Вештачка интелигенција лети наслепо: Зашто велике корпорације више не разумеју сопствене податке

Потцењени ризик вештачке интелигенције: Зашто хаос података може коштати компаније милионе

Хајп око вештачке интелигенције све више уступа место отрежњујућој стварности у руководству. Док језички модели OpenAI-ја, Google-а и других постају све моћнији, њихова продуктивна употреба у пракси обично не успева због огромног, али често игнорисаног, проблема: интерног хаоса података. Када су уговори, историје ћаскања, имејлови и табеле расути неструктурирано по безброј силоса и одељења, чак и најинтелигентнији агенти вештачке интелигенције остају без ичега или једноставно халуцинирају. Управо на овој рањивости се појављује брзо растуће тржиште вредно више милијарди долара. Специјализовани стартапови и етаблирани технолошки гиганти граде такозване семантичке слојеве података – нови, централни оперативни систем за пословне податке. Али ова технологија не само да доноси огромна повећања ефикасности и револуционарне моделе плаћања, већ крије и опипљиве ризике у погледу сајбер безбедности и зависности. Овај чланак нуди дубински увид у архитектуру будућности вештачке интелигенције и истражује шта ова трансформација значи за економију – од великих корпорација до средњих предузећа.

У вези са овим:

• Unframe вештачке интелигенције | Подаци спремни за вештачку интелигенцију. Направљено од система које већ користите.

Тржиште вредно милијарду долара израња из старог проблема

Дебата око вештачке интелигенције у пословању се фундаментално променила у последње две године. Док је почетни фокус био на томе који језички модел пружа најбоље одговоре, сада је у центру пажње много прагматичнији аспект: квалитет, благовременост и доступност података са којима су ови модели намењени да раде. Анкета спроведена међу стотину виших руководилаца за податке и технологију из корпорација са преко две милијарде америчких долара прихода и више од пет хиљада запослених бави се отрежњујућом сликом. Скоро сви испитаници – деведесет девет процената, да будемо прецизни – муче се да дефинишу конзистентне пословне метрике у различитим алатима и одељењима. Скоро осамдесет процената тимова за податке проводи више од половине свог времена припремајући податке уместо да заправо стичу увиде из њих. Ове бројке откривају да семантичка недоследност више није маргинално питање, већ сам оперативни систем на којем многе велике компаније и даље раде.

Нова категорија добављача попуњава управо ову празнину, позиционирајући се као веза између фрагментиране стварности пословања и захтева модерних вештачких интелигенцијских система. Њихово обећање је да консолидују све изворе података компаније – од имејлова и уговора до ERP и CRM система – у континуирано синхронизован, управљачки омогућен слој. Успех овог обећања је очигледан у случају калифорнијско-израелско-немачког стартапа Unframe, који је, у року од дванаест месеци од званичног лансирања на тржиште, обезбедио обим уговора већи од сто милиона америчких долара. Његова последња рунда финансирања од педесет милиона америчких долара, коју је предводила компанија Highland Europe, довела је укупан износ прикупљених средстава на сто милиона америчких долара. Такве бројке раста су изванредан сигнал истинске, а не само наводне, потребе у сегменту тржишта који постоји тек неколико година.

Зашто традиционалне архитектуре података ометају вештачку интелигенцију

Да бисмо разумели импликације овог развоја, вреди погледати историјску функцију складишта података. Деценијама су она била оптимизована за једну сврху: ретроспективно извештавање. Квартални подаци, статистика продаје, кључни индикатори учинка за менаџмент – све се то могло задовољавајуће представити коришћењем периодично ажурираних, високо структурираних база података. Међутим, вештачка интелигенција, посебно системи засновани на агентима дизајнирани да доносе самосталне одлуке или покрећу акције, захтева нешто фундаментално другачије. Потребне су јој оперативне информације које су ажуриране у реалном времену и повезане са стварним пословним процесима. Агент вештачке интелигенције намењен за подршку одлукама у ланцу снабдевања не може да ради са подацима који су стари три недеље и који су припремљени искључиво за ретроспективну анализу.

Ову неслагање погоршава још један структурни проблем. Процене великих технолошких компанија указују на то да је до 90 процената корпоративних података неструктурирано, раштркано по документима, историји ћаскања, захтевима за подршку, фактурама и уносима у календар. Ова огромна количина информација углавном лежи ван домена традиционалних, у табелама заснованих спремишта података и једноставно је била недоступна традиционалним алатима за аналитику. Без јединственог семантичког слоја који доследно представља и структурирани и неструктурирани садржај, практично је немогуће консолидовати информације из различитих извора и пружити их моделу вештачке интелигенције као поуздан контекст.

