Miksi Agentic AI epäonnistuu ilman luotettavaa laitekohtaisia tietoja

Agentic AI on nopeasti siirtymässä keskustelusta käyttöön laitevoimaisissa teollisuusaloissa. Toisin kuin generatiivinen tekoäly, joka tiivistää tietoa tai laatii suosituksia, agentic AI voi ottaa tavoitteen, jakaa sen askeliin, hakea tietoja useista järjestelmistä ja toimia niiden mukaan. Se voi tarkastella huoltohistoriaa, tarkastaa avoimia työtilauksia, vertailla miehitystilannekuvia ja luoda suosituksen ilman, että henkilön tarvitsee manuaalisesti yhdistää jokaista tietoa.

Tämä kyky on juuri se, miksi niin moni organisaatio on nopeasti omaksuvia sitä. Gartnerin 2026 CIO- ja teknologiajohtajien tutkimuksen mukaan vain 17 %:lla organisaatioista on käytössä tekoälyagentteja, kun taas yli 60 % odottaa ottavansa ne käyttöön seuraavan kahden vuoden aikana. Tämä on nopeampaa kuin minkään muun tutkimuksessa käsitellyn uuden teknologian osalla.

Niissä käyttöönotoissa, joissa olen ollut mukana, tiimit ovat viettäneet liian paljon aikaa siirtymällä järjestelmien, taulukoiden, tarkastusmuistiinpanojen ja sähköpostien välillä vain yhden operatiivisen päätöksen tekemiseksi. Agentic AI lupailee vähentää tätä kitkaa, auttaa suunnittelijoita valmistelemaan työt nopeammin ja antaa tekniikoille selkeämmän kuvan laitehistoriasta ilman, että he joutuvat turvautumaan pelkästään instituutioon perustuvaan muistiin.

Mutta tämä lupa tulee helposti yliajettavaksi kiireessä ottaa käyttöön: mitä olen nähnyt, agentic AI on vähemmän mallintamisongelma kuin operatiivinen luottamuskysymys.

Laitteisto- ja palvelualoilla, kuten sähköyhtiöillä, liikenne- ja kaivosteollisuudessa, tietoliikenne- ja valmistusteollisuudessa, tekoälyagentti on vain yhtä hyvä kuin se data, jota se käyttää. Jos data on epätäydellistä, vanhentunutta tai epäjohdonmukaista, agentti ei välttämättä epäonnistu melkoisesti. Se voi epäonnistua luottavaisesti, suosittelemalla työtä väärälle laitteelle, laiminlyömällä riippuvuuden, aliarvioimalla riskiä tai väärin arvioimalla, mitä pitäisi priorisoida.

Syötä agentille huono data, ja se ei skaalaa älykkyyttä. Se skaalaa operatiivista riskiä.

Sama vanha data-ongelma, uudella nopeudella

Datatietojen laatuongelmat, joita agentic AI paljastaa, eivät ole uusia. Yli 17 vuoden ajan työskennellessäni järjestelmissä ja laitehallinnon käyttöönotoissa olen nähnyt samat ongelmat toistuvasti: duplikaatit, puuttuvat laite-suhteet, epäjohdonmukaiset nimeämiskäytännöt, vanhentuneet kriittisyysarviot ja heikko virhetunnistus vuosien ajan.

Mitä on muuttunut, ei ole ongelmien luonne, vaan niiden potentiaalinen ulottuvuus.

Kokenut tekniikko voi havaita huonon tiedon ennen toimimista, turvautumalla vuosien instituutioon tallentuneeseen tietoon, jota ei koskaan tallennettu järjestelmään. Tekoälyagentti ei voi tehdä samaa. Se voi prosessoida tuhansia tietoja paljon nopeammin kuin ihminen voi tarkastaa niitä manuaalisesti, soveltamalla samaa virheellistä oletusta laajasti ennen kuin kukaan huomaa.

Laajempi yritysjohtamisen ongelma on jo näkyvissä. Gartnerin 2025 tutkimuksen mukaan 95 %:lla tutkituista organisaatioista ei ollut saavutettu mitattavaa voittoa ja tappiota generatiivisen tekoälyn aloitteista. Tutkimus oli pääosin oppimis- ja integraatiokuilun aiheuttamaa, mukaan lukien työkalut, jotka eivät säilyttäneet kontekstia tai sopeutuneet tehokkaasti olemassa oleviin työnkulkuihin. Laitteisto- ja palveluoperaatioissa, joissa huono suositus voi vaikuttaa fyysiseen laitteistoon eikä vain kojussa, tuo tekoälyn tavoitteiden ja todellisen datatodellisuuden välinen kuilu on vielä merkittävämpi.

