Штучному інтелекту не потрібні ідеальні дані: помилкова думка, яка коштує компаніям років – покладіть край міфу про міграцію

Кінець нескінченній підготовці: Як штучний інтелект нарешті забезпечує реальну додану цінність

Штучний інтелект має величезний потенціал, проте в бізнес-практиці він часто перетворюється на дорогу ілюзію. Причина така ж проста, як і фатальна: компанії мимоволі перетворюють свої амбітні ініціативи у сфері штучного інтелекту на гігантські, ресурсомісткі проекти міграції даних. Початкова мета досягнення швидких та вимірюваних бізнес-результатів перетворюється на тривалу боротьбу за ідеальну інфраструктуру даних та безперебійну консолідацію в центральних сховищах даних. Поки мільярди вкладаються в підготовку, дві третини компаній залишаються на пілотній фазі, а фактичне створення цінності відходить на другий план.

У цій статті розкривається, чому суворе дотримання стратегії «інфраструктура понад усе» регулярно призводить до невдачі, і чому повна міграція даних не обов'язково є необхідною для успіху ШІ. Вона окреслює вкрай необхідну зміну парадигми: тим, хто планує, виходячи з конкретних бізнес-результатів, і покладається на федеративний доступ до даних, не потрібно чекати завершення багаторічних ІТ-мегапроектів. Дізнайтеся, як зберігати дані там, де вони є, надавати ШІ лише той конкретний контекст, який йому потрібен, і досягати вимірного успіху завдяки цілеспрямованим «швидким перемогам» за дуже короткий час. Настав час змістити фокус з чистої досконалості даних на прагматичне створення цінності за допомогою ШІ.

Пов'язано з цим:

• UNFRAME.AI: Міграція даних ніколи не була метою. Головними були результати ШІ.

Вихід з пастки даних: Розгляд штучного інтелекту з точки зору результату

Найбільшим убивцею ШІ є міграція даних

Проєкти штучного інтелекту зазвичай зазнають невдачі не через саму технологію, а тому, що вони перетворюються на звичайні проєкти ІТ-інфраструктури. Консолідація всіх даних помилково вважається обов'язковою вимогою.

Мислення, виходячи з результату (зворотне проектування)

Замість того, щоб питати, як підготувати всі дані для ШІ, головне питання: який конкретний контекст даних потрібен ШІ тут і зараз, щоб досягти конкретного бізнес-результату?

Контекст замість копії (федеративний доступ)

Штучному інтелекту не потрібне все сховище даних. Такі технології, як федеративний доступ до даних, віртуалізація даних та RAG (пошук-доповнена генерація), дозволяють зберігати дані в їхніх вихідних системах і збирати контекст лише в момент запиту. Це значно економить час і кошти.

Паралельна робота замість простою

Довгострокова міграція даних (ETL-процеси для звітності, історії тощо) може продовжуватися. Однак ініціатива ШІ не повинна цього чекати, а може паралельно отримувати доступ до існуючих розподілених даних.

Спритність перемагає перфекціонізм

Спроба побудувати комплексну схему даних є неефективною. Орієнтовані на предметну область, моделі контексту, що враховують конкретний випадок використання (подібні до підходу на основі сітки даних), є значно перспективнішими.

Сила «швидких перемог»

Щоб повернути часто підірвану довіру зацікавлених сторін, проекти штучного інтелекту повинні швидко продемонструвати окупність інвестицій (ROI). Ідеальний початковий варіант використання (висока частота, вимірювана основа, існуючі дані) дає відчутні результати протягом кількох тижнів, тим самим виправдовуючи подальші інвестиції.

