Искусственный интеллект вслепую: почему крупные корпорации больше не понимают собственные данные

Недооцененный риск ИИ: почему хаос данных может стоить компаниям миллионы

Ажиотаж вокруг искусственного интеллекта всё чаще сменяется отрезвляющей реальностью в высшем руководстве компаний. Хотя языковые модели OpenAI, Google и других компаний становятся всё более мощными, их продуктивное использование на практике обычно терпит неудачу из-за масштабной, но часто игнорируемой проблемы: внутреннего хаоса данных. Когда контракты, история чатов, электронные письма и электронные таблицы разбросаны в бесчисленных хранилищах и отделах, даже самые интеллектуальные агенты ИИ остаются ни с чем или просто галлюцинируют. Именно в этой уязвимости и зарождается быстрорастущий многомиллиардный рынок. Специализированные стартапы и признанные технологические гиганты создают так называемые семантические слои данных — новую центральную операционную систему для корпоративных данных. Но эта технология не только обеспечивает огромный прирост эффективности и революционные модели оплаты, но и таит в себе ощутимые риски с точки зрения кибербезопасности и зависимости. В этой статье предлагается глубокий анализ архитектуры будущего ИИ и рассматривается, что эта трансформация означает для экономики — от крупных корпораций до средних предприятий.

В связи с этим:

• Unframe AI | Данные, готовые к использованию в ИИ. Созданы на основе систем, которые вы уже используете.

Из старой проблемы вырастает рынок с оборотом в миллиард долларов

За последние два года дискуссия об искусственном интеллекте в бизнесе кардинально изменилась. Если изначально основное внимание уделялось тому, какая языковая модель дает наилучшие ответы, то теперь на первый план вышел гораздо более прагматичный аспект: качество, актуальность и доступность данных, с которыми эти модели должны работать. Опрос ста руководителей высшего звена в области данных и технологий из корпораций с доходом более двух миллиардов долларов США и более пяти тысячами сотрудников рисует отрезвляющую картину. Почти все респонденты — 99%, если быть точным, — испытывают трудности с определением согласованных бизнес-показателей в разных инструментах и ​​отделах. Почти 80% команд, работающих с данными, тратят более половины своего времени на подготовку данных, а не на получение из них полезной информации. Эти цифры показывают, что семантическая несогласованность перестала быть второстепенной проблемой и стала самой операционной системой, на которой до сих пор работают многие крупные компании.

Новая категория поставщиков услуг заполняет именно этот пробел, позиционируя себя как связующее звено между фрагментированной реальностью бизнеса и требованиями современных систем искусственного интеллекта. Они обещают консолидировать все источники данных компании — от электронной почты и контрактов до ERP и CRM-систем — в непрерывно синхронизированный, управляемый слой. Успех этого обещания очевиден на примере калифорнийско-израильско-немецкого стартапа Unframe, который в течение двенадцати месяцев после официального выхода на рынок заключил контрактов на сумму более ста миллионов долларов США. Последний раунд финансирования в размере пятидесяти миллионов долларов США, возглавляемый Highland Europe, довел общую сумму привлеченных средств до ста миллионов долларов США. Такие темпы роста являются замечательным сигналом реальной, а не просто заявленной, потребности в сегменте рынка, существующем всего несколько лет.

Почему традиционные архитектуры данных препятствуют развитию ИИ

Чтобы понять последствия этого развития, стоит взглянуть на историческую функцию хранилищ данных. На протяжении десятилетий они были оптимизированы для одной цели: ретроспективной отчетности. Квартальные показатели, статистика продаж, ключевые показатели эффективности для руководства — все это можно было удовлетворительно представить с помощью периодически обновляемых, высокоструктурированных баз данных. Однако искусственный интеллект, особенно агентные системы, предназначенные для принятия независимых решений или запуска действий, требует чего-то принципиально иного. Ему нужна оперативная информация, актуальная в режиме реального времени и связанная с реальными бизнес-процессами. ИИ-агент, предназначенный для поддержки принятия решений в цепочке поставок, не может работать с данными трехнедельной давности, подготовленными исключительно для ретроспективного анализа.

