Sztuczna inteligencja nie potrzebuje idealnych danych: błędne przekonanie, które kosztuje firmy lata – koniec z mitem migracji

Koniec z niekończącymi się przygotowaniami: w jaki sposób sztuczna inteligencja wreszcie zapewnia rzeczywistą wartość dodaną

Sztuczna inteligencja ma ogromny potencjał, jednak w praktyce biznesowej często przekształca się w kosztowną iluzję. Powód jest równie prosty, co zgubny: firmy nieświadomie przekształcają swoje ambitne inicjatywy w zakresie sztucznej inteligencji w gigantyczne, wymagające dużych zasobów projekty migracji danych. Pierwotny cel, jakim było osiągnięcie szybkich i mierzalnych rezultatów biznesowych, staje się przeciągającą się walką o idealną infrastrukturę danych i płynną konsolidację w centralnych magazynach danych. Podczas gdy miliardy są wydawane na przygotowania, dwie trzecie firm tkwi w fazie pilotażowej – a faktyczne tworzenie wartości schodzi na dalszy plan.

Ten artykuł pokazuje, dlaczego sztywne trzymanie się strategii „infrastruktura przede wszystkim” regularnie prowadzi do porażki i dlaczego pełna migracja danych nie jest konieczna do osiągnięcia sukcesu w dziedzinie sztucznej inteligencji. Przedstawia on bardzo potrzebną zmianę paradygmatu: ci, którzy planują wstecz, bazując na konkretnych wynikach biznesowych i polegają na federacyjnym dostępie do danych, nie muszą czekać na zakończenie wieloletnich megaprojektów informatycznych. Dowiedz się, jak zachować dane tam, gdzie są, zapewnić sztucznej inteligencji tylko niezbędny kontekst i osiągnąć wymierny sukces dzięki ukierunkowanym „szybkim sukcesom” w bardzo krótkim czasie. Czas przenieść uwagę z czystej perfekcji danych na pragmatyczne tworzenie wartości w dziedzinie sztucznej inteligencji.

W związku z tym:

• UNFRAME.AI: Migracja danych nigdy nie była celem. Liczyły się wyniki sztucznej inteligencji.

Ucieczka z pułapki danych: myślenie o sztucznej inteligencji z perspektywy rezultatów

Największym zabójcą sztucznej inteligencji jest migracja danych

Projekty AI zazwyczaj kończą się porażką nie z powodu samej technologii, ale dlatego, że przekształcają się w projekty zwykłej infrastruktury IT. Konsolidacja wszystkich danych jest błędnie uważana za wymóg obowiązkowy.

Myślenie od początku (inżynieria odwrotna)

Zamiast pytać, jak przygotować wszystkie dane dla sztucznej inteligencji, istotne pytanie brzmi: Jakiego konkretnego kontekstu danych potrzebuje sztuczna inteligencja w tu i teraz, aby dostarczyć konkretny wynik biznesowy?

Kontekst zamiast kopii (dostęp federacyjny)

Sztuczna inteligencja nie potrzebuje całego magazynu danych. Technologie takie jak federacyjny dostęp do danych, wirtualizacja danych i RAG (Retrieval-Augmented Generation) umożliwiają przechowywanie danych w systemach źródłowych i tworzenie kontekstu dopiero w momencie zapytania. To ogromna oszczędność czasu i kosztów.

Praca równoległa zamiast postoju

Długoterminowa migracja danych (procesy ETL dotyczące raportowania, historii itp.) może i będzie kontynuowana. Jednak inicjatywa AI nie musi na to czekać, lecz może równolegle uzyskiwać dostęp do istniejących, rozproszonych danych.

Zwinność zwycięża perfekcjonizm

Próba zbudowania kompleksowego schematu danych jest nieefektywna. Znacznie bardziej obiecujące są modele kontekstowe zorientowane na domenę i specyficzne dla danego przypadku użycia (podobne do podejścia opartego na siatce danych).

