Liderzy opinii

Zarządzanie AI w przedsiębiorstwach zaczyna się od infrastruktury baz danych

Phillip Merrick
Dodaj Unite.AI do preferowanych źródeł w Google
Kluczowe punkty% przedsiębiorczych pilotaży AI kończy się niepowodzeniem, ponieważ zarządzanie nie…
Zobacz więcej
  • % przedsiębiorczych pilotaży AI kończy się niepowodzeniem, ponieważ zarządzanie nie jest osadzone na poziomie danych.
  • Autonomiczne agenty wymagają kontroli na poziomie danych, ponieważ niezarządzane zapisy mogą kaskadowo rozprzestrzeniać się w systemach.
  • Zarządzanie skoncentrowane na infrastrukturze na poziomie bazy danych zamyka lukę między pilotażem a produkcją.

Przedsiębiorstwa eksperymentują z AI szybciej niż kiedykolwiek, lecz droga do produkcji pozostaje uporczywie powolna. Zespoły uruchamiają pilotaże, testują modele i pokazują obiecujące wyniki w ciągu tygodni, a czasem dni. Gdy jednak przychodzi do wdrożenia systemów na dużą skalę, postęp często zamiera. Pojawiają się obawy o bezpieczeństwo, zaostrzają się wymagania dotyczące zgodności, a pytań o zarządzanie i nadzór przybywa. 

Raport MIT The GenAI Divide: State of AI in Business 2025 wykazał, że 95% pilotażowych projektów AI w przedsiębiorstwach nie przynosi mierzalnych efektów biznesowych. Tylko 5% trafia do produkcji i zapewnia rzeczywiste korzyści finansowe. Badanie objęło ponad 300 wdrożeń AI oraz 150 wywiadów z kadrą kierowniczą. Wniosek był taki, że główną przeszkodą nie są możliwości modeli, lecz wadliwa integracja z systemami przedsiębiorstwa. Większość organizacji traktuje to jako problem zasad, który należy rozwiązać na poziomie zarządu. Moim zdaniem zarządzanie AI jest wyzwaniem systemowym i zaczyna się w warstwie danych.

Dlaczego projekty AI zatrzymują się na etapie pilotażu

Wiele inicjatyw AI ponosi porażkę, ponieważ środowiska służące do tworzenia prototypów zasadniczo nie odpowiadają realiom wdrożenia w przedsiębiorstwie. Programistów zachęca się do szybkiego działania z wykorzystaniem elastycznych narzędzi, luźno zarządzanych zbiorów danych i samoobsługowej infrastruktury, aby jak najszybciej wykazać wartość. To idealne warunki do eksperymentów, ale nie można ich po prostu przenieść do produkcji, gdzie potrzebne są audytowalność, ścisła kontrola dostępu, zgodność z przepisami i odporność operacyjna.

W rezultacie zasady zarządzania i nadzoru często wprowadza się dopiero po udanym sprawdzeniu koncepcji. Wtedy warstwa, która miała umożliwiać działanie, staje się ograniczeniem. Zespoły muszą później dostosowywać modele bezpieczeństwa, przeprojektowywać przepływy danych i zmieniać założenia dotyczące zgodności, które powinny stanowić podstawę od samego początku.

Tak powstaje coraz większa luka między tym, co systemy AI potrafią pokazać w kontrolowanych środowiskach, a tym, co przedsiębiorstwa mogą bezpiecznie i niezawodnie wdrożyć w produkcji.

Jednocześnie współczesny zestaw technologii AI rozwijał się z naciskiem na szybkość i dostępność, często kosztem kontroli. Platformy przyjazne programistom ułatwiają pilotaże, ale mogą zacierać obraz tego, gdzie znajdują się dane, jak są wykorzystywane i kto ma do nich dostęp. 

Powoduje to rzeczywiste ryzyka operacyjne i regulacyjne: niezamierzone ujawnienie danych, niejasne granice danych między środowiskami oraz niewystarczającą audytowalność zachowania systemu. Problemy te ujawniają się bezpośrednio w przeglądach gotowości produkcyjnej i ocenach zgodności. Badania przedsiębiorstw konsekwentnie pokazują, że problemy z jakością danych i zarządzaniem należą do głównych przyczyn niepowodzeń projektów AI i są wymieniane w 60–70% przypadków. Sytuację pogarsza rosnąca zależność od infrastruktury zewnętrznej oraz zarządzanych usług baz danych. Może ona jeszcze bardziej rozproszyć własność danych i utrudnić spełnianie wymogów regulacyjnych. Organizacje często zakładają, że platformy same zapewniają odpowiedni nadzór, choć w rzeczywistości odpowiedzialność jest podzielona między wiele warstw technologicznych.