Это несоответствие усугубляется другой структурной проблемой. По оценкам крупных технологических компаний, до 90 процентов корпоративных данных являются неструктурированными, разбросанными по документам, истории чатов, заявкам в службу поддержки, счетам-фактурам и записям календаря. Этот огромный объем информации в значительной степени находится за пределами традиционных хранилищ данных на основе электронных таблиц и был просто недоступен для традиционных аналитических инструментов. Без единого семантического слоя, который последовательно представляет как структурированный, так и неструктурированный контент, практически невозможно объединить информацию из различных источников и предоставить ее модели ИИ в качестве надежного контекста.

В отдельном сравнительном исследовании, оценивающем зрелость данных для генеративного ИИ, получены структурно схожие результаты, хотя и с другим весовым коэффициентом. В этом исследовании 59 процентов опрошенных менеджеров назвали качество и согласованность данных самым большим препятствием для продуктивного использования генеративного ИИ, за ними следуют фрагментированные информационные ландшафты (50 процентов) и проблемы безопасности и конфиденциальности данных (также 50 процентов). Также примечательно, что только 13 процентов компаний, уже использующих генеративный ИИ, могут предотвратить нефильтрованный поток конфиденциальных данных, таких как информация о клиентах или сотрудниках, в языковые модели. Это указывает на пробел в управлении, который выходит далеко за рамки технических проблем совместимости и напрямую ведет в область защиты данных и ответственности перед регулирующими органами.

Бизнес-модель, лежащая в основе нового уровня данных

Основной принцип, используемый такими поставщиками, как Unframe можно описать в четырех функциональных этапах. Во-первых, корпоративные системы, приложения, хранилища данных, файлы и API подключаются к платформе. Затем эти разнородные источники преобразуются в единый, управляемый слой данных, применимый ко всей организации. Третий этап включает непрерывную синхронизацию с исходными системами, гарантируя, что слой данных не станет просто устаревшим снимком, а будет отражать фактическое состояние бизнеса. Только на четвертом этапе эта основа используется для обеспечения работы искусственного интеллекта, аналитики и автоматизации — все это строится на одной и той же последовательной основе.

Концептуально этот подход напоминает своего рода цифровой двойник организации, но не столько для моделирования физических процессов. Вместо этого он служит для отображения клиентов, продуктов, контрактов и транзакций в согласованном представлении. Экономическая привлекательность такой модели заключается в том, что каждому новому приложению ИИ не нужно начинать с нуля для доступа к соответствующим бизнес-данным. Вместо этого каждое приложение использует одну и ту же, уже очищенную и обогащенную основу. Это потенциально значительно снижает затраты на каждую последующую инициативу в области ИИ, поскольку наиболее сложная и часто недооцениваемая часть проекта ИИ — интеграция и очистка данных — должна быть выполнена только один раз.

Unframe описывает свое предложение как модульные, многократно используемые строительные блоки, которые можно собирать в индивидуальные решения без необходимости отдельного обучения моделей для каждого варианта использования. Так называемая Framery функционирует как открытый платформенный слой, который может подключаться к любому предложению «программное обеспечение как услуга» (SaaS), API, базе данных или формату файлов, независимо от того, работает ли инфраструктура в облаке, локально или в гибридной среде. Для европейских, и особенно немецких, компаний, еще один аспект имеет большое значение: платформа работает независимо от какого-либо конкретного поставщика языковых моделей, то есть нет привязки к определенному поставщику. Кроме того, явно подчеркивается соответствие Общему регламенту защиты данных (GDPR) Европейского союза и законодательству ЕС об искусственном интеллекте. Данные по умолчанию не должны покидать границы системы клиента, если это явно не запрошено.

