Mark Fetches, CTO Spinnaker Support – Rozhovorová série

Mark Fetches je Chief Technology Officer pro EMEA ve společnosti Spinnaker Support, kde poradí podnikovým organizacím v oblasti technologické strategie, bezpečnosti, cloudu, umělé inteligence a transformačních iniciativ velkého rozsahu. S více než 30 lety zkušeností v oblasti poradenství a vedení napříč Accenture, Deloitte a PwC spolupracoval Mark úzce s vrcholovými manažery a představenstvy na modernizaci složitých podnikových prostředí a sladění technologických rozhodnutí s dlouhodobými obchodními cíli. Se sídlem ve Spojeném království se specializuje na pomoc organizacím při řešení problémů s legacy technologiemi, operačními riziky a digitální transformací s praktickými, obchodně zaměřenými doporučeními.

Spinnaker Support je vedoucím globálním poskytovatelem third-party software podpory, spravovaných služeb a bezpečnostních poraden pro podniky, které provozují Oracle (ORCL ), SAP, JD Edwards a další kritické platformy.

Máte více než 20 let zkušeností s poradenstvím pro podniky v Accenture, Deloitte a PwC, než jste se stal CTO ve Spinnaker Support. Ohlédněme se za touto cestou, jaké jsou největší mýty, které manažeři měli konzistentně o technologickém riziku, a jak změna umělé inteligence ovlivnila tyto rozhovory?

Dумаю, že největší mýtus vždy byl, že technologické riziko sedí někde na straně podniku a může být spravováno jako specializovaná otázka. Já to nikdy neviděl takto.

Nejzávažnější rizika, která jsem viděl, pocházejí z rozhodnutí vedení. Kolik komplexity snášíte. Jak závislí jste na starých platformách nebo klíčových dodavatelích. Jak tvrdě tlačíte na rychlost. Zda skutečně důvěřujete datům, na kterých podnik běží. Technologie je místo, kde se tyto rozhodnutí projeví, ale obvykle není místem, kde začínají.

Během let jsem viděl mnoho manažerů, kteří se soustředili na zjevné věci, jako je kybernetická bezpečnost, dodržování předpisů a snižování nákladů. Tyto jsou skutečné problémy, samozřejmě. Ale rizika, která obvykle chytají společnosti, jsou často tišší než to. Je to platforma, o které všichni ví, že je křehká, ale neustále odkládají její nahrazení. Je to problém s daty, o kterém nikdo přesně neví. Je to outsourcovaná závislost, která vypadá efektivně, dokud se nestane uzlem. Tyto jsou věci, které mohou zůstat v pozadí po léta a pak náhle se stanou velmi viditelnými, když něco selže.

Také si myslím, že existuje dlouholetý zvyk zaměňovat dodržování předpisů s odolností. Tyto nejsou stejné. Můžete projít auditem a přesto být mnohem více vystaveni, než si myslíte. Kontrolní seznam vám neřekne, jak se podnik bude chovat pod tlakem, jak rychle se zotaví nebo zda manažeři skutečně vidí problém jasně enough, aby mohli jednat.

Co změnila umělá inteligence, je úroveň pozornosti. Tyto rozhovory dříve seděly dále dolů v organizaci. Nyní jsou přímo uprostřed diskusí v představenstvu o růstu, důvěře, produktivitě a značce. To je velmi dobrá věc. Ale také to přineslo novou zjednodušení, které je myšlenka, že model umělé inteligence, který se používá, je riziko. Obvykle je to větší než to. Těžší otázky jsou o datech a správě kolem něj, o rozhodnutích, které ovlivňuje, a o bodě, ve kterém lidské úsudky stále musí mít význam.

Takže pokud bych to měl shrnout, řekl bych, že technologické riziko nikdy nebylo pouze o technologii samotné. Bylo to vždy odrazem úsudku vedení. Umělá inteligence to pouze učinila ještě obtížnějším ignorovat.

Bezpečnostní týmy nyní mají přístup k více informacím o zranitelnostech než kdykoli předtím, ale organizace stále zápasí s prioritizací. Proč si myslíte, že průmysl má problém se signálem a šumem, spíše než problémem s detekcí?

Řekl bych to jednoduše, průmysl není krátký na data o zranitelnostech. Je krátký na jasnosti.

