IA nu are nevoie de date perfecte: Concepția greșită care costă companiile ani de zile – Pune capăt mitului migrației

Sfârșitul pregătirilor nesfârșite: Cum oferă în sfârșit IA o valoare adăugată reală

Inteligența artificială deține un potențial enorm, însă în practica de afaceri degenerează adesea într-o iluzie costisitoare. Motivul este pe cât de simplu, pe atât de fatal: companiile își transformă, fără să știe, inițiativele ambițioase de inteligență artificială în proiecte gigantice de migrare a datelor, care necesită multe resurse. Scopul inițial de a obține rezultate de afaceri rapide și măsurabile devine o luptă prelungită pentru infrastructura de date perfectă și consolidarea fără probleme în depozitele centrale de date. În timp ce miliarde sunt investite în pregătire, două treimi dintre companii rămân blocate în faza pilot - iar crearea reală de valoare este neglijată.

Acest articol dezvăluie de ce aderarea rigidă la o strategie „punând infrastructura pe primul loc” duce în mod regulat la eșec și de ce o migrare completă a datelor nu este neapărat necesară pentru succesul inteligenței artificiale. Acesta subliniază o schimbare de paradigmă extrem de necesară: cei care planifică invers, pornind de la rezultate concrete de afaceri și se bazează pe accesul federat la date nu trebuie să aștepte finalizarea megaproiectelor IT de ani de zile. Aflați cum să păstrați datele acolo unde sunt, să oferiți inteligenței artificiale doar contextul specific de care are nevoie și să obțineți un succes măsurabil prin „câștiguri rapide” specifice într-un timp foarte scurt. Este timpul să ne mutăm accentul de la perfecțiunea pură a datelor și să ne concentrăm pe crearea pragmatică de valoare în domeniul inteligenței artificiale.

Legat de asta:

• UNFRAME.AI: Migrarea datelor nu a fost niciodată ideea. Rezultatele inteligenței artificiale au fost.

Evadarea din capcana datelor: Reflectarea inteligenței artificiale din perspectiva rezultatului

Cel mai mare criminal în domeniul inteligenței artificiale este migrarea datelor

Proiectele de inteligență artificială eșuează de obicei nu din cauza tehnologiei în sine, ci pentru că degenerează în simple proiecte de infrastructură IT. Consolidarea tuturor datelor este considerată în mod eronat o cerință obligatorie.

Gândirea pornind de la rezultat (inginerie inversă)

În loc să ne întrebăm cum să pregătim toate datele pentru IA, întrebarea esențială este: De ce context specific de date are nevoie IA aici și acum pentru a oferi un rezultat concret în afaceri?

Context în loc de copiere (Acces federat)

Inteligența artificială nu are nevoie de întregul depozit de date. Tehnologii precum accesul federativ la date, virtualizarea datelor și RAG (Retrieval-Augmented Generation - Generare augmentată prin recuperare) permit păstrarea datelor în sistemele sursă și asamblarea contextului doar în momentul interogării. Acest lucru economisește timp și costuri imense.

Funcționare în paralel în loc de staționare

Migrarea datelor pe termen lung (procese ETL pentru raportare, istoric etc.) poate și ar putea continua. Cu toate acestea, inițiativa IA nu trebuie să aștepte acest lucru, ci poate accesa în paralel datele existente, distribuite.

Agilitatea învinge perfecționismul

Încercarea de a construi o schemă de date cuprinzătoare este ineficientă. Modelele de context orientate pe domeniu, specifice cazurilor de utilizare (similare abordării mesh de date) sunt semnificativ mai promițătoare.

Puterea „victoriilor rapide”

Pentru a recâștiga încrederea adesea erodată a părților interesate, proiectele de inteligență artificială trebuie să demonstreze rapid o rentabilitate a investiției (ROI). Un caz de utilizare inițial ideal (frecvență ridicată, bază măsurabilă, date existente) oferă rezultate tangibile în câteva săptămâni, justificând astfel investiții suplimentare.

