Искусственному интеллекту не нужны идеальные данные: заблуждение, которое обходится компаниям в годы — развенчайте миф о миграции

Конец бесконечной подготовки: как ИИ наконец-то приносит реальную пользу

Искусственный интеллект обладает огромным потенциалом, однако на практике он часто вырождается в дорогостоящую иллюзию. Причина проста и фатальна: компании неосознанно превращают свои амбициозные инициативы в области ИИ в гигантские, ресурсоемкие проекты по миграции данных. Первоначальная цель — достижение быстрых и измеримых бизнес-результатов — превращается в затяжную борьбу за идеальную инфраструктуру данных и бесперебойную консолидацию в центральных хранилищах данных. В то время как миллиарды вкладываются в подготовку, две трети компаний остаются на этапе пилотного проекта, а фактическое создание ценности отходит на второй план.

В этой статье раскрывается, почему жесткое следование стратегии «инфраструктура прежде всего» регулярно приводит к неудачам и почему полная миграция данных не обязательно необходима для успеха ИИ. В ней описывается крайне необходимый сдвиг парадигмы: тем, кто планирует, исходя из конкретных бизнес-результатов, и полагается на федеративный доступ к данным, не нужно ждать завершения многолетних ИТ-мегапроектов. Узнайте, как хранить данные там, где они есть, предоставлять ИИ только необходимый контекст и добиваться измеримого успеха за счет целенаправленных «быстрых побед» в очень короткие сроки. Пришло время сместить акцент с чистого совершенства данных на прагматичное создание ценности ИИ.

В связи с этим:

• UNFRAME.AI: Целью никогда не была миграция данных. Целью были результаты работы ИИ.

Как вырваться из ловушки данных: размышления об ИИ с точки зрения результата

Главная угроза для ИИ — это миграция данных

Проекты в области ИИ обычно терпят неудачу не из-за самой технологии, а потому что они вырождаются в простые проекты по созданию ИТ-инфраструктуры. Консолидация всех данных ошибочно считается обязательным требованием.

Размышляя, исходя из результата (обратное проектирование)

Вместо того чтобы спрашивать, как подготовить все данные для ИИ, важно задать другой вопрос: какой конкретный контекст данных необходим ИИ здесь и сейчас, чтобы обеспечить конкретный бизнес-результат?

Контекст вместо копирования (федеративный доступ)

Искусственному интеллекту не требуется всё хранилище данных. Такие технологии, как федеративный доступ к данным, виртуализация данных и RAG (Retrieval-Augmented Generation), позволяют хранить данные в исходных системах и собирать контекст только в момент запроса. Это значительно экономит время и средства.

Параллельная работа вместо простоя

Долгосрочная миграция данных (процессы ETL для отчетности, истории и т. д.) может продолжаться. Однако инициатива в области ИИ не обязана ждать этого, а может получить доступ к существующим распределенным данным параллельно.

Ловкость побеждает перфекционизм

Попытка построить всеобъемлющую схему данных неэффективна. Значительно более перспективными являются контекстные модели, ориентированные на предметную область и конкретные сценарии использования (подобные подходу с использованием сетки данных).

Сила «быстрых побед»

Чтобы восстановить часто подорванное доверие заинтересованных сторон, проекты в области ИИ должны быстро продемонстрировать окупаемость инвестиций (ROI). Идеальный первоначальный сценарий использования (высокая частота, измеримая основа, существующие данные) должен приносить ощутимые результаты в течение нескольких недель, тем самым оправдывая дальнейшие инвестиции.

Почему компании вкладывают миллиарды в инфраструктуру вместо того, чтобы в конечном итоге создавать добавленную стоимость?

Цифровая трансформация последних лет породила парадоксальную картину, затрагивающую все отрасли. Компании вкладывают значительные средства в искусственный интеллект, однако в большинстве случаев реальная ценность не оправдывает ожиданий. Причина редко кроется в самой технологии. Она кроется в подходе организаций к внедрению ИИ. Вместо того чтобы сосредоточиться на измеримых бизнес-результатах, инициативы в области ИИ постепенно превращаются в масштабные проекты по созданию инфраструктуры данных, которые начинают жить своей собственной жизнью и теряют из виду свою первоначальную цель. То, что начиналось как стратегическая инициатива по использованию ИИ, часто заканчивается годами миграции данных без видимой отдачи от инвестиций.