Většina bezpečnostních týmů již má více než dostatek vstupů, výstupů skenerů, zpravodajství o hrozbách, hodnocení závažnosti, doporučeních pro opravu a zprávách o exploataci. Problém není, zda mohou najít slabá místa. Je to, zda mohou oddělit ta, která by mohla skutečně poškodit podnik, od těch, která jsou technicky zajímavá, ale méně závažná.

To je důvod, proč vidím to jako problém se signálem a šumem. Detekce se zlepšila enormně. Co se nezlepšilo, je schopnost aplikovat kontext. Zranitelnost se stává skutečnou prioritou pouze tehdy, když rozumíte, kde sedí, jak je vystavena, jak kritická je tato aktiva a co by byly podnikové dopady, kdyby byla zneužita.

V praxi mnoho organizací stále spoléhá na metriky, které jsou nejsnadněji produkovatelné, jako jsou hodnocení závažnosti, počty oprav a zprávy o stáří. Tyto jsou užitečné, ale nejsou stejné jako lidský úsudek. Vysokohodnotná otázka v nízko-hodnotném interním systému může mít menší význam než nižší hodnocená slabost sedící na něčem zákaznicky orientovaném nebo provozně kritickém.

Takže si nemyslím, že je to fundamentálně problém viditelnosti. Je to problém podnikového prioritizace, který musí být naučen bezpečnostními týmy. Stali jsme se velmi dobrými ve generování zjištění. Jsme však méně konzistentní v překladu těchto zjištění do krátkého seznamu akcí, které vedení může podpořit s důvěrou.

A z mé perspektivy je to skutečný posun, který průmysl stále potřebuje udělat, posun od měření toho, co můžeme detekovat, k rozhodování o tom, co skutečně záleží z hlediska podnikového dopadu.

Na úrovni představenstva je to skutečně otázka překladu rizika, zda může organizace převést technickou expozici na malý počet jasných, akčních podnikových priorit? Ty, které mohou udělat, jsou ty, které se pohybují od šumu k signálu.

Mnozí kybernetičtí dodavatelé tvrdí, že umělá inteligence může automaticky prioritizovat zranitelnosti a předpovídat hrozby. Kde vidíte mezeru mezi marketingovým vyprávěním a tím, co může umělá inteligence realisticky dodat v podnikových prostředích?

Myslím, že nejjednodušší způsob, jak to říci, je, že marketing kolem toho slibuje určitou úroveň jistoty, kterou reálné podnikové prostředí jednoduše nedovoluje.

Dodavatelé často popisují umělou inteligenci tak, jako by mohla vystoupit nad šum, vzít všechno a spolehlivě říci bezpečnostnímu týmu, co je nejdůležitější a co se pravděpodobně stane dále. Je to přesvědčivý prodej, protože každý bezpečnostní manažer chce méně zmatku a více jistoty. Ale jednou jste uvnitř velké organizace, věci jsoueldom čistě.

Umělá inteligence může absolutně pomoci. Může spojit vzory, snížit některé manuální třídění, zvýraznit anomálie a pomoci týmům projít objemy informací, které by jinak byly obtížné zvládnout, a to má skutečnou hodnotu. Ale existuje rozdíl mezi tím, že pomáhá týmu pracovat rychleji, a tím, že skutečně ví, co by mělo být nejdůležitější v tomto konkrétním prostředí.

To je místo, kde se objevuje mezera. Nejedná se o to, zda může umělá inteligence vidět něco. Je to, zda může pochopit dostatek okolního kontextu, aby to správně posoudila. V podnikových prostředích je to stále místo, kde lidská odbornost dělá rozdíl.

Jedním z vašich hlavních argumentů je, že lidská odbornost není úzkým místem, které je třeba odstranit, ale nezbytnou součástí bezpečnostního procesu. Můžete sdílet příklady, kde lidský úsudek identifikoval rizika, která by mohl umělá inteligence s prioritizací pravděpodobně přehlédnout?

Ano, absolutně. A pro mě je to místo, kde se limity automatizované prioritizace stávají velmi zřejmými.

Některá rizika mají smysl pouze tehdy, když znáte prostředí dostatečně, abyste pochopili, co se skrývá za daty. Systém nemusí vypadat zvlášť důležitý zvenčí. Hodnocení zranitelnosti může být neznačné. Ale někdo, kdo zná prostředí, může vědět, že podporuje mzdy, čtvrtletní reporting, křehkou integraci nebo obchodní proces, který společnost prostě nemůže přerušit. Signál v datech může vypadat obyčejný. Skutečný dopad není.