De ce companiile investesc miliarde în infrastructură în loc să ofere în sfârșit valoare adăugată

Transformarea digitală din ultimii ani a produs un model paradoxal care afectează toate industriile. Companiile investesc sume semnificative în inteligența artificială, însă, în majoritatea cazurilor, crearea reală de valoare nu se ridică la nivelul așteptărilor. Motivul rareori constă în tehnologia în sine. Constă în modul în care organizațiile abordează calea către IA. În loc să se concentreze pe rezultate de afaceri măsurabile, inițiativele IA se transformă treptat în proiecte masive de infrastructură de date care își dezvoltă propria viață și își pierd din vedere scopul inițial. Ceea ce a început ca o inițiativă strategică de valorificare a IA se termină adesea ca ani de migrare a datelor fără nicio rentabilitate vizibilă a investiției.

Conform previziunilor Gartner din decembrie 2025, cheltuielile globale pentru inteligența artificială vor ajunge la aproximativ 1,8 trilioane de dolari în 2025 și se așteaptă să crească la 4,7 trilioane de dolari până în 2029. În același timp, Sondajul Global McKinsey 2025 privind starea IA arată că 88% dintre companiile chestionate utilizează deja IA în cel puțin o funcție de afaceri, dar aproape două treimi se află încă în faza experimentală sau pilot. Doar aproximativ șase procente dintre companii se califică drept așa-numitele companii de înaltă performanță în domeniul IA, unde peste cinci procente din profitul util (EBIT) este atribuibil IA. Aceste cifre ilustrează o discrepanță fundamentală între banii care intră în IA și valoarea generată în cele din urmă. Analiza acestei discrepanțe relevă o problemă structurală care se extinde mult dincolo de problemele tehnice.

Cum a înghițit proiectul de infrastructură inițiativa IA

Lanțul logic care conduce companiile în această situație pare plauzibil la prima vedere. IA are nevoie de date. Datele sunt fragmentate în numeroase sisteme. Prin urmare, trebuie consolidate. Consolidarea necesită migrare. Migrarea necesită transformare. Transformarea necesită guvernanță. Guvernanța necesită programe de calitate a datelor. Fiecare decizie individuală din acest lanț este rezonabilă în sine. Dar, luate împreună, ele transformă o inițiativă de IA într-un program de infrastructură de date care durează ani de zile înainte ca un singur rezultat al IA să devină vizibil.

Acest fenomen este izbitor de evident în date. Conform Raportului Caylent privind migrarea datelor din 2025, doar șase procente dintre companiile chestionate au raportat finalizarea celor mai complexe proiecte de migrare la timp. Aproape jumătate dintre respondenți s-au confruntat cu peste cinci ore de nefuncționare în timpul migrărilor critice, ceea ce a dus la probleme de experiență pentru clienți, pierderi de venituri și întârzieri operaționale. O analiză a peste 500 de recenzii ale companiilor arată că aproximativ 73% din proiectele de migrare a datelor eșuează din cauza planificării inadecvate, a lacunelor de guvernanță și a lipsei de expertiză specifică platformei. Depășirile de timp, în medie de 150%, nu sunt excepția, ci regula.

Aceste proiecte de migrare dezvoltă o dinamică proprie. Atrag echipe dedicate, generează proprii indicatori cheie de performanță (KPI) și își câștigă proprii sponsori la nivel de consiliu de administrație, care își mizează reputația pe finalizarea proiectului. Cazurile de utilizare inițiale ale inteligenței artificiale sunt amânate pentru faza următoare, apoi pentru perioada post-migrare și, în final, dispar în liniște din discuțiile de planificare. Nimeni nu planifică acest rezultat. El apare dintr-o mie de decizii mici, fiecare justificabilă în sine, dar care, luate împreună, duc la o alocare strategică greșită a resurselor și a atenției.

Un scenariu tipic ilustrează problema. Analiza trimestrială a afacerii începe așa cum a făcut-o în ultimii doi ani. Echipa de transformare a datelor își prezintă progresul. Migrarea este finalizată în proporție de 73%. Indicatorii calității datelor s-au îmbunătățit în șase domenii. Arhitectura depozitului de date a trecut de ultimul audit. Sponsorul executiv dă din cap aprobator spre graficele etapelor importante. Apoi, cineva pune întrebarea pe care toată lumea a evitat-o: Când va fi lansată inteligența artificială? Se lasă tăcerea. Cineva menționează faza a doua. Altcineva indică dependențe. Cronologia inițială, care promitea informații bazate pe inteligența artificială în termen de optsprezece luni, a devenit o notă de subsol într-un proiect de infrastructură de date care a prins viață proprie.