Согласно прогнозу Gartner от декабря 2025 года, глобальные расходы на искусственный интеллект достигнут примерно 1,8 триллиона долларов в 2025 году и, как ожидается, вырастут до 4,7 триллиона долларов к 2029 году. В то же время, глобальное исследование McKinsey 2025 о состоянии ИИ показывает, что 88 процентов опрошенных компаний уже используют ИИ как минимум в одной бизнес-функции, но почти две трети все еще находятся на экспериментальной или пилотной стадии. Только около шести процентов компаний соответствуют критериям так называемых высокоэффективных компаний в области ИИ, где более пяти процентов прибыли до вычета процентов и налогов приходится на ИИ. Эти цифры иллюстрируют фундаментальное несоответствие между деньгами, вливающимися в ИИ, и ценностью, которая в конечном итоге создается. Анализ этого несоответствия выявляет структурную проблему, которая выходит далеко за рамки технических вопросов.

Как инфраструктурный проект поглотил инициативу в области искусственного интеллекта

Логическая цепочка, приводящая компании к этой ситуации, на первый взгляд кажется правдоподобной. Искусственному интеллекту нужны данные. Данные разрознены по множеству систем. Поэтому их необходимо консолидировать. Консолидация требует миграции. Миграция требует трансформации. Трансформация требует управления. Управление требует программ обеспечения качества данных. Каждое отдельное решение в этой цепочке само по себе разумно. Но в совокупности они превращают инициативу в области ИИ в программу создания инфраструктуры данных, на реализацию которой уходят годы, прежде чем станет виден хотя бы один результат от ИИ.

Это явление наглядно демонстрируется данными. Согласно отчету Caylent о миграции данных за 2025 год, только шесть процентов опрошенных компаний сообщили о завершении своих самых сложных проектов миграции в срок. Почти половина респондентов столкнулась с простоями более пяти часов во время критически важных миграций, что привело к проблемам с качеством обслуживания клиентов, потерям доходов и операционным задержкам. Анализ более 500 отзывов компаний показывает, что примерно 73 процента проектов миграции данных терпят неудачу из-за неадекватного планирования, пробелов в управлении и отсутствия специализированных знаний о платформе. Задержки по срокам, в среднем на 150 процентов, — это не исключение, а правило.

Эти проекты миграции развивают свою собственную динамику. Они привлекают преданные своему делу команды, генерируют собственные ключевые показатели эффективности (KPI) и получают собственных спонсоров на уровне совета директоров, которые ставят на карту свою репутацию в связи с завершением проекта. Первоначальные варианты использования ИИ откладываются на следующий этап, затем на период после миграции, и, наконец, они незаметно исчезают из обсуждений планирования. Никто не планирует такой исход. Он возникает из тысячи мелких решений, каждое из которых оправдано само по себе, но которые в совокупности приводят к стратегическому нерациональному распределению ресурсов и внимания.

Типичный сценарий иллюстрирует проблему. Начинается ежеквартальный обзор бизнеса, как и в течение последних двух лет. Команда по преобразованию данных представляет свой прогресс. Миграция завершена на 73 процента. Показатели качества данных улучшились в шести областях. Архитектура хранилища данных прошла последнюю проверку. Руководитель проекта одобрительно кивает, глядя на графики этапов. Затем кто-то задает вопрос, которого все избегали: когда же ИИ будет запущен? Наступает тишина. Кто-то упоминает второй этап. Кто-то указывает на зависимости. Первоначальный график, который обещал получение аналитических данных на основе ИИ в течение восемнадцати месяцев, стал лишь примечанием в проекте по созданию инфраструктуры данных, который зажил своей собственной жизнью.

Многомиллиардная афера, связанная с незавершенными приготовлениями

Экономический аспект этой проблемы значителен. Gartner прогнозирует, что к концу 2026 года более 60 процентов проектов по внедрению ИИ в организациях, не имеющих данных, готовых к использованию ИИ, потерпят неудачу или будут заброшены. Harvard Business Review оценивает общий процент неудач проектов по ИИ в 80 процентов, что почти вдвое превышает процент неудач ИТ-проектов, не связанных с ИИ. Согласно опросу S&P Global Market Intelligence, проведенному в 2025 году, 42 процента компаний отказались от большинства своих инициатив в области ИИ, что является резким увеличением по сравнению с 17 процентами в предыдущем году. В среднем организация отбрасывала 46 процентов своих концептуальных разработок ИИ еще до того, как они доходили до стадии производства.