Siła „szybkich wygranych”

Aby odzyskać często nadszarpnięte zaufanie interesariuszy, projekty AI muszą szybko wykazać zwrot z inwestycji (ROI). Idealny początkowy przypadek użycia (wysoka częstotliwość, mierzalność, istniejące dane) przynosi wymierne rezultaty w ciągu kilku tygodni, uzasadniając tym samym dalsze inwestycje.

Dlaczego firmy inwestują miliardy w infrastrukturę zamiast w końcu dostarczać wartość dodaną

Transformacja cyfrowa w ostatnich latach wytworzyła paradoksalny schemat, który dotyczy wszystkich branż. Firmy inwestują znaczne sumy w sztuczną inteligencję, ale w większości przypadków rzeczywista wartość dodana jest niższa od oczekiwań. Przyczyna rzadko leży w samej technologii. Kryje się ona w sposobie, w jaki organizacje podchodzą do AI. Zamiast koncentrować się na mierzalnych wynikach biznesowych, inicjatywy AI stopniowo przekształcają się w ogromne projekty infrastruktury danych, które zaczynają żyć własnym życiem i tracą z oczu swój pierwotny cel. To, co zaczęło się jako strategiczna inicjatywa wykorzystania AI, często kończy się latami migracji danych bez widocznego zwrotu z inwestycji.

Według prognozy Gartnera z grudnia 2025 r. globalne wydatki na sztuczną inteligencję osiągną około 1,8 biliona dolarów w 2025 r. i mają wzrosnąć do 4,7 biliona dolarów do 2029 r. Jednocześnie badanie McKinsey Global Survey 2025 dotyczące stanu sztucznej inteligencji pokazuje, że 88% ankietowanych firm wykorzystuje już sztuczną inteligencję w co najmniej jednej funkcji biznesowej, ale prawie dwie trzecie wciąż znajduje się w fazie eksperymentalnej lub pilotażowej. Tylko około sześć procent firm kwalifikuje się jako tzw. firmy o wysokiej wydajności w dziedzinie sztucznej inteligencji, gdzie ponad pięć procent zysku operacyjnego przed opodatkowaniem, odsetkami, odsetkami i zyskami (EBIT) jest przypisywane sztucznej inteligencji. Liczby te ilustrują fundamentalną rozbieżność między pieniędzmi napływającymi do sztucznej inteligencji a ostatecznie generowaną wartością. Analiza tej rozbieżności ujawnia problem strukturalny, który wykracza daleko poza kwestie techniczne.

Jak projekt infrastrukturalny pochłonął inicjatywę AI

Na pierwszy rzut oka logika, która prowadzi firmy do tej sytuacji, wydaje się wiarygodna. AI potrzebuje danych. Dane są rozproszone w wielu systemach. Dlatego muszą zostać skonsolidowane. Konsolidacja wymaga migracji. Migracja wymaga transformacji. Transformacja wymaga zarządzania. Zarządzanie wymaga programów jakości danych. Każda pojedyncza decyzja w tym łańcuchu jest uzasadniona sama w sobie. Jednak razem przekształcają one inicjatywę AI w program infrastruktury danych, a zanim jakikolwiek rezultat AI stanie się widoczny, mijają lata.

Zjawisko to jest uderzająco widoczne w danych. Według raportu Caylent na temat migracji danych z 2025 roku, tylko sześć procent ankietowanych firm zadeklarowało terminowe ukończenie najbardziej złożonych projektów migracji. Prawie połowa respondentów doświadczyła przestoju trwającego ponad pięć godzin podczas krytycznych migracji, co skutkowało problemami z obsługą klienta, stratami przychodów i opóźnieniami operacyjnymi. Analiza ponad 500 opinii firm pokazuje, że około 73 procent projektów migracji danych kończy się niepowodzeniem z powodu nieodpowiedniego planowania, luk w zarządzaniu i braku specjalistycznej wiedzy na temat platformy. Przekroczenia terminów wynoszące średnio 150 procent nie są wyjątkiem, lecz regułą.

