Myslitelé

Správa a řízení podnikové AI začínají u databázové infrastruktury

Phillip Merrick
Přidejte Unite.AI mezi své preferované zdroje na Google
Klíčové body% podnikových pilotních projektů AI selhává, protože správa není zakotvena na datové…
Zobrazit více
  • % podnikových pilotních projektů AI selhává, protože správa není zakotvena na datové vrstvě.
  • Autonomní agenti vyžadují kontroly na datové vrstvě, jelikož neřízené zápisy se mohou kaskádovitě šířit napříč systémy.
  • Správa zaměřená na infrastrukturu na úrovni databáze uzavírá mezeru mezi pilotním projektem a produkcí.

Podniky experimentují s AI rychleji než kdy dříve, cesta do produkčního provozu však zůstává vytrvale pomalá. Týmy spouštějí pilotní projekty, testují modely a během týdnů, někdy i dnů, ukazují slibné výsledky. Když ale přijde na rozsáhlé nasazení těchto systémů, postup se často zastaví. Objevují se bezpečnostní obavy, zpřísňují se požadavky na soulad s předpisy a přibývá otázek kolem správy a řízení. 

Studie MIT The GenAI Divide: State of AI in Business 2025 zjistila, že 95 % podnikových pilotních projektů AI nepřináší měřitelný obchodní dopad. Jen 5 % se dostane do produkčního provozu a vytváří skutečné finanční výnosy. Výzkum zahrnoval více než 300 nasazení AI a 150 rozhovorů s vedoucími pracovníky. Dospěl k závěru, že hlavní překážkou nejsou schopnosti modelů, ale nedostatečná integrace do podnikových systémů. Většina organizací to považuje za problém interních pravidel, který má vyřešit vedení. Podle mě je správa a řízení AI systémovou výzvou a začíná v datové vrstvě.

Proč projekty AI uvíznou v pilotní fázi

Mnoho iniciativ AI selhává, protože prostředí používaná k vývoji prototypů zásadně neodpovídají skutečným požadavkům podnikového nasazení. Vývojáři jsou motivováni k rychlé práci a využívají pružné nástroje, volně spravované datové sady a samoobslužnou infrastrukturu, aby co nejrychleji prokázali přínos. To je ideální pro experimenty, ale nelze to bez dalšího přenést do produkčního prostředí, které vyžaduje auditovatelnost, přísné řízení přístupu, soulad s předpisy a provozní odolnost.

Správa a řízení se proto často zavádí až po úspěšném ověření konceptu. V tu chvíli se vrstva, která měla práci umožňovat, stává omezením. Týmy musí dodatečně přizpůsobovat bezpečnostní modely, přepracovat architekturu datových toků a revidovat předpoklady o souladu s předpisy, které měly tvořit základ od samého začátku.

Vzniká tak rostoucí propast mezi tím, co AI dokáže předvést v kontrolovaném prostředí, a tím, co podniky mohou bezpečně a spolehlivě nasadit do produkce.

Současně se dnešní technologická sestava AI vyvíjí směrem k rychlosti a dostupnosti, často na úkor kontroly. Platformy přívětivé k vývojářům usnadňují pilotní projekty, ale mohou zakrývat, kde se data nacházejí, jak se používají a kdo k nim má přístup. 

To vytváří skutečná provozní a regulatorní rizika: neúmyslné zpřístupnění dat, nejasné datové hranice mezi prostředími a nedostatečnou auditovatelnost chování systému. Tyto problémy se přímo projevují při posuzování připravenosti na produkční provoz a souladu s předpisy. Podnikové průzkumy soustavně ukazují, že problémy s kvalitou dat a správou patří k hlavním příčinám neúspěchu projektů AI a zmiňují se v 60–70 % případů. Situaci zhoršuje rostoucí závislost na infrastruktuře třetích stran a spravovaných databázových službách. Ta může dále tříštit vlastnictví dat a komplikovat plnění regulatorních požadavků. Organizace často předpokládají, že platformy zajišťují správu automaticky, zatímco odpovědnost je ve skutečnosti rozložena mezi více vrstev technologické sestavy.