Посебан референтни пројекат који процењује зрелост података за генеративну вештачку интелигенцију долази до структурно сличног налаза, иако са другачијом тежином. У овој студији, 59% анкетираних менаџера навело је квалитет и конзистентност података као највећу препреку продуктивној употреби генеративне вештачке интелигенције, затим фрагментиране пејзаже података са 50% и питања безбедности и приватности података, такође са 50%. Такође је вредно напоменути да само 13% компанија које већ користе генеративну вештачку интелигенцију може да спречи да осетљиви подаци, као што су информације о купцима или запосленима, нефилтрирани теку у језичке моделе. Ово указује на јаз у управљању који се протеже далеко изван проблема техничке компатибилности и води директно у област заштите података и регулаторне одговорности.

Пословни модел који стоји иза новог слоја података

Основни принцип који следе провајдери попут Unframe може се описати у четири функционална корака. Прво, пословни системи, апликације, спремишта података, датотеке и API-ји се повезују са платформом. Затим, ови хетерогени извори се трансформишу у јединствени, управљачки омогућен слој података који се примењује на целу организацију. Трећи корак укључује континуирану синхронизацију са изворним системима, осигуравајући да слој података не постане само још један застарели снимак, већ да одражава стварно стање пословања. Тек у четвртом кораку се ова основа користи за покретање вештачке интелигенције, аналитике и аутоматизације – све изграђено на истој конзистентној основи.

Концептуално, овај приступ подсећа на неку врсту дигиталног близанца организације, али не првенствено за симулацију физичких процеса. Уместо тога, служи за мапирање купаца, производа, уговора и трансакција у конзистентном приказу. Економска привлачност таквог модела лежи у чињеници да свака нова АИ апликација не мора да почиње од нуле да би приступила релевантним пословним подацима. Уместо тога, свака апликација се ослања на исту, већ очишћену и обогаћену основу. Ово потенцијално значајно смањује трошкове сваке наредне АИ иницијативе, јер најсложенији и често потцењени део АИ пројекта – интеграција и чишћење података – треба да се уради само једном.

Unframe описује своју понуду као модуларне, вишекратно употребљиве градивне блокове који се могу саставити у прилагођена решења без потребе за посебном обуком модела за сваки случај употребе. Такозвани Framery функционише као слој отворене платформе који се може повезати са било којом понудом софтвера као услуге, API-јем, базом података или форматом датотеке, без обзира на то да ли се инфраструктура користи у облаку, локално или у хибридном окружењу. За европске, а посебно немачке, компаније, још један аспект је од значајног значаја: платформа функционише независно од било ког одређеног добављача језичког модела, што значи да не постоји веза са одређеним добављачем. Штавише, усклађеност са Општом уредбом о заштити података Европске уније (GDPR) и законом ЕУ о вештачкој интелигенцији је експлицитно оглашена. Подаци, подразумевано, не би требало да напуштају границе система клијента осим ако се то експлицитно не захтева.

Одређивање цена засновано на резултатима као сигнал поверења на неповерљивом тржишту

Посебно откривајући аспект пословне стратегије лежи у моделу цена. За разлику од традиционалних добављача софтвера који наплаћују лиценцне накнаде без обзира на стварну корист, Unframe се ослања на модел наплате заснован на резултатима. Корисници плаћају само када решење доказано функционише и даје резултате. Ова одлука никако није случајна, већ је директан одговор на дубоко укорењени скептицизам у управним салама. Као што је суоснивач компаније јавно изјавио, компаније су уморне од финансирања решења која у великој већини случајева не успевају, због чега захтевају модел у којем се плаћање врши за стварни успех.

Ово запажање се поклапа са ширим искуством многих корпорација које годинама експериментишу са такозваним пројектима доказивања концепта, а да их не интегришу у производне системе. Значајан заостатак обећавајућих случајева употребе вештачке интелигенције, бројни пилот пројекти, а ипак готово ништа што се заправо не користи у свакодневном пословању – ово сумира почетну тачку за многе компаније које се окрећу овој новој категорији добављача. Економска суштина овог обећања лежи у пребацивању ризика неуспелог пројекта са самог купца на барем део сопственог ризика добављача. Ово фундаментално мења структуру подстицаја и вероватно је један од кључних разлога за уочену динамику раста, посебно поменуто задржавање нето прихода од 400 процената, што значи да су постојећи купци учетворостручили своју потрошњу у просеку у року од годину дана.