Чому компанії вкладають мільярди в інфраструктуру замість того, щоб нарешті створювати додану вартість

Цифрова трансформація останніх років створила парадоксальну тенденцію, яка охоплює всі галузі. Компанії інвестують значні суми у штучний інтелект, проте в більшості випадків фактичне створення цінності не виправдовує очікувань. Причина рідко криється в самій технології. Вона полягає в тому, як організації підходять до шляху до ШІ. Замість того, щоб зосереджуватися на вимірюваних бізнес-результатах, ініціативи ШІ поступово перетворюються на масштабні проекти інфраструктури даних, які розвивають власне життя та втрачають з поля зору свою первісну мету. Те, що починалося як стратегічна ініціатива щодо використання ШІ, часто закінчується роками міграції даних без будь-якої видимої віддачі від інвестицій.

Згідно з прогнозом Gartner на грудень 2025 року, світові витрати на штучний інтелект досягнуть приблизно 1,8 трильйона доларів у 2025 році та, як очікується, зростуть до 4,7 трильйона доларів до 2029 року. Водночас, Глобальне опитування McKinsey за 2025 рік щодо стану ШІ показує, що 88 відсотків опитаних компаній вже використовують ШІ принаймні в одній бізнес-функції, але майже дві третини все ще перебувають на експериментальній або пілотній фазі. Лише близько шести відсотків компаній кваліфікуються як так звані високопродуктивні компанії зі ШІ, де понад п'ять відсотків EBIT припадає на ШІ. Ці цифри ілюструють фундаментальну розбіжність між грошима, що надходять у ШІ, та цінністю, яку він зрештою створює. Аналіз цієї розбіжності виявляє структурну проблему, яка виходить далеко за рамки технічних питань.

Як інфраструктурний проект поглинув ініціативу зі штучним інтелектом

Логічний ланцюжок, який призводить компанії до цієї ситуації, на перший погляд здається правдоподібним. Штучному інтелекту потрібні дані. Дані фрагментовані по численних системах. Тому їх потрібно консолідувати. Консолідація вимагає міграції. Міграція вимагає трансформації. Трансформація вимагає управління. Управління вимагає програм якості даних. Кожне окреме рішення в цьому ланцюжку є розумним саме по собі. Але разом вони перетворюють ініціативу ШІ на програму інфраструктури даних, яка потребує років, перш ніж стане видимим хоча б один результат ШІ.

Це явище яскраво видно в даних. Згідно зі звітом Caylent про міграцію даних за 2025 рік, лише шість відсотків опитаних компаній повідомили про завершення своїх найскладніших проектів міграції вчасно. Майже половина респондентів зазнала понад п'яти годин простою під час критичних міграцій, що призвело до проблем із обслуговуванням клієнтів, втрати доходів та операційних затримок. Аналіз понад 500 відгуків про компанії показує, що приблизно 73 відсотки проектів міграції даних зазнають невдачі через неадекватне планування, прогалини в управлінні та брак експертних знань щодо конкретної платформи. Перевищення термінів, що становить в середньому 150 відсотків, є не винятком, а правилом.

Ці міграційні проекти розвивають власну динаміку. Вони залучають цілеспрямовані команди, генерують власні ключові показники ефективності (KPI) та отримують власних спонсорів на рівні ради директорів, які ставлять свою репутацію на завершення проекту. Початкові варіанти використання ШІ переносяться на наступний етап, потім на період після міграції, і, зрештою, вони непомітно зникають з обговорень планування. Ніхто не планує такий результат. Він виникає з тисячі дрібних рішень, кожне з яких виправдане саме по собі, але які, взраховані разом, призводять до стратегічного неправильного розподілу ресурсів та уваги.

Типовий сценарій ілюструє проблему. Щоквартальний огляд бізнесу починається, як і протягом останніх двох років. Команда з трансформації даних презентує свій прогрес. Міграція завершена на 73 відсотки. Показники якості даних покращилися в шести областях. Архітектура сховища даних пройшла останній аудит. Виконавчий директор схвально киває, дивлячись на діаграми етапів. Потім хтось ставить питання, якого всі уникали: коли ШІ запрацює? Настає тиша. Хтось згадує другий етап. Хтось інший вказує на залежності. Початковий графік, який обіцяв аналітичні дані на основі ШІ протягом вісімнадцяти місяців, став приміткою в проекті інфраструктури даних, який набув власного життя.

