Umělá inteligence ve firmách: Proč bez správného kontextu dělá špatná rozhodnutí a jak to řeší 'datová tkanina'

Umělá inteligence se ve firemním prostředí rychle přesouvá z fáze experimentů do každodenního provozu. Organizace nasazují kopiloty, agenty a prediktivní systémy napříč financemi, dodavatelskými řetězci, lidskými zdroji a zákaznickými operacemi.

Umělá inteligence se ve firemním prostředí rychle přesouvá z fáze experimentů do každodenního provozu. Organizace nasazují kopiloty, agenty a prediktivní systémy napříč financemi, dodavatelskými řetězci, lidskými zdroji a zákaznickými operacemi. Podle nedávného průzkumu bude do konce roku 2025 polovina společností využívat AI v nejméně třech obchodních funkcích.

Jak se však umělá inteligence stále více integruje do klíčových pracovních procesů, vedoucí pracovníci firem zjišťují, že největší překážkou není výkon modelu ani výpočetní výkon, ale kvalita a kontext dat, na nichž tyto systémy závisí. AI v podstatě zavádí nový požadavek: systémy musí nejen přistupovat k datům, ale musí také rozumět obchodnímu kontextu, který se za nimi skrývá.

Bez tohoto kontextu může umělá inteligence generovat odpovědi rychle, ale přesto dělat chybná rozhodnutí, upozorňuje Irfan Khan, prezident a produktový ředitel společnosti SAP Data & Analytics. „AI je neuvěřitelně dobrá v produkci výsledků. Pohybuje se rychle, ale bez kontextu nemůže uplatnit dobrý úsudek, a právě dobrý úsudek vytváří návratnost investic pro podnik. Rychlost bez úsudku nepomáhá. Ve skutečnosti nám může uškodit,“ dodává Khan.

V nastupující éře autonomních systémů a inteligentních aplikací se tato kontextová vrstva stává nezbytnou. Aby firmy mohly poskytovat kontext, potřebují dobře navrženou datovou tkaninu (data fabric), která dělá víc než jen integruje data. Správná datová tkanina umožňuje organizacím bezpečně škálovat AI, koordinovat rozhodnutí napříč systémy a agenty a zajistit, aby automatizace odrážela skutečné obchodní priority, namísto izolovaného rozhodování. Mnoho organizací si to uvědomuje a přehodnocuje svou datovou architekturu. Místo pouhého přesouvání dat do jediného úložiště hledají způsoby, jak propojit informace napříč aplikacemi, cloudy a operačními systémy a zároveň zachovat sémantiku popisující fungování podniku. Tento posun pohání rostoucí zájem o datovou tkaninu jako základ pro infrastrukturu AI.

Tradiční datové strategie se zaměřovaly převážně na agregaci. V posledních dvou desetiletích firmy investovaly značné prostředky do extrakce informací z operačních systémů a jejich načítání do centralizovaných datových skladů, jezer a dashboardů. Tento přístup usnadňuje spouštění reportů, monitorování výkonu a generování přehledů napříč podnikem, ale v tomto procesu se ztrácí velká část významu připojeného k datům – jak souvisí s politikami, procesy a rozhodnutími v reálném světě.

Příkladem mohou být dvě společnosti využívající AI k řízení narušení dodavatelského řetězce. Pokud jedna používá pouze syrové signály, jako jsou úrovně zásob, dodací lhůty a skóre dodávek, zatímco druhá přidává kontext napříč obchodními procesy, politikami a metadaty, oba systémy budou data rychle analyzovat, ale pravděpodobně dospějí k odlišným závěrům. Informace, jako jsou strategičtí zákazníci, přijatelné kompromisy během nedostatků a stav rozšířených dodavatelských řetězců, umožní jednomu systému AI činit strategická rozhodnutí, zatímco druhý nebude mít správný kontext. „Oba systémy se pohybují velmi rychle, ale pouze jeden se pohybuje správným směrem,“ říká Khan. „To je prémium za kontext a výhoda, kterou získáte, když vaše datová základna zachovává kontext napříč procesy, politikami a daty již od návrhu.“ V minulosti firmy implicitně řešily nedostatek kontextu tím, že chybějící informace poskytovali lidští experti. S AI však vzniká mezera, která vytváří vážná omezení. AI systémy informace nejen zobrazují, ale také na ně jednají. Pokud systém nevysvětlí, proč jsou data důležitá, model AI může optimalizovat pro nesprávný výsledek.