Také jsem viděl případy, kdy kontrolní obraz vypadá lépe v teorii než v praxi. Úmluva o bezpečnostních opatřeních může předpokládat, že riziko je sníženo, protože segmentace je na místě, nebo protože přístup je omezen, nebo protože existuje monitorovací kontrola. Ale osoba blízká prostředí může vědět, že jedna kontrola je nekonzistentně aplikována, druhá je obcházena, když jsou operace pod tlakem, a třetí přestala být spolehlivá. Taková mezera se obvykle neobjeví čistě v systému záznamu.

Stejná věc se stává v přizpůsobených prostředích. Skript, workflow nebo model oprávnění může vypadat rutinně, pokud skenujete vzory v měřítku. Pro někoho, kdo rozumí, jak byl systém upraven over time, stejný detail může okamžitě vyčnívat jako skutečný zdroj expozice.

Čas také záleží. Zranitelnost může vypadat zvládnutelně v izolaci, pak se stane mnohem vážnější, protože podnik je uprostřed migrace, akvizice, regulatorního termínu nebo špičkového provozního období. Takový posun není vždy snadné pro automatizovaný stroj interpretovat s dostatečnou váhou.

Takže když mluvím o lidské odbornosti, nemluvím o instinktu ve nějakém vágním smyslu. Mluvím o místních znalostech. Paměti. Úsudku. Schopnosti vidět, kdy malá technická otázka je připojena k něčemu mnohem závažnějšímu.

To je proč nevidím lidskou odbornost jako úzké místo, které je třeba odstranit. Vidím ji jako část, která brání falešné jistotě. Umělá inteligence může pomoci třídit a zužovat data. Ale rizika, která záleží nejvíce, jsou často ta, která se stávají zřejmými pouze tehdy, když někdo rozumí, jak podnik skutečně funguje.

Jako organizace spěchají k přijetí umělé inteligence napříč bezpečnostními operacemi, jaké jsou největší rizika nadměrné automatizace správy zranitelností a hodnocení expozice?

Největší riziko, které vidím, je, že vytvoříte zdání kontroly bez skutečnosti, že skutečně rozumíte, že jste v kontrolě.

Správa zranitelností je jednou z těch oblastí, kde automatizace je zjevně cenná. V podnikovém měřítku potřebujete automatizaci, abyste našli problémy, zkombinovali data, priorizovali objemy a udržovali celý proces v chodu. Žádná vážná organizace nemůže zvládnout to ručně.

Ale nebezpečí nastává, když automatizace začíná řídit program bez dostatečné lidské kontroly.

První zřejmé riziko je falešná prioritizace. Pokud se příliš spoléháte na automatizované hodnocení, můžete skončit tím, že budete považovat technickou závažnost za stejné, jako podnikové riziko. Není to tak. Kritická zranitelnost na izolovaném nebo kompenzačně řízeném aktivu může mít menší význam v praxi než nižší hodnocená otázka sedící na vysoce vystaveném systému spojeném s kritickým obchodním procesem.

Druhé riziko, které vidím, je ztráta kontextu. Automatizované programy jsou pouze tak dobré, jako jsou data o aktivech, vlastnictví, mapování závislostí a výjimek za nimi. Pokud tato informace je neúplná, a v meisten organizacích některé z nich obvykle jsou, pak automatizace se může stát velmi efektivní při pohybu chybných rozhodnutí skrze systém.

Třetí riziko je behaviorální. Jakmile lidé začnou důvěřovat workflow příliš, přestanou zkoumat jeho výstupy. Týmy předpokládají, že to, co vystoupí na vrchol, musí být to, co záleží nejvíce, a co nestoupí, může počkat. To je pochopitelné, ale věřím, že to je nebezpečné. Protože to mění kulturu z informovaného řízení rizik na pasivní akceptaci strojově vedeného pořadí.

A pak existuje širší strategické riziko, že organizace začínají zaměňovat propustnost s bezpečnostním zlepšením. Uzavření velkého množství zranitelností vypadá operativně dobře. Vytvoří se dashboardy, metriky a pocit hybnosti. Ale pokud nesnižujete expozice, které záleží nejvíce pro podnik, můžete být prostě rychlejší při tom, abyste vypadali zaneprázdněně.

Takže můj názor je, že automatizace by měla absolutně dělat těžkou práci. Ale měla by podporovat úsudek, ne nahrazovat ho. Jinak skončíte s procesem, který je efektivní, měřitelný a škálovatelný, ale nutně bezpečnější.

