Proč Agentic AI Zklame Bez Důvěryhodných Dat o Aktivech

Agentic AI se rychle přesouvá z diskuse do nasazení v odvětvích s intenzivním využíváním aktiv. Na rozdíl od generativní AI, která shrnuje informace nebo vytváří doporučení, může agentic AI přijmout cíl, rozložit ho na kroky, získat data z více systémů a jednat podle nich. Může kontrolovat historii údržby, zkontrolovat otevřené pracovní příkazy, porovnat plány posádek a vygenerovat doporučení bez nutnosti ručního propojení každé části informací.

Tato schopnost je přesně tím důvodem, proč tolik organizací spěchá s jeho přijetím. Podle průzkumu Gartner CIO a Technology Executive Survey z roku 2026, pouze 17 % organizací nasadilo AI agenty, zatímco více než 60 % očekává, že tak učiní do dvou let. To je rychlejší než u jakékoli jiné vyvíjející se technologie zahrnuté v průzkumu.

V nasazeních, které jsem podporoval, týmy dlouho trávily příliš mnoho času přepínáním mezi systémy, tabulkami, poznámkami z inspekcí a e-maily, pouze aby mohli učinit jediné operační rozhodnutí. Agentic AI slibuje snížit tuto tření, pomáhá plánovačům připravovat práci rychleji a poskytovat technikům jasnější obraz o historii aktiv bez závislosti pouze na institucionální paměti.

Ale tento slib přichází s podmínkou, která je snadno přehlédnutelná v spěchu nasazení: z toho, co jsem viděl, je agentic AI méně problémem modelování než problémem operační důvěry.

V odvětvích s intenzivním využíváním aktiv, jako jsou veřejné služby, doprava, těžba, telekomunikace a výroba, je AI agent pouze tak dobrý, jako jsou data, na kterých jedná. Pokud tato data jsou neúplná, zastaralá nebo nekonzistentní, agent nemusí nutně selhat hlasitě. Může selhat sebevědomě, doporučovat práci na nesprávném aktivu, přehlížet závislost, podceňovat riziko nebo nesprávně posuzovat, co by mělo být prioritizováno.

Krmit agenta špatnými daty a nebude škálovat inteligenci. Bude škálovat operační riziko.

Stejné Staré Problémy s Daty, v Nové Rychlosti

Problémy s kvalitou dat, které agentic AI odhaluje, nejsou nové. Během více než 17 let práce na systémech a nasazeních podnikového asset managementu jsem viděl stejné problémy opakovaně: duplikované záznamy, chybějící vztahy mezi aktivy, nekonzistentní názvosloví, zastaralé kritičnosti a špatné kódování selhání po mnoho let.

Co se změnilo, není povaha těchto problémů, ale jejich potenciální dosah.

Zkušený technik může zachytit špatný záznam před tím, než podle něj jedná, využije let institucionální znalosti, která nebyla nikdy zachycena v systému. AI agent nemá tuto instinkt. Může zpracovat tisíce záznamů mnohem rychleji, než by je mohl člověk ručně procházet, aplikuje stejnou chybnou předpoklad na velkou škálu, než si toho někdo všimne.

Širší problém s implementací podniku je již viditelný. Předběžná zpráva MIT Project NANDA z roku 2025 zjistila, že 95 % organizací, které byly studovány, nedosáhly měřitelného vlivu na zisk a ztrátu ze svých iniciativ generativní AI. Zpráva připsala tento rozpor především mezím ve vzdělávání a integraci, včetně nástrojů, které nezachovávaly kontext nebo se efektivně nepřizpůsobovaly stávajícím pracovním postupům. V asset-intenzivních operacích, kde špatné doporučení může ovlivnit fyzické vybavení spíše než pouze dashboard, je tato mezera mezi ambicí AI a realitou dat ještě závažnější.

Kde Špatná Data Stávají se Nebezpečným Rozhodnutím

V operačních prostředích se tyto důsledky stávají fyzickými.

Vezměme si priorizaci údržby. Pokud agent nemůže vidět nedávné selhání, zpožděný pracovní příkaz nebo změnu stavu aktiva, může přiřadit špatnou prioritu. To může vytvořit zbytečnou práci v jedné oblasti, zatímco umožňuje, aby větší riziko zůstalo nevyřešeno jinde.

Sázky se zvyšují dále, když vztahy mezi aktivy samy o sobě jsou nesprávné. To je scénář, který zvyšuje červenou vlajku. Pokud systém přesně nezobrazuje, která aktiva jsou spojena, jaké vybavení musí být izolováno před zahájením práce nebo jaké omezení platí na konkrétním místě, jeho doporučení mohou být skutečně nebezpečná.

To je důvod, proč by organizace měly pečlivě uvažovat, než udělí agentic AI plnou autonomii nad kritickými rozhodnutími. Dobrovolný rámec NIST pro řízení rizik AI nabízí strukturu pro začlenění důvěryhodnosti po celou dobu životnosti systému AI, spíše než řešit ji pouze po nasazení. AI může shromáždit informace rychle, vyhledat možnosti a shrnout důkazy za doporučením. Nicméně, když jsou ohroženy bezpečnost, dodržování předpisů nebo spolehlivost služby, lidé musí zůstat zapojeni.

Aspoň zpočátku by mělo být cílem AI, které podporuje rozhodnutí, nikoli AI, které činí rozhodnutí sama.