Powstaje paradoks: narzędzia przyspieszające eksperymenty z AI często są tymi samymi, które utrudniają przejście do produkcji.

Baza danych jako właściwa warstwa zarządzania i nadzoru

Aby usunąć ten rozdźwięk, trzeba ponownie przemyśleć, gdzie zarządzanie i nadzór rzeczywiście się odbywają.

Zarządzanie często przedstawia się jako funkcję ustanawiania zasad, definiowanych przez zespoły prawne, specjalistów ds. zgodności lub kierownictwo i egzekwowanych za pomocą dokumentacji oraz procedur przeglądu. Mechanizmy te są niezbędne, ale same nie wystarczą. Zarządzanie nabiera znaczenia dopiero wtedy, gdy jest egzekwowane na poziomie systemu.

W praktyce dzieje się to tam, gdzie dane są przechowywane, udostępniane i przekształcane. Dlatego baza danych i otaczająca ją infrastruktura tworzą najważniejszą warstwę zarządzania w zestawie technologii AI.

Nowoczesne bazy danych nie są biernymi repozytoriami. Określają uprawnienia dostępu, egzekwują wymagania dotyczące geograficznego położenia danych, zarządzają szyfrowaniem i kontrolą kluczy oraz tworzą dzienniki audytowe potrzebne do zapewnienia zgodności i nadzoru bezpieczeństwa. Coraz częściej są także punktem kontroli, przez który systemy AI współpracują z danymi przedsiębiorstwa.

To ważne, ponieważ systemy AI dziedziczą poziom zarządzania infrastrukturą danych, od której zależą. Jeśli podstawowej warstwie bazy danych brakuje struktury, kontroli lub widoczności, słabości przenoszą się bezpośrednio do systemów zbudowanych na jej podstawie. Żadne późniejsze zasady na poziomie aplikacji nie zrekompensują w pełni braku nadzoru nad fundamentem danych.

Wymaga to szerszej zmiany architektury: zarządzanie musi być wbudowane w infrastrukturę od początku, a nie dodawane po wdrożeniu. Rozpoczynanie prac nad AI od infrastruktury oznacza projektowanie systemów, w których nadzór jest wbudowaną właściwością, a nie zewnętrznym ograniczeniem. Dostęp do danych odbywa się za pośrednictwem kontrolowanych interfejsów. Zapytania i interakcje systemów są domyślnie rejestrowane. Reguły zgodności, takie jak ograniczenia dostępu, zasady przechowywania czy wymogi dotyczące lokalizacji danych, są egzekwowane systemowo zamiast przez ręczny nadzór lub późniejszą walidację.

Potrzebne są wzorce architektoniczne obejmujące bezpieczne warstwy pośredniczące w zapytaniach, kontrolę dostępu opartą na zasadach oraz scentralizowaną obserwowalność w rozproszonych środowiskach danych. Dzięki nim zarządzanie jest egzekwowane stale, a nie tylko okresowo sprawdzane.

Różnica między zarządzaniem proaktywnym a reaktywnym jest fundamentalna. Podejście reaktywne próbuje naprawiać problemy po zbudowaniu i wdrożeniu systemów. Podejście proaktywne zapobiega ich powstawaniu przez bezpośrednie wbudowanie kontroli w architekturę.

W środowiskach AI ta różnica decyduje, czy systemy mogą zwiększać skalę działania czy utkną w miejscu.

Gdy do gry wkraczają agenci

Autonomiczni agenci zmieniają warunki zarządzania w sposób, na który większość organizacji nie jest gotowa. Agent nie tylko czyta dane. Także je zapisuje i uruchamia działania w różnych systemach, w obu przypadkach bez człowieka uczestniczącego w procesie decyzyjnym.

To całkowicie zmienia charakter niepowodzenia. Niewłaściwie nadzorowane zapytanie zwraca błędną odpowiedź. Niewłaściwie nadzorowany agent następnie na jej podstawie działa: aktualizuje rekordy, uruchamia dalsze procesy i rozsyła decyzje między systemami, zanim ktokolwiek zauważy, że coś poszło źle.

