhoz jut, mivel a lekérdezések közvetlenül a forrásrendszerekhez férnek hozzá, és elkerülhető az összes adat egyetlen adattárházba másolásának költsége és bonyolultsága. Ugyanakkor függővé válik az egyes mögöttes rendszerek elérhetőségétől és teljesítményétől. A petabájtos nagyméretű analitikai lekérdezések esetén az előre kiszámított aggregátumokkal és oszlopos tárolással rendelkező adattárházak tízszeresére vagy még nagyobb mértékben felülmúlják a hálózatokon átívelő összevont lekérdezéseket.

Az okos megoldás az, ha mindkét megközelítést kiegészítő módon használjuk. Az ETL kezeli a strukturált, historikus adatok feldolgozását jelentéskészítéshez, és biztosítja a konzisztenciát. Az adatvirtualizáció lehetővé teszi az élő vagy elosztott adatokhoz való agilis hozzáférést időkritikus lekérdezésekhez. Új adatforrás integrálásakor az ETL munkafolyamatok módosítása napokig vagy hetekig is eltarthat. Az adatvirtualizáció lehetővé teszi az ideiglenes vagy kísérleti adatforrások azonnali integrációját. Ez a hibrid megközelítés egyformán optimalizálja a teljesítményt, a költségeket és a rugalmasságot.

A legrövidebb út a mérhető mesterséges intelligencia eredményekhez

Az eredményorientált megközelítés mögött meghúzódó gazdasági logika meggyőző. Az átlagos MI-projektek időtartama egy ismerős mintát követ: három hónap tervezés, hat hónap fejlesztés, hat hónap tesztelés, három hónap telepítés, összesen tizennyolc hónap a megtérülésig. A Gartner szerint átlagosan a MI-projekteknek csak 48 százaléka jut el a termelési fázisba, és a MI-prototípustól a termelésig tartó út nyolc hónapot vesz igénybe. A MI-projekteknek csak 35 százaléka éri el a termelési készenléti állapotot.

De van egy másik út is. Egy IDC-tanulmány szerint a sikeres mesterséges intelligencia-implementációk 92 százaléka tizenkét hónapon belül pozitív megtérülést biztosít. A vállalatok 40 százaléka hat hónapon belül pozitív megtérülésről számol be. A kulcs a megfelelő kezdeti felhasználási eset kiválasztásában és a túlzottan ambiciózus infrastrukturális előkészületek elkerülésében rejlik.

A mesterséges intelligencia gyors megtérülését biztosító keretrendszer négy elven alapul. Az ideális első használati esetet a magas gyakoriság jellemzi; a szóban forgó feladatot naponta vagy hetente hajtják végre. Világos alapvonallal rendelkezik, és a jelenlegi teljesítmény mérhető. Az adatok már léteznek, és a használati eset korlátozottan függ más rendszerektől. Ha ezek a kritériumok teljesülnek, mérhető eredmények érhetők el néhány héten belül.

Az ilyen gyors sikerek hatása messze túlmutat az azonnali pénzügyi megtérülésen. Egy telekommunikációs szolgáltató egy mesterséges intelligenciával működő chatbotot vezetett be az ügyfelek számlázással kapcsolatos öt leggyakoribb kérdésére. 60 napon belül a megoldás a kérdések 35 százalékát emberi beavatkozás nélkül oldotta meg, az átlagos megoldási időt 24 óráról 10 percre csökkentette, és 22 százalékkal javította az ügyfél-elégedettségi pontszámokat. Egy közepes méretű gyártó mesterséges intelligenciával működő prediktív karbantartást vezetett be egy kritikus fontosságú gyártósoron. A 45 napos kísérleti projekt 62 százalékos csökkenést eredményezett a nem tervezett állásidőben, 157 000 dollár értékben elkerült termelési veszteségeket és 28 százalékos csökkenést a karbantartási költségekben. A Klarna mesterséges intelligenciával működő asszisztense az első hónapban az összes ügyfél-chat kérdés kétharmadát megoldotta, és az átlagos megoldási időt tizenegy percről két perc alá csökkentette.

Miért a legnehezebb valuta az érdekelt felek bizalma?