Мільярд доларів на безцінь незавершених підготовок

Економічний вимір цієї проблеми є значним. Gartner прогнозує, що до кінця 2026 року організації без даних, готових до використання штучного інтелекту, зіткнуться з тим, що понад 60 відсотків їхніх проектів зі штучним інтелектом зазнають невдачі або будуть припинені. Harvard Business Review оцінює загальний рівень невдач для проектів зі штучним інтелектом на рівні 80 відсотків, що майже вдвічі перевищує рівень невдач для ІТ-проектів, які не пов'язані зі штучним інтелектом. Згідно з опитуванням S&P Global Market Intelligence за 2025 рік, 42 відсотки компаній відмовилися від більшості своїх ініціатив зі штучним інтелектом, що є різким зростанням порівняно з лише 17 відсотками у попередньому році. Середня організація відкинула 46 відсотків своїх концептуальних проєктів зі штучним інтелектом ще до того, як вони досягли виробничого процесу.

Gartner також прогнозує, що щонайменше 30 відсотків проектів генеративного штучного інтелекту будуть закинуті після фази підтвердження концепції через низьку якість даних, неадекватний контроль ризиків, зростання витрат або нечітку бізнес-цінність. Опитування Informatica CDO Insights Survey 2025 чітко визначає найбільші перешкоди для успіху ШІ: якість та зрілість даних (43 відсотки), відсутність технічної зрілості (також 43 відсотки) та нестача кваліфікованого персоналу (35 відсотків).

Ці цифри підкреслюють фундаментальне непорозуміння, поширене в багатьох організаціях. Проблема не в тому, що варіанти використання ШІ зазнають невдачі. Проблема в тому, що міграція стала самим завданням, а не засобом для досягнення мети. Консолідація всіх даних у центральному сховищі даних стала самоціллю, тоді як початкова бізнес-цінність відходить на другий план. Тим часом інвестиції в дані, готові до використання ШІ, стрімко зростають. Gartner прогнозує, що ринок даних ШІ зросте зі 134 мільйонів доларів у 2024 році до 14,6 мільярда доларів до 2029 року, що становить сукупний річний темп зростання в 155 відсотків. Гроші течуть, але вони рухаються в неправильному напрямку, якщо до забезпечення даними підходити як до монолітного, підготовчого проекту, а не як до ітеративного процесу.

Думайте про результат, а не плануйте з точки зору інфраструктури

Альтернативний підхід починається з принципово іншого питання. Замість того, щоб запитувати, як підготувати дані для ШІ, слід запитати, який контекст потрібен ШІ для досягнення конкретного бізнес-результату. Така зміна перспективи змінює всю архітектуру проекту.

Більшість випадків використання ШІ вимагають контексту з трьох-п'яти систем, а не повністю перенесеного портфеля даних. Вимоги до контексту є специфічними. ШІ для аналізу контрактів потрібні контракти, поправки, сторони та зобов'язання. Йому не потрібне все сховище даних. ШІ для обслуговування клієнтів потрібні історії взаємодії, дані про продукти та записи управління справами. Йому не потрібна кожна таблиця в кожній вихідній системі.

Мінімально необхідний шлях даних майже завжди вужчий за обсяг проекту міграції. Міграція оптимізована для кожного можливого майбутнього запиту. Штучному інтелекту потрібен правильний контекст для конкретних випадків використання тут і зараз. Ці дві вимоги принципово різні, і їх еквівалентність – це саме той механізм, за допомогою якого інфраструктурні проекти поглинають ініціативи ШІ.

Працюючи у зворотному напрямку від результату ШІ, часто виявляється, що необхідні дані вже доступні. Їх не потрібно переміщувати. Їх потрібно підключити, організувати для конкретного випадку використання та зробити доступними під час виконання. Ефективне управління даними ШІ починається з усвідомлення цього: спочатку визначте результат, а потім знайдіть найпростіший шлях до контексту, який забезпечує цей результат.