Te projekty migracyjne rozwijają swoją własną dynamikę. Przyciągają dedykowane zespoły, generują własne kluczowe wskaźniki efektywności (KPI) i zyskują sponsorów na poziomie zarządu, którzy stawiają swoją reputację na szali dla ukończenia projektu. Pierwotne przypadki użycia sztucznej inteligencji są odkładane na kolejną fazę, następnie na okres pomigracyjny, a na końcu po cichu znikają z dyskusji planistycznych. Nikt nie planuje takiego wyniku. Wynika on z tysiąca drobnych decyzji, z których każda jest uzasadniona sama w sobie, ale które razem prowadzą do strategicznej, niewłaściwej alokacji zasobów i uwagi.

Typowy scenariusz ilustruje problem. Kwartalny przegląd biznesowy rozpoczyna się tak samo, jak przez ostatnie dwa lata. Zespół ds. transformacji danych przedstawia swoje postępy. Migracja jest ukończona w 73 procentach. Wskaźniki jakości danych poprawiły się w sześciu domenach. Architektura magazynu danych przeszła ostatni audyt. Kierownik projektu z aprobatą kiwa głową na wykresy kamieni milowych. Następnie ktoś zadaje pytanie, którego wszyscy unikali: Kiedy sztuczna inteligencja zostanie uruchomiona? Zapada cisza. Ktoś wspomina o fazie drugiej. Ktoś inny wskazuje na zależności. Pierwotny harmonogram, który obiecywał analizy wspomagane przez sztuczną inteligencję w ciągu osiemnastu miesięcy, stał się przypisem w projekcie infrastruktury danych, który zaczął żyć własnym życiem.

Miliardowy marnotrawstwo niedokończonych przygotowań

Ekonomiczny wymiar tego problemu jest znaczący. Gartner przewiduje, że do końca 2026 roku organizacje bez danych gotowych na wdrożenie AI doświadczą niepowodzenia i porzucenia ponad 60% swoich projektów AI. Harvard Business Review szacuje, że ogólny wskaźnik niepowodzeń projektów AI wynosi 80%, czyli prawie dwukrotnie więcej niż w przypadku projektów IT, które nie wykorzystują AI. Według badania przeprowadzonego w 2025 roku przez S&P Global Market Intelligence, 42% firm porzuciło większość swoich inicjatyw AI, co stanowi drastyczny wzrost w porównaniu z zaledwie 17% w roku poprzednim. Przeciętna organizacja porzuciła 46% swoich dowodów koncepcji AI, zanim jeszcze trafiły one do produkcji.

Gartner przewiduje również, że co najmniej 30% projektów generatywnej AI zostanie porzuconych po fazie proof of concept z powodu niskiej jakości danych, niewystarczającej kontroli ryzyka, rosnących kosztów lub niejasnej wartości biznesowej. Badanie Informatica CDO Insights Survey 2025 jasno wskazuje na największe przeszkody na drodze do sukcesu AI: jakość i dojrzałość danych (43%), brak dojrzałości technicznej (również 43%) oraz niedobór wykwalifikowanego personelu (35%).

Te dane uwypuklają fundamentalne nieporozumienie, powszechne w wielu organizacjach. Problem nie polega na tym, że przypadki użycia AI zawodzą. Problem polega na tym, że migracja stała się zadaniem samym w sobie, a nie środkiem do celu. Konsolidacja wszystkich danych w centralnym magazynie danych stała się celem samym w sobie, a pierwotna wartość biznesowa schodzi na dalszy plan. Tymczasem inwestycje w dane gotowe na AI gwałtownie rosną. Gartner prognozuje, że rynek danych AI wzrośnie ze 134 milionów dolarów w 2024 roku do 14,6 miliarda dolarów do 2029 roku, co stanowi średnioroczną stopę wzrostu na poziomie 155%. Pieniądze płyną, ale idą w złym kierunku, jeśli do dostarczania danych podchodzi się jak do monolitycznego, przygotowawczego projektu, a nie jak do procesu iteracyjnego.

Myśl w kategoriach rezultatu, a nie planuj z perspektywy infrastruktury

Alternatywne podejście zaczyna się od fundamentalnie innego pytania. Zamiast pytać, jak przygotować dane dla AI, należy zapytać, jakiego kontekstu AI potrzebuje, aby dostarczyć określony wynik biznesowy. To odwrócenie perspektywy zmienia całą architekturę projektu.