Ezek a gyors sikerek túlmutatnak a puszta költségmegtakarításon. Helyreállítják az érdekelt felek bizalmát, amely az évek során látható eredmények nélkül megrendült az infrastrukturális projektek során. A gyors sikerek gyors, kézzelfogható bizonyítékot szolgáltatnak arra, hogy a mesterséges intelligencia üzleti értéket teremt. Ez növeli a döntéshozók bizalmát, csökkenti az adaptációval szembeni ellenállást, és utat nyit a nagyobb mesterséges intelligencia-befektetések előtt.

A sikeres gyors sikerek pozitív visszacsatolási hurkokat hoznak létre, amelyek felgyorsítják a mesterséges intelligencia elterjedését. A kezdeti siker lelkesedést és erőforrásokat generál a szélesebb körű megvalósításhoz. A szélesebb körű megvalósítás további értéket és szervezeti tanulást teremt. Ez a tanulás kifinomultabb alkalmazásokat és nagyobb előnyöket tesz lehetővé. A nagyobb előnyök indokolják a mesterséges intelligencia képességeibe történő nagyobb befektetést.

A McKinsey adatai alátámasztják ezt a mechanizmust. A mesterséges intelligenciával kiemelkedő teljesítményt nyújtó vállalatok – a mérhető EIBT-hozzájárulással rendelkező vállalatok hat százaléka – háromszor nagyobb valószínűséggel számolnak be arról, hogy szervezetük transzformatív változásokhoz kívánja használni a mesterséges intelligenciát. Ezek a vállalatok majdnem háromszor nagyobb valószínűséggel tervezik alapvetően újra a munkafolyamatokat, mint mások, és ez a szándékos munkafolyamatok újratervezése az egyik legerősebb hozzájárulást mutatja a mérhető üzleti hatás eléréséhez. A kiemelkedő teljesítményt nyújtó vállalatok rendszeresen alkalmaznak mesterséges intelligenciát több üzleti funkcióban, mint versenytársaik, és háromszor nagyobb valószínűséggel bővítik a mesterséges intelligencia által támogatott ágensek használatát.

Párhuzamos működés szekvenciális függőség helyett

A migrációs projektet nem kell leállítani. A mesterséges intelligencián túlmutató célokat is szolgálhat. A szabályozási jelentésekhez, a historikus elemzésekhez vagy a belső ütemterv vezetői irányítópultjaihoz valóban szükség lehet konszolidált adatokra. Az alapozásba fektetett befektetés nem vész kárba ezekre a célokra.

De a mesterséges intelligenciának nem kell megvárnia a migráció befejeződését. A kettő párhuzamosan is futtatható. A migráció a saját ütemterve szerint folytatódik a tervezett céloknak megfelelően. A mesterséges intelligencia most szolgáltat eredményeket, a ma létező adatok alapján.

A pragmatikus megközelítés két-három olyan mesterséges intelligencia használati eset azonosításával kezdődik, amelyek mérhető üzleti értéket teremtenének. Ezt követi az egyes használati esetekhez szükséges specifikus adatkontextus feltérképezése. Ezután megvizsgálják, hogy ez a kontextus közvetlenül elérhető-e migráció nélkül. Végül a mesterséges intelligenciát a lehető legszűkebb adatútvonalon tesztelik.

Ez a megközelítés összhangban van Haritha Khandabattu, a Gartner elemzőjének megállapításaival, aki fokozatos elmozdulást ír le a generatív mesterséges intelligenciától, mint központi elemtől, a fenntartható MI-telepítést támogató alapvető tényezőkre, beleértve a MI-kész adatokat és a MI-ügynököket. A beruházások az infrastruktúra-központú stratégiától az adat- és képesség-központú architektúra felé tolódnak el. Azok a szervezetek, amelyek az adatkészséget utólagos szempontként kezelik, a legnagyobb valószínűséggel maradnak a kísérleti fázison túl soha nem jutó 94 százalék között.

A befektetési logika átszervezése

A Gartner költési adatai a befektetési logika tektonikus változását mutatják. Míg a mesterséges intelligencia infrastruktúrája továbbra is messze a legnagyobb költési kategória, 2025-ben 965 milliárd dollárral, növekedési üteme viszonylag mérsékelt, évi 29 százalék. A gyorsulás máshol is megfigyelhető: a mesterséges intelligencia adatai évi 155 százalékkal, a mesterséges intelligencia kiberbiztonsága 74 százalékkal, a mesterséges intelligencia modellek pedig 68 százalékkal nőnek. A pénz a szűk keresztmetszeteket követi, nem a főcímeket.

