Γιατί το Agentic AI Θα Αποτύχει Χωρίς Αξιόπιστα Δεδομένα Περιουσίας

Το Agentic AI κινείται γρήγορα από τη συζήτηση στην ανάπτυξη σε βιομηχανίες που επικεντρώνονται στις περιουσίες. Σε αντίθεση με το γεννητικό AI, το οποίο συνοψίζει πληροφορίες ή προτείνει συστάσεις, το agentic AI μπορεί να λάβει ένα στόχο, να τον分割σει σε βήματα, να ανακτήσει δεδομένα από πολλαπλά συστήματα και να ενεργήσει. Μπορεί να αναθεωρήσει το ιστορικό συντήρησης, να ελέγξει τις ανοιχτές εργασίες, να συγκρίνει τα προγράμματα των ομάδων και να παράγει μια σύσταση χωρίς να απαιτεί από一个人 να συνδέσει χειροκίνητα κάθε κομμάτι της πληροφορίας.

Αυτή η ικανότητα είναι ακριβώς ο λόγος για τον οποίο τόσο πολλές οργανώσεις κινητοποιούνται γρήγορα για να το υιοθετήσουν. Σύμφωνα με την έρευνα CIO και Τεχνολογικής Εκτελεστικής Επιτροπής του Gartner για το 2026, μόνο το 17% των οργανισμών έχουν αναπτύξει πράκτορες AI, ενώ περισσότερο από το 60% αναμένουν να το κάνουν εντός των επόμενων δύο ετών. Αυτό είναι γρηγορότερο από οποιαδήποτε άλλη αναδυόμενη τεχνολογία που περιλαμβάνεται στην έρευνα.

Στις αναπτύξεις που έχω υποστηρίξει, οι ομάδες έχουν ξοδέψει πολύ χρόνο μεταβαίνοντας μεταξύ συστημάτων, elektronikων φύλλων, σημειώσεων επιθεώρησης και email μόνο για να λάβουν μια seule επιχειρησιακή απόφαση. Το Agentic AI υπόσχεται να μειώσει αυτή τη τριβή, βοηθώντας τους σχεδιαστές να προετοιμάσουν εργασίες πιο γρήγορα και δίνοντας στους τεχνικούς μια πιο σαφή εικόνα του ιστορικού της περιουσίας χωρίς να βασίζονται αποκλειστικά στη μνήμη του ιδρύματος.

Αλλά αυτή η υπόσχεση έρχεται με μια πτώση που είναι εύκολο να παραβλεφθεί στη βιασύνη να αναπτύξουν: από ό,τι έχω δει, το agentic AI είναι λιγότερο ένα πρόβλημα μοντελοποίησης παρά ένα επιχειρησιακό πρόβλημα εμπιστοσύνης.

Στις βιομηχανίες που επικεντρώνονται στις περιουσίες, όπως οι υπηρεσίες, η μεταφορά, η εξόρυξη, οι τηλεπικοινωνίες και η βιομηχανία, ένας πράκτορας AI είναι τόσο καλός όσο τα δεδομένα στα οποία ενεργεί. Αν αυτά τα δεδομένα είναι непλήρη, παλιά ή ασυνεπή, ο πράκτορας δεν αποτυγχάνει απαραίτητα με θόρυβο. Μπορεί να αποτυγχάνει με εμπιστοσύνη, προτείνοντας εργασία στην λάθος περιουσία, χάνοντας μια εξάρτηση, υποτιμώντας τον κίνδυνο ή λανθανόμενη σε σχέση με το τι πρέπει να προτεραιοποιηθεί.

Δώστε στον πράκτορα κακά δεδομένα, και δεν θα κλιμακωθεί η νοημοσύνη. Θα κλιμακωθεί ο επιχειρησιακός κίνδυνος.

Τα Ίδια Παλιά Προβλήματα Δεδομένων, σε μια Νέα Ταχύτητα

Τα προβλήματα ποιότητας δεδομένων που το agentic AI αποκαλύπτει δεν είναι νέα. Σε περισσότερα από 17 χρόνια εργασίας σε συστήματα και αναπτύξεις διαχείρισης περιουσιακών στοιχείων, έχω δει τα ίδια προβλήματα να εμφανίζονται επανειλημμένα: διπλότυπα εγγραφές, λείπουν σχέσεις περιουσιακών στοιχείων, ασυνεπείς συμβάσεις ονοματοδοσίας, παλιές κρίσιμες βαθμολογίες και κακή κωδικοποίηση αποτυχίας για χρόνια.

Αυτό που έχει αλλάξει δεν είναι η φύση αυτών των προβλημάτων, αλλά η δυνατότητά τους να επηρεάσουν.