Większość przypadków użycia sztucznej inteligencji wymaga kontekstu z trzech do pięciu systemów, a nie w pełni zmigrowanego portfolio danych. Wymagania kontekstowe są specyficzne. Sztuczna inteligencja do analizy umów potrzebuje umów, aneksów, stron i zobowiązań. Nie potrzebuje całego magazynu danych. Sztuczna inteligencja do obsługi klienta potrzebuje historii interakcji, danych o produktach i rekordów zarządzania sprawami. Nie potrzebuje każdej tabeli w każdym systemie źródłowym.

Minimalna wymagana ścieżka danych jest prawie zawsze węższa niż zakres projektu migracji. Migracja jest optymalizowana pod kątem każdego możliwego przyszłego zapytania. Sztuczna inteligencja potrzebuje odpowiedniego kontekstu dla konkretnych przypadków użycia tu i teraz. Te dwa wymagania są zasadniczo różne, a traktowanie ich jako równoważnych to właśnie mechanizm, dzięki któremu projekty infrastrukturalne pochłaniają inicjatywy związane ze sztuczną inteligencją.

Analizując wstecz wynik AI, często okazuje się, że niezbędne dane są już dostępne. Nie trzeba ich przenosić. Muszą być połączone, zorganizowane pod kątem konkretnego przypadku użycia i udostępniane w czasie wykonywania. Efektywne zarządzanie danymi AI zaczyna się od uświadomienia sobie tego: najpierw zdefiniuj wynik, a następnie znajdź najprostszą ścieżkę do kontekstu, który umożliwia jego uzyskanie.

Zarządzana platforma AI — zdjęcie: Xpert.Digital

Tutaj dowiesz się, jak Twoja firma może szybko, bezpiecznie i bez wysokich barier wejścia wdrażać dostosowane do jej potrzeb rozwiązania z zakresu sztucznej inteligencji.

Zarządzana platforma AI to kompleksowe i bezproblemowe rozwiązanie w zakresie sztucznej inteligencji. Zamiast zmagać się ze skomplikowaną technologią, kosztowną infrastrukturą i długotrwałymi procesami rozwoju, otrzymujesz gotowe rozwiązanie dostosowane do Twoich potrzeb od wyspecjalizowanego partnera – często w ciągu zaledwie kilku dni.

Najważniejsze zalety w skrócie:

⚡ Szybka implementacja: Od pomysłu do gotowej do użycia aplikacji w ciągu kilku dni, a nie miesięcy. Dostarczamy praktyczne rozwiązania, które generują natychmiastową wartość dodaną.

🔒 Maksymalne bezpieczeństwo danych: Twoje wrażliwe dane pozostają z Tobą. Gwarantujemy bezpieczne i zgodne z przepisami przetwarzanie bez udostępniania danych osobom trzecim.

💸 Brak ryzyka finansowego: Płacisz tylko za rezultaty. Wysokie początkowe inwestycje w sprzęt, oprogramowanie lub personel są całkowicie wyeliminowane.

🎯 Skoncentruj się na swojej podstawowej działalności: Skoncentruj się na tym, co robisz najlepiej. Zajmiemy się całościową implementacją techniczną, obsługą i utrzymaniem Twojego rozwiązania AI.

📈 Przyszłościowa i skalowalna: Twoja sztuczna inteligencja rośnie razem z Tobą. Zapewniamy ciągłą optymalizację i skalowalność oraz elastycznie dostosowujemy modele do nowych wymagań.

Więcej informacji tutaj:

• Zarządzana platforma AI

Federacyjny dostęp do danych jako alternatywny model architektoniczny

Sztuczna inteligencja bez migracji danych to nie droga na skróty. To inna architektura, która odzwierciedla sposób, w jaki sztuczna inteligencja faktycznie działa w środowiskach produkcyjnych. To podejście charakteryzują trzy fundamentalne zasady.