Компания Gartner также прогнозирует, что по меньшей мере 30 процентов проектов в области генеративного ИИ будут заброшены после этапа проверки концепции из-за низкого качества данных, неадекватного контроля рисков, растущих затрат или неясной коммерческой ценности. В исследовании Informatica CDO Insights Survey 2025 четко определены самые большие препятствия на пути к успеху ИИ: качество и зрелость данных (43 процента), недостаточная техническая зрелость (также 43 процента) и нехватка квалифицированного персонала (35 процентов).

Эти цифры подчеркивают фундаментальное заблуждение, распространенное во многих организациях. Проблема не в том, что сценарии использования ИИ не оправдывают ожиданий. Проблема в том, что миграция стала самой задачей, а не средством достижения цели. Консолидация всех данных в центральном хранилище данных стала самоцелью, в то время как первоначальная бизнес-ценность отходит на второй план. Между тем, инвестиции в данные, готовые к использованию ИИ, стремительно растут. Gartner прогнозирует, что рынок данных для ИИ вырастет со 134 миллионов долларов в 2024 году до 14,6 миллиардов долларов к 2029 году, что представляет собой среднегодовой темп роста в 155 процентов. Деньги текут рекой, но они движутся в неправильном направлении, если предоставление данных рассматривается как монолитный подготовительный проект, а не как итеративный процесс.

Думайте о результате, а не планируйте с точки зрения инфраструктуры

Альтернативный подход начинается с принципиально иного вопроса. Вместо того чтобы спрашивать, как подготовить данные для ИИ, следует спросить, какой контекст необходим ИИ для достижения конкретного бизнес-результата. Такая смена перспективы меняет всю архитектуру проекта.

В большинстве случаев для использования ИИ требуется контекст из трех-пяти систем, а не полностью перенесенный портфель данных. Требования к контексту специфичны. ИИ для анализа контрактов нуждается в контрактах, поправках, сторонах и обязательствах. Ему не нужен весь массив данных. ИИ для обслуживания клиентов нуждается в истории взаимодействий, данных о продуктах и ​​записях управления обращениями. Ему не нужна каждая таблица в каждой исходной системе.

Минимально необходимый путь передачи данных почти всегда уже, чем масштаб проекта миграции. Миграция оптимизирована для каждого мыслимого будущего запроса. Искусственному интеллекту нужен правильный контекст для конкретных сценариев использования здесь и сейчас. Эти два требования принципиально различны, и именно механизм, с помощью которого инфраструктурные проекты поглощают инициативы в области ИИ, заключается в том, что их рассматривают как эквивалентные.

Отталкиваясь от результата ИИ, часто обнаруживается, что необходимые данные уже доступны. Их не нужно перемещать. Их нужно связать, организовать под конкретный сценарий использования и сделать доступными во время выполнения. Эффективное управление данными в ИИ начинается с этого понимания: сначала определите результат, затем найдите простейший путь к контексту, который позволит достичь этого результата.

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

Федеративный доступ к данным как альтернативная архитектурная модель

Искусственный интеллект без миграции данных — это не короткий путь. Это другая архитектура, отражающая то, как ИИ работает в реальных производственных средах. Этот подход характеризуется тремя фундаментальными принципами.

Во-первых, федеративный доступ соединяет ИИ с исходными системами, где хранятся данные, без необходимости предварительной централизации. Данные CRM остаются в CRM. Документы остаются в хранилище документов. Операционные данные остаются в ERP. Уровень ИИ может получить доступ ко всему этому без ожидания синхронизации. Федеративный доступ к данным сохраняет данные в их исходном местоположении, использует методы виртуализации для обеспечения единого представления и позволяет получать аналитические данные в режиме реального времени по запросу. В отличие от хранилищ данных, где данные физически перемещаются в центральное место, федеративный доступ устраняет риски и затраты, связанные с дублированием данных, и повышает операционную эффективность.