Ценообразование, основанное на результатах, как сигнал доверия на рынке, вызывающем недоверие

Особенно показательным аспектом бизнес-стратегии является модель ценообразования. В отличие от традиционных поставщиков программного обеспечения, которые взимают плату за лицензии независимо от реальной пользы, Unframe использует модель оплаты, основанную на результатах. Клиенты платят только тогда, когда решение доказывает свою эффективность и приносит результаты. Это решение отнюдь не случайно, а является прямым ответом на глубоко укоренившийся скептицизм в советах директоров. Как публично заявлял соучредитель компании, компании устали финансировать решения, которые в подавляющем большинстве случаев терпят неудачу, поэтому они требуют модели, в которой оплата производится за реальный успех.

Это наблюдение согласуется с более широким опытом многих корпораций, которые годами экспериментировали с так называемыми экспериментальными проектами, не интегрируя их в производственные системы. Значительный объем перспективных вариантов использования ИИ, многочисленные пилотные проекты, и при этом почти ничего, что фактически не используется в повседневной работе – вот отправная точка для многих компаний, обращающихся к этой новой категории поставщиков. Экономическая суть этого обещания заключается в переносе риска провала проекта с одного только клиента на, по крайней мере, часть собственного риска поставщика. Это коренным образом меняет структуру стимулирования и, вероятно, является одной из ключевых причин наблюдаемой динамики роста, особенно упомянутого выше показателя удержания чистой выручки на уровне 400 процентов, что означает, что существующие клиенты в среднем в четыре раза увеличили свои расходы в течение года.

Кто являются клиентами и что это говорит об уровне зрелости рынка

Упомянутые клиенты дают интересное представление о различных отраслях. Среди них названы компании по недвижимости Cushman & Wakefield и Avison Young, компания по кибербезопасности Armis и швейцарское издательство NZZ. Кроме того, сообщается о случаях использования решения авиакомпаниями для оптимизации графика работы экипажей и розничными торговцами для планирования рекламных акций. Такое распределение по секторам недвижимости, СМИ, безопасности, авиации и розничной торговли говорит о том, что это не нишевое решение для какой-либо одной отрасли, а скорее межотраслевая инфраструктурная проблема, которая, очевидно, возникает в совершенно разных экономических условиях.

Также интерес представляет географическая и организационная структура компании. Штаб-квартира Unframe находится в Купертино, штат Калифорния, а дополнительные офисы — в Тель-Авиве и Берлине. Компания воплощает трансатлантическую или трансконтинентальную структуру, типичную для технологического сектора, сочетая американский капитал, израильские технологические разработки и близость к европейскому рынку. Для компании с немецкой ориентацией особенно важно, что оперативный соучредитель работает непосредственно из Берлина, и что компания неоднократно участвовала в европейских цифровых мероприятиях, таких как конференция Mind the Tech в Берлине. Это свидетельствует о целенаправленной стратегической ориентации на европейский рынок, который, из-за более строгих требований к защите данных и в целом более осторожного отношения к неконтролируемой передаче данных компании американским облачным провайдерам, имеет иные требования, чем североамериканский рынок.

Конкурентная среда и борьба технологических гигантов

Описанная тенденция никоим образом не ограничивается специализированными стартапами. Крупные технологические компании также определили проблему фрагментированных корпоративных данных как ключевую область роста. Dell Technologies совместно с Nvidia разработала платформу для работы с данными на основе искусственного интеллекта, заявленная цель которой — преобразовать десятилетия фрагментированных корпоративных данных в полезную аналитическую информацию. Один из старших руководителей отдела маркетинга продукции Dell справедливо отметил, что решение проблемы данных должно касаться не только уровня хранения, но и всего конвейера — от сбора и обработки данных до их обработки, чтобы данные в конечном итоге надежно достигали вычислительной мощности графических процессоров.