Ένας έμπειρος τεχνικός μπορεί να πιάσει μια κακή εγγραφή πριν ενεργήσει, βασίζοντας την εμπειρία του σε χρόνια ιδρυματικής γνώσης που δεν καταγράφηκε ποτέ στο σύστημα. Ένας πράκτορας AI δεν έχει αυτή την ένστικτο. Μπορεί να επεξεργαστεί χιλιάδες εγγραφές πολύ γρήγορα από ό,τι ένας άνθρωπος θα μπορούσε να τις αναθεωρήσει χειροκίνητα, εφαρμόζοντας την ίδια ελαττωματική υπόθεση σε κλίμακα πριν κανείς το παρατηρήσει.

Το ευρύτερο πρόβλημα της επιχειρηματικής υλοποίησης είναι ήδη ορατό. Μια προκαταρκτική έρευνα του MIT Project NANDA βρήκε ότι το 95% των οργανισμών που μελετήθηκαν δεν είχαν επιτύχει μετρήσιμο επηρεασμό κέρδους και ζημιάς από τις πρωτοβουλίες γεννητικού AI. Η έρευνα απέδωσε το χάσμα κυρίως σε κενά μάθησης και ολοκλήρωσης, συμπεριλαμβανομένων εργαλείων που δεν διατηρούσαν το контекστ ή προσαρμόζονταν αποτελεσματικά στις υφιστάμενες ροές εργασίας. Σε επιχειρησιακές λειτουργίες όπου μια κακή σύσταση μπορεί να επηρεάσει φυσικό εξοπλισμό και όχι μόνο einen πίνακα, αυτό το χάσμα μεταξύ φιλοδοξίας AI και πραγματικότητας δεδομένων είναι ακόμη πιο σημαντικό.

Πού τα Κακά Δεδομένα Γίνονται μια Ασφαλής Απόφαση

Σε επιχειρησιακούς χώρους, αυτές οι συνέπειες γίνονται φυσικές.

Πάρτε την προτεραιότητα συντήρησης. Αν ένας πράκτορας δεν μπορεί να δει μια πρόσφατη αποτυχία, μια καθυστερημένη εργασία, ή μια αλλαγή στην κατάσταση της περιουσίας, μπορεί να ανατεθεί η λάθος προτεραιότητα. Αυτό μπορεί να δημιουργήσει άσκοπη εργασία σε μια περιοχή ενώ επιτρέπει μια μεγαλύτερη απειλή να παραμείνει ανεπίλυτη αλλού.

Τα στοιχήματα αυξάνονται περαιτέρω όταν οι σχέσεις περιουσιακών στοιχείων είναι λανθασμένες. Αυτή είναι η περίπτωση που σηκώνει μια κόκκινη σημαία. Αν ένα σύστημα δεν αντανακλά ακριβώς ποια περιουσιακά στοιχεία είναι συνδεδεμένα, ποιο εξοπλισμό πρέπει να απομονωθεί πριν αρχίσει η εργασία, ή ποια περιορισμοί ισχύουν σε μια συγκεκριμένη τοποθεσία, οι συστάσεις του μπορούν να γίνουν πραγματικά ασφαλείς.

Γι’ αυτό οι οργανισμοί πρέπει να σκεφτούν προσεκτικά πριν δώσουν στο agentic AI πλήρη αυτονομία στις κρίσιμες αποφάσεις. Το εθελοντικό πλαίσιο διαχείρισης κινδύνου AI του NIST προσφέρει μια δομή για την ενσωμάτωση της αξιοπιστίας σε όλη τη διάρκεια ζωής του συστήματος AI και όχι μόνο μετά την ανάπτυξή του. Το AI μπορεί να συλλέξει πληροφορίες γρήγορα, να επιφανεί επιλογές και να συνοψίσει τις ενδείξεις πίσω από μια σύσταση. Ωστόσο, όταν η ασφάλεια, η συμμόρφωση ή η αξιοπιστία της υπηρεσίας είναι στο επίκεντρο, οι άνθρωποι πρέπει να παραμείνουν εμπλεκόμενοι.

Αρχικά, ο στόχος πρέπει να είναι το AI που υποστηρίζει τις αποφάσεις, όχι το AI που τις λαμβάνει μόνο του.

Γιατί η Διαχείριση Περιουσιακών Στοιχείων είναι η Βάση, Όχι το Πίσω Γραφείο

Η διαχείριση περιουσιακών στοιχείων, ή EAM, είναι όπου η επιχειρησιακή πραγματικότητα οργανώνεται. Είναι όπου οι εργασίες, οι στρατηγικές συντήρησης, οι επιθεωρήσεις, οι έγκρισεις, οι σχέσεις περιουσιακών στοιχείων και οι ιστορίες εξοπλισμού καταγράφονται και διαχειρίζονται.

