Skalowanie AI nie powinno za każdym razem oznaczać budowania podstaw danych od nowa

W przedsiębiorstwach zbliża się sezon planowania na 2027 rok, a inwestycje w AI ponownie są jednym z głównych tematów rozmów na szczeblu zarządów. W niedawnym badaniu Akeneo wśród osób podejmujących decyzje w obszarze IT 93% respondentów stwierdziło, że AI przyniosła wzrost produktywności, a 43% przyznało, że wiąże się ona również z nowymi obowiązkami w ich pracy.

Wyniki te pokazują, jak wiele pracy przygotowawczej wymaga realizacja projektów AI. Znaczną część tego nakładu stanowi w szczególności przygotowanie danych. Wśród ankietowanych przez Akeneo liderów IT 36% stwierdziło, że ich organizacje poświęcają na przygotowanie danych ponad połowę całkowitego nakładu pracy przy projekcie AI. Kolejne 53% zadeklarowało, że przeznacza na ten cel od 26% do 50% pracy związanej z projektem AI. Przygotowanie danych jest niezbędne, ale warto zadbać o to, by praca wykonana na potrzeby jednego wdrożenia AI mogła posłużyć przy kolejnym.

AI może wyeliminować część zadań w jednym obszarze działalności firmy, a jednocześnie tworzyć nowe obowiązki dla zespołów IT, które muszą przygotowywać dane i odtwarzać kontekst przy każdym kolejnym wdrożeniu. Teraz warto zadbać o to, by większą część tej pracy można było wykorzystać ponownie, tak aby każde wdrożenie bazowało na poprzednim, zamiast zaczynać od zera.

Ludzki kontekst w centrum AI

Ludzie pozostają kluczowi na wszystkich etapach pilotażowych projektów AI i ich wdrożeń. Zespoły IT uczestniczą w całym cyklu życia nowych technologii: od poznawania potrzeb biznesowych i oceny rozwiązań po ich wdrażanie, szkolenia, opracowywanie procesów i bieżące dbanie o bezpieczeństwo. Z czasem zespoły mogą nie dokumentować wyjątków i niepisanych zasad, na które natrafiają, w tym sytuacji, gdy to samo pojęcie ma różne definicje w różnych systemach. Taki kontekst często staje się wiedzą instytucjonalną, którą dysponują poszczególni członkowie zespołów, zamiast informacją, do której cała organizacja może mieć niezawodny dostęp.

Praca ta może trwać tak długo, jak długo dostępna jest osoba znająca odpowiedź. Gdy pracownicy zmieniają stanowiska, odchodzą z organizacji lub po prostu nie są dostępni, kiedy pojawia się problem, kontekst przepada. Ujęcie tej wiedzy w uporządkowanej formie, dostępnej cyfrowo, sprawia, że nie jest ona zależna od jednej osoby. Pozwala też poszczególnym zespołom zachować własność swojej wiedzy specjalistycznej, a jednocześnie zapewnia dostęp do niej i możliwość ponownego wykorzystania w całej organizacji, zamiast odtwarzania jej przy każdym nowym wdrożeniu.

Dobre dane nie zawsze są gotowe do wykorzystania przez AI

Można uznać, że wszystko to sprowadza się do kolejnego problemu z jakością danych, ale badania Akeneo wskazują, że sprawa jest bardziej złożona. 92% liderów IT ocenia dane produktowe i operacyjne wykorzystywane przez ich systemy AI jako dobre lub doskonałe. Mimo że zdecydowana większość poświęca ponad jedną czwartą całkowitego nakładu pracy przy projekcie AI na przygotowanie danych.

Dobre dane nie muszą być gotowe do wykorzystania przez AI, zwłaszcza że to, co uznaje się za „dobre”, może zależeć od tego, kto lub co z nich korzysta. Modele i agenci potrzebują czegoś więcej niż tylko dokładnych informacji. Muszą wiedzieć, skąd pochodzą dane, jak wiążą się z innymi informacjami, które źródło ma pierwszeństwo oraz w jakich warunkach można z nich korzystać. Łatwo przeoczyć te zasady, ponieważ często są one niejawnie wpisane w codzienną pracę doświadczonych zespołów.

Niedawne badania McKinsey dotyczące gotowości danych na potrzeby AI wskazują na podobne znaczenie kontekstu. Nie wszystkie informacje będą przydatne modelom lub agentom. Jeśli jednak są przydatne, ich kontekst musi dać się przekazywać. Gdy informacje oddalają się od pierwotnego źródła, ich pochodzenie i powiązania z otaczającymi je danymi muszą pozostać jasne, aby nie utraciły swojego znaczenia.

Właśnie dlatego architektura leżąca u podstaw AI zaczyna mieć równie duże znaczenie co sam model. W przeciwieństwie do tradycyjnego oprogramowania duże modele językowe (LLM) często potrafią pracować na fragmentarycznych danych i w odizolowanych systemach, nawet gdy informacje w różnych źródłach mają odmienną strukturę lub etykiety. Mogą wykrywać zależności, które wcześniej nie zostały jawnie zdefiniowane. Większym problemem jest całkowity brak danych. Aby modele i agenci mogli pracować w różnych systemach, potrzebne im informacje i kontekst muszą najpierw istnieć i być dostępne.

Badanie PwC z 2026 roku dotyczące luki we wdrażaniu AI wykazało, że integracja nadal jest głównym powodem, dla którego inwestycje w technologie nie spełniają oczekiwań. Łączenie rozległych zasobów nieustrukturyzowanych danych wymaga czasu i często spowalnia projekty, zanim osiągną pełny etap wdrożenia.