Керована платформа штучного інтелекту - Зображення: Xpert.Digital

Тут ви дізнаєтеся, як ваша компанія може швидко, безпечно та без високих бар'єрів входу впроваджувати індивідуальні рішення на основі штучного інтелекту.

Керована платформа штучного інтелекту — це ваше комплексне та безтурботне рішення для штучного інтелекту. Замість того, щоб мати справу зі складними технологіями, дорогою інфраструктурою та тривалими процесами розробки, ви отримуєте готове рішення, адаптоване до ваших потреб, від спеціалізованого партнера — часто всього за кілька днів.

Основні переваги з першого погляду:

⚡ Швидке впровадження: від ідеї до готового до використання застосунку за лічені дні, а не місяці. Ми пропонуємо практичні рішення, які створюють негайну додану цінність.

🔒 Максимальна безпека даних: Ваші конфіденційні дані залишаються з вами. Ми гарантуємо безпечну та відповідність вимогам обробку без передачі даних третім особам.

💸 Без фінансових ризиків: Ви платите лише за результат. Повністю виключаються значні початкові інвестиції в обладнання, програмне забезпечення чи персонал.

🎯 Зосередьтеся на своєму основному бізнесі: Зосередьтеся на тому, що ви робите найкраще. Ми подбаємо про повне технічне впровадження, експлуатацію та обслуговування вашого рішення на базі штучного інтелекту.

📈 Орієнтований на майбутнє та масштабований: Ваш ШІ зростає разом з вами. Ми забезпечуємо постійну оптимізацію та масштабованість, а також гнучко адаптуємо моделі до нових вимог.

Більше інформації тут:

• Керована платформа штучного інтелекту

Федеративний доступ до даних як архітектурна альтернативна модель

Штучний інтелект без міграції даних — це не скорочений шлях. Це інша архітектура, яка відображає те, як ШІ насправді працює у виробничому середовищі. Цей підхід характеризують три фундаментальні принципи.

По-перше, федеративний доступ з'єднує ШІ з вихідними системами, де зберігаються дані, без необхідності попередньої централізації. Дані CRM залишаються в CRM. Документи залишаються в сховищі документів. Операційні дані залишаються в ERP. Рівень ШІ може отримати доступ до всього цього, не чекаючи синхронізації. Федеративний доступ до даних зберігає дані в їхньому початковому місці, використовує методи віртуалізації для забезпечення єдиного представлення та дозволяє отримувати аналітику в режимі реального часу на вимогу. На відміну від сховищ даних, де дані фізично переміщуються в центральне місце, федеративний доступ усуває ризики та витрати, пов'язані з дублюванням даних, та підвищує операційну ефективність.

По-друге, моделі контексту, що відповідають конкретним випадкам використання, визначають, що саме потрібно кожному застосунку штучного інтелекту. Замість побудови універсальної схеми, яка намагається охопити все, система визначає конкретні сутності, зв'язки та сигнали, що стосуються кожного окремого випадку використання. Цей принцип узгоджується з концепцією архітектури мережі даних, де доменно-орієнтовані команди самостійно керують своїми відповідними даними та підтримують індивідуальні стандарти управління, що відображають конкретні бізнес-вимоги.

По-третє, складання під час виконання збирає контекст у момент прийняття рішення, а не заздалегідь через пакетні конвеєри. Коли штучному інтелекту потрібно відповісти на запитання, він збирає відповідний контекст з усіх джерел, де б цей контекст не знаходився. Без затримки синхронізації. Без застарілих знімків. Актуальні дані, зібрані на вимогу. Цей принцип зазнав технологічного розвитку з поширенням доповненої генерації пошуку (RAG). Архітектури RAG дозволяють системам штучного інтелекту отримувати відповідну зовнішню інформацію в момент запиту та вбудовувати її в контекст, замість того, щоб покладатися виключно на попередньо навчені знання. До середини 2026 року понад 66 відсотків впроваджень генеративного штучного інтелекту на підприємствах використовуватимуть архітектури RAG.