Pracujete rozsáhle s nasazeními Oracle, SAP a JD Edwards. Co dělá vysoce přizpůsobená ERP prostředí zvláště obtížná pro nástroje zabezpečení poháněné umělou inteligencí, aby je pochopily a vyhodnotily přesně?

Co dělá tato prostředí obtížná, je, že po dostatečném počtu let přestávají se chovat jako standardní software, na který byla umělá inteligence trénována, a začínají se chovat více jako záznam o tom, jak podnik skutečně funguje.

Viděl jsem, že to platí zejména pro vysoce přizpůsobená Oracle, SAP a JD Edwards prostředí. Na papíru můžete stále vypadat jako známá platforma. Ve skutečnosti jste často vypadají jako roky místních adaptací, přizpůsobeného kódu, zděděných integrací, struktur oprávnění, logiky reportingu a pracovních postupů postavených pro velmi specifické provozní důvody. Pro nástroj zabezpečení poháněný umělou inteligencí může být obtížné to číst s dostatečnou jistotou.

Mnohé z těchto nástrojů fungují nejlépe, když je prostředí relativně konzistentní a vzory jsou snazší porovnat. Vysoce přizpůsobená ERP prostředí jsoueldom taková. Logika je více spletená. Dokumentace je často neúplná. Vlastnictví může být rozloženo napříč týmy. Co vypadá neobvykle, může být dokonale záměrné a co vypadá rutinně, může se ukázat jako podporu něčeho skutečně kritického v oblasti financí, dodavatelského řetězce nebo operací.

To je místo, kde je obtížnost. Nástroj není pouze požádán o to, aby našel zranitelnost nebo nesprávnou konfiguraci. Je požádán o to, aby pochopil, co to znamená v kontextu obchodního procesu, přizpůsobené závislosti nebo struktury kontroly, která nemusí existovat nikde jinde.

A to je mnohem těžší problém, než marketing obvykle naznačuje. Umělá inteligence může pomoci povrchově vzory, snížit některé manuální analýzy a pomoci lidem projít objemy informací, které by jinak byly obtížné zvládnout, a to má skutečnou hodnotu. Ale pokud je majetek pouze částečně zdokumentován, tvarován lety výjimek a hluboce spojen s tím, jak společnost funguje, je omezená přesnost, s jakou automatizovaný systém to může sám interpretovat.

Takže skutečný problém není, zda může umělá inteligence vidět něco. Je to, zda může pochopit dostatek okolního kontextu, aby to správně posoudila. Ve vysoce přizpůsobených ERP prostředích je to stále místo, kde lidská odbornost dělá rozdíl.

Jedním z vašich hlavních argumentů je, že lidská odbornost není úzkým místem, které je třeba odstranit, ale nezbytnou součástí bezpečnostního procesu. Můžete sdílet příklady, kde lidský úsudek identifikoval rizika, která by mohl umělá inteligence s prioritizací pravděpodobně přehlédnout?

Ano, absolutně. A pro mě je to místo, kde se limity automatizované prioritizace stávají velmi zřejmými.

Některá rizika mají smysl pouze tehdy, když znáte prostředí dostatečně, abyste pochopili, co se skrývá za daty. Systém nemusí vypadat zvlášť důležitý zvenčí. Hodnocení zranitelnosti může být neznačné. Ale někdo, kdo zná prostředí, může vědět, že podporuje mzdy, čtvrtletní reporting, křehkou integraci nebo obchodní proces, který společnost prostě nemůže přerušit. Signál v datech může vypadat obyčejný. Skutečný dopad není.

Také jsem viděl případy, kdy kontrolní obraz vypadá lépe v teorii než v praxi. Úmluva o bezpečnostních opatřeních může předpokládat, že riziko je sníženo, protože segmentace je na místě, nebo protože přístup je omezen, nebo protože existuje monitorovací kontrola. Ale osoba blízká prostředí může vědět, že jedna kontrola je nekonzistentně aplikována, druhá je obcházena, když jsou operace pod tlakem, a třetí přestala být spolehlivá. Taková mezera se obvykle neobjeví čistě v systému záznamu.

Čas také záleží. Zranitelnost může vypadat zvládnutelně v izolaci, pak se stane mnohem vážnější, protože podnik je uprostřed migrace, akvizice, regulatorního termínu nebo špičkového provozního období. Takový posun není vždy snadné pro automatizovaný stroj interpretovat s dostatečnou váhou.