Ко су купци и шта то открива о нивоу зрелости тржишта

Поменути референтни клијенти сликају занимљиву слику различитих индустрија. Међу именованима су компаније за некретнине Cushman & Wakefield и Avison Young, компанија за сајбер безбедност Armis и швајцарска издавачка кућа NZZ. Поред тога, пријављени су случајеви употребе за авио-компаније за оптимизацију распореда посаде и за трговце на мало за планирање продајних промоција. Ова дистрибуција у некретнинама, медијима, безбедности, авијацији и малопродаји сугерише да ово није нишно решење за једну индустрију, већ проблем инфраструктуре који се јавља у различитим индустријама и очигледно се јавља у веома различитим економским контекстима.

Такође је интересантна географска и организациона структура компаније. Са седиштем у Купертину, Калифорнија, и додатним канцеларијама у Тел Авиву и Берлину, Unframe отелотворује трансатлантско или трансконтинентално постављање типично за технолошки сектор, комбинујући амерички капитал, израелски технолошки развој и близину европског тржишта. За компанију са немачким фокусом, посебно је релевантно да оперативни суоснивач експлицитно ради из Берлина и да је компанија више пута учествовала на европским дигиталним догађајима као што је конференција Mind the Tech у Берлину. Ово сигнализира намерни стратешки фокус на европско тржиште, које, због строжих захтева за заштиту података и генерално опрезнијег става према неконтролисаном преносу података компаније америчким добављачима услуга у облаку, има другачије захтеве од северноамеричког тржишта.

Конкурентно окружење и трка технолошких гиганата

Описани тренд никако није ограничен само на специјализоване стартапове. Успостављене технолошке компаније су такође идентификовале проблем фрагментираних пословних података као кључно подручје раста. Дел Технолоџиз, заједно са Нвидијом, развио је платформу за вештачку интелигенцију (AI Data Platform) чији је декларисани циљ трансформација деценија фрагментираних пословних података у корисну интелигенцију. Виши руководилац маркетинга производа у Делу је прикладно изјавио да решење проблема података не мора да се бави само нивоом складиштења, већ мора да обухвати цео процес, од уноса и курирања података до оркестрације, тако да подаци на крају поуздано доспеју до рачунарске снаге графичких процесора.

IBM је, у својој процени кључних трендова података за 2026. годину, такође нагласио да без конвергиране платформе која нуди обједињени приступ структурираним и неструктурираним подацима, компаније неће бити у могућности да имплементирају аналитику и аутономну аутоматизацију са потребном брзином и поузданошћу. Ова процена једне од најстаријих и највећих ИТ компанија на свету наглашава да ово није нишно питање за мале добављаче, већ фундаментални структурни изазов идентификован као критично уско грло у целој индустрији. Значајно је да IBM експлицитно наглашава да ниједан добављач не може сам да реши овај проблем, јер интеграција дистрибуираних података и развој неопходне инфраструктуре за аутономне системе вештачке интелигенције захтевају широк екосистем партнера и технологија.

Ова процена баца важно светло на стварну конкурентску динамику. Не настаје тржиште на којем један победник доминира читавим ланцем вредности, већ мноштво добављача са различитим фокусима, неки се допуњују, неки се међусобно такмиче. Специјализовани добављачи попут K2View-а се експлицитно фокусирају на оперативне, производно спремне архитектуре података, док инфраструктурне компаније попут Dell-а и Nvidia-е пружају основне рачунарске капацитете, а добављачи платформи попут Unframe премошћују јаз између сирових података и применљивих AI апликација.

Управљана AI платформа - Слика: Xpert.Digital

Овде ћете сазнати како ваша компанија може брзо, безбедно и без високих баријера за улазак имплементирати прилагођена решења за вештачку интелигенцију.

Управљана AI платформа је ваше свеобухватно и безбрижно решење за вештачку интелигенцију. Уместо да се бавите сложеном технологијом, скупом инфраструктуром и дуготрајним процесима развоја, добијате готово решење прилагођено вашим потребама од специјализованог партнера – често у року од само неколико дана.

Кључне предности на први поглед:

⚡ Брза имплементација: Од идеје до апликације спремне за употребу за дане, а не месеци. Нудимо практична решења која стварају тренутну додату вредност.

🔒 Максимална безбедност података: Ваши осетљиви подаци остају код вас. Гарантујемо безбедну и усклађену обраду без дељења података са трећим лицима.

💸 Без финансијског ризика: Плаћате само за резултате. Велика почетна улагања у хардвер, софтвер или особље су потпуно елиминисана.

