Чому компанії інвестують мільйони в неправильні рішення зі штучним інтелектом та як інша архітектура змінює все

Успіх штучного інтелекту не потребує сховища даних: цей архітектурний секрет економить компаніям роки

Компанії інвестують мільйони та витрачають цінні місяці на пошуки ідеальної моделі штучного інтелекту та спроби консолідувати всі свої корпоративні дані. Але сувора реальність, про яку свідчить тривожно високий рівень відмов, показує, що проекти ШІ майже ніколи не зазнають невдачі через обраний алгоритм. Вони зазнають невдачі через застарілі архітектури даних та фатальне припущення, що дані мають бути централізованими та бездоганними, перш ніж штучний інтелект зможе принести реальну додаткову цінність. У цій статті досліджується, чому так звана «пастка консолідації» зриває терміни, чому рівень відмов до 80 відсотків є нормою для корпоративного ШІ, і як сучасні підходи до «матеріалу знань» елегантно вирішують цю проблему. Ті, хто розуміє, що інтелектуальним системам потрібні взаємопов’язані, а не централізовані дані, можуть скоротити час їх розгортання з років до кількох днів і, нарешті, зробити свою стратегію ШІ вимірювано успішною.

Пов'язано з цим:

• UNFRAME.AI: Швидке розгортання ШІ – це проблема даних, а не моделі

Розгортання штучного інтелекту зазнає невдачі не через модель – воно зазнає невдачі через архітектуру даних

Кожен, хто розглядає можливість впровадження штучного інтелекту у своєму бізнесі сьогодні, неминуче ставить перше питання: яка модель найкраще підходить для нашого випадку використання? GPT-4, Claude, Gemini, Llama, Mistral – команди тижнями порівнюють швидкість логічного висновку, вартість токенів та точність зі стандартизованими бенчмарками. Потім приймається рішення, запускається проект інтеграції, і терміни розтягуються від тижнів до місяців і, нарешті, до «Ми повернемося до цього наступного кварталу». Модель ніколи не була перешкодою. Модель майже ніколи не є. Те, що дійсно визначає, чи зможе компанія продуктивно впровадити ШІ за дні чи дванадцять місяців, – це те, як вона обробляє дані – не лише обсяг, не лише якість, а й те, як дані підключені до системи ШІ для отримання надійних результатів у робочих процесах, які дійсно мають значення.

Де місяці насправді зникають

Наявні емпіричні дані з цієї теми є чіткими та відрезвляючими. Дослідження Gartner показує, що лише 48 відсотків усіх корпоративних проектів штучного інтелекту проходять шлях від прототипу до виробництва. Середній шлях від початкової ідеї до продуктивної експлуатації триває приблизно від восьми до 18 місяців. Розбивка цього періоду показує розподіл: вибір моделі, точне налаштування та оперативна розробка зазвичай займають кілька тижнів. Найбільша частина — від 60 до 80 відсотків загальних зусиль, за галузевими оцінками — витрачається на обробку даних.

Потрібно лише врахувати, що передбачає міграція даних: інвентаризація існуючих даних, картування місць зберігання, побудова каналів передачі даних, очищення та нормалізація даних, перевірка результатів ШІ на відповідність використаним вхідним даним, а потім повторення всієї процедури, якщо зацікавлені сторони виявлять, що початкове джерело даних було недостатньо повним. Це не якась теоретична скарга на перевантаження даними; це щоденна реальність тисяч компаній по всьому світу.

Ендрю Нг, одна з найвпливовіших постатей у машинному навчанні, багато років тому зробив спостереження, яке цитували так часто, що воно втратило свою цінність: приблизно 80 відсотків усієї роботи в машинному навчанні витрачається на підготовку даних. Він не сказав, що це проблема, про яку варто оплакувати, а радше те, що безпека та якість даних стають центральним завданням команди зі штучного інтелекту. Галузеві дослідження Gartner, Deloitte та McKinsey постійно підтверджують цю оцінку: більшість невдач проектів ШІ пов'язані з проблемами з основою даних, а не з алгоритмічними слабкостями — рівень відмов коливається від 70 до 85 відсотків, залежно від дослідження. Модель — це легка частина. Архітектура даних — це складна частина. А складна частина визначає часові рамки.