Proč je Podnikový Asset Management Základem, Nikoli Zadním Úřadem

Podnikový asset management, nebo EAM, je místo, kde je organizována operační realita. Je to místo, kde jsou zaznamenávány a spravovány pracovní příkazy, strategie údržby, inspekce, schválení, vztahy mezi aktivy a historie vybavení.

Silný základ EAM poskytuje agentovi AI spolehlivá operační data, se kterými může pracovat. Slabý základ bude pravděpodobně okamžitě vystaven. Analýza EY o AI umožněném podnikovém asset managementu podobně zdůrazňuje roli reálných dat a analýz při přechodu organizací z reaktivní na proaktivní údržbu.

Místo toho, aby se EAM považovalo za zadní úřad, by organizace připravující se na agentic AI měly považovat za součást operační kontrolní vrstvy. Formuje, co může AI získat, které procesy musí následovat, na jaké důkazy se spoléhá a kde je stále vyžadováno lidské schválení.

EAM také pomáhá poskytnout kontext za operačním rozhodnutím. Doporučení údržby by nemělo být založeno pouze na stavu jednotlivého aktiva. Může také záviset na kritičnosti, nedávných selháních, spojeném vybavení, dostupných dílech, bezpečnostních postupech, dostupnosti posádek a účinku, který by měl výpadek na širší operaci.

Bez tohoto kontextu může i technicky sofistikovaný agent AI doporučit špatný postup.

Je Vaše Data Skutečně „Připravena pro AI“?

Místo toho, aby se spustila široká a abstraktní kontrola kvality dat, jsou organizace lépe obsluhovány začínajícími konkrétním případem použití, jako je AI podporovaná plánování údržby, a kladoucí cílené otázky.

Tyto jsou otázky, které kladu první: Důvěřujeme hierarchii aktiv? Je historie selhání spolehlivá? Jsou plány práce aktuální? Je dostupnost posádky přesná? Jsou bezpečnostní plány aktuální?

Data nemusí být dokonalá. Málokterá organizace bude mít dokonalá operační data. Musí být přesná, aktuální a dobře spravovaná dostatečně pro to, aby AI skutečně podporovala lidi, kteří činí rozhodnutí.

Tento přístup také činí zlepšení dat lebih spravovatelným. Místo pokusu o vyčištění každého záznamu v celé organizaci mohou týmy soustředit na informace, které přímo ovlivňují vybraný případ použití.

Rizika spojená s tím, že se tohle udělá špatně, nejsou rovnoměrně rozložena. Odvětví, kde digitální rozhodnutí ovlivňují fyzické operace, nesou největší expozici, což je důvod, proč NIST vyvíjí speciální profil rámce AI Risk Management pro vedení kritické infrastruktury, která využívá AI umožněné schopnosti. V nižším riziku procesu by špatné doporučení AI mohlo způsobit nepohodlí nebo další práci. V elektrické síti, vodním systému, dolu, dopravní síti nebo telekomunikační infrastruktuře to může ovlivnit bezpečnost, způsobit výpadek, vytvořit problémy s dodržováním předpisů nebo narušit službu.

To neznamená, že by tato odvětví měla se agentic AI vyhnout. Znamená to, že musí být více úmyslná ohledně kvality dat, správy a lidského dohledu, než zvýší jeho odpovědnost.

Praktická Cesta k Agentic AI

Praktická implementační cesta začíná konkrétním případem použití, kde může AI přidat hodnotu bez zavedení nadměrného rizika.

Odtud by organizace měla mapovat data, na kterých závisí případ použití, a upřímně posoudit, zda lze těmto informacím důvěřovat. Týmy by měly poté opravit nejkritičtější data o aktivech, přiřadit jasnou odpovědnost a standardizovat, jak jsou zaznamenávány práce, selhání a operační změny.

AI by mělo fungovat v rámci stávajících procesů řízení, nikoli kolem nich. V raných fázích může agent podporovat plánovače, týmy spolehlivosti a techniky shromažďováním informací, identifikací vzorců a doporučením možných akcí.

To dává organizaci čas porovnat doporučení agenta se skutečnými výsledky, identifikovat mezery v datech a potvrdit, že jsou nezbytné kontroly funkční.

Teprve poté, co jsou výsledky pochopeny, by organizace měla zvážit poskytnutí AI větší odpovědnosti. Autonomie by se měla zvyšovat postupně a pouze tehdy, když jsou spojená rizika jasná, kontrolovaná a auditovatelná.

Úspěšná strategie agentic AI spojuje AI s důvěryhodnými daty o aktivech a silnými pracovními postupy EAM, podporovanými jasnou správou a lidskou zodpovědností. Zpráva Deloitte o stavu AI v podniku z roku 2026 dospěla ke stejnému závěru shora, popisující jednotný, důvěryhodný základ dat jako nezbytný pro škálování AI. Organizace zůstávají odpovědné za akce, které AI doporučuje nebo provádí. Tato odpovědnost nezmizí pouze proto, že rozhodnutí bylo vygenerováno algoritmem.

Agentic AI by mělo získat svou cestu do operací, nikoli jim být dáno. Začněte úzce, zkontrolujte jeho doporučení proti tomu, co se skutečně stane, opravte mezery v datech, které se objeví, a rozšířte jeho roli pouze tehdy, když to důkazy ospravedlňují. Raději bych viděl agenta, který získá malé množství důvěry a udrží ji, než aby mu byla dána velká část a ztratil ji. V odvětvích s intenzivním využíváním aktiv je tato trpělivost rozdíl mezi AI, které získává důvěru, a AI, které ji tiše ztrácí.