Практичне впровадження цієї архітектури очевидне в реальних корпоративних середовищах. Наприклад, бібліотека машинного навчання SAP Federated Machine Learning Library використовує архітектуру об'єднання даних SAP Datasphere для інтелектуального надання доступу до даних SAP та інших даних для машинного навчання без необхідності реплікації чи переміщення даних. Такі компанії, як Downer, один з найбільших постачальників інтегрованих послуг в Австралії, впровадили платформу об'єднаних даних та штучного інтелекту, яка поєднує децентралізовану гнучкість із централізованим управлінням, що дозволяє бізнес-підрозділам самостійно впроваджувати інновації, одночасно безперешкодно та безпечно обмінюючись корпоративними даними.

Порівняння віртуалізації даних та пакетної обробки

Вибір між федеративним доступом через віртуалізацію даних та традиційною консолідацією на основі ETL не є бінарним, а радше питанням узгодження його з вимогами відповідного робочого навантаження. Віртуалізація даних забезпечує швидший час відгуку під час запитів до менших, розподілених наборів даних. Однак зі збільшенням обсягів даних та складними вимогами до перетворення ETL може бути ефективнішим завдяки своїй здатності обробляти великі набори даних за допомогою попередньо визначених правил перетворення.

Фундаментальний компроміс полягає в тому, що віртуалізація даних замінює фізичну консолідацію логічною інтеграцією. Ви отримуєте свіжіші дані, оскільки запити звертаються безпосередньо до вихідних систем, і уникаєте витрат і складнощів копіювання всіх даних в одне сховище. Водночас ви стаєте залежними від доступності та продуктивності кожної базової системи. Для важких аналітичних запитів у петабайтному діапазоні сховища з попередньо обчисленими агрегатами та стовпцевим сховищем перевершують федеративні запити в мережах у десять або більше разів.

Розумним рішенням є використання обох підходів у взаємодоповнюючому ключі. ETL обробляє структуровані історичні дані для звітності та забезпечує узгодженість. Віртуалізація даних забезпечує гнучкий доступ до живих або розподілених даних для критично важливих запитів. Під час інтеграції нового джерела даних модифікація робочих процесів ETL може тривати днями або тижнями. Віртуалізація даних дозволяє негайно інтегрувати тимчасові або експериментальні джерела даних. Цей гібридний підхід оптимізує продуктивність, вартість та гнучкість однаково.

Найкоротший шлях до вимірюваних результатів ШІ

Економічна логіка, що лежить в основі орієнтованого на результат підходу, є переконливою. Середня тривалість проекту ШІ відповідає знайомій схемі: три місяці планування, шість місяців розробки, шість місяців тестування, три місяці розгортання, загалом вісімнадцять місяців до моменту окупності інвестицій. За даними Gartner, в середньому лише 48 відсотків проектів ШІ доходять до виробництва, а шлях від прототипу ШІ до виробництва займає вісім місяців. Лише 35 відсотків проектів ШІ досягають готовності до виробництва.

Але є й інший шлях. Згідно з дослідженням IDC, 92 відсотки успішних впроваджень штучного інтелекту забезпечують позитивну віддачу від інвестицій протягом дванадцяти місяців. 40 відсотків компаній повідомляють про позитивну віддачу протягом шести місяців. Ключ полягає у виборі правильного початкового сценарію використання та уникненні надмірно амбітної підготовки інфраструктури.

Структура швидкої окупності інвестицій у штучний інтелект базується на чотирьох принципах. Ідеальний перший варіант використання характеризується високою частотою; завдання виконується щодня або щотижня. Він має чітку базову лінію, а поточну продуктивність можна виміряти. Дані вже існують, а варіант використання має обмежену залежність від інших систем. Якщо ці критерії дотримано, вимірюваних результатів можна досягти протягом кількох тижнів.