Μια ισχυρή βάση EAM δίνει στον πράκτορα AI αξιόπιστα επιχειρησιακά δεδομένα για να εργαστεί. Μια αδύναμη βάση είναι πιθανό να εκτεθεί σχεδόν αμέσως. Μια ανάλυση του EY για τα συστήματα διαχείρισης περιουσιακών στοιχείων με AI τονίζει επίσης τον ρόλο των δεδομένων σε πραγματικό χρόνο και της ανάλυσης στην κίνηση των οργανισμών από τη αντιδραστική στη προληπτική συντήρηση.

Αντί να αντιμετωπίζουν την EAM ως σύστημα πίσω γραφείου, οι οργανισμοί που προετοιμάζονται για το agentic AI πρέπει να την αντιμετωπίσουν ως μέρος του επιχειρησιακού ελέγχου. Διαμορφώνει τι ο πράκτορας AI μπορεί να προσεγγίσει, ποίες διαδικασίες πρέπει να ακολουθήσει, ποια στοιχεία βασίζεται και πού απαιτείται ακόμη η έγκριση των ανθρώπων.

Η EAM βοηθά επίσης να παρέχει το контекστ πίσω από μια επιχειρησιακή απόφαση. Μια σύσταση συντήρησης δεν πρέπει να βασίζεται μόνο στην κατάσταση ενός ατομικού περιουσιακού στοιχείου. Μπορεί επίσης να εξαρτάται από την κρίσιμη κατάσταση, τις πρόσφατες αποτυχίες, τα συνδεδεμένα περιουσιακά στοιχεία, τα διαθέσιμα μέρη, τις διαδικασίες ασφαλείας, τη διαθεσιμότητα της ομάδας και την επίδραση που θα είχε η διακοπή λειτουργίας στην ευρύτερη λειτουργία.

Χωρίς αυτό το контекστ, ακόμη και ένας τεχνικά εξειδικευμένος πράκτορας AI μπορεί να προτείνει την λάθος πορεία δράσης.

Είναι τα Δεδομένα σας Πραγματικά “Έτοιμα για AI”;

Αντί να ξεκινήσετε μια ευρεία και αφηρημένη ανασκόπηση ποιότητας δεδομένων, οι οργανισμοί εξυπηρετούνται καλύτερα ξεκινώντας από μια συγκεκριμένη περίπτωση χρήσης, όπως η συντήρηση με τη βοήθεια του AI, και ζητώντας στοχευμένες ερωτήσεις.

Αυτές είναι οι ερωτήσεις που ζητώ πρώτα: Μπορούμε να εμπιστευθούμε την ιεραρχία περιουσιακών στοιχείων; Είναι η ιστορία αποτυχίας αξιόπιστη; Είναι τα σχέδια εργασίας τρέχοντα; Είναι η διαθεσιμότητα της ομάδας ακριβής; Είναι τα σχέδια ασφαλείας ενημερωμένα;

Τα δεδομένα δεν χρειάζεται να είναι τέλεια. Λίγοι οργανισμοί θα έχουν ποτέ τέλεια επιχειρησιακά δεδομένα. Χρειάζεται να είναι ακριβή, τρέχοντα και καλά διαχειριζόμενα đủ για να υποστηρίξουν πραγματικά τους ανθρώπους που λαμβάνουν αποφάσεις.

Αυτή η προσέγγιση κάνει επίσης τη βελτίωση των δεδομένων πιο διαχειρίσιμη. Αντί να προσπαθούν να καθαρίσουν κάθε εγγραφή σε όλη την οργάνωση, οι ομάδες μπορούν να επικεντρωθούν στις πληροφορίες που επηρεάζουν直接 την επιλεγμένη περίπτωση χρήσης.

Οι κίνδυνοι να το κάνουν λάθος δεν είναι ισοκατανεμημένοι. Οι βιομηχανίες όπου οι ψηφιακές αποφάσεις επηρεάζουν τις φυσικές λειτουργίες φέρουν την μεγαλύτερη έκθεση, και γι’ αυτό το NIST αναπτύσσει ένα αφιερωμένο προφίλ διαχείρισης κινδύνου AI για να οδηγήσει τους χειριστές κρίσιμης υποδομής που χρησιμοποιούν δυνατότητες με AI. Σε μια διαδικασία χαμηλότερου κινδύνου, μια κακή σύσταση AI μπορεί να προκαλέσει ανακολουθία ή επιπλέον εργασία. Σε ένα δίκτυο ηλεκτρικής ενέργειας, σύστημα νερού, ορυχείο, δίκτυο μεταφοράς ή τηλεπικοινωνιών, μπορεί να επηρεάσει την ασφάλεια, να προκαλέσει διακοπή λειτουργίας, να δημιουργήσει προβλήματα συμμόρφωσης ή να διαταράξει την υπηρεσία.