Во-вторых, контекстные модели, специфичные для каждого конкретного случая использования, определяют, что именно нужно каждому приложению ИИ. Вместо создания универсальной схемы, которая пытается охватить все, система определяет конкретные сущности, связи и сигналы, относящиеся к каждому отдельному случаю использования. Этот принцип соответствует концепции архитектуры сети данных, где команды, ориентированные на конкретные предметные области, независимо управляют своими данными и поддерживают индивидуальные стандарты управления, отражающие конкретные бизнес-требования.

Во-третьих, сборка контекста в режиме реального времени происходит в момент принятия решения, а не заранее с помощью пакетных конвейеров. Когда ИИ необходимо ответить на вопрос, он компилирует соответствующий контекст из всех источников, где бы этот контекст ни находился. Нет задержек синхронизации. Нет устаревших снимков. Актуальные данные, собранные по запросу. Этот принцип прошел технологическую зрелость с распространением генеративно-ориентированного поиска (Retrieval Augmented Generation, RAG). Архитектуры RAG позволяют системам ИИ извлекать соответствующую внешнюю информацию в момент запроса и встраивать ее в контекст, вместо того чтобы полагаться исключительно на предварительно обученные знания. К середине 2026 года более 66 процентов корпоративных внедрений генеративного ИИ будут использовать архитектуры RAG.

Практическая реализация этой архитектуры очевидна в реальных корпоративных средах. Например, библиотека федеративного машинного обучения SAP использует архитектуру федерации данных SAP Datasphere для интеллектуального предоставления доступа к данным SAP и сторонних организаций для машинного обучения без необходимости репликации или перемещения данных. Такие компании, как Downer, один из крупнейших австралийских поставщиков интегрированных услуг, внедрили федеративную платформу данных и ИИ, которая сочетает децентрализованную гибкость с централизованным управлением, позволяя бизнес-подразделениям внедрять инновации независимо, беспрепятственно и безопасно обмениваясь корпоративными данными.

Сравнение виртуализации данных и пакетной обработки

Выбор между федеративным доступом через виртуализацию данных и традиционной консолидацией на основе ETL — это не бинарный выбор, а скорее вопрос соответствия требованиям соответствующей рабочей нагрузки. Виртуализация данных обеспечивает более быстрое время отклика при запросах к небольшим распределенным наборам данных. Однако с увеличением объемов данных и сложными требованиями к преобразованиям ETL может быть более эффективным благодаря своей способности обрабатывать большие наборы данных с использованием предопределенных правил преобразования.

Основной компромисс заключается в том, что виртуализация данных заменяет физическую консолидацию логической интеграцией. Вы получаете более актуальные данные, поскольку запросы обращаются непосредственно к исходным системам, и избегаете затрат и сложностей, связанных с копированием всех данных в единое хранилище. В то же время вы становитесь зависимы от доступности и производительности каждой базовой системы. Для ресурсоемких аналитических запросов в петабайтном диапазоне хранилища с предварительно вычисленными агрегатами и столбцовым хранением превосходят федеративные запросы по сети в десять и более раз.

Разумное решение — использовать оба подхода взаимодополняющим образом. ETL обрабатывает структурированные исторические данные для составления отчетов и обеспечивает согласованность. Виртуализация данных обеспечивает гибкий доступ к текущим или распределенным данным для критически важных по времени запросов. При интеграции нового источника данных изменение рабочих процессов ETL может занять дни или недели. Виртуализация данных позволяет немедленно интегрировать временные или экспериментальные источники данных. Этот гибридный подход в равной степени оптимизирует производительность, стоимость и гибкость.

Кратчайший путь к измеримым результатам в области ИИ

Экономическая логика, лежащая в основе ориентированного на результат подхода, убедительна. Средняя продолжительность проекта в области ИИ следует знакомой схеме: три месяца планирования, шесть месяцев разработки, шесть месяцев тестирования, три месяца развертывания, итого восемнадцать месяцев до окупаемости инвестиций. По данным Gartner, в среднем только 48 процентов проектов в области ИИ доходят до стадии производства, а путь от прототипа ИИ до производства занимает восемь месяцев. Только 35 процентов проектов в области ИИ достигают готовности к производству.