Takže když mluvím o lidské odbornosti, nemluvím o instinktu ve nějakém vágním smyslu. Mluvím o místních znalostech. Paměti. Úsudku. Schopnosti vidět, kdy malá technická otázka je připojena k něčemu mnohem závažnějšímu.

To je proč nevidím lidskou odbornost jako úzké místo, které je třeba odstranit. Vidím ji jako část, která brání falešné jistotě. Umělá inteligence může pomoci třídit a zužovat data. Ale rizika, která záleží nejvíce, jsou často ta, která se stávají zřejmými pouze tehdy, když někdo rozumí, jak podnik skutečně funguje.

Spinnaker’s přístup kombinuje analýzu poháněnou umělou inteligencí s odbornou validací. Jaké konkrétní úkoly by měla umělá inteligence zpracovat, a které rozhodnutí by měla zůstat pevně v rukou zkušených bezpečnostních odborníků?

Myslím, že dělící čára je vlastně quite straightforward.

Umělá inteligence by měla dělat práci, která profituje z rychlosti, měřítka a konzistence. Projít velké množství dat, spojit signály, najít vzory, označit věci, které vypadají divně, pomoci lidem zužovat pole, tohle je přesně ta práce, pro kterou jsou stroje užitečné. To šetří čas, snižuje manuální úsilí a dává bezpečnostním týmům lepší výchozí bod.

Je také vhodná pro opakující se části práce. První vrstva triáže. Shrnutí zjištění. Připojování podobných otázek. Sledování opakujících se výjimek. Označování, kde určité typy slabostí kontrol stále objevují. Žádné z toho nenahrazuje odbornost, ale dělá z ní lepší využití.

Kde bych byl mnohem opatrnější, je, když se pohybujete od analýzy k rozhodování.

Důležitá rozhodnutí by měla stále sedět s zkušnými bezpečnostními odborníky. Je to skutečně vážné riziko v tomto podniku, nebo to vypadá vážné pouze v abstraktním smyslu? Je to skutečné slabost kontroly nebo je to špinavá, ale pochopitelná výjimka? Pokud to opravíme nyní, co jiného můžeme narušit? Pokud počkáme, co skutečně akceptujeme? To jsou úsudky.

A to je předtím, než se vůbec dostanete k lidské stránce věci. Proč se to stále děje? Je organizace vědomě nesoucí toto riziko, nebo prostě přestala si to všímat? Je to izolovaná otázka nebo znamení něčeho kulturního pod povrchem? Takový typ interpretace stále hodně záleží.

Takže bych nechal umělou inteligenci dělat třídění, shlukování, první průchod, těžkou práci. Ale nechal bych ji rozhodnout, co by podnik měl nejvíce dbát, nebo jaké akce by měly být podniknuty bez lidské kontroly.

Protože jednou, když rozhodnutí má důsledky, buď operativně, finančně nebo reputačně, nejste již pouze zpracováváni informace. Vous děláte úsudek.

A v bezpečnostním průmyslu věřím, že to stále by mělo být osoba s skutečnou inteligencí.

Mnohé organizace stále soustředí pozornost na počty zranitelností a hodnocení závažnosti. Proč si myslíte, že skutečné řízení expozice vyžaduje širší pohled, který zahrnuje kompenzační kontroly, omezení přístupu, architekturu systému a podnikový kontext?

Je to vyžadováno širším pohledem, protože číslo samo o sobě vám neřekne mnoho o tom, jak jste skutečně v problému.

Hodnocení závažnosti má své místo. Počty zranitelností mají své místo. Pomáhají vám velikosti problému. Pomáhají vám organizovat zadlužení. Ale nejsou stejné jako pochopení expozice, a to je místo, kde si myslím, že mnoho organizací stále tohle dělá špatně.

Zranitelnost může vypadat závažná v teorii a přesto být relativně dobře obsažená v praxi. Pokud je přístup k systému omezen, pokud existují jiné kompenzační kontroly kolem něj, pokud sedí v části prostředí, která je obtížně dosažitelná přes omezení přístupu, pak skutečná pravděpodobnost, že tato otázka způsobí škodu, může být quite jiná, než co naznačuje surový skóre.

A pak máte opačný případ, který je často zajímavější. Něco nižšího na seznamu se může ukázat jako mnohem důležitější, protože kde sedí. Dotýká se kritické služby. Je snazší se k němu dostat. Sedí v části systému, kde jedna kompromitace dává vám prostor k pohybu. To je věc, kterou jednoduché hodnocení závažnosti nevysvětlí dobře.