Gafa de miliarde de dolari a pregătirilor neterminate

Dimensiunea economică a acestei probleme este semnificativă. Gartner preconizează că, până la sfârșitul anului 2026, organizațiile fără date pregătite pentru inteligența artificială vor înregistra eșecuri și abandonuri în peste 60% din proiectele lor de inteligență artificială. Harvard Business Review estimează rata generală de eșec pentru proiectele de inteligență artificială la 80%, aproape dublu față de rata de eșec pentru proiectele IT care nu implică inteligența artificială. Conform unui sondaj din 2025 realizat de S&P Global Market Intelligence, 42% dintre companii au abandonat majoritatea inițiativelor lor de inteligență artificială, o creștere dramatică față de doar 17% în anul precedent. Organizația medie a abandonat 46% din proiectele sale demonstrative de concept în domeniul inteligenței artificiale înainte ca acestea să ajungă măcar în producție.

Gartner preconizează, de asemenea, că cel puțin 30% din proiectele de inteligență artificială generativă vor fi abandonate după faza de demonstrare a conceptului din cauza calității slabe a datelor, a controalelor inadecvate ale riscurilor, a costurilor în creștere sau a valorii comerciale neclare. Sondajul Informatica CDO Insights 2025 identifică clar cele mai mari obstacole în calea succesului inteligenței artificiale: calitatea și maturitatea datelor (43%), lipsa maturității tehnice (de asemenea, 43%) și lipsa personalului calificat (35%).

Aceste cifre evidențiază o neînțelegere fundamentală predominantă în multe organizații. Problema nu este că cazurile de utilizare a inteligenței artificiale eșuează. Problema este că migrarea a devenit sarcina în sine, mai degrabă decât mijlocul pentru a atinge un scop. Consolidarea tuturor datelor într-un depozit central de date a devenit un scop în sine, în timp ce valoarea inițială a afacerii se estompează în fundal. Între timp, investițiile în date pregătite pentru inteligență artificială explodează. Gartner prognozează că piața datelor bazate pe inteligență artificială va crește de la 134 de milioane de dolari în 2024 la 14,6 miliarde de dolari până în 2029, reprezentând o rată anuală compusă de creștere de 155%. Banii curg, dar merg în direcția greșită dacă furnizarea de date este abordată ca un proiect monolitic, pregătitor, mai degrabă decât ca un proces iterativ.

Gândește-te în termeni de rezultat, mai degrabă decât să planifici din perspectiva infrastructurii

Abordarea alternativă începe cu o întrebare fundamental diferită. În loc să ne întrebăm cum să pregătim datele pentru inteligența artificială, ar trebui să ne întrebăm de ce context are nevoie inteligența artificială pentru a oferi un anumit rezultat de afaceri. Această inversare a perspectivei schimbă întreaga arhitectură a proiectului.

Majoritatea cazurilor de utilizare a inteligenței artificiale necesită context de la trei până la cinci sisteme, nu un portofoliu de date migrat complet. Cerințele de context sunt specifice. O inteligență artificială pentru analiza contractelor are nevoie de contracte, amendamente, părți și obligații. Nu are nevoie de întregul depozit de date. O inteligență artificială pentru serviciul clienți are nevoie de istoricuri de interacțiuni, date despre produse și înregistrări de gestionare a cazurilor. Nu are nevoie de fiecare tabel din fiecare sistem sursă.

Calea minimă de date necesară este aproape întotdeauna mai îngustă decât domeniul de aplicare al proiectului de migrare. Migrarea este optimizată pentru fiecare interogare viitoare imaginabilă. IA are nevoie de contextul potrivit pentru cazuri de utilizare specifice, în prezent. Aceste două cerințe sunt fundamental diferite, iar tratarea lor ca fiind echivalente este tocmai mecanismul prin care proiectele de infrastructură devorează inițiativele IA.