Пастка консолідації, яка руйнує часові рамки

Існує закономірність, яка надійно додає від шести до дванадцяти місяців затримки корпоративних проектів штучного інтелекту. Команда визначає цінний варіант використання. Необхідні дані зберігаються в чотирьох різних системах. Хтось каже: «Перш ніж ми зможемо розгорнути тут штучний інтелект, нам потрібно консолідувати наші дані». Запускається проект сховища даних. Призначається команда інтеграції. На той час, коли дані остаточно очищені, уніфіковані та «готові до використання штучного інтелекту», потреби бізнесу змінюються, виконавчий спонсор змінює компанії, і проект відкладається.

Це пастка консолідації, і вона відповідає за більше невдалих ініціатив у сфері штучного інтелекту, ніж будь-яке обмеження моделі. Базове припущення звучить розумно: для функціонування ШІ потрібні чисті, централізовані дані. Однак воно принципово неправильне. ШІ не потрібні централізовані дані. Йому потрібні взаємопов'язані дані. Різниця між цими двома концепціями схожа на різницю між дванадцятимісячним проектом сховища даних та розгортанням, яке може запрацювати за лічені дні.

Підключені дані означають, що система штучного інтелекту може втручатися в системи, де вже знаходяться дані, витягувати те, що їй потрібно, розуміти зв'язки між сутностями через межі системи та надавати результати, що враховують повний контекст. Саме цього досягають так звані архітектури тканин знань: вони створюють семантичний шар поверх існуючих джерел даних, не вимагаючи їх попередньої консолідації в одному сховищі. Дані залишаються там, де вони є. Рівень інтелектуального аналізу пов'язує їх. Сховища метаданих, лінія походження даних та загальні правила управління стають невід'ємними компонентами цієї архітектури без необхідності попереднього монолітного проекту міграції.

Це архітектурне рішення відрізняє організації, які впроваджують штучний інтелект за лічені дні, від тих, які все ще «готують» свої дані через рік. Перші змирилися з тим, що їхні дані ніколи не будуть ідеальними, і розробили рівень штучного інтелекту, який працює з операційною реальністю. Другі чекають на стан даних, який ніколи не настане, оскільки корпоративні дані є живими. Вони постійно змінюються, зростають і фрагментуються. Очікування на це схоже на очікування фінішної прямої, яка постійно зміщується.

Вражаючий рівень відсіву та що це говорить про пріоритети

Згідно з опитуванням S&P Global Market Intelligence, проведеним серед понад 1000 компаній у Північній Америці та Європі, у 2025 році 42 відсотки фірм припинять більшість своїх ініціатив у сфері штучного інтелекту, що є різким зростанням порівняно з 17 відсотками попереднього року. Середньостатистична організація відмовиться від 46 відсотків своїх проектів з перевірки концепцій на основі штучного інтелекту, перш ніж вони досягнуть виробничого процесу. Gartner також прогнозує, що 40 відсотків усіх проектів ШІ на основі агентів будуть припинені до кінця 2027 року через зростання витрат, неясну бізнес-цінність та неадекватне управління ризиками. А попередні прогнози Gartner попереджали, що до 2026 року приблизно 60 відсотків усіх проектів ШІ, не побудованих на базах даних на основі ШІ, будуть припинені.

Ініціатива MIT-NANDA виявила, що 95 відсотків пілотних проектів генеративного штучного інтелекту в компаніях не змогли досягти вимірюваної рентабельності інвестицій. Цей висновок заслуговує на кілька критичних оцінок: методологія дослідження — 52 інтерв'ю, вимірювання успіху протягом шести місяців — є суперечливою, а узагальнюваність цифри для компаній усіх розмірів сумнівна. Тим не менш, інші джерела підтверджують основну передумову: на практиці виявляється, що вирішальними вузькими місцями є не продуктивність моделі чи інструменти, а радше організаційна готовність та якість впровадження. А найважливішим компонентом організаційної готовності є дані, зокрема: чи може система штучного інтелекту отримати доступ до необхідної інформації в необхідному форматі з необхідними засобами управління?

Було б надто спрощено звинувачувати у всьому провалі виключно архітектуру даних. Дослідження Cloudflight, проведене серед 150 німецьких керівників вищого рівня у січні 2026 року, показує, що 49 відсотків респондентів назвали найбільшою проблемою відсутність узгодженості між ІТ, бізнесом та комплаєнсом. Це організаційна проблема, а не суто технічна. Тим не менш, основний діагноз залишається незмінним: ті, хто не зможе уточнити обов'язки щодо даних перед початком проекту зі штучним інтелектом, не зможуть побудувати архітектуру даних, готову до виробництва. Управління даними для ШІ не є третім пріоритетом, а є необхідною умовою.