Po pierwsze, dostęp federacyjny łączy sztuczną inteligencję (AI) z systemami źródłowymi, w których znajdują się dane, bez konieczności ich wcześniejszej centralizacji. Dane CRM pozostają w CRM. Dokumenty pozostają w repozytorium dokumentów. Dane operacyjne pozostają w systemie ERP. Warstwa AI może uzyskać dostęp do wszystkich tych danych bez konieczności synchronizacji. Dostęp federacyjny utrzymuje dane w ich oryginalnej lokalizacji, wykorzystuje techniki wirtualizacji, aby zapewnić ujednolicony widok i umożliwia dostęp do analiz w czasie rzeczywistym na żądanie. W przeciwieństwie do hurtowni danych, gdzie dane są fizycznie przenoszone do centralnej lokalizacji, dostęp federacyjny eliminuje ryzyko i koszty związane z duplikacją danych oraz poprawia wydajność operacyjną.

Po drugie, modele kontekstowe specyficzne dla danego przypadku użycia definiują potrzeby każdej aplikacji AI. Zamiast budować uniwersalny schemat, który ma obejmować wszystko, system definiuje konkretne encje, relacje i sygnały istotne dla każdego indywidualnego przypadku użycia. Zasada ta jest zgodna z koncepcją architektury siatki danych, w której zespoły zorientowane na domenę niezależnie zarządzają swoimi danymi i utrzymują dostosowane standardy zarządzania, odzwierciedlające specyficzne wymagania biznesowe.

Po trzecie, asemblacja w czasie wykonywania (runtime assembly) gromadzi kontekst w momencie podejmowania decyzji, a nie z wyprzedzeniem za pośrednictwem potoków wsadowych. Gdy sztuczna inteligencja musi odpowiedzieć na pytanie, kompiluje odpowiedni kontekst ze wszystkich źródeł, niezależnie od tego, gdzie się on znajduje. Brak opóźnień synchronizacji. Brak nieaktualnych migawek. Aktualne dane, gromadzone na żądanie. Zasada ta uległa technologicznemu rozwojowi wraz z upowszechnieniem się technologii Retrieval Augmented Generation (RAG). Architektury RAG umożliwiają systemom AI pobieranie istotnych informacji zewnętrznych w momencie zapytania i osadzanie ich w kontekście, zamiast polegać wyłącznie na wstępnie wytrenowanej wiedzy. Do połowy 2026 roku ponad 66% wdrożeń generatywnej sztucznej inteligencji w przedsiębiorstwach będzie wykorzystywać architektury RAG.

Praktyczne wdrożenie tej architektury jest widoczne w rzeczywistych środowiskach korporacyjnych. Na przykład, Federated Machine Learning Library firmy SAP wykorzystuje architekturę federacji danych SAP Datasphere do inteligentnego udostępniania danych SAP i innych źródeł na potrzeby uczenia maszynowego, bez konieczności replikacji ani przenoszenia danych. Firmy takie jak Downer, jeden z największych australijskich dostawców usług zintegrowanych, wdrożyły federacyjną platformę danych i sztucznej inteligencji, która łączy zdecentralizowaną zwinność ze scentralizowanym zarządzaniem, umożliwiając jednostkom biznesowym niezależne wprowadzanie innowacji przy jednoczesnym płynnym i bezpiecznym udostępnianiu danych przedsiębiorstwa.

Porównanie wirtualizacji danych i przetwarzania wsadowego

Wybór między dostępem federacyjnym poprzez wirtualizację danych a tradycyjną konsolidacją opartą na ETL nie jest kwestią binarną, lecz raczej dopasowania go do wymagań danego obciążenia. Wirtualizacja danych zapewnia krótszy czas reakcji podczas wykonywania zapytań na mniejszych, rozproszonych zbiorach danych. Jednak wraz ze wzrostem wolumenów danych i złożonymi wymaganiami transformacji, ETL może być bardziej wydajny dzięki możliwości przetwarzania dużych zbiorów danych z wykorzystaniem predefiniowanych reguł transformacji.