В своей оценке ключевых тенденций в области данных на 2026 год компания IBM также подчеркнула, что без конвергентной платформы, обеспечивающей унифицированный доступ к структурированным и неструктурированным данным, компании не смогут внедрять аналитику и автономную автоматизацию с необходимой скоростью и надежностью. Эта оценка одной из старейших и крупнейших ИТ-компаний мира подчеркивает, что это не нишевая проблема для небольших поставщиков, а скорее фундаментальная структурная проблема, определенная как критическое узкое место во всей отрасли. Важно отметить, что IBM прямо подчеркивает, что ни один поставщик не может решить эту проблему в одиночку, поскольку интеграция распределенных данных и разработка необходимой инфраструктуры для автономных систем искусственного интеллекта требуют широкой экосистемы партнеров и технологий.

Эта оценка проливает важный свет на реальную конкурентную динамику. Формируется не рынок, на котором один победитель доминирует над всей цепочкой создания стоимости, а скорее множество поставщиков с различными направлениями деятельности, некоторые из которых дополняют друг друга, а другие конкурируют. Специализированные поставщики, такие как K2View, сосредоточены на операционных, готовых к производству архитектурах данных, в то время как инфраструктурные компании, такие как Dell и Nvidia, предоставляют базовые вычислительные мощности, а поставщики платформ, такие как Unframe устраняют разрыв между необработанными данными и развертываемыми приложениями искусственного интеллекта.

Платформа управляемого ИИ — Изображение: Xpert.Digital

Здесь вы узнаете, как ваша компания может быстро, безопасно и без высоких барьеров для входа внедрить индивидуальные решения на основе искусственного интеллекта.

Управляемая платформа искусственного интеллекта — это комплексное и беззаботное решение для вашего бизнеса в сфере искусственного интеллекта. Вместо того чтобы возиться со сложными технологиями, дорогостоящей инфраструктурой и длительными процессами разработки, вы получаете готовое решение, адаптированное под ваши потребности, от специализированного партнера — зачастую всего за несколько дней.

Основные преимущества с первого взгляда:

⚡ Быстрая реализация: от идеи до готового к использованию приложения за считанные дни, а не месяцы. Мы предлагаем практические решения, которые создают немедленную добавленную стоимость.

🔒 Максимальная безопасность данных: Ваши конфиденциальные данные остаются с вами. Мы гарантируем безопасную и соответствующую законодательству обработку данных без их передачи третьим лицам.

💸 Отсутствие финансового риска: вы платите только за результат. Полностью исключаются высокие первоначальные инвестиции в оборудование, программное обеспечение или персонал.

🎯 Сосредоточьтесь на своем основном бизнесе: сконцентрируйтесь на том, что у вас получается лучше всего. Мы берем на себя всю техническую реализацию, эксплуатацию и обслуживание вашего решения на основе ИИ.

📈 Перспективность и масштабируемость: ваш ИИ растет вместе с вами. Мы обеспечиваем непрерывную оптимизацию и масштабируемость, а также гибко адаптируем модели к новым требованиям.

Более подробная информация здесь:

• Платформа управляемого искусственного интеллекта

Управление как недооцененный конкурентный фактор

В публичных дебатах об искусственном интеллекте часто упускается из виду вопрос управления — то есть контроля над тем, кто имеет доступ к каким данным, как они обрабатываются и как их можно отследить до конкретных решений ИИ. Приведенный выше опрос ста менеджеров данных показывает, что 87% респондентов требуют большей прозрачности в отношении того, как искусственный интеллект использует и интерпретирует их данные. Это удивительно высокий показатель, который свидетельствует о том, что доверие к надежности систем ИИ — это не второстепенный вопрос, а ключевое условие для их более широкого внедрения в организациях.