Но есть и другой путь. Согласно исследованию IDC, 92 процента успешных внедрений ИИ обеспечивают положительную окупаемость инвестиций в течение двенадцати месяцев. 40 процентов компаний сообщают о положительной окупаемости в течение шести месяцев. Ключ к успеху заключается в выборе правильного первоначального варианта использования и избегании чрезмерно амбициозных подготовительных работ по созданию инфраструктуры.

Концепция быстрой окупаемости инвестиций в ИИ основана на четырех принципах. Идеальный первый сценарий использования характеризуется высокой частотой; рассматриваемая задача выполняется ежедневно или еженедельно. Он имеет четкую базовую точку отсчета, и текущую производительность можно измерить. Данные уже существуют, и сценарий использования имеет ограниченную зависимость от других систем. Если эти критерии соблюдены, измеримые результаты могут быть достигнуты в течение нескольких недель.

Влияние таких быстрых результатов выходит далеко за рамки непосредственной финансовой выгоды. Один из телекоммуникационных провайдеров внедрил чат-бота на основе ИИ для решения пяти наиболее частых запросов клиентов, касающихся выставления счетов. В течение 60 дней решение позволило обработать 35% запросов без участия человека, сократило среднее время решения с 24 часов до 10 минут и повысило показатели удовлетворенности клиентов на 22%. Среднее по размеру производственное предприятие внедрило систему прогнозирующего технического обслуживания на основе ИИ на критически важной производственной линии. 45-дневный пилотный проект обеспечил сокращение незапланированных простоев на 62%, предотвращение производственных потерь на 157 000 долларов и снижение затрат на техническое обслуживание на 28%. ИИ-помощник Klarna обработал две трети всех запросов клиентов в чате в первый месяц и сократил среднее время решения с одиннадцати минут до менее двух минут.

Почему доверие заинтересованных сторон — самая твердая валюта

Эти быстрые успехи выполняют функцию, выходящую за рамки простой экономии средств. Они восстанавливают доверие заинтересованных сторон, которое подорвано годами реализации инфраструктурных проектов без видимых результатов. Быстрые успехи предоставляют оперативные и ощутимые доказательства того, что ИИ создает коммерческую ценность. Это укрепляет уверенность лиц, принимающих решения, снижает сопротивление внедрению и открывает путь для более крупных инвестиций в ИИ.

Успешные и быстрые результаты создают положительные обратные связи, которые ускоряют внедрение ИИ. Первоначальный успех порождает энтузиазм и ресурсы для более широкого внедрения. Расширение внедрения создает дополнительную ценность и способствует организационному обучению. Это обучение позволяет создавать более сложные приложения и получать большие преимущества. Большие преимущества оправдывают увеличение инвестиций в возможности ИИ.

Данные McKinsey подтверждают этот механизм. Компании с высокими показателями эффективности ИИ — шесть процентов компаний, в которых ИИ вносит измеримый вклад в прибыль до вычета процентов и налогов (EBIT) — в три раза чаще других заявляют о намерении использовать ИИ для трансформационных изменений. Эти компании почти в три раза чаще других коренным образом перестраивают рабочие процессы, и эта целенаправленная перестройка рабочих процессов демонстрирует один из наиболее эффективных способов достижения измеримого влияния на бизнес. Компании с высокими показателями эффективности регулярно внедряют ИИ в большем количестве бизнес-функций, чем их конкуренты, и в три раза чаще расширяют использование агентов ИИ.

Параллельная работа вместо последовательной зависимости

Проект миграции не нужно останавливать. Он может служить целям, выходящим за рамки искусственного интеллекта. Для подготовки нормативной отчетности, исторического анализа или информационных панелей для руководства в рамках внутренней стратегии развития действительно могут потребоваться консолидированные данные. Инвестиции в создание этой основы не будут потрачены впустую на эти цели.

Но ИИ не нужно ждать завершения миграции. Эти два процесса могут протекать параллельно. Миграция продолжается по собственному графику в соответствии со своими целями. ИИ выдает результаты уже сейчас, используя данные, существующие на сегодняшний день.