Αυτό δεν σημαίνει ότι αυτές οι βιομηχανίες πρέπει να αποφύγουν το agentic AI. Σημαίνει ότι πρέπει να είναι πιο προσεκτικοί σχετικά με την ποιότητα δεδομένων, τη διακυβέρνηση και την εποπτεία των ανθρώπων πριν αυξήσουν τις ευθύνες του.

Μια Πρακτική Οδός για το Agentic AI

Μια πρακτική οδός υλοποίησης ξεκινά από μια συγκεκριμένη περίπτωση χρήσης όπου το AI μπορεί να προσθέσει αξία χωρίς να εισαγάγει υπερβολικό κίνδυνο.

Από εκεί, η οργάνωση πρέπει να χαρτογραφήσει τα δεδομένα που η περίπτωση χρήσης εξαρτάται από αυτά και να αξιολογήσει ειλικρινά αν αυτή η πληροφορία μπορεί να εμπιστευθεί. Οι ομάδες πρέπει να διορθώσουν τα πιο κρίσιμα δεδομένα περιουσιακών στοιχείων, να ανατεθούν σαφείς ιδιοκτήτες και να τυποποιήσουν τον τρόπο με τον οποίο η εργασία, οι αποτυχίες και οι αλλαγές λειτουργίας καταγράφονται.

Το AI πρέπει να λειτουργεί εντός των υφιστάμενων διαδικασιών διακυβέρνησης αντί να λειτουργεί γύρω από αυτές. Στα πρώιμα στάδια, ο πράκτορας μπορεί να υποστηρίξει τους σχεδιαστές, τις ομάδες αξιοπιστίας και τους τεχνικούς συλλέγοντας πληροφορίες, αναγνωρίζοντας μοτίβα και προτείνοντας πιθανές ενέργειες.

Αυτό δίνει στην οργάνωση χρόνο να συγκρίνει τις συστάσεις του πράκτορα με τα πραγματικά αποτελέσματα, να αναγνωρίσει τα κενά δεδομένων και να επιβεβαιώσει ότι οι απαραίτητες ελέγχοι λειτουργούν.

Μόνο μετά την κατανόηση των αποτελεσμάτων, η οργάνωση πρέπει να σκεφτεί να δώσει στο AI μεγαλύτερη ευθύνη. Η αυτονομία πρέπει να αυξάνεται σταδιακά και μόνο όταν οι συνδεδεμένοι κίνδυνοι είναι σαφείς, ελεγχόμενοι και ελέγξιμοι.

Μια επιτυχημένη στρατηγική agentic AI συνδέει το AI με αξιόπιστα δεδομένα περιουσιακών στοιχείων και ισχυρές ροές εργασίας EAM, υποστηριζόμενη από σαφή διακυβέρνηση και ανθρώπινη ευθύνη. Η αναφορά του Deloitte για την κατάσταση του AI στην επιχείρηση φτάνει στο ίδιο συμπέρασμα από την κορυφή προς τα κάτω, περιγράφοντας μια ενιαία, αξιόπιστη βάση δεδομένων ως απαραίτητη για την κλιμάκωση του AI. Οι οργανισμοί παραμένουν υπεύθυνοι για τις ενέργειες που προτείνει ή λαμβάνει το AI. Αυτή η ευθύνη δεν εξαφανίζεται απλά και μόνο因为 μια απόφαση γεννήθηκε από einen αλγόριθμο.

Το Agentic AI πρέπει να κερδίσει τον δρόμο του στις επιχειρήσεις, όχι να του δοθεί. Ξεκινήστε στενά, ελέγξτε τις συστάσεις του ενάντια σε αυτά που πραγματικά συμβαίνουν, διορθώστε τα κενά δεδομένων που εμφανίζονται και επεκτείνετε τον ρόλο του μόνο όταν τα στοιχεία το δικαιολογούν. Προτιμώ να δω έναν πράκτορα να κερδίζει μια μικρή ποσότητα εμπιστοσύνης και να την διατηρεί παρά να του δοθεί eine μεγάλη ποσότητα και να την χάσει. Σε βιομηχανίες που επικεντρώνονται στις περιουσίες, αυτή η υπομονή είναι η διαφορά μεταξύ του AI που κερδίζει εμπιστοσύνη και του AI που χάνει σιωπηλά.