Среднесрочные приоритеты опрошенных компаний на следующие три-пять лет подтверждают эту картину. Масштабируемость по различным источникам данных названа приоритетом 92 процентами опрошенных, переносимость данных и ключевых показателей эффективности (KPI) — 83 процентами, а управление и наблюдаемость искусственного интеллекта — 82 процентами. Эти три приоритета тесно взаимосвязаны. Без масштабируемых структур данных, которые являются согласованными на разных системных уровнях, невозможно установить надежное управление, а без управления любое масштабирование остается связанным со значительными юридическими и репутационными рисками, особенно в отношении Общего регламента по защите данных (GDPR) Европейского союза и действующего в настоящее время закона об искусственном интеллекте.

Это особенно важно для немецких и европейских компаний, поскольку нормативно-правовая база здесь значительно строже, чем в США или большей части Азии. Европейские компании, внедряющие слой данных для искусственного интеллекта, должны с самого начала учитывать, как будут защищены персональные данные, как будут документироваться процедуры обработки и как решения системы ИИ могут быть прозрачными в случае возникновения спора. Поставщики, которые с самого начала включают эти требования в свою архитектуру, например, позволяя данным оставаться исключительно в пределах границ своей системы, получают структурное преимущество перед конкурентами, которые в основном полагаются на облачные инфраструктуры США с менее строгими правилами.

Экономические последствия для немецких малых и средних предприятий

Хотя упомянутые до сих пор клиенты в основном являются крупными международными корпорациями, возникает закономерный вопрос о значимости этой темы для немецких малых и средних предприятий, которые традиционно составляют основу немецкой экономики. На первый взгляд, ситуация для небольших компаний кажется менее драматичной, поскольку у них, естественно, меньше систем и меньшие объемы данных. Однако более тщательное изучение показывает, что малые и средние предприятия, которые органично развивались на протяжении многих лет и внедрили различные разрозненные решения для бухгалтерского учета, управления запасами, управления взаимоотношениями с клиентами и коммуникаций, сталкиваются со структурно схожей проблемой фрагментации – только в меньшем масштабе.

Таким образом, ключевой экономический вопрос заключается не в том, существует ли проблема, а в том, оправданы ли инвестиции в единый слой данных с учетом ограниченных ИТ-бюджетов. Появление моделей ценообразования, основанных на результатах, как это впервые было предложено компанией Unframe , вероятно, сыграет здесь значительную роль, поскольку эта модель значительно снижает финансовый риск для небольших компаний. В то же время можно предположить, что для средних предприятий будут созданы более компактные и специализированные решения, а не комплексные платформы, разработанные для многомиллиардных корпораций. Однако фундаментальная логика, согласно которой согласованный, постоянно синхронизированный слой данных является необходимым условием для любого значимого применения ИИ, остается в силе независимо от размера компании.

Риски и нерешенные вопросы, касающиеся нового уровня данных

Хотя это развитие событий заслуживает значительного внимания, нельзя упускать из виду связанные с ним риски. Перенос всей корпоративной информационной инфраструктуры в единый централизованный слой неизбежно создает чрезвычайно привлекательную цель для киберпреступников. Успешный взлом этого центрального слоя данных может иметь гораздо более масштабные последствия, чем взлом отдельной изолированной системы, поскольку он может мгновенно предоставить доступ к данным о клиентах, контрактах и ​​финансовой информации всей компании. Поэтому архитектура безопасности таких платформ должна быть исключительно надежной, и компаниям следует тщательно изучить, как контролируются детализированные права доступа и как реализуются стандарты шифрования при выборе поставщика.

Другой, более стратегический риск заключается в зависимости от единственного поставщика платформы. Хотя Unframe прямо подчеркивает, что не привязана к конкретной языковой модели, сам базовый слой данных все же представляет собой значительную структурную зависимость. Если компания решит перейти к другому поставщику, миграция общекорпоративного слоя данных, который развивался годами, скорее всего, станет значительным мероприятием, подобным известным проблемам перехода на крупные ERP-системы. Естественно, поставщики редко сами решают этот вопрос, но его следует учитывать при оценке каждого стратегического решения.