🎯 Фокусирајте се на свој основни посао: Концентришите се на оно што најбоље радите. Ми се бринемо о целокупној техничкој имплементацији, раду и одржавању вашег вештачке интелигенције.

📈 Спремно за будућност и скалабилно: Ваша вештачка интелигенција расте са вама. Обезбеђујемо континуирану оптимизацију и скалабилност и флексибилно прилагођавамо моделе новим захтевима.

Више информација овде:

• Управљана AI платформа

Управљање као потцењени конкурентски фактор

Један аспект који се често занемарује у јавној дебати о вештачкој интелигенцији је питање управљања – то јест, контроле над тим ко има приступ којим подацима, како се обрађују и како се могу пратити до одређених одлука вештачке интелигенције. Анкета спроведена међу стотину менаџера података, наведена горе, показује да осамдесет седам процената испитаника захтева већу транспарентност у вези са начином на који вештачка интелигенција користи и тумачи њихове податке. Ово је изузетно висока бројка и сугерише да поверење у поузданост система вештачке интелигенције није споредно питање, већ кључни предуслов за њихово шире прихватање унутар организација.

Средњорочни приоритети анкетираних компанија за наредне три до пет година потврђују ову слику. Скалабилност у различитим изворима података наводи се као приоритет од стране 92 процента, преносивост података и кључних индикатора учинка (KPI) од стране 83 процента, а управљање и видљивост вештачке интелигенције од стране 82 процента. Ова три приоритета су уско међусобно повезана. Без скалабилних структура података које су конзистентне преко граница система, не може се успоставити поуздано управљање, а без управљања, свако скалирање остаје повезано са значајним правним и репутационим ризицима, посебно у погледу Опште уредбе о заштити података Европске уније (GDPR) и сада важећег закона о вештачкој интелигенцији Европске уније.

Ово је посебно важно за немачке и европске компаније, јер је регулаторни оквир знатно строжи него у Сједињеним Државама или већем делу Азије. Европске компаније које имплементирају слој података за вештачку интелигенцију морају од самог почетка размотрити како ће лични подаци бити заштићени, како ће се документовати поступци обраде и како се одлуке система вештачке интелигенције могу учинити транспарентним у случају спора. Добављачи који ове захтеве уграде у своју архитектуру од самог почетка, на пример, дозвољавајући да подаци остану у потпуности унутар граница њиховог система, стичу структурну предност у односу на конкуренте који се првенствено ослањају на америчке клауд инфраструктуре са мање строгим прописима.

Економске импликације за немачка мала и средња предузећа

Иако су до сада поменути референтни купци претежно велике, међународно послујуће корпорације, поставља се оправдано питање о релевантности ове теме за немачка мала и средња предузећа, која традиционално чине окосницу немачке економије. На први поглед, ситуација за мање компаније делује мање драматично, јер оне природно имају мање система и мање количине података. Међутим, детаљније испитивање открива да се мала и средња предузећа која су органски расла током година и имплементирала различита изолована решења за рачуноводство, управљање залихама, управљање односима са купцима и комуникацију суочавају са структурно сличним проблемом фрагментације – само у мањем обиму.

Кључно економско питање, дакле, није да ли проблем постоји, већ да ли се улагање у јединствени слој података може економски оправдати с обзиром на ограничене ИТ буџете. Појава модела цена заснованих на резултатима, какве је пионирски представио Unframe , вероватно ће овде играти значајну улогу, јер овај модел знатно смањује финансијски ризик за мање компаније. Истовремено, може се претпоставити да ће се за средња предузећа успоставити витка, специјализованија решења, а не свеобухватне платформе дизајниране за корпорације вредне више милијарди долара. Међутим, фундаментална логика да је конзистентан, континуирано синхронизован слој података предуслов за сваку смислену примену вештачке интелигенције остаје валидна без обзира на величину компаније.

Ризици и отворена питања у вези са новим слојем података

Иако овај развој догађаја заслужује значајну пажњу, повезани ризици се не смеју занемарити. Миграција целокупног корпоративног пејзажа података у јединствени, централни слој неизбежно ствара изузетно атрактивну мету за сајбер криминалце. Успешно компромитовање овог централног слоја података могло би имати далеко веће последице од кршења једног, изолованог система, јер би могло одмах да одобри приступ подацима о купцима, уговорима и финансијским подацима за целу компанију. Безбедносна архитектура таквих платформи стога мора бити изузетно робусна, а компаније би требало критички да испитају како се контролишу детаљна права приступа и како се имплементирају стандарди шифровања приликом избора добављача.