A mesterséges intelligencia adatpiacán belül a növekedés mozgatórugói még egyértelműbbek. A szintetikus adatok előállítása évi 178 százalékkal növekszik, 41 millió dollárról 6,8 milliárd dollárra 2029-re. A mesterséges intelligenciára kész adatkészletek – azaz a mesterséges intelligencia munkafolyamataihoz strukturált előre kurált adatok – évi 136 százalékkal nőnek. A vállalatok hajlandóak fizetni a termelési környezethez vezető rövidítésekért. Ez egyértelmű jelzés arra, hogy a piac a gyors adatkészre állítást értékeli a lassú, átfogó migrációval szemben.

A nyertes szervezetek, azok, amelyek valóban kiaknázzák ennek az átalakulásnak az értékét, olyan képességekbe fektetnek be, amelyek a mesterséges intelligencia rendszereket vállalati szinten működtetik: adatfelkészültség, irányítás, integráció és biztonság. Megfordítják a tipikus költési arányokat, idejük és költségvetésük 50-70 százalékát az adatfelkészültségre fordítják – azaz az adatkinyerésre, normalizálásra, irányítási metaadatokra, minőségi irányítópultokra és adatmegőrzési ellenőrzésekre. Ez az adatfelkészültség azonban nem monolitikus migrációs projektként, hanem iteratív, használati esetek által vezérelt folyamatként értelmezhető.

Az adatperfekcionizmustól a mesterséges intelligencia pragmatizmusáig

Az elemzés központi megállapítása egyetlen alapelvben foglalható össze: A cél soha nem a tökéletes infrastruktúra megteremtése volt. A cél az volt, hogy eredményeket érjünk el a mesterséges intelligenciából, és szerencsére ez nem igényel teljes adatkonszolidációt. Azok a csapatok, amelyek ezt felismerik, nem kezelik a migrációt előfeltételként, és a mesterséges intelligencia eredményeit kezdik a valóban fontos mérőszámnak tekinteni.

Az adatok magukért beszélnek. A vállalatok 88 százaléka használ mesterséges intelligenciát, de csak egyharmaduk kezdte el skálázni azt. A migrációs projektek 73 százaléka megvalósítási problémák miatt kudarcot vall, nem pedig maga a technológia miatt. A vállalatok 42 százaléka 2025-re felhagy a mesterséges intelligenciával kapcsolatos kezdeményezéseinek többségével. Ugyanakkor a felső hat százalék azt mutatja, hogy a sikerhez vezető út az ambiciózus célokban, az újratervezett munkafolyamatokban és a gyors skálázásban rejlik, nem pedig a migrációs projektek befejezésében.

Ez egyértelmű cselekvésre szólítja fel az informatikai és technológiai igazgatókat. A kérdés már nem az, hogyan kell konszolidálni az összes adatot a mesterséges intelligencia bevezetése előtt. A kérdés az, hogy milyen konkrét adatkontextusra van szükség a következő mesterséges intelligencia használati esethez, és hogyan lehet ezt a kontextust a leggyorsabban és legköltséghatékonyabban biztosítani. Az összevont hozzáférés, a használati esetre jellemző kontextusmodellek és a futásidejű assembly azok az architekturális eszközök, amelyek lehetővé teszik ezt a megközelítést. A teljes előkészítés paradigmáját az iteratív értékteremtés paradigmájával helyettesítik.

Azok a vállalatok, amelyek a mesterséges intelligenciát nem az infrastrukturális projektek másodlagos haszonélvezőjeként, hanem az adatkövetelményeket meghatározó hajtóerőként tekintik, azok fognak a leggyorsabban eljutni a kísérleti fázistól a skálázási fázisig. A migrációs projekt folytatódhat, de a mesterséges intelligenciának nem kell várnia.

Konrad Wolfenstein

Örömmel lennék az Ön személyes tanácsadója.

Elérhetsz wolfenstein ∂ xpert.digital címen

Hívjon a +49 89 89 674 804-es (München) .

LinkedIn