A vállalatok egyre több AI-projektet indítanak, de sok esetben nem maga a technológia, hanem a gyenge minőségű, szétszórt és nehezen hozzáférhető adat akadályozza a valódi üzleti eredményeket.
A vállalati AI első hulláma arról szólt, hogy mire lehet egyáltalán használni a technológiát. Ezt gyors kísérletezés követte: a cégek különböző részlegeken indítottak pilotokat, hogy kiderüljön, hol tud valódi értéket teremteni az AI.
Mostanra azonban a kérdés megváltozott. A legtöbb nagyvállalat már nem felhasználási területeket keres, hanem azt próbálja megoldani, hogyan lehet az AI-t megbízhatóan és nagy léptékben beépíteni a mindennapi működésbe.
És ezen a ponton kerül elő egy régóta létező probléma: az adatok minősége.
Az AI nem kijavítja, hanem felerősíti a meglévő hibákat
Egy AI-rendszer csak annyira lehet jó, amennyire az az információ, amelyből dolgozik. Ha a vállalati adatok több rendszerben szétszórva találhatók, egymásnak ellentmondanak, hiányosak vagy elavultak, akkor az AI sem fog következetes eredményeket adni.
A technológia ráadásul különösen gyorsan felszínre hozza azokat a problémákat, amelyek évek óta jelen vannak a szervezetekben. A nem egységes folyamatokat, eltérő fogalomhasználatot és rosszul kezelt adatokat nem oldja meg automatikusan, inkább nagyobb léptékben ismétli meg őket.
Ez az egyik oka annak, hogy sok korai AI-pilot biztató eredményeket mutat, majd az éles bevezetés során megbicsaklik. A tesztek gyakran gondosan kiválasztott, tisztított adatokon futnak, míg a valódi vállalati környezetben már több évnyi duplikációval, hiányos ügyféladatokkal és egymástól elszigetelt rendszerekkel kell dolgozni.
A Gartner előrejelzése szerint 2026 végéig az AI-projektek 60 százalékát azért állíthatják le, mert nem megfelelő adatokra épülnek. Emellett az adatkezelésért felelős vezetők 63 százaléka úgy látja, hogy szervezetük vagy nem rendelkezik az AI-hoz szükséges adatkezelési gyakorlattal, vagy nem biztos benne, hogy rendelkezik vele.
A pilot és az éles működés között nyílik ki igazán a szakadék
A vállalatok számára gyakran csak akkor válik láthatóvá az adatprobléma valódi mérete, amikor egy sikeres kísérlet után megpróbálják az AI-t az egész szervezetre kiterjeszteni.
Ekkor már nem egy szűk, ellenőrzött adathalmazból kell dolgozni, hanem egyszerre több forrásból: CRM-rendszerekből, pénzügyi adatbázisokból, dokumentumokból, régi alkalmazásokból és különböző üzleti egységek rendszereiből.
Ha ezek nem ugyanazokat a definíciókat használják, nem egyértelmű az adatok tulajdonosa, vagy nincs megbízható adatáramlás a rendszerek között, az AI eredményei gyorsan kiszámíthatatlanná válhatnak.
A szervezeteknek ezért nemcsak modelleket kell választaniuk, hanem rendezniük kell az adatvagyonukat is: meg kell határozniuk, hol található az információ, ki felel érte, milyen minőségű, és hogyan kapcsolódik az üzleti célokhoz.
Több jel is mutatja, ha egy vállalat még nem áll készen
Az egyik figyelmeztető jel, ha az adatok értelmezése rendszeresen kézi egyeztetést igényel. Ha ugyanarra a mutatóra több részleg eltérő számot használ, az AI csak tovább növeli az ebből fakadó bizonytalanságot.
Hasonló probléma, ha az AI-projektek egymástól elszigetelten futnak. Ha minden részleg saját megoldást épít, miközben az adatok nem kapcsolódnak egymáshoz, akkor a vállalat valójában nem szervezeti szintű AI-átalakulást végez, hanem sok különálló kísérletet.
A McKinsey kutatása szerint a szervezetek kevesebb mint 30 százalékánál irányítja közvetlenül a vezérigazgató az AI-stratégiát. Ez is arra utal, hogy sok helyen a technológia még nem vált valódi vállalati prioritássá.
Az is intő jel lehet, ha a vezetés több időt tölt az új modellek összehasonlításával, mint a saját adatainak rendbetételével. A megfelelő alapmodell kiválasztása fontos, de önmagában ritkán dönti el egy projekt sikerét.
Az AI-megtérüléshez előbb az alapokat kell rendbe tenni
A következő szakaszban a vállalatok számára már nem az lesz a fő kérdés, hogy melyik modell a legerősebb, hanem az, hogy mennyire készek szervezetileg az AI használatára.
A McKinsey szerint a szervezeti felkészültség a különbség 48 százalékát magyarázza azok között a vállalatok között, amelyek valódi üzleti értéket tudnak teremteni AI-val, és azok között, amelyek nem.
Ehhez az adatminőséget, az adatkezelési szabályokat és a felelősségi köröket nem háttérfolyamatként, hanem stratégiai kérdésként kell kezelni.
A mesterséges intelligencia hosszabb távú értéke ugyanis nem abban rejlik, hogy ráépítik a meglévő, rosszul működő folyamatokra. Az igazi lehetőség akkor nyílik meg, amikor a vállalatok magukat a folyamatokat is újragondolják, és megbízható adatokra építik fel az AI-alapú működést.
(Forrás: TechRadar)
(Címlapkép: Depositphotos)