Podstawowym kompromisem jest to, że wirtualizacja danych zastępuje fizyczną konsolidację integracją logiczną. Zyskujesz świeższe dane, ponieważ zapytania uzyskują bezpośredni dostęp do systemów źródłowych, a jednocześnie unikasz kosztów i złożoności związanych z kopiowaniem wszystkich danych do jednego magazynu. Jednocześnie stajesz się zależny od dostępności i wydajności każdego systemu bazowego. W przypadku dużych zapytań analitycznych, rzędu petabajtów, magazyny danych z wstępnie obliczonymi agregatami i pamięcią kolumnową przewyższają zapytania federacyjne w sieciach dziesięciokrotnie lub więcej.

Inteligentnym rozwiązaniem jest wykorzystanie obu podejść w sposób komplementarny. ETL obsługuje przetwarzanie ustrukturyzowanych, historycznych danych na potrzeby raportowania i zapewnia spójność. Wirtualizacja danych umożliwia elastyczny dostęp do danych bieżących lub rozproszonych w przypadku zapytań krytycznych czasowo. Podczas integracji nowego źródła danych, modyfikacja przepływów pracy ETL może zająć dni lub tygodnie. Wirtualizacja danych umożliwia natychmiastową integrację tymczasowych lub eksperymentalnych źródeł danych. To hybrydowe podejście optymalizuje wydajność, koszty i elastyczność w równym stopniu.

Najkrótsza droga do mierzalnych wyników AI

Ekonomiczna logika stojąca za podejściem zorientowanym na wyniki jest przekonująca. Średni czas trwania projektu AI przebiega według znanego schematu: trzy miesiące planowania, sześć miesięcy rozwoju, sześć miesięcy testowania, trzy miesiące wdrożenia, co daje łącznie osiemnaście miesięcy do momentu zwrotu z inwestycji (ROI). Według Gartnera, średnio tylko 48% projektów AI trafia do etapu produkcji, a droga od prototypu AI do produkcji zajmuje osiem miesięcy. Tylko 35% projektów AI osiąga gotowość produkcyjną.

Istnieje jednak inny sposób. Według badania IDC, 92% udanych wdrożeń AI przynosi dodatni zwrot z inwestycji w ciągu dwunastu miesięcy. 40% firm deklaruje dodatni zwrot w ciągu sześciu miesięcy. Kluczem jest wybór odpowiedniego początkowego przypadku użycia i unikanie zbyt ambitnych przygotowań infrastrukturalnych.

Ramy szybkiego zwrotu z inwestycji w AI opierają się na czterech zasadach. Idealny pierwszy przypadek użycia charakteryzuje się wysoką częstotliwością; zadanie jest wykonywane codziennie lub co tydzień. Ma on jasną linię bazową, a bieżąca wydajność jest możliwa do zmierzenia. Dane już istnieją, a przypadek użycia ma ograniczone zależności od innych systemów. Spełnienie tych kryteriów pozwala na osiągnięcie mierzalnych rezultatów w ciągu kilku tygodni.

Wpływ takich szybkich sukcesów wykracza daleko poza natychmiastowy zwrot finansowy. Dostawca usług telekomunikacyjnych wdrożył chatbota opartego na sztucznej inteligencji (AI) w odpowiedzi na pięć najczęstszych pytań klientów dotyczących fakturowania. W ciągu 60 dni rozwiązanie rozwiązało 35% zapytań bez ingerencji człowieka, skróciło średni czas odpowiedzi z 24 godzin do 10 minut i poprawiło poziom zadowolenia klientów o 22%. Średniej wielkości producent wdrożył oparty na sztucznej inteligencji system konserwacji predykcyjnej na kluczowej linii produkcyjnej. 45-dniowy projekt pilotażowy przyniósł 62% redukcję nieplanowanych przestojów, 157 000 USD unikniętych strat produkcyjnych i 28% redukcję kosztów konserwacji. Asystent AI firmy Klarna rozwiązał dwie trzecie wszystkich zapytań klientów na czacie w pierwszym miesiącu i skrócił średni czas odpowiedzi z jedenastu minut do niecałych dwóch minut.