Що насправді вимагає швидке розгортання

Якщо питання полягає в тому, як швидко розгорнути ШІ, чесна відповідь складається з трьох частин. Жодна з них не стосується вибору моделі.

Перша вимога стосується підключення. Платформа штучного інтелекту повинна мати можливість підключатися до структурованих баз даних, неструктурованих репозиторіїв документів, SaaS-платформ, застарілих систем та інструментів комунікації без необхідності попередньої нормалізації всього від компанії. Рівень вилучення та абстракції повинен мати можливість обробляти документи в різних форматах, зіставляти вилучені сутності з єдиною схемою та пересилати винятки для ручного перегляду — і все це без необхідності шестимісячного ETL-проекту. Компанії, яким не вистачає достатньої інфраструктури API для традиційних ETL-конвеєрів, зазнають невдачі на цьому першому кроці, оскільки системи штучного інтелекту просто не можуть отримати доступ до тих самих джерел даних, що й співробітники-люди.

Другий момент стосується архітектурної модульності. Архітектура платформи повинна відокремлювати рівень підключення до даних від рівня інтелектуального аналізу. Якщо вони тісно пов'язані, зміна джерела даних означає перебудову всього робочого процесу штучного інтелекту. Якщо вони окремі, додавання нового джерела даних – це проста зміна конфігурації. Модульна архітектура – ​​це не просто модне слово в цьому контексті. Це механічна причина, чому деякі платформи можна розгорнути за лічені дні, а інші – за квартали. Такі проекти, як Fabric OneLake від Microsoft, демонструють, як уніфікований рівень даних, де всі робочі навантаження працюють в одному сховищі даних, може значно зменшити фрагментацію між доменами даних.

Третій пункт стосується управління та відстеження. Розгортання має забезпечувати перевірені результати з самого першого виробничого запуску, а не після фази перевірки чи циклу контролю якості. Кожен вихідний результат має бути простеженим до його вихідних даних, кожне рішення має бути поясненим, а кожен робочий процес має залишати повний аудиторський слід. Це прискорює розгортання, оскільки альтернативою є окремий робочий потік управління, що працює паралельно з розгортанням, що неминуче стає критичним фактором для запуску. Регламент ЄС щодо штучного інтелекту та такі рамки, як NIST AI або ISO/IEC 42001, вимагають саме такого вбудованого управління — компанії, які ставляться до управління як до другорядної думки, дедалі частіше не відповідатимуть нормативним вимогам.

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

Шар семантичного інтелекту як конкурентна перевага

Одним із найцікавіших розробок в архітектурі корпоративного штучного інтелекту за останні два роки є поява шарів семантичного інтелекту, які перекривають існуючі ландшафти даних. Підходи до структури знань пов'язують політики з робочими процесами, заявки з документацією продукту, а розмови з базами знань, зберігаючи семантичний та операційний контекст, який втрачається традиційним пошуком за ключовими словами або вектором. Кожен елемент позначено походженням, авторством, версією та міткою часу, що означає, що кожна відповідь ШІ є відстежуваною, поясненою та відповідає нормативним вимогам, таким як GDPR або HIPAA.

Microsoft застосувала подібний підхід до впровадження Fabric IQ: замість того, щоб працювати переважно з таблицями, схемами та окремими моделями бізнес-аналітики, бізнес моделюється як онтологія – з такими сутностями, як клієнт, замовлення або машина, їхніми зв'язками, властивостями, правилами та дозволеними діями. Цей семантичний рівень стає спільною мовою як для людей, так і для агентів штучного інтелекту. Основний принцип той самий, що й у підході Knowledge Fabric: зусилля зміщуються від одноразового, болісного проекту міграції до постійного, поступового збагачення семантичного рівня.

Це свідчить про фундаментальний зсув у мисленні порівняно з традиційними підходами до сховищ даних. Data Fabric, як архітектурна концепція, спрямована не на централізацію, а на взаємозв'язок: дані часто залишаються там, де вони виникли або де потрібні, тоді як мережа сервісів, інтерфейсів та сховищ метаданих робить їх доступними. Ця ідея розподіленої доступності не є компромісом – вона є архітектурно кращою, оскільки поважає природну динаміку корпоративних даних, а не бореться з нею.