Lucrând invers, pornind de la rezultatul IA, se constată adesea că datele necesare sunt deja accesibile. Nu este nevoie să fie mutate. Trebuie să fie conectate, organizate pentru cazul de utilizare și puse la dispoziție în timpul execuției. Gestionarea eficientă a datelor IA începe cu această realizare: mai întâi definiți rezultatul, apoi găsiți cea mai simplă cale către contextul care permite acel rezultat.

Platformă de inteligență artificială gestionată - Imagine: Xpert.Digital

Aici veți afla cum poate compania dumneavoastră să implementeze soluții personalizate de inteligență artificială rapid, în siguranță și fără bariere mari de intrare.

O platformă de inteligență artificială gestionată este soluția completă și fără griji pentru inteligența artificială. În loc să vă confruntați cu tehnologii complexe, infrastructură costisitoare și procese de dezvoltare îndelungate, primiți o soluție gata pregătită, adaptată nevoilor dumneavoastră, de la un partener specializat – adesea în doar câteva zile.

Principalele avantaje, pe scurt:

⚡ Implementare rapidă: De la idee la aplicație gata de utilizare în zile, nu luni. Oferim soluții practice care creează valoare adăugată imediată.

🔒 Securitate maximă a datelor: Datele dumneavoastră sensibile rămân la dumneavoastră. Garantăm procesare sigură și conformă, fără a partaja date cu terțe părți.

💸 Fără risc financiar: Plătești doar pentru rezultate. Investițiile inițiale mari în hardware, software sau personal sunt complet eliminate.

🎯 Concentrează-te pe afacerea ta principală: Concentrează-te pe ceea ce faci cel mai bine. Noi ne ocupăm de întreaga implementare tehnică, operare și mentenanță a soluției tale de inteligență artificială.

📈 Pregătit pentru viitor și scalabil: Inteligența artificială crește odată cu tine. Asigurăm optimizare și scalabilitate continuă și adaptăm flexibil modelele la noile cerințe.

Mai multe informații aici:

• Platformă de inteligență artificială gestionată

Accesul federat la date ca model alternativ arhitectural

Inteligența artificială fără migrarea datelor nu este o scurtătură. Este o arhitectură diferită care reflectă modul în care funcționează de fapt inteligența artificială în mediile de producție. Trei principii fundamentale caracterizează această abordare.

În primul rând, accesul federat conectează inteligența artificială (IA) la sistemele sursă unde se află datele, fără a necesita o centralizare prealabilă. Datele CRM rămân în CRM. Documentele rămân în depozitul de documente. Datele operaționale rămân în ERP. Stratul IA poate accesa toate acestea fără a aștepta sincronizarea. Accesul federat la date păstrează datele în locația lor originală, utilizează tehnici de virtualizare pentru a oferi o vizualizare unificată și permite informații în timp real la cerere. Spre deosebire de depozitarea datelor, unde datele sunt mutate fizic într-o locație centrală, accesul federat elimină riscurile și costurile asociate cu duplicarea datelor și îmbunătățește eficiența operațională.

În al doilea rând, modelele de context specifice fiecărui caz de utilizare definesc nevoile specifice fiecărei aplicații de inteligență artificială. În loc să construiască o schemă universală care încearcă să acopere totul, sistemul definește entitățile, relațiile și semnalele specifice relevante pentru fiecare caz de utilizare individual. Acest principiu se aliniază cu conceptul de arhitectură de tip plasă de date, în care echipele orientate pe domenii își gestionează independent datele respective și mențin standarde de guvernanță personalizate care reflectă cerințele specifice ale afacerii.

În al treilea rând, asamblarea în timpul rulării asamblează contextul în momentul deciziei, mai degrabă decât în ​​avans prin intermediul unor procese batch. Atunci când inteligența artificială trebuie să răspundă la o întrebare, aceasta compilează contextul relevant din toate sursele, oriunde s-ar afla acel context. Fără întârzieri de sincronizare. Fără instantanee învechite. Date actualizate, asamblate la cerere. Acest principiu a cunoscut o maturizare tehnologică odată cu proliferarea Retrieval Augmented Generation (RAG). Arhitecturile RAG permit sistemelor de inteligență artificială să recupereze informații externe relevante în momentul interogării și să le integreze în context, în loc să se bazeze exclusiv pe cunoștințe pre-antrenate. Până la mijlocul anului 2026, peste 66% din implementările de inteligență artificială generativă la nivel de întreprindere vor utiliza arhitecturi RAG.

