AI potřebuje víc než data, měla by jim rozumět.

Představme si jednoduchou otázku: které naše projekty jsou v posledním roce nejvíce ohrožené zpožděním a proč?

Pro člověka, který firmu dobře zná, možná není těžké odpovědět. Ví, kde hledat. Zná jednotlivé projekty, lidi, zákazníky i problémy, jež se objevily v e-mailech nebo na poradách. Ví také, že stejná věc může být v jednom systému označena jako „projekt A“, zatímco v dokumentu se objeví pod názvem zákazníka.

Pro AI je to úplně jiný úkol.

Nestačí jí dát přístup k databázi. Relevantní informace mohou být v ERP systému, CRM, smlouvách, servisních protokolech, tabulkách, e-mailech nebo prezentacích. Některá data jsou strukturovaná, jiná jsou ukrytá v dokumentech, obrázcích nebo dalších formátech. A hlavně: jednotlivé informace spolu často nejsou nijak propojené.

Právě tady se ukazuje jeden z paradoxů současné AI. Model může být mimořádně schopný, ale pokud nedostane správné informace ve správných souvislostech, jeho schopnosti zůstávají nevyužité.

Nejde tedy jen o kvalitu dat. Jde o jejich připravenost pro AI.

Ta znamená mnohem víc než odstranit duplicity, opravit chybné záznamy nebo obohatit data. AI musí být schopná relevantní informace najít, rozpoznat jejich význam a propojit je s dalšími údaji. Musí například pochopit, že „Novák“ v obchodním systému, „Jan Novák“ ve smlouvě a stejný člověk uvedený v e-mailové komunikaci představují jednu entitu. A že informace, které se k ní vážou, mohou být důležité pro odpověď na úplně jinou otázku.

To je zásadní posun v pohledu na podniková data. AI nepotřebuje pouze data. Potřebuje jejich význam, vztahy a souvislosti.

Vývoj v posledních měsících to potvrzuje. McKinsey označuje připravenost dat za jednu z hlavních překážek rozšiřování AI ve firmách a upozorňuje na potřebu propojit strukturovaná i nestrukturovaná data do řízeného a dohledatelného základu. Gartner zase upozorňuje, že tradiční datové prostředí samo o sobě nestačí a že pro AI nabývají na významu sémantika, metadata a schopnost pracovat s významem dat.

Důvod je prostý. AI se postupně přesouvá od odpovídání na otázky k reálné práci. Má vyhledávat informace, připravovat analýzy, doporučovat další postupy a stále častěji také samostatně vykonávat úkoly. S každým takovým krokem roste význam toho, zda může důvěřovat informacím, ze kterých vychází.

Špatná data proto už nejsou jen problémem analytiků. V prostředí AI se mohou stát komplikací při rozhodování.

Stejně důležité je přitom vědět, odkud informace pocházejí. Pokud AI doporučí určitý postup, musí být možné dohledat, z jakých dokumentů nebo záznamů vycházela. Jinak se z užitečného nástroje rychle stává další zdroj nejistoty.

Podniky proto stojí před úkolem, který je možná méně atraktivní než výběr nového AI modelu, ale ve výsledku bude podstatně důležitější: udělat pořádek v informačním prostředí a dát jednotlivým datům společný význam.

Neznamená to všechno znovu ukládat na jedno místo. Znamená to vytvořit způsob, jak data z různých systémů a formátů vyhledat, propojit, obohatit o význam a bezpečně využít.

Teprve potom může AI skutečně ukázat svůj potenciál.

Budoucnost podnikové AI nevyhraje firma s největším modelem. Může ji vyhrát ta, která dokáže ze svých dat vytvořit prostředí, v němž AI vidí víc než jednotlivé informace – vidí jejich souvislosti.