Провал 42 відсотків: неправильне рішення проблеми

Компанії, які відмовилися від своїх ініціатив у сфері штучного інтелекту, не обов'язково працювали з гіршими даними, ніж ті, що досягли успіху. Вони працювали з тими ж фрагментованими, невідповідно відформатованими корпоративними даними, які є в кожній організації. Різниця полягає в тому, що вони припускали, що їм потрібно буде очистити ці дані, перш ніж можна буде розгорнути ШІ, замість того, щоб створювати архітектуру ШІ, яка б працювала з недосконалими даними з самого початку.

Корпорація RAND підтвердила, що понад 80 відсотків проектів зі штучним інтелектом зазнають невдачі — цей рівень невдач вдвічі вищий, ніж для проектів, пов’язаних з технологіями, не пов’язаними зі штучним інтелектом. У фінансовому секторі цифри ще конкретніші: згідно з дослідженням Dun & Bradstreet, 70 відсотків проектів зі штучним інтелектом у страхових компаніях і 61 відсоток у банках зазнають невдачі через недостатність даних. П’ятдесят п’ять відсотків опитаних компаній вважають низьку якість даних найбільшим бізнес-ризиком у найближчі роки. Крім того, 56 відсотків банків і 79 відсотків страховиків мають обмежену довіру до власних даних.

Але навіть цю статистику слід інтерпретувати з обережністю. Дослідження Cloudflight показує, що лише 7 відсотків компаній вважають свої дані повністю готовими до використання штучного інтелекту. Питання не в тому, чи пов'язано це з якістю даних, а в тому, чи ніхто не вирішив, як наявні дані повинні використовуватися для ШІ. Відсутність повноважень щодо прийняття рішень щодо того, хто авторизує які дані для якого випадку використання, часто є справжньою причиною того, що проекти зупиняються на місяці. Жоден конвеєр даних у світі не може вирішити цю проблему. Це проблема управління, яку необхідно вирішити організаційно, перш ніж технічні рішення зможуть набути чинності.

Порівняння витрат на розгортання: недооцінений ризик недосконалої архітектури

Традиційне розгортання штучного інтелекту на підприємстві з використанням класичної моделі консолідації є дорогим: лише підготовка даних займає від шести до восьми місяців та від 60 до 80 відсотків загальних зусиль проекту. Додайте до цього від чотирьох до шести тижнів на кожну систему, що інтегрується, у середньому проекті з вісьмома-п'ятнадцятьма системами. Перевірка безпеки та відповідності вимагає від 13 до 25 тижнів, розробка на замовлення — ще від трьох до шести місяців, а тестування та валідація — від двох до трьох місяців. Зрештою, загальні інвестиції за перший рік коливаються від 1,8 до 3,75 мільйона євро — і це лише для успішних проектів. Для 85 відсотків, які зазнають невдачі, ці інвестиції здебільшого безповоротні.

Для компаній, що займаються ланцюгами поставок, Gartner тепер відніс генеративний штучний інтелект до «западу розчарування» — тієї фази циклу ажіотажу, де невдачі у впровадженні переважають історії успіху. Причину було точно діагностовано: вимоги до інтеграції застарілих систем та управління даними створюють перешкоди для розгортання у виробничому середовищі, які пілотні проекти в контрольованих середовищах ніколи не виявляли. Школа Уортона при Університеті Пенсільванії продемонструвала, що компанії регулярно недооцінюють складність розгортання у виробничому середовищі втричі-п'ять разів — проекти, які, за оцінками, тривають три місяці, насправді займають від 12 до 18 місяців, якщо врахувати роботу з інтеграції, аудит безпеки та управління змінами.

Тим не менш, важливо пам'ятати, що спад розчарування не є ознакою провалу технології. Він знаменує перехід від нереалістичних очікувань до тверезої оцінки. Організації, які проходять цей етап — вирішуючи проблеми інтеграції, проблеми управління даними та досягаючи операційної зрілості — досягають продуктивних систем, які забезпечують вимірювану цінність. Ключова різниця полягає в тому, чи інтерпретують організації спад як сигнал до відмови, чи як початок серйозної роботи з впровадження.

