Podniková AI Závisí na Datech, Kterým Lidé Mohou Věřit

V roce 2025 společnosti investovaly odhadovaných 30 až 40 miliard dolarů do generativní AI, přesto projekt NANDA z MIT zjistil, že pouze 5 % z více než 300 podnikových nasazení která prozkoumalpřinášelo měřitelné finanční výnosy.

Věnuji se podnikovým datovým programům více než 25 let. Ještě před tím, než se generativní AI objevila v diskusi, jsem viděl, jak rychle technologie ztrácí důvěryhodnost, když lidé nemohou spoléhat na data, na nichž stojí. Generativní AI zvyšuje napětí, protože dokáže proměnit pochybná data v sebejistou odpověď.

Dříve jsme říkali „odpad vstupuje, odpad vychází“. Nyní je to „odpad vstupuje, katastrofa vychází“. Když data vypadala pochybně, člověk mohl použít svůj úsudek a kontaktovat datového specialistu. Specialista provedl analýzu příčiny, identifikoval problém a aplikoval opravu. Dnes mohou agenti jednat s jakýmikoli daty, na která narazí. Bez znalého lidského dohledu se výsledek může stát součástí provozu, být použit při rozhodování a rozšířit se po celé organizaci.

Stejný problém se může objevit i v chatbotu. Vynechaná správa může proměnit špatná nebo špatně pochopená data v odpověď, která zní autoritativně, okamžitě a v masovém měřítku.

Důvěra Je Skutečnou Překážkou Přijetí

Když interní chatbot poskytne někomu sebejistou, ale špatnou odpověď, může mu to zničit důvěru. Ve velké organizaci AI také najde data, která byste raději nechtěli, aby našla. Přirovnávám to k špinavým ponožkám pod postelí : tato data mohou být mimo dohled, ale AI je najde a použije.

Kontext musí cestovat spolu s daty a být základem, na který LLM čerpají. Než model AI použije data, lidé musí vědět, co znamenají, odkud pocházejí, kdo je vlastní a jaká obchodní pravidla a zásady je obklopují.

Vedení to může přehlédnout, protože systém zřídka selže. AI může být sebejistě špatná; může například navrhnout lepidlo na pizzu (velmi starý příklad). Představte si chatbot, který poskytne sebejistou, ale chybnou odpověď, a pracovní síla přestane mu důvěřovat. Obnovení této důvěry trvá mnohem déle než nastavení správných kontrol od začátku.

To úpadek se projevuje i v datech. Zaměstnanci ve více než 90 % společností které MIT zkoumalnadále používají soukromé AI nástroje na straně, i když oficiální pilot, který jejich zaměstnavatel vytvořil, nezískal jejich důvěru. Když schválený nástroj nezíská jejich důvěru, zaměstnanci najdou jiný způsob, jak práci vykonat.

Většina výzkumu AI v tomto roce ukazuje na stejný problém : organizace postupují s AI dříve, než provedou práci potřebnou k tomu, aby jejich data byla důvěryhodná. Gartner odhadl, že téměř dvě třetiny organizací buď postrádají správné postupy správy dat pro AI, nebo si nejsou jisti, že je mají. Samostatný výzkum IDCzjistil podobnou mezeru v oblasti důvěry : 78 % organizací tvrdí, že plně důvěřují své AI, ale pouze 40 % skutečně investovalo do správy a vysvětlitelnosti, která by tuto důvěru ospravedlnila.

Nesoulad mezi sebejistotou a investicemi pomáhá vysvětlit, proč tolik AI iniciativ zastaví před dosažením produkce nebo nesplní zamýšlenou hodnotu.

Správa AI Je Nyní Konkurenční Výhodou

Většinu své kariéry byla správa dat jednou z nejméně okouzlujících částí podnikového IT. Katalogizace metadat, definování vlastnictví, profilování dat a řízení pracovních toků mohlo působit jako úklidová práce. Lidé ji často přeskočili, protože úsilí se zdálo být větší než hodnota, kterou přinášela.