Implementarea practică a acestei arhitecturi este evidentă în mediile reale ale întreprinderilor. Biblioteca Federated Machine Learning de la SAP, de exemplu, utilizează arhitectura de federație a datelor SAP Datasphere pentru a expune inteligent datele SAP și non-SAP pentru învățarea automată, fără a fi necesară replicarea sau mutarea datelor. Companii precum Downer, unul dintre cei mai mari furnizori de servicii integrate din Australia, au implementat o platformă federată de date și inteligență artificială care combină agilitatea descentralizată cu guvernanța centralizată, permițând unităților de afaceri să inoveze independent, partajând în același timp datele întreprinderii fără probleme și în siguranță.

Virtualizarea datelor și procesarea în loturi comparative

Alegerea între accesul federat prin virtualizarea datelor și consolidarea tradițională bazată pe ETL nu este una binară, ci mai degrabă o chestiune de aliniere a acestuia la cerințele volumului de lucru respectiv. Virtualizarea datelor oferă timpi de răspuns mai rapizi la interogarea seturilor de date mai mici și distribuite. Cu toate acestea, odată cu creșterea volumelor de date și a cerințelor complexe de transformare, ETL poate fi mai eficient datorită capacității sale de a procesa seturi de date mari folosind reguli de transformare predefinite.

Compromisul fundamental este că virtualizarea datelor înlocuiește consolidarea fizică cu integrarea logică. Obțineți date mai proaspete, deoarece interogările accesează direct sistemele sursă și evitați costul și complexitatea copierii tuturor datelor într-un singur depozit. În același timp, deveniți dependent de disponibilitatea și performanța fiecărui sistem subiacent. Pentru interogări analitice complexe, în intervalul petabytes, depozitele cu agregate precalculate și stocare în coloane depășesc performanța interogărilor federate în rețele cu un factor de zece sau mai mult.

Soluția inteligentă este utilizarea ambelor abordări într-un mod complementar. ETL gestionează procesarea datelor structurate, istorice pentru raportare și asigură consecvența. Virtualizarea datelor permite acces agil la date live sau distribuite pentru interogări critice în timp. La integrarea unei noi surse de date, modificarea fluxurilor de lucru ETL poate dura zile sau săptămâni. Virtualizarea datelor permite integrarea imediată a surselor de date temporare sau experimentale. Această abordare hibridă optimizează în egală măsură performanța, costul și flexibilitatea.

Cea mai scurtă cale către rezultate măsurabile din punct de vedere al inteligenței artificiale

Logica economică din spatele abordării orientate spre rezultate este convingătoare. Durata medie a unui proiect de inteligență artificială urmează un model familiar: trei luni de planificare, șase luni de dezvoltare, șase luni de testare, trei luni de implementare, însumând optsprezece luni până la rentabilitatea investiției. Potrivit Gartner, în medie, doar 48% dintre proiectele de inteligență artificială ajung în producție, iar calea de la prototipul de inteligență artificială la producție durează opt luni. Doar 35% dintre proiectele de inteligență artificială ajung chiar la stadiul de pregătire pentru producție.

Există însă și o altă cale. Conform unui studiu IDC, 92% din implementările de inteligență artificială de succes oferă o rentabilitate pozitivă a investiției în termen de douăsprezece luni. 40% dintre companii raportează o rentabilitate pozitivă în termen de șase luni. Cheia constă în alegerea cazului de utilizare inițial potrivit și evitarea pregătirilor excesiv de ambițioase pentru infrastructură.

Cadrul pentru o rentabilitate rapidă a investițiilor în inteligența artificială se bazează pe patru principii. Primul caz de utilizare ideal este caracterizat de frecvență ridicată; sarcina în cauză este executată zilnic sau săptămânal. Are o bază clară, iar performanța actuală poate fi măsurată. Datele există deja, iar cazul de utilizare are dependențe limitate de alte sisteme. Dacă aceste criterii sunt îndeplinite, se pot obține rezultate măsurabile în câteva săptămâni.