Још један, стратешкији ризик лежи у зависности од једног добављача платформе. Иако Unframe експлицитно наглашава да није везан за одређени језички модел, сам основни слој података и даље представља значајну структурну зависност. Уколико компанија одлучи да пређе на другог добављача, миграција слоја података на нивоу целе компаније који је растао током година вероватно ће бити значајан подухват, слично добро познатим изазовима преласка на велике ERP системе. Ова врста ефекта закључавања се, наравно, ретко обраћа од стране самих добављача, али би требало да се узме у обзир приликом процене сваке стратешке одлуке.

Коначно, остаје питање стварног квалитета резултата. Чак ни најнапреднији слој података не може гарантовати да су одлуке вештачке интелигенције изведене из њега без грешака. Посебно код аутономних система заснованих на агентима који самостално покрећу акције, питање одговорности у случају грешака остаје нерешено. Ако агент вештачке интелигенције донесе погрешну пословну одлуку на основу погрешно синхронизованог слоја података – на пример, погрешно протумачи клаузулу уговора или донесе погрешну одлуку о ланцу снабдевања – одмах се поставља питање одговорности, питање које је до сада недовољно обрађено и уговорно и регулаторно.

Трезвена процена стварног напретка

Критичка процена овог развоја захтева опрез у погледу преувеличаних обећања о спасењу. Идеја да се вештачка интелигенција може имплементирати и учинити спремном за производњу у оквиру успостављеног корпоративног окружења у року од неколико дана може бити тачна у одабраним, јасно дефинисаним случајевима употребе, али за велику већину сложених пословних процеса, вероватно је значајно поједностављивање стварности. Искуство са претходним таласима дигиталне трансформације, као што је увођење клауд инфраструктуре или имплементација ЕРП система, показује да чак и технички софистицирана решења редовно не успевају због организационог отпора, недовољног квалитета података у изворним системима и недостатка спремности за промене међу радном снагом.

Истовремено, основна дијагноза је несумњиво тачна. Фрагментација пословних података је стварна, добро документована емпиријски и заиста представља једно од кључних уских грла за продуктивну употребу вештачке интелигенције. Стога је питање мање да ли јединствени, вештачки компатибилан слој података има смисла, већ који је конкретан пут до његовог постизања економски најисплативији за одређену компанију са њеним јединственим историјским системским пејзажом, толеранцијом на ризик и расположивим буџетом. За компаније које су до сада оклевале да се позабаве овим питањем, развој тржишта у последње две године пружа важан траг: они који наставе да експериментишу са изолованим, некоординисаним пилот пројектима заостаће за конкурентима који су рано инвестирали у конзистентну основу података на средњи рок.

Разбијање силоса података: Пут до интероперабилне пословне вештачке интелигенције

Развој у наредним годинама ће значајно зависити од тога да ли ће се успоставити јединствени стандарди за интероперабилност између различитих слојева података и платформи вештачке интелигенције. Ако индустрија успе да развије отворене протоколе који омогућавају различитим добављачима слојева података и модела вештачке интелигенције да беспрекорно раде заједно, то би значајно смањило постојеће ризике зависности и интензивирало конкуренцију у корист купаца. Први кораци у овом правцу су већ видљиви, на пример, кроз подршку протокола отвореног интерфејса који омогућавају интеграцију са постојећим, интерним асистентима вештачке интелигенције без потребе за њиховом потпуном заменом.

За немачка предузећа, која су традиционално била прилично неодлучна у усвајању нових дигиталних технологија, а ипак поседују културу заштите података која је строга према међународним стандардима и примерна у многим аспектима, овај развој представља занимљиву стратешку прилику. Пружаоци услуга који од самог почетка интегришу европске захтеве за усклађеност у своју архитектуру могли би стећи значајну предност у погледу поверења, посебно у земљама немачког говорног подручја, у односу на искључиво америчке пружаоце чије су праксе обраде података традиционално мање транспарентне и подложне мање строгим прописима. Немачке компаније које рано успоставе доследан, за управљање спреман слој података стећи ће не само технолошку већ и регулаторну конкурентску предност, која ће се вероватно показати све вреднијом у наредним годинама како практична примена европског законодавства о вештачкој интелигенцији буде добијала на замаху.

Konrad Wolfenstein

Било би ми драго да вам будем лични саветник.

Можете ме контактирати на wolfenstein∂xpert.digital или

Само ме позовите на +49 7348 4088 965 .

ЛинкедИн