AI to změnila. Stává se schopností správy v oblastech, jako je navrhování datových plánů, vytváření průmyslem kurátorských glosářů a doporučování a aktivace datových politik. Dokonce i datová linie může být nyní odvozena a zefektivněna rychleji než dříve, což usnadňuje realizaci hodnoty řízených datových kanálů a pozorovatelnosti.

Regulace také zvyšuje naléhavost transparentnosti dat. EU AI Act se stal široce použitelným 2. srpna 2026, včetně pravidel transparentnosti pro určité systémy a AI‑generovaný obsah. Zákon také stanoví samostatné požadavky pro systémy s vysokým rizikem, včetně dokumentace a informací, které pomáhají nasazovatelům interpretovat jejich výstupy, ačkoli některá ustanovení pro vysoké riziko přicházejí později.

Pro společnosti je praktická lekce jednoduchá : jasná linie a správa usnadňují dokumentaci toho, jaká data byla použita, odkud pocházela a jak má systém fungovat.

Regulační obraz v USA zůstává nevyřešený. Bez komplexního federálního zákona o AI musí společnosti procházet různými státními požadavky, i když Bílý dům usiluje o omezení schopnosti států vytvářet a vymáhat vlastní pravidla AI. Colorado AI Act, nejkomplexnější státní rámec, byl již jednou odložen a přepsán v rámci tohoto boje, přičemž jeho hlavní povinnosti byly posunuty na rok 2027. Pro mnoho amerických firem je lákavé počkat, až se nejistota vyřeší.

Domnívám se, že to je špatný instinkt. Ať už jakýkoli regulační model v USA nakonec uspěje, základní požadavek nezmizí. Vědět, odkud data pocházejí. Vědět, zda je někdo skutečně ověřil, než je AI použila. Rozvíjení této disciplíny nyní pomůže společnostem připravit se na novou regulaci a proměnit slibné AI piloty v nástroje, které podnik může používat s důvěrou.

Co Odděluje 5 %

Povím vám o jednom klientovi. Jejich tým hlavní knihy musel pokaždé, když se v účetnictví objevila nesrovnalost, procházet 300 samostatných tabulek. Tři sta. Někdo nakonec přestavěl celý nepořádek na jeden spravovaný datový majetek, se všemi výpočty, zprávami a podkladovými daty zabalenými dohromady a předem ověřenými. Při dalším výskytu problému trvala oprava jen zlomek úsilí, které to dříve vyžadovalo. Pouze v tomto jednom procesu se ušetřilo přibližně 750 pracovních dnů. To představuje miliony dolarů úspor jen díky úklidu.

Zlepšení vzniklo tím, že správná data byla snadno dostupná a dostatečně spolehlivá k použití bez dalšího zpochybňování. K tomu přispěla spolupráce a opětovné využití. Důvěryhodné datové produkty lze sladit s firemními standardy, časem rozšiřovat a vylepšovat, hodnotit podle důvěry a spravovat pro hodnotu. Tento přístup snižuje potřebu vytvářet stovky či tisíce produktů svázaných s jednotlivými fyzickými databázovými tabulkami.

Silné programy tuto důvěru zpřehledňují. V datových tržištích, se kterými pracuji, mohou být aktiva klasifikována jako zlato, stříbro nebo bronz na základě faktorů jako kvalita, kurátorství, využití a vlastnictví. Obchodní uživatel tak může před použitím vidět, jak spolehlivé je dané aktivum. Tato transparentnost pomáhá lidem přestat hádat a zvyšuje jejich ochotu znovu využívat již existující data.

Číslo 95 % je varováním, jak neformálně mnoho společností přistupuje k datům stojícím za generativní AI. Organizace, které dosahují pokroku, poskytují lidem jasný přehled o tom, odkud data pocházejí, jak byla ověřena a zda jsou vhodná pro daný úkol. Po letech, kdy byla správa dat považována za podkladovou činnost, AI konečně ukazuje její hodnotu.