Наконец, остается вопрос о фактическом качестве результатов. Даже самый продвинутый слой данных не может гарантировать, что решения ИИ, принимаемые на его основе, будут безошибочными. Особенно в случае автономных систем на основе агентов, которые самостоятельно инициируют действия, вопрос ответственности в случае ошибок остается нерешенным. Если агент ИИ принимает неверное бизнес-решение на основе некорректно синхронизированного слоя данных — например, неправильно интерпретирует пункт договора или принимает ошибочное решение в отношении цепочки поставок — вопрос ответственности возникает немедленно, и этот вопрос до сих пор недостаточно решался как в договорном, так и в нормативном плане.

Трезвая оценка реального прогресса

Критическая оценка этого развития событий требует осторожности в отношении преувеличенных обещаний спасения. Представление о том, что искусственный интеллект можно внедрить и подготовить к производству в рамках существующей корпоративной среды за несколько дней, может быть верным в отдельных, четко определенных сценариях использования, но для подавляющего большинства сложных бизнес-процессов это, вероятно, значительное упрощение реальности. Опыт предыдущих волн цифровой трансформации, таких как внедрение облачной инфраструктуры или систем ERP, показывает, что даже технически сложные решения регулярно терпят неудачу из-за сопротивления со стороны организации, недостаточного качества данных в исходных системах и нежелания меняться среди сотрудников.

В то же время, основной диагноз, несомненно, верен. Фрагментация корпоративных данных реальна, хорошо задокументирована эмпирически и, действительно, представляет собой одно из ключевых препятствий для продуктивного использования искусственного интеллекта. Поэтому вопрос заключается не столько в том, имеет ли смысл создание единого, совместимого с ИИ слоя данных, сколько в том, какой конкретный путь к его достижению является наиболее экономически целесообразным для конкретной компании с ее уникальной исторической структурой системы, допустимым уровнем риска и доступным бюджетом. Для компаний, которые до сих пор не решались заняться этим вопросом, рыночные тенденции последних двух лет дают важную подсказку: те, кто продолжает экспериментировать с изолированными, нескоординированными пилотными проектами, в среднесрочной перспективе отстанут от конкурентов, которые инвестировали на раннем этапе в создание согласованной базы данных.

Преодоление информационных барьеров: путь к совместимому корпоративному ИИ

Развитие отрасли в ближайшие годы будет в значительной степени зависеть от того, будут ли установлены единые стандарты взаимодействия между различными уровнями данных и платформами ИИ. Если отрасли удастся разработать открытые протоколы, позволяющие различным поставщикам уровней данных и моделей ИИ беспрепятственно взаимодействовать, это значительно снизит существующие риски зависимости и усилит конкуренцию в интересах клиентов. Первые шаги в этом направлении уже видны, например, благодаря поддержке открытых интерфейсных протоколов, которые позволяют интегрироваться с существующими внутренними системами ИИ без необходимости их полной замены.

Для немецких компаний, которые традиционно довольно неохотно внедряют новые цифровые технологии, но при этом обладают культурой защиты данных, строгой по международным стандартам и во многих отношениях образцовой, это событие представляет собой интересную стратегическую возможность. Поставщики, которые с самого начала интегрируют требования европейского соответствия в свою архитектуру, могут получить значительное преимущество в плане доверия, особенно в немецкоязычных странах, по сравнению с чисто американскими поставщиками, чьи методы обработки данных традиционно менее прозрачны и подпадают под менее строгие правила. Немецкие компании, которые на раннем этапе создадут согласованный, готовый к управлению уровень данных, получат не только технологическое, но и нормативное конкурентное преимущество, которое, вероятно, будет становиться все более ценным в ближайшие годы по мере того, как практическая реализация европейского законодательства в области ИИ будет набирать обороты.

Konrad Wolfenstein

Я с удовольствием стану вашим личным консультантом.

Вы можете связаться со мной по адресу wolfenstein∂xpert.digital или

Просто позвоните мне по номеру +49 7348 4088 965 .

LinkedIn