Прагматичный подход начинается с определения двух-трех вариантов использования ИИ, которые обеспечат измеримую бизнес-ценность. Затем составляется карта необходимого контекста данных для каждого варианта использования. Далее проверяется, доступен ли этот контекст напрямую без необходимости миграции. Наконец, проводится пилотное тестирование ИИ на самом узком из возможных путей доступа к данным.

Этот подход согласуется с выводами аналитика Gartner Хариты Кхандабатту, которая описывает постепенный переход от генеративного ИИ как центрального элемента к фундаментальным факторам, обеспечивающим устойчивое внедрение ИИ, включая готовые к использованию данные и ИИ-агенты. Инвестиции смещаются от стратегии, ориентированной на инфраструктуру, к архитектуре, ориентированной на данные и возможности. Организации, которые рассматривают готовность данных как второстепенный вопрос, с наибольшей вероятностью останутся в числе 94 процентов, которые никогда не продвинутся дальше пилотной фазы.

Реорганизация инвестиционной логики

Данные Gartner о расходах свидетельствуют о тектоническом сдвиге в логике инвестиций. Хотя инфраструктура ИИ остается крупнейшей категорией расходов, достигнув 965 миллиардов долларов в 2025 году, темпы ее роста сравнительно умеренны — всего 29 процентов в год. Ускорение происходит и в других областях: объемы инвестиций в данные для ИИ растут на 155 процентов в год, в кибербезопасность для ИИ — на 74 процента, а в модели ИИ — на 68 процентов. Деньги следуют за узкими местами, а не за заголовками новостей.

На рынке данных для ИИ факторы роста еще более очевидны. Генерация синтетических данных растет на 178 процентов в год, увеличившись с 41 миллиона долларов до 6,8 миллиарда долларов к 2029 году. Готовые к использованию в ИИ наборы данных — то есть предварительно подготовленные данные, структурированные для рабочих процессов ИИ, — растут на 136 процентов в год. Компании готовы платить за ускорение процесса производства. Это явный сигнал о том, что рынок ценит быструю готовность данных больше, чем медленную и масштабную миграцию.

Организации-победители, те, кто действительно извлекает выгоду из этой трансформации, инвестируют в возможности, обеспечивающие работу систем ИИ в масштабах предприятия: готовность данных, управление данными, интеграция и безопасность. Они меняют типичное соотношение расходов, выделяя от 50 до 70 процентов своего времени и бюджета на готовность данных — то есть на извлечение, нормализацию, управление метаданными, панели мониторинга качества и контроль хранения. Однако эта готовность данных понимается не как монолитный проект миграции, а как итеративный процесс, ориентированный на конкретные сценарии использования.

От перфекционизма в отношении данных к прагматизму в сфере ИИ

Главный вывод этого анализа можно свести к одному принципу: целью никогда не была идеальная инфраструктура. Целью было достижение результатов с помощью ИИ, и, к счастью, для этого не требуется полная консолидация данных. Команды, которые это понимают, перестают рассматривать миграцию как необходимое условие и начинают воспринимать результаты ИИ как действительно важный показатель.

Данные говорят сами за себя. 88 процентов компаний используют ИИ, но только треть начали масштабировать его. 73 процента проектов по миграции терпят неудачу из-за проблем с внедрением, а не из-за самой технологии. 42 процента компаний откажутся от большинства своих инициатив в области ИИ к 2025 году. В то же время, лучшие 6 процентов демонстрируют, что путь к успеху лежит в амбициозных целях, перепроектировании рабочих процессов и быстром масштабировании, а не в завершении проектов по миграции.

Это четкий призыв к действию для директоров по информационным технологиям и технических директоров. Вопрос больше не в том, как консолидировать все данные до внедрения ИИ. Вопрос в том, какой конкретный контекст данных необходим для следующего варианта использования ИИ и как этот контекст можно обеспечить наиболее быстро и экономично. Федеративный доступ, контекстные модели, специфичные для конкретных вариантов использования, и сборка во время выполнения — это архитектурные инструменты, которые позволяют реализовать этот подход. Они заменяют парадигму полной подготовки парадигмой итеративного создания ценности.

Компании, которые рассматривают ИИ не как второстепенного бенефициара инфраструктурных проектов, а как движущую силу, определяющую потребности в данных, быстрее всего перейдут от пилотного проекта к этапу масштабирования. Проект миграции может продолжаться, но ИИ не должен ждать.

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