Dlatego mechanizmy ochronne nie mogą znajdować się wyłącznie w warstwie aplikacji. Agent działający w wielu systemach zawsze znajdzie drogę najmniejszego oporu. Kontrole trzeba egzekwować w warstwie danych, gdzie każdy odczyt i zapis przechodzi przez kontrolowane pośrednictwo i jest rejestrowany niezależnie od tego, co go wywołało.

Gartner przewiduje, że ponad 40% projektów AI opartych na agentach zostanie opóźnionych lub anulowanych z powodu problemów z zarządzaniem i niezawodnością. Ta liczba wydaje mi się niska, bo zakłada, że organizacje poprawnie rozpoznają zarządzanie jako przyczynę, zamiast obwiniać model lub narzędzia. Źródło problemu pozostaje zwykle niewidoczne, dopóki nie zacznie generować wysokich kosztów.

Od eksperymentów do AI gotowej do produkcji

Organizacje, które skutecznie przenoszą AI z eksperymentów do produkcji, często łączy wczesne dopasowanie środowisk programistycznych i produkcyjnych. 

Nie pozwalają one systemom eksperymentalnym oddalać się od ograniczeń produkcyjnych, lecz projektują oba środowiska według spójnych zasad zarządzania, bezpieczeństwa i dostępu do danych. Zmniejsza to późniejsze trudności przy przejściu modeli od prototypów do zadań produkcyjnych.

Takie dopasowanie staje się coraz ważniejsze, ponieważ większość przedsiębiorstw nadal nie ma dojrzałej infrastruktury AI o jakości produkcyjnej. Wciąż występują braki w bezpiecznym dostępie do danych, monitorowaniu, obserwowalności i egzekwowaniu zgodności. Nie są to odosobnione problemy, lecz wyzwania strukturalne ujawniające się, gdy AI wychodzi poza pilotaż i trafia do procesów krytycznych dla działalności.

Inny istotny rozdźwięk między prototypowaniem a produkcją pojawia się, gdy aplikacje i bazy produkcyjne muszą działać we własnej infrastrukturze lub na ściśle zarządzanych kontach chmurowych, podczas gdy prototypy opracowano na chmurowych platformach baz danych.

W dojrzałych organizacjach zadania AI traktuje się z taką samą rygorystycznością jak inne systemy podlegające regulacjom. Oznacza to konsekwentne rejestrowanie zdarzeń, ścisłą kontrolę dostępu, ciągłe monitorowanie i jasno określoną odpowiedzialność między zespołami. Potrzebne jest także bliższe współdziałanie inżynierii danych, inżynierii platform, bezpieczeństwa i zgodności od samego początku, a nie dopiero jako późniejszy dodatek.

Korzyści wykraczają poza ograniczanie ryzyka. Organizacje zyskują również szybsze cykle wdrożeń, mniej awarii produkcyjnych i większe zaufanie wewnętrzne do systemów AI. W tym kontekście skalowanie AI zależy mniej od innowacji modeli, a bardziej od dojrzałości infrastruktury.

Zarządzanie jest wymogiem architektonicznym

Ostatecznie dyskusja o zarządzaniu AI musi wyjść poza zasady i objąć architekturę. 

Zarządzanie często traktuje się jako funkcję nadzorczą, ale w praktyce egzekwują je systemy określające sposób udostępniania i wykorzystywania danych. Baza danych nie jest tylko warstwą przechowywania, lecz punktem kontroli bezpieczeństwa, zgodności i integralności operacyjnej w całym zestawie technologii AI.

Wraz z coraz głębszym włączaniem AI w procesy przedsiębiorstwa znaczenie tego punktu kontroli istotnie rośnie. Każda interakcja modelu z danymi przedsiębiorstwa staje się zdarzeniem podlegającym nadzorowi, niezależnie od tego, czy organizacja świadomie tak je zaprojektowała, czy nie.

Stawiając na zarządzanie wywodzące się z infrastruktury, począwszy od warstwy bazy danych, przedsiębiorstwa mogą zamknąć lukę między pilotażem a produkcją. Przekształcają w ten sposób AI z odosobnionych eksperymentów w trwałą, skalowalną zdolność wbudowaną w całą organizację.

Phillip Merrick jest współzałożycielem i CPO w pgEdge. Przedsiębiorca, technolog i doświadczony menedżer z głębokimi korzeniami w infrastrukturze danych i platformach chmurowych napędzających dzisiejsze systemy AI. Współzałożyciel i/lub CEO webMethods, EDB, SparkPost, Fugue i pgEdge; prowadził firmy od startupu przez IPO i trzy wyjścia w zakresie 9-10 cyfr.