Praca konieczna do rozwiązania tych problemów przy jednym wdrożeniu może ułatwić kolejne.

Infrastruktura AI wielokrotnego użytku

W przypadku pojedynczego projektu AI większość tych przygotowań może przebiegać w tle. Zespoły IT usuwają niespójności, przygotowują informacje potrzebne aplikacji i integrują ją z innymi systemami, aby wdrożyć projekt produkcyjnie.

Problem pojawia się wtedy, gdy ta praca rozwiązuje wyłącznie problem związany z bieżącym zastosowaniem. Przygotowanie danych zawsze będzie częścią wdrażania AI, ale dużą część tych działań powinno dać się wykorzystać ponownie. Jeśli zespół odkryje, że to samo pole lub pojęcie ma różne znaczenia w dwóch systemach, wyjaśnienie tej niejednoznaczności powinno zaowocować definicją, z której będą mogły korzystać przyszłe aplikacje. Jeśli zespół ustali, któremu źródłu należy ufać, gdy systemy podają sprzeczne informacje, decyzja ta powinna obowiązywać również przy kolejnych wdrożeniach.

Ta sama zasada dotyczy integracji. Zamiast tworzyć dla każdego modelu lub agenta nową ścieżkę dostępu do produktów i informacji, organizacje powinny wypracować spójne sposoby wyszukiwania i wykorzystywania zaufanych informacji przez systemy AI.

Pierwsze wdrożenie może nadal wymagać znacznego nakładu pracy, ponieważ zespoły odkrywają definicje, zależności i wyjątki, które wcześniej były częścią doświadczenia pracowników. Wysiłek ten może przynieść korzyści także w przyszłości, gdy wiedza instytucjonalna będzie coraz częściej stawać się częścią infrastruktury organizacji. Kolejne wdrożenia mogą czerpać z tej pracy, a skala korzyści będzie zależeć od tego, jak wiele wspólnych elementów łączy ich dane i przypadki użycia.

Ma to coraz większe znaczenie, ponieważ AI przestaje ograniczać się do generowania odpowiedzi i zaczyna podejmować działania w systemach przedsiębiorstwa. Inicjatywa NIST na rzecz standardów agentów AI podkreśla, jak ważne jest, by agenci mogli bezpiecznie korzystać z danych wewnętrznych i systemów zewnętrznych. W miarę jak agenci przejmują większą odpowiedzialność i współpracują z coraz większą liczbą systemów i modeli, organizacje muszą zadbać o właściwy kontekst i mechanizmy kontroli dla każdego przypadku użycia, bez konieczności rozpoczynania wszystkiego od nowa.

Nadzór musi stać się częścią środowiska

Infrastruktura wielokrotnego użytku wymaga również mechanizmów nadzoru, które można ponownie wykorzystywać. Badanie EY z września 2026 r. dotyczące ryzyka i nadzoru nad AI wykazało, że 91% kadry kierowniczej wyższego szczebla odpowiedzialnej za AI stwierdziło, iż ich organizacje testują lub wdrażają agentową AI, jednak 49% respondentów z organizacji korzystających z agentów przyznało, że istniejące ramy nadzoru nie zostały zaktualizowane specjalnie z myślą o wymaganiach i zagrożeniach związanych z agentową AI.

W miarę jak AI przejmuje większą odpowiedzialność w ramach procesów biznesowych, zasady regulujące te procesy muszą stać się częścią środowiska, w którym działa AI. Agent może mieć samodzielny dostęp do określonych informacji, podczas gdy inne etapy procesu mogą wymagać weryfikacji lub zatwierdzenia przez człowieka, zanim będzie mógł działać dalej. Takie decyzje nie mogą pozostawać wyłącznie w dokumencie opisującym zasady ani w czyjejś wiedzy o tym, jak dany proces powinien przebiegać.

Decyzje dotyczące nadzoru muszą wykraczać poza wewnętrzne przeglądy i znajdować odzwierciedlenie w systemach, w których działa AI. Zasady, uprawnienia i etapy wymagające zatwierdzenia, które wyznaczają sposób działania systemu, należy określić już na etapie jego wdrożenia. Jeśli te mechanizmy kontroli nie zostaną wbudowane w system, zespoły będą zmuszone za każdym razem na nowo interpretować zasady i uprawnienia przy wdrażaniu kolejnego przypadku użycia AI.

Przygotowanie na kolejną falę AI

Gdy w 2027 r. przedsiębiorstwa zaczną wykorzystywać coraz większe budżety na AI, zespoły IT będą odpowiadać za rosnącą liczbę modeli, integracji i systemów. Największym sprawdzianem będzie to, czy organizacje zbudują infrastrukturę zdolną wspierać to, co nadejdzie.

Jeśli zespoły wciąż na nowo uzgadniają te same definicje, odbudowują te same połączenia i tłumaczą te same zasady, AI może rozwijać się szybciej niż infrastruktura potrzebna do jej obsługi.

To inny sposób myślenia o gotowości na AI. Postęp należy mierzyć nie tylko liczbą modeli lub agentów wdrożonych do środowiska produkcyjnego, lecz także tym, czy każde wdrożenie lepiej przygotowuje przedsiębiorstwo na kolejne.

AI już przyspiesza wykonywanie poszczególnych zadań. Kolejny wzrost produktywności będzie wynikać z ułatwienia ponownego wykorzystania pracy leżącej u podstaw tych systemów. AI jest coraz mocniej osadzana w procesach biznesowych, przez co więcej systemów musi opierać się na tych samych fundamentach danych. To, jak łatwo organizacje będą mogły wykorzystać kolejną generację AI, zależy od tego, czy zbudują te fundamenty już teraz.