Mistä paha data voi johtaa vaaralliseen päätökseen

Toiminnallisissa ympäristöissä nämä seuraukset muuttuvat fyysisiksi.

Ota esimerkiksi huoltokorjaus. Jos agentti ei voi nähdä viimeaikaista virhettä, viivästynyttä työtilausta tai laitteen kunnon muutosta, se voi antaa väärän prioriteetin. Tämä voi luoda tarpeetonta työtä yhdessä alueessa samalla, kun se sallii merkittävämmän riskin pysyä ratkaisemattomana toisaalla.

Panokset nousevat edelleen, kun laitesuhteet itsessään ovat virheellisiä. Tämä on skenaario, joka nostaa punaisen lipun. Jos järjestelmä ei tarkasti heijasta, mitkä laitteet ovat kytketty, mitä laitteita on eristettävä ennen työn aloittamista tai mitä rajoituksia sovelletaan tiettyyn sijaintiin, sen suositukset voivat muuttua todella vaarallisiksi.

Tämän vuoksi organisaatioiden tulisi miettiä huolellisesti ennen kuin antavat agentic AI:lle täydellisen autonomian kriittisten päätösten tekemiseen. NISTin vapaaehtoinen tekoälyn riskienhallintakehys tarjoaa rakenteen luotettavuuden sisällyttämiseksi tekoälyjärjestelmän elinkaareen sen sijaan, että se hoidettaisiin vasta käyttöönoton jälkeen. Tekoäly voi kerätä tietoa nopeasti, tuoda esiin vaihtoehtoja ja tiivistää näytön, joka tukee suositusta. Kuitenkin, kun on kyse turvallisuudesta, vaatimuksesta tai palvelun luotettavuudesta, ihmisten on osallistuttava.

Ainakin aluksi tavoitteena tulisi olla tekoäly, joka tukee päätöksiä, ei tekoäly, joka tekee ne yksin.

Miksi laitehallinto on perusta, eikä taustatoiminto

Laitteiden hallinta eli EAM on se, missä toiminnallinen todellisuus järjestetään. Se on siellä, missä työtilaukset, huoltoratkaisut, tarkastukset, hyväksynnät, laitesuhteet ja laitteiden historiat tallennetaan ja hallitaan.

Vankka EAM-perusta antaa tekoälyagentille luotettavan operatiivisen datan työskentelyyn. Heikko perusta on todennäköisesti altis paljastumiselle melkein välittömästi. EY:n analyysi tekoälykäytössä olevista laitehallintajärjestelmistä korostaa myös reaaliaikaisen datan ja analytiikan roolia siirtymässä reaktiivisesta ylläpidosta proaktiiviseen ylläpitoon.

Sen sijaan, että laitehallintaa kohdellaan taustajärjestelmänä, organisaatioiden, jotka valmistautuvat agentic AI:hin, tulisi kohdella sitä osana operatiivista ohjauskerrosta. Se muotoilee, mitä tekoäly voi käyttää, mille prosesseille se on sitoutunut, mihin todisteisiin se turvautuu ja missä ihmisten hyväksyntä edellytetään edelleen.

Laitteiden hallinta auttaa myös tarjoamaan kontekstin operatiivisen päätöksen taustalla. Huoltosuositus ei tulisi perustua ainoastaan yksittäisen laitteen kuntoon. Se voi myös riippua laitteen kriittisyysluokasta, viimeaikaisista virheistä, kytkettyjen laitteiden määrästä, saatavilla olevista osista, turvallisuusmenettelyistä, miehitystilanteista ja siitä, miten pysähdys vaikuttaa laajempaan operaatioon.

Ilman tätä kontekstia jopa teknisesti kehittynyt tekoälyagentti voi suositella väärää toimintaa.

Onko datasi todella “tekoälyvalmis”?

Sen sijaan, että laajaa ja abstraktia datanlaatutarkastelua tehtäisiin, organisaatiot ovat paremmassa asemassa aloittamaan tietyn käyttötapausten, kuten tekoälyavusteisen huoltosuunnittelun, kanssa ja esittämällä kohdennettuja kysymyksiä.

Nämä ovat kysymykset, joita kysyn ensin: Voidaanko laitehierarkiaan luottaa? Onko virhelista luotettava? Onko työsuunnitelmat ajantasaisia? Onko miehitystilanne oikea? Onko turvallisuussuunnitelmat ajan tasalla?