Вплив таких швидких перемог виходить далеко за рамки негайної фінансової віддачі. Телекомунікаційний постачальник послуг впровадив чат-бота зі штучним інтелектом для п'яти найчастіших запитів клієнтів щодо виставлення рахунків. Протягом 60 днів рішення вирішило 35 відсотків запитів без втручання людини, скоротило середній час вирішення з 24 годин до 10 хвилин і покращило показники задоволеності клієнтів на 22 відсотки. Виробник середнього розміру впровадив прогнозне обслуговування на базі штучного інтелекту на критично важливій виробничій лінії. 45-денний пілотний проект забезпечив скорочення незапланованих простоїв на 62 відсотки, уникнення виробничих втрат на 157 000 доларів США та скорочення витрат на технічне обслуговування на 28 відсотків. Помічник Klarna зі штучним інтелектом вирішив дві третини всіх запитів клієнтів у чаті протягом першого місяця та скоротив середній час вирішення з одинадцяти хвилин до менш ніж двох хвилин.

Чому довіра зацікавлених сторін – найтвердіша валюта

Ці швидкі перемоги виконують функцію, яка виходить за рамки простої економії коштів. Вони відновлюють довіру зацікавлених сторін, яка зникла за роки інфраструктурних проектів без видимих ​​результатів. Швидкі успіхи забезпечують швидкий та відчутний доказ того, що ШІ створює бізнес-цінність. Це зміцнює впевненість осіб, які приймають рішення, зменшує опір впровадженню та прокладає шлях для більших інвестицій у ШІ.

Швидкі успіхи створюють позитивні цикли зворотного зв'язку, які прискорюють впровадження ШІ. Початковий успіх породжує ентузіазм та ресурси для ширшого впровадження. Розширення впровадження створює додаткову цінність та організаційне навчання. Це навчання дозволяє використовувати складніші програми та отримувати більші переваги. Більші переваги виправдовують збільшення інвестицій у можливості ШІ.

Дані McKinsey підкреслюють цей механізм. Високопродуктивні компанії зі штучним інтелектом (шість відсотків компаній з вимірним внеском ШІ в EBIT) втричі частіше за інших повідомляють, що їхня організація має намір використовувати ШІ для трансформаційних змін. Ці компанії майже втричі частіше за інших фундаментально переробляють робочі процеси, і це навмисне перепроектування робочих процесів демонструє один із найпотужніших внесків у досягнення вимірного впливу на бізнес. Високопродуктивні компанії регулярно впроваджують ШІ в більшій кількості бізнес-функцій, ніж їхні колеги, і втричі частіше розширюють використання агентів ШІ.

Паралельна робота замість послідовної залежності

Проєкт міграції не потрібно зупиняти. Він може служити цілям, що виходять за рамки штучного інтелекту. Звітність регуляторних органів, історичний аналіз або інформаційні панелі керівників у внутрішній дорожній карті справді можуть вимагати консолідованих даних. Інвестиції у створення цієї основи не будуть витрачені даремно для цих цілей.

Але штучному інтелекту не потрібно чекати завершення міграції. Вони можуть виконуватися паралельно. Міграція продовжується за власним графіком для своїх цілей. Штучний інтелект надає результати зараз, на основі даних, які існують сьогодні.

Прагматичний підхід починається з визначення двох-трьох варіантів використання ШІ, які принесуть вимірну бізнес-цінність. Після цього проводиться відображення конкретного контексту даних, необхідного для кожного варіанту використання. Далі перевіряється, чи є цей контекст безпосередньо доступним без необхідності міграції. Нарешті, ШІ пілотується на найвужчому можливому шляху даних.

Цей підхід узгоджується з висновками аналітика Gartner Харіти Хандабатту, яка описує поступовий перехід від генеративного ШІ як центрального фокусу до фундаментальних факторів, що сприяють сталому розгортанню ШІ, включаючи дані, готові до ШІ, та агенти ШІ. Інвестиції переходять від стратегії, орієнтованої на інфраструктуру, до архітектури, орієнтованої на дані та можливості. Організації, які ставляться до готовності до даних як до другорядної думки, найімовірніше, залишаться серед 94 відсотків, які ніколи не пройдуть далі пілотної фази.