Výsledkem je paradox. Nástroje, které urychlují experimentování s AI, jsou často právě těmi, které komplikují přechod do produkce.

Databáze jako skutečná vrstva správy a řízení

K odstranění tohoto nesouladu je třeba znovu promyslet, kde se správa a řízení skutečně uskutečňují.

Správa a řízení se často pojí s tvorbou pravidel, která stanovují právní oddělení, pracovníci odpovědní za soulad s předpisy nebo vedení a prosazují je prostřednictvím dokumentace a kontrolních postupů. Tyto mechanismy jsou nezbytné, samy však nestačí. Správa a řízení mají skutečný význam teprve tehdy, když se vynucují na úrovni systému.

V praxi se to děje tam, kde se data ukládají, zpřístupňují a transformují. Databáze a okolní datová infrastruktura se proto stávají nejdůležitější vrstvou správy a řízení v technologické sestavě AI.

Moderní databáze nejsou pasivní úložiště. Definují přístupová oprávnění, vynucují požadavky na geografické umístění dat, spravují šifrování a kontrolu klíčů a vytvářejí auditní záznamy potřebné pro soulad s předpisy a bezpečnostní dohled. Stále častěji slouží také jako kontrolní bod, přes který AI pracuje s podnikovými daty.

To je důležité, protože AI přebírá úroveň správy a řízení datové infrastruktury, na níž závisí. Pokud základní databázová vrstva postrádá strukturu, kontroly nebo přehlednost, tyto slabiny se přímo přenášejí do systémů AI postavených nad ní. Žádná následná pravidla na aplikační úrovni nedokážou plně nahradit chybějící správu datového základu.

Z toho plyne širší architektonická změna: správa a řízení musí být zabudovány do infrastruktury od začátku, ne doplněny po nasazení. Přístup k AI vycházející z infrastruktury znamená navrhovat systémy, v nichž jsou správa a řízení vnitřní vlastností, nikoli vnějším omezením. Přístup k datům zprostředkovávají řízená rozhraní. Dotazy a interakce systémů se standardně zaznamenávají. Pravidla souladu s předpisy, například omezení přístupu, zásady uchovávání a požadavky na umístění dat, se vynucují systémově místo ručního dohledu či dodatečného ověřování.

To vyžaduje architektonické vzory, jako jsou bezpečné vrstvy zprostředkovávající dotazy, řízení přístupu podle pravidel a centralizovaná pozorovatelnost napříč distribuovanými datovými prostředími. Tyto mechanismy zajišťují průběžné vynucování správy a řízení místo pouhých pravidelných kontrol.

Rozdíl mezi proaktivní a reaktivní správou je zásadní. Reaktivní přístupy se snaží napravovat problémy až po vybudování a nasazení systémů. Proaktivní přístupy jejich vzniku předcházejí tím, že kontroly zabudují přímo do systémové architektury.

V prostředí AI tento rozdíl rozhoduje, zda se systémy mohou rozšiřovat nebo se jejich rozvoj zastaví.

Když do hry vstoupí agenti

Autonomní agenti mění podmínky správy a řízení způsobem, na který většina organizací není připravena. Agent data nejen čte. Také je zapisuje a spouští akce napříč systémy, obojí bez člověka zapojeného do rozhodovacího procesu.

Tím se zcela mění povaha selhání. Nedostatečně řízený dotaz vrátí chybnou odpověď. Nedostatečně řízený agent podle této odpovědi také jedná: aktualizuje záznamy, spouští navazující pracovní postupy a šíří rozhodnutí mezi systémy dříve, než si někdo všimne chyby.