Dlaczego zaufanie interesariuszy jest najtrudniejszą walutą

Te szybkie sukcesy mają znaczenie wykraczające poza zwykłe oszczędności. Przywracają zaufanie interesariuszy, nadszarpnięte przez lata projektów infrastrukturalnych bez widocznych rezultatów. Szybkie sukcesy stanowią szybki, namacalny dowód na to, że sztuczna inteligencja generuje wartość biznesową. Buduje to zaufanie decydentów, zmniejsza opór przed wdrożeniem i toruje drogę do większych inwestycji w sztuczną inteligencję.

Szybkie i skuteczne sukcesy tworzą pozytywne pętle sprzężenia zwrotnego, które przyspieszają adopcję sztucznej inteligencji (AI). Początkowy sukces generuje entuzjazm i zasoby na szerszą implementację. Rozszerzanie implementacji tworzy dodatkową wartość i umożliwia uczenie się organizacji. To uczenie się umożliwia bardziej zaawansowane zastosowania i większe korzyści. Większe korzyści uzasadniają zwiększone inwestycje w możliwości AI.

Dane McKinsey'a podkreślają ten mechanizm. Firmy o wysokiej wydajności w dziedzinie sztucznej inteligencji (AI) – sześć procent firm z mierzalnym wkładem AI w zysk przed opodatkowaniem, odsetkami i zyskami (EBIT) – trzy razy częściej niż inne deklarują, że ich organizacja zamierza wykorzystać AI do transformacji. Firmy te prawie trzy razy częściej niż inne dokonują gruntownej przebudowy swoich przepływów pracy, a ta celowa przebudowa przepływów pracy stanowi jeden z największych wkładów w osiągnięcie mierzalnego wpływu na biznes. Firmy o wysokiej wydajności regularnie wdrażają AI w większej liczbie funkcji biznesowych niż ich konkurenci i trzy razy częściej rozszerzają wykorzystanie agentów AI.

Operacja równoległa zamiast zależności sekwencyjnej

Projekt migracji nie musi być wstrzymywany. Może on służyć celom wykraczającym poza sztuczną inteligencję. Raportowanie regulacyjne, analizy historyczne czy panele zarządzania na wewnętrznym planie rozwoju mogą rzeczywiście wymagać skonsolidowanych danych. Inwestycja w budowę tego fundamentu nie jest w tym przypadku zmarnowana.

Ale sztuczna inteligencja nie musi czekać na zakończenie migracji. Obie mogą działać równolegle. Migracja przebiega według własnego harmonogramu, zgodnie z zamierzonymi celami. Sztuczna inteligencja dostarcza wyniki już teraz, w oparciu o dostępne dane.

Pragmatyczne podejście rozpoczyna się od zidentyfikowania dwóch lub trzech przypadków użycia sztucznej inteligencji (AI), które przyniosłyby mierzalną wartość biznesową. Następnie mapuje się konkretny kontekst danych wymagany dla każdego przypadku użycia. Następnie sprawdza się, czy ten kontekst jest bezpośrednio dostępny bez konieczności migracji. Na koniec AI jest pilotowana na najwęższej możliwej ścieżce danych.

To podejście jest zgodne z wnioskami analityka Gartnera, Harithy Khandabattu, który opisuje stopniowe przejście od generatywnej sztucznej inteligencji jako centralnego punktu zainteresowania do fundamentalnych czynników wspierających zrównoważone wdrażanie AI, w tym danych gotowych na AI i agentów AI. Inwestycje przechodzą od strategii stawiającej infrastrukturę na pierwszym miejscu do architektury stawiającej dane i możliwości na pierwszym miejscu. Organizacje, które traktują gotowość danych jako kwestię drugorzędną, najprawdopodobniej pozostaną wśród 94%, które nigdy nie wyjdą poza fazę pilotażową.

Reorganizacja logiki inwestycyjnej

Dane Gartnera dotyczące wydatków ujawniają tektoniczną zmianę w logice inwestowania. Chociaż infrastruktura AI pozostaje zdecydowanie największą kategorią wydatków, z kwotą 965 miliardów dolarów w 2025 roku, jej tempo wzrostu jest stosunkowo umiarkowane i wynosi 29% rocznie. Przyspieszenie ma miejsce również gdzie indziej: dane AI rosną o 155% rocznie, cyberbezpieczeństwo AI o 74%, a modele AI o 68%. Pieniądze podążają za wąskimi gardłami, a nie za nagłówkami.