Найважливіше питання, яке майже ніхто не ставить

Будь-хто, хто оцінює, як швидко можна розгорнути штучний інтелект, повинен перестати запитувати: «Яка модель найкраще підходить для нашого випадку використання?» і натомість запитати: «Чи може ця платформа підключитися до наших даних у їхньому поточному стані та надати надійні результати протягом тижня?»

Це питання відфільтровує 90 відсотків підходів, які додадуть місяці до часових рамок. Воно відфільтровує платформи, які вимагають сховища даних як передумову. Воно відфільтровує постачальників, яким потрібно шість тижнів «огляду», перш ніж вони зможуть сказати, чи працюватиме їхній продукт з існуючими системами. А також воно розкриває платформи, які були створені з нуля для роботи з реальністю даних, з якою стикається кожна організація: фрагментовані, розподілені, недосконало відформатовані та небажають чекати, поки хтось їх очистить.

Питання моделі важливе, але воно другорядне. Це остання миля шляху, на якому вирішальні рішення приймаються набагато раніше – під час рішень щодо архітектури даних, семантичних шарів, структур управління та організаційних обов'язків. Компанії, які розуміють це, впроваджують ШІ за лічені дні. Компанії, які цього не розуміють, через рік дивуються, чому їхнє підтвердження концепції досі не у виробництві.

Три передумови, що визначають успіх чи невдачу

Аналіз доступних результатів досліджень та досвіду впровадження в реальних умовах виявляє три структурні передумови для швидкого та сталого впровадження штучного інтелекту.

Перша вимога — це технічна зв’язність без потреби консолідації. Архітектура, яка семантично поєднує різнорідні джерела даних, а не фізично їх консолідує, усуває найбільший фактор затримок розгортання. API як місток між функціями штучного інтелекту та існуючими системами, гібридні хмарні архітектури для інтеграції застарілих систем та модульні шари даних, які можна оновлювати незалежно від базового системного ландшафту — ось технічні засоби. Згідно з галузевими спостереженнями, проста відсутність проекту консолідації заощаджує від шести до дванадцяти місяців.

Другою передумовою є чіткість організаційного управління перед розгортанням. Права прийняття рішень – хто авторизує доступ до яких даних, для якого випадку використання – повинні бути уточнені до написання першого рядка коду. Найчастішою причиною зупинки проекту є не технічна проблема, а невирішене обговорення між відділами щодо доступу до даних та обов'язків. Мінімальна структура управління, яка дозволяє ітерації, виникає перед кодом моделі. Це звучить очевидно, але систематично ігнорується.

Третя вимога – це вбудована аудиторська можливість з самого початку. Системи, що забезпечують повні журнали аудиту, походження даних та пояснювальні рішення з першого виробничого запуску, усувають потребу в окремому робочому процесі управління, який зазвичай стає остаточним фактором контролю перед запуском. Завдяки Директиві ЄС щодо штучного інтелекту та галузевим вимогам до відповідності, аудиторська можливість більше не є необов'язковим доповненням, а є нормативною вимогою. Ті, хто вбудовує інфраструктуру управління в архітектуру платформи, а не розглядає її як окремий проект, отримують подвійну вигоду: швидше розгортання та більш стійке дотримання вимог.

Модель розгортання буде вирішальною на довгі роки

Швидке розгортання ШІ не залежить від вибору швидшої моделі. Воно залежить від вибору архітектури, яка не припускає, що дані є чимось незмінним. Корпоративні дані є активними, фрагментованими, недосконалими — і завжди такими будуть. Архітектура ШІ, яка враховує це, є надійною. Та, яка розглядає досконалість як передумову, приречена на провал.

Модель розгортання, яку компанія обере сьогодні, формуватиме її конкурентоспроможність в епоху штучного інтелекту на довгі роки. Різниця між компанією, яка використовує ШІ як стратегічний інструмент, і тією, яка запускає та відмовляється від нового підтвердження концепції щокварталу, рідко полягає в самій моделі. Вона лежить в фундаменті: в архітектурі даних, в організаційній зрілості та в готовності працювати з недосконалою реальністю, замість того, щоб чекати на досконалість, яка все одно ніколи не настане.

Konrad Wolfenstein

Я буду радий служити вашим особистим консультантом.

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

Просто зателефонуйте мені за номером +49 7348 4088 965 .

LinkedIn