Impactul unor astfel de succese rapide se extinde mult dincolo de profitul financiar imediat. Un furnizor de telecomunicații a implementat un chatbot bazat pe inteligență artificială pentru cele mai frecvente cinci solicitări ale clienților privind facturarea. În 60 de zile, soluția a rezolvat 35% din solicitări fără intervenție umană, a redus timpul mediu de rezolvare de la 24 de ore la 10 minute și a îmbunătățit scorurile de satisfacție a clienților cu 22%. Un producător de dimensiuni medii a implementat mentenanța predictivă bazată pe inteligență artificială pe o linie de producție critică. Proiectul pilot de 45 de zile a dus la o reducere cu 62% a timpilor de nefuncționare neplanificați, la pierderi de producție evitate în valoare de 157.000 de dolari și la o reducere cu 28% a costurilor de întreținere. Asistentul bazat pe inteligență artificială al Klarna a rezolvat două treimi din toate solicitările clienților prin chat în prima lună și a redus timpul mediu de rezolvare de la unsprezece minute la sub două minute.

De ce încrederea părților interesate este cea mai puternică monedă de schimb

Aceste succese rapide au o funcție care depășește simpla economie de costuri. Ele restabilesc încrederea părților interesate, care s-a erodat de-a lungul anilor de proiecte de infrastructură fără rezultate vizibile. Succesele rapide oferă dovezi rapide și tangibile că IA creează valoare pentru afaceri. Acest lucru consolidează încrederea factorilor de decizie, reduce rezistența la adoptare și deschide calea pentru investiții mai mari în IA.

Câștigurile rapide de succes creează bucle de feedback pozitiv care accelerează adoptarea inteligenței artificiale. Succesul inițial generează entuziasm și resurse pentru o implementare pe scară mai largă. Extinderea implementării creează valoare suplimentară și învățare organizațională. Această învățare permite aplicații mai sofisticate și beneficii mai mari. Beneficiile mai mari justifică investiții sporite în capabilități de inteligență artificială.

Datele McKinsey subliniază acest mecanism. Companiile cu performanțe ridicate în domeniul inteligenței artificiale – cele șase procente dintre companiile cu o contribuție măsurabilă la EBIT din partea inteligenței artificiale – sunt de trei ori mai predispuse decât altele să raporteze că organizația lor intenționează să utilizeze inteligența artificială pentru schimbări transformative. Aceste companii sunt de aproape trei ori mai predispuse decât altele să își reproiecteze fundamental fluxurile de lucru, iar această reproiectare intenționată a fluxurilor de lucru demonstrează una dintre cele mai puternice contribuții la obținerea unui impact măsurabil asupra afacerilor. Companiile cu performanțe ridicate implementează în mod regulat inteligența artificială în mai multe funcții de business decât grupul lor de companii similare și sunt de trei ori mai predispuse să extindă utilizarea agenților inteligenței artificiale.

Funcționare paralelă în loc de dependență secvențială

Proiectul de migrare nu trebuie oprit. Ar putea servi unor scopuri dincolo de inteligența artificială. Raportarea de reglementare, analizele istorice sau tablourile de bord executive din foaia de parcurs internă pot necesita într-adevăr date consolidate. Investiția în construirea acestei fundații nu este irosită pentru aceste scopuri.

Însă IA nu trebuie să aștepte finalizarea migrării. Cele două pot funcționa în paralel. Migrarea continuă conform propriului program, pentru scopurile propuse. IA oferă rezultate acum, pe baza datelor existente astăzi.

Abordarea pragmatică începe cu identificarea a două sau trei cazuri de utilizare a inteligenței artificiale (IA) care ar oferi o valoare comercială măsurabilă. Aceasta este urmată de cartografierea contextului specific de date necesar pentru fiecare caz de utilizare. Apoi, se examinează dacă acest context este direct accesibil fără a necesita migrare. În cele din urmă, IA este pilotată pe cea mai îngustă cale de date fezabilă.

Această abordare se aliniază cu concluziile analistului Gartner, Haritha Khandabattu, care descrie o trecere treptată de la IA generativă ca punct central de interes, către factorii fundamentali care susțin implementarea sustenabilă a IA, inclusiv datele pregătite pentru IA și agenții IA. Investițiile se mută de la o strategie axată pe infrastructură pe primul loc la o arhitectură axată pe datele și capacitățile pe primul loc. Organizațiile care tratează pregătirea datelor ca pe o idee ulterioară sunt cele care au cea mai mare probabilitate să rămână printre cele 94% care nu trec niciodată de faza pilot.