Na rynku danych AI czynniki wzrostu są jeszcze bardziej oczywiste. Generowanie danych syntetycznych rośnie w tempie 178% rocznie, z 41 milionów do 6,8 miliarda dolarów do 2029 roku. Zbiory danych gotowe na AI – czyli wstępnie przygotowane i ustrukturyzowane dane dostosowane do przepływów pracy AI – rosną w tempie 136% rocznie. Firmy są skłonne płacić za skrócenie czasu produkcji. To wyraźny sygnał, że rynek ceni szybką gotowość danych bardziej niż powolną, kompleksową migrację.

Organizacje, które zwyciężają, czyli te, które rzeczywiście czerpią korzyści z tej transformacji, inwestują w możliwości, które umożliwiają systemom AI działanie w skali przedsiębiorstwa: gotowość danych, zarządzanie nimi, integrację i bezpieczeństwo. Odwracają one typowe proporcje wydatków, przeznaczając od 50 do 70% swojego czasu i budżetu na gotowość danych – czyli ich ekstrakcję, normalizację, metadane dotyczące zarządzania, panele jakości i mechanizmy kontroli retencji. Jednak gotowość danych nie jest rozumiana jako monolityczny projekt migracji, lecz raczej jako iteracyjny proces oparty na konkretnych przypadkach użycia.

Od perfekcjonizmu danych do pragmatyzmu w zakresie sztucznej inteligencji

Główny wniosek z tej analizy można podsumować jedną zasadą: celem nigdy nie była idealna infrastruktura. Celem było osiągnięcie rezultatów dzięki sztucznej inteligencji, a na szczęście nie wymaga to całkowitej konsolidacji danych. Zespoły, które to dostrzegają, przestają traktować migrację jako warunek wstępny i zaczynają postrzegać rezultaty sztucznej inteligencji jako wskaźnik, który naprawdę się liczy.

Dane mówią same za siebie. 88% firm korzysta ze sztucznej inteligencji (AI), ale tylko jedna trzecia zaczęła ją skalować. 73% projektów migracyjnych kończy się niepowodzeniem z powodu problemów z wdrożeniem, a nie z samą technologią. 42% firm porzuci większość swoich inicjatyw związanych z AI do 2025 roku. Jednocześnie sześć procent firm z czołówki rankingu pokazuje, że droga do sukcesu prowadzi przez ambitne cele, przeprojektowane przepływy pracy i szybkie skalowanie, a nie przez dokończenie projektów migracyjnych.

Stanowi to jasne wezwanie do działania dla dyrektorów ds. informatyki i technologii. Pytanie nie brzmi już, jak skonsolidować wszystkie dane przed wdrożeniem sztucznej inteligencji. Pytanie brzmi, jaki konkretny kontekst danych jest potrzebny dla kolejnego przypadku użycia sztucznej inteligencji i jak można go zapewnić najszybciej i najtaniej. Federacyjny dostęp, modele kontekstowe specyficzne dla danego przypadku użycia oraz asemblacja środowiska uruchomieniowego to narzędzia architektoniczne, które umożliwiają to podejście. Zastępują one paradygmat pełnego przygotowania paradygmatem iteracyjnego tworzenia wartości.

Firmy, które postrzegają sztuczną inteligencję nie jako drugorzędnego beneficjenta projektów infrastrukturalnych, lecz jako siłę napędową determinującą zapotrzebowanie na dane, najszybciej przejdą od fazy pilotażowej do fazy skalowania. Projekt migracji może być kontynuowany, ale sztuczna inteligencja nie musi czekać.

Konrad Wolfenstein

Chętnie będę pełnić rolę Twojego osobistego doradcy.

skontaktować pod adresem wolfenstein ∂ xpert.digital

Wystarczy zadzwonić pod numer +49 7348 4088 965 (Monachium) .

LinkedIn