Реорганізація інвестиційної логіки

Дані Gartner про витрати демонструють тектонічний зсув в інвестиційній логіці. Хоча інфраструктура штучного інтелекту залишається найбільшою категорією витрат, з 965 мільярдами доларів у 2025 році, темпи її зростання становлять порівняно помірні 29 відсотків на рік. Прискорення відбувається в інших сферах: дані штучного інтелекту зростають на 155 відсотків щорічно, кібербезпека штучного інтелекту – на 74 відсотки, а моделі штучного інтелекту – на 68 відсотків. Гроші йдуть у відповідь на перешкоди, а не за заголовками.

На ринку даних штучного інтелекту рушійні сили зростання ще чіткіші. Генерація синтетичних даних зростає на 178 відсотків щорічно, з 41 мільйона доларів до 6,8 мільярда доларів до 2029 року. Набори даних, готові до використання зі штучним інтелектом, тобто попередньо підготовлені дані, структуровані для робочих процесів штучного інтелекту, зростають на 136 відсотків щорічно. Компанії готові платити за скорочення виробництва. Це чіткий сигнал того, що ринок цінує швидку готовність даних, а не повільну, комплексну міграцію.

Організації-переможці, ті, що справді отримують вигоду від цієї трансформації, інвестують у можливості, які дозволяють системам штучного інтелекту працювати в масштабі підприємства: готовність даних, управління, інтеграцію та безпеку. Вони змінюють типові співвідношення витрат, присвячуючи від 50 до 70 відсотків свого часу та бюджету готовності даних, тобто вилученню, нормалізації, метаданим управління, панелям контролю якості та контролю збереження. Однак ця готовність даних не розуміється як монолітний проект міграції, а як ітеративний процес, що керується варіантами використання.

Від перфекціонізму даних до прагматизму штучного інтелекту

Центральний висновок цього аналізу можна підсумувати одним принципом: метою ніколи не була ідеальна інфраструктура. Метою було досягнення результатів від штучного інтелекту, і, на щастя, це не вимагає повної консолідації даних. Команди, які це усвідомлюють, перестають розглядати міграцію як передумову та починають розглядати результати штучного інтелекту як метрику, яка дійсно має значення.

Дані говорять самі за себе. 88 відсотків компаній використовують штучний інтелект, але лише третина почала його масштабувати. 73 відсотки проектів міграції зазнають невдачі через проблеми з впровадженням, а не через саму технологію. 42 відсотки компаній відмовляться від більшості своїх ініціатив у сфері штучного інтелекту до 2025 року. Водночас, шість відсотків лідерів демонструють, що шлях до успіху лежить в амбітних цілях, перероблених робочих процесах та швидкому масштабуванні, а не в завершенні проектів міграції.

Це чіткий заклик до дії для ІТ-директорів та технічних директорів. Питання вже не в тому, як консолідувати всі дані перед впровадженням ШІ. Питання в тому, який конкретний контекст даних потрібен для наступного випадку використання ШІ та як цей контекст можна забезпечити найшвидше та найефективніше з точки зору витрат. Федеративний доступ, моделі контексту для конкретних випадків використання та складання під час виконання – це архітектурні інструменти, які дозволяють реалізувати цей підхід. Вони замінюють парадигму повної підготовки парадигмою ітеративного створення цінності.

Компанії, які розглядають ШІ не як другорядного бенефіціара інфраструктурних проектів, а як рушійну силу, що визначає вимоги до даних, найшвидше перейдуть від пілотного проекту до фази масштабування. Проект міграції може продовжуватися, але ШІ не повинен чекати.

Konrad Wolfenstein

Я буду радий служити вашим особистим консультантом.

зв'язатися зі мною за адресою wolfenstein ∂ xpert.digital

Просто зателефонуйте мені за номером +49 89 89 674 804 (Мюнхен) .

LinkedIn