Proto ochranné mechanismy nemohou zůstat jen v aplikační vrstvě. Agent pracující napříč více systémy vždy najde cestu nejmenšího odporu. Kontroly je třeba vynucovat v datové vrstvě, kde každý přístup pro čtení či zápis prochází řízeným zprostředkováním a zaznamenává se bez ohledu na to, co jej vyvolalo.

Gartner předpovídá, že více než 40 % projektů AI s agenty bude zpožděno nebo zrušeno kvůli problémům se správou a spolehlivostí. Toto číslo mi připadá nízké, protože předpokládá, že organizace správně určí jako příčinu správu a řízení, místo aby neúspěch připsaly modelu nebo nástrojům. Kořenová příčina obvykle zůstává neviditelná, dokud nezačne být nákladná.

Od experimentů k AI připravené na produkci

Organizace, které úspěšně převádějí AI z experimentů do produkce, zpravidla spojuje včasné sladění vývojového a produkčního prostředí. 

Nedovolí, aby se experimentální systémy vzdálily produkčním omezením. Místo toho obě prostředí navrhují podle společných zásad správy, bezpečnosti a přístupu k datům. To snižuje pozdější komplikace při přechodu modelů od prototypů k produkčním úlohám.

Toto sladění je stále důležitější, protože většina podniků dosud postrádá vyspělou infrastrukturu AI na produkční úrovni. Přetrvávají mezery v bezpečném přístupu k datům, monitorování, pozorovatelnosti a vynucování souladu s předpisy. Nejde o izolované problémy, ale o strukturální výzvy, které se projeví při rozšíření AI z pilotních prostředí do kriticky důležitých pracovních postupů.

Další významný nesoulad mezi prototypy a produkcí vzniká, když produkční aplikace a databáze musí běžet ve vlastní infrastruktuře nebo na přísně spravovaných cloudových účtech, zatímco prototypy byly vyvinuty na cloudových databázových platformách.

Ve vyspělých organizacích se k úlohám AI přistupuje se stejnou přísností jako k jiným regulovaným systémům. To znamená důsledné zaznamenávání událostí, přísné řízení přístupu, průběžné monitorování a jasně vymezenou odpovědnost mezi týmy. Vyžaduje to také užší spolupráci datového a platformního inženýrství, bezpečnosti a oddělení souladu s předpisy od začátku, nikoli až dodatečně.

Přínosy přesahují snížení rizika. Organizace získávají také rychlejší cykly nasazení, méně produkčních selhání a větší interní důvěru v AI. V tomto kontextu závisí rozšiřování AI méně na inovacích modelů a více na vyspělosti infrastruktury.

Správa a řízení jsou architektonickou nutností

Diskuse o správě a řízení AI musí nakonec přesáhnout pravidla a přejít k architektuře. 

Správa a řízení se často považují za dohledovou funkci, v praxi se však prosazují prostřednictvím systémů, které určují přístup k datům a jejich využití. Databáze není jen úložnou vrstvou, ale kontrolním bodem pro bezpečnost, soulad s předpisy a provozní integritu celé technologické sestavy AI.

S hlubším zapojením AI do podnikových pracovních postupů význam tohoto kontrolního bodu výrazně roste. Každá interakce mezi modelem a podnikovými daty se stává událostí podléhající správě a řízení, ať ji organizace takto záměrně navrhly, nebo ne.

Pokud podniky upřednostní správu a řízení vycházející z infrastruktury, počínaje databázovou vrstvou, mohou překlenout propast mezi pilotem a produkcí. Tím promění AI z izolovaných experimentů v trvalou, škálovatelnou schopnost integrovanou do celé organizace.

Phillip Merrick je spoluzakladatel a CPO ve společnosti pgEdge. Podnikatel, technolog a zkušený manažer s hlubokými kořeny v datové infrastruktuře a cloudových platformách, které pohánějí současné AI systémy. Spoluzakladatel a/ nebo CEO společností webMethods, EDB, SparkPost, Fugue a pgEdge; vedl společnosti od startupu přes IPO a tři výstupy v rozmezí devíti- až desetimístných částek.