Datalla ei tarvitse olla täydellistä. Harvat organisaatiot tulevat koskaan olemaan täydellisiä operatiivisia tietoja. Se tarvitsee olla tarkkaa, ajantasalla ja hyvin hallittua riittävästi, jotta tekoäly voi todella tukea ihmisiä, jotka tekevät päätöksiä.

Tämä lähestymistapa tekee myös datan parantamisesta hallitumpaa. Sen sijaan, että pyritään puhdistamaan jokainen tietue koko organisaatiossa, tiimit voivat keskittyä tietoihin, jotka vaikuttavat suoraan valittuun käyttötapausteen.

Väärän datan riskit eivät ole tasaisesti jakautuneita. Alan, joissa digitaaliset päätökset vaikuttavat fyysiseen toimintaan, kantavat suurimman altistumisen, miksi NIST kehittää omistajalle omistettua tekoälyn riskienhallintakehystä ohjaamaan kriittisten infrastruktuurien toimijoita, jotka käyttävät tekoälyominaisuuksia. Matalan riskin prosessissa huono tekoälysuositus voi aiheuttaa vain haittaa tai lisätöitä. Sähköverkossa, vesijärjestelmässä, kaivoksessa, liikenneverkossa tai tietoliikenne-ympäristössä se voi vaikuttaa turvallisuuteen, aiheuttaa keskeytyksiä, luoda vaatimuksetta ongelmia tai keskeyttää palvelun.

Tämä ei tarkoita, että nämä alan tulisi välttää agentic AI:ta. Se tarkoittaa, että heidän on oltava tarkemmin datan laadusta, hallinnosta ja ihmisten valvonnasta ennen kuin he lisäävät sen vastuuta.

Käytännöllinen polku agentic AI:hin

Käytännöllinen toteutuspolku alkaa tietyn käyttötapausteen, jossa tekoäly voi lisätä arvoa ilman, että se aiheuttaa liian suurta riskiä.

Siitä alkaen organisaation tulisi kartoittaa dataa, josta käyttötapausta riippuu, ja arvioida rehellisesti, voidaanko tietoa luottaa. Tiimien tulisi korjata kriittisimmät laitekohtaiset tiedot, määritellä selkeät omistajat ja vakiinnuttaa, miten työt, virheet ja operatiiviset muutokset tallennetaan.

Tekoäly tulisi toimia olemassa olevien hallintoprosessien mukaisesti sen sijaan, että se toimisi niiden ympärillä. Alkuvaiheessa agentti voi tukea suunnittelijoita, luotettavuustiimejä ja tekniikoita keräämällä tietoa, tunnistamalla kuvioita ja suosittelemalla mahdollisia toimia.

Tämä antaa organisaatiolle aikaa verrata agentin suosituksia todellisiin tuloksiin, tunnistaa datan aukot ja vahvistaa, että tarvittavat valvontamekanismit toimivat.

Vasta kun tulokset ovat ymmärretty, organisaation tulisi harkita antamista tekoälylle suurempaa vastuuta. Autonomia tulisi lisätä asteittain ja vain silloin, kun liittyvät riskit ovat selkeät, hallittavissa ja auditointikelpoisia.

Onnistunut agentic AI -strategia yhdistää tekoälyn luotettaviin laitekohtaisiin tietoihin ja vahvoihin EAM-työnkulkuihin, joita tukevat selkeä hallinto ja ihmisten vastuu. Deloitten 2026 raportti tekoälystä yrityksissä tulee samaan johtopäätökseen ylhäältä alas, kuvaamalla yhtenäisen, luotettavan dataperustan olennaiseksi tekoälyn skaalauttamiseksi. Organisaatiot ovat edelleen vastuussa tekoälyn suosittelemista tai toteuttamista päätöksistä. Tämä vastuu ei katoa yksinkertaisesti, koska päätös on tehty algoritmilla.

Agentic AI tulisi ansaita tiensä operaatioihin, ei saada niitä hänelle. Aloita kapeasti, vertaa sen suosituksia siihen, mitä todella tapahtuu, korjaa datan aukot, jotka tulevat näkyviin, ja laajenna sen roolia vain silloin, kun näyttö perustelee sitä. Miielteeni on, että agentin tulisi ansaita pieni määrä luottamusta ja pitää se, sen sijaan, että se saisi suuren määrän ja menettäisi sen. Laitteisto- ja palveluoperaatioissa tuo kärsivällisyys on ero tekoälyllä, joka ansaitsee luottamuksen, ja tekoälyllä, joka menettää sen hiljalleen.