Reorganizarea logicii investiționale

Datele Gartner privind cheltuielile dezvăluie o schimbare tectonică în logica investițiilor. Deși infrastructura IA rămâne de departe cea mai mare categorie de cheltuieli, la 965 de miliarde de dolari în 2025, rata sa de creștere este relativ moderată, de 29% pe an. Accelerarea se întâmplă și în alte părți: datele IA cresc cu 155% anual, securitatea cibernetică IA cu 74%, iar modelele IA cu 68%. Banii vin după blocaje, nu după titluri.

În cadrul pieței datelor de inteligență artificială, factorii de creștere sunt și mai clari. Generarea de date sintetice crește cu o rată anuală de 178%, de la 41 de milioane de dolari la 6,8 miliarde de dolari până în 2029. Seturile de date pregătite pentru inteligență artificială - adică date pre-organizate și structurate pentru fluxuri de lucru de inteligență artificială - cresc cu 136% anual. Companiile sunt dispuse să plătească pentru scurtături către producție. Acesta este un semnal clar că piața apreciază disponibilitatea rapidă a datelor în detrimentul migrării lente și complete.

Organizațiile câștigătoare, cele care culeg cu adevărat valoarea acestei transformări, investesc în capabilitățile care fac ca sistemele de inteligență artificială să funcționeze la scară întreprindere: pregătirea datelor, guvernanța, integrarea și securitatea. Acestea inversează ratele tipice de cheltuieli, dedicând 50 până la 70% din timp și bugetul lor pregătirii datelor - adică extragerii, normalizării, metadatelor de guvernanță, tablourilor de bord privind calitatea și controalelor de retenție. Cu toate acestea, această pregătire a datelor nu este înțeleasă ca un proiect de migrare monolitic, ci mai degrabă ca un proces iterativ, bazat pe cazuri de utilizare.

De la perfecționismul datelor la pragmatismul inteligenței artificiale

Concluzia centrală a acestei analize poate fi rezumată într-un singur principiu: Scopul nu a fost niciodată o infrastructură perfectă. Scopul a fost obținerea de rezultate prin intermediul inteligenței artificiale și, din fericire, acest lucru nu necesită o consolidare completă a datelor. Echipele care recunosc acest lucru încetează să mai trateze migrarea ca pe o condiție prealabilă și încep să considere rezultatele inteligenței artificiale ca pe indicatorul care contează cu adevărat.

Datele vorbesc de la sine. 88% dintre companii utilizează inteligența artificială, dar doar o treime au început să o extindă. 73% dintre proiectele de migrare eșuează din cauza problemelor de implementare, nu a tehnologiei în sine. 42% dintre companii vor fi abandonat majoritatea inițiativelor lor de inteligență artificială până în 2025. În același timp, primele șase procente demonstrează că calea către succes constă în obiective ambițioase, fluxuri de lucru reproiectate și scalare rapidă, nu în finalizarea proiectelor de migrare.

Aceasta reprezintă un apel clar la acțiune pentru directorii IT și CTO. Întrebarea nu mai este cum să consolidăm toate datele înainte de implementarea inteligenței artificiale. Întrebarea este ce context specific de date este necesar pentru următorul caz de utilizare a inteligenței artificiale și cum poate fi furnizat acest context cel mai rapid și rentabil. Accesul federat, modelele de context specifice fiecărui caz de utilizare și asamblarea în timpul rulării sunt instrumentele arhitecturale care permit această abordare. Acestea înlocuiesc paradigma pregătirii complete cu paradigma creării iterative de valoare.

Companiile care văd IA nu ca pe un beneficiar secundar al proiectelor de infrastructură, ci ca pe o forță motrice care determină cerințele de date, vor fi cele care vor progresa cel mai rapid de la faza pilot la faza de scalare. Proiectul de migrare poate continua, dar IA nu trebuie să aștepte.

Konrad Wolfenstein

Aș fi bucuros să vă servesc drept consilier personal.

contacta la wolfenstein ∂ xpert.digital

Sunați-mă la +49 89 89 674 804 (München) .

LinkedIn