Takže když lidé mluví o řízení expozice, pro mě to musí znamenat více, než pouze třídění zranitelností podle hodnocení a práci dolů po seznamu.

Potřebujete vědět, co sedí kolem otázky. Jaké kontroly jsou již tam. Kdo může k němu dostat. Zda je systém izolován nebo spojen s něčím důležitějším. A co se stane, když je zneužito. To nejsou věci, které můžete zjistit pouze z čísla.

Proto si myslím, že skutečné řízení expozice vyžaduje širší pohled. Musíte vidět celé prostředí, ne pouze číslo, které je připojeno k němu.

Podniková softwarová prostředí vstupují do období významných změn, protože organizace modernizují legacy systémy a současně přijímají technologie umělé inteligence. Ohlédněme se na příštích tři až pět let, jak vidíte vztah mezi umělou inteligencí, kybernetickou bezpečností a podnikovými platformami se vyvíjejícími, a na co by se měli technologičtí lídři připravovat dnes?

Myslím, že příštích pět let bude bastante definující.

Hlavně proto, že společnosti se snaží modernizovat stará podniková prostředí a současně zavádět umělou inteligenci a ani jedna z těchto věcí není snadná sama o sobě. Dělat obě najednou zvyšuje sázky.

Co se změní jako první, myslím, je, že umělá inteligence přestane být postranním experimentem a začne být součástí toho, jak podnik skutečně funguje. Objeví se ve workflow, podpoře, vývoji, bezpečnostních operacích a správě platformy, ne jako novinka, ale jako součást potrubí.

A jednou to nastane, kybernetická konverzace se stane vážnější. Není již pouze otázka, zda je nástroj užitečný. Je otázka, co může dosáhnout, co může ovlivnit, jaká data se k němu dostanou a jaké jsou důsledky, když něco udělá špatně.

Také si myslím, že budeme vidět, jak se bezpečnost a architektura stanou ještě obtížněji oddělitelnými. V mnoha starších prostředích je věc, která vypadá jako bezpečnostní problém, často ve skutečnosti architektonický problém v bezpečnostním kabátě. Slabá identifikační design, příliš mnoho závislostí, nejasné vlastnictví, křehké integrace, špatná viditelnost, to jsou věci, které obvykle leží pod viditelnou otázkou. Umělá inteligence to nevyhladí. Pokud cokoliv, může to problém odhalit rychleji.

Organizace, které tohle zvládnou dobře, budou ty, které přestanou pohlížet na přijetí umělé inteligence, kybernetickou bezpečnost a modernizaci platformy jako na tři samostatné pracovní toky. Tyto jsou stále více stejná konverzace.

Pokud bych radil technologickým lídrům dnes, začal bych s viditelností. Potřebujete mnohem jasnější přehled o tom, co máte, jak to souvisí, kdo má přístup k čemu, kde se pohybují citlivá data a kde jsou vaše skutečné kontrolní body. Bez toho pouze přidání umělé inteligence na vrchol zvyšuje počet věcí, které plně nerozumíte.

Další věcí je governance, ale ne ta předstíraná. Skutečná rozhodnutí. Kde lze použít umělou inteligenci? Kde musí lidská kontrola zůstat na místě? Jak jsou výstupy ověřeny? Jaká data jsou zakázána? Kdo vlastní důsledky, pokud systém povede špatnou akci? Tyto otázky potřebují být zodpovězeny dnes, ne později.

A upřímně, zjednodušení záleží více, než mnoho lidí chce přiznat. Čím více je majetek spletený, tím těžší je zabezpečit, tím těžší je modernizovat a tím těžší je použít umělou inteligenci bez vytváření nové nejistoty.

Pak je tu lidská stránka. Lepší organizace budou ty, které znají, jak kombinovat automatizaci s úsudkem. Nebudou pouze konzumovat výstup umělé inteligence, protože je rychlý nebo vyleštěný. Budou to zpochybňovat. Testovat. Tlačit zpět, když je to potřeba.

Takže ano, příštích pět let bude bastante definující.

A myslím, že lídři, kteří se připraví dobře, budou ti, kteří pochopí, že to není pouze technologický posun. Je to změna v tom, jak se dělají rozhodnutí, jak se vykonává kontrola a jak odolná je jejich organizace. Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Spinnaker Support.