De ce AI Agentic va eșua fără date de active de încredere

AI Agentic se mișcă rapid de la discuție la implementare în industriile cu active intensive. În contrast cu inteligența artificială generativă, care rezumă informații sau propune recomandări, AI Agentic poate lua un obiectiv, îl poate descompune în pași, poate extrage date din multiple sisteme și poate acționa în consecință. Poate examina istoricul de întreținere, verifica ordinele de lucru deschise, compara programările echipelor și genera o recomandare fără a necesita intervenția umană.

Această capacitate este exact motivul pentru care atâtea organizații se grăbesc să o adopte. Conform sondajului CIO și al executivului tehnologic Gartner din 2026, doar 17% dintre organizații au implementat agenți AI, în timp ce peste 60% se așteaptă să o facă în următorii doi ani. Acest lucru se întâmplă mai repede decât pentru orice altă tehnologie emergentă inclusă în sondaj.

În implementările pe care le-am susținut, echipele au petrecut prea mult timp schimbând între sisteme, foi de calcul, note de inspecție și e-mailuri doar pentru a lua o singură decizie operațională. AI Agentic promite să reducă această fricțiune, ajutând planificatorii să pregătească lucrările mai rapid și oferind tehnicienilor o imagine mai clară a istoricului activelor fără a se baza exclusiv pe memoria instituțională.

Dar această promisiune vine cu o capcană care poate fi ușor ignorată în graba de a implementa: din ceea ce am văzut, AI Agentic este mai puțin o problemă de modelare decât o problemă de încredere operațională.

În industriile cu active intensive, cum ar fi utilitățile, transportul, mineritul, telecomunicațiile și producția, un agent AI este la fel de bun pe cât sunt datele pe care le folosește. Dacă aceste date sunt incomplete, învechite sau inconsistente, agentul nu necesarmente eşuează zgomotos. El poate eşua încrezător, recomandând lucrări pe activele greșite, omițând dependențe, subestimând riscurile sau judecând greșit ceea ce ar trebui să fie prioritizat.

Dacă hrăniți un agent cu date proaste, el nu va scala inteligența. Va scala riscul operațional.

Vechea problemă cu datele, la o viteză nouă

Problemele de calitate a datelor pe care le expune AI Agentic nu sunt noi. În cei peste 17 ani de muncă pe sisteme și implementări de gestionare a activelor, am văzut aceleași probleme apărând în mod repetat: înregistrări duplicate, relații de active lipsă, convenții de denumire inconsistente, evaluări de criticitate învechite și codificări de eșec slabă timp de ani.

Ceea ce s-a schimbat nu este natura acestor probleme, ci potențialul lor de a afecta.

Un tehnician experimentat poate detecta o înregistrare proastă înainte de a acționa în consecință, folosind cunoștințele instituționale pe care nu le-a capturat niciodată în sistem. Un agent AI nu are această intuiție. El poate procesa mii de înregistrări mult mai rapid decât un om le-ar putea examina manual, aplicând aceeași ipoteză eronată la scară înainte ca cineva să observe.

Problema de implementare a întreprinderii este deja vizibilă. Un raport preliminar din 2025 MIT Project NANDA a constatat că 95% dintre organizațiile studiate nu au atins un impact măsurabil asupra profitului și pierderii din inițiativele lor de inteligență artificială generativă. Raportul a atribuit această diviziune în mare măsură lacunelor de învățare și integrare, inclusiv unelte care nu rețin contextul sau nu se adaptează eficient la fluxurile de lucru existente. În operațiunile cu active intensive, unde o recomandare proastă a AI poate afecta echipamente fizice și nu doar un tablou de bord, această lacună între ambiția AI și realitatea datelor este și mai semnificativă.

Unde datele proaste devin o decizie periculoasă

În mediile operaționale, consecințele devin fizice.

Luați, de exemplu, priorizarea întreținerii. Dacă un agent nu poate vedea o eșuare recentă, o lucrare întârziată sau o schimbare a stării unui activ, el poate atribui o prioritate greșită. Acest lucru poate crea lucrări inutile într-o zonă, în timp ce permite ca un risc mai semnificativ să rămână nerezolvat în altă parte.

Riscurile cresc și mai mult atunci când relațiile dintre active sunt însele incorecte. Acesta este scenariul care ridică un steag roșu. Dacă un sistem nu reflectă cu acuratețe care active sunt conectate, ce echipamente trebuie izolate înainte de începerea lucrărilor sau ce constrângeri se aplică la un anumit site, recomandările sale pot deveni cu adevărat periculoase.

De aceea, organizațiile ar trebui să se gândească bine înainte de a acorda AI Agentic o autonomie deplină asupra deciziilor critice. Cadru voluntar NIST AI Risk Management Framework oferă o structură pentru incorporarea încrederii pe tot parcursul ciclului de viață al unui sistem AI, și nu doar pentru abordarea acesteia după implementare. AI poate strânge informații rapid, poate prezenta opțiuni și poate rezuma dovezi în sprijinul unei recomandări. Cu toate acestea, atunci când siguranța, conformitatea sau fiabilitatea serviciului sunt în joc, oamenii trebuie să rămână implicați.

Măcar la început, scopul ar trebui să fie AI care sprijină deciziile, nu AI care le ia singur.

De ce gestionarea activelor de întreprindere este fundamentul, nu biroul din spate

Gestionarea activelor de întreprindere, sau EAM, este unde realitatea operațională este organizată. Aici sunt înregistrate și gestionate ordinele de lucru, strategiile de întreținere, inspecțiile, aprobările, relațiile de active și istoricul echipamentelor.

O bază solidă de EAM oferă unui agent AI date operaționale de încredere cu care să lucreze. O bază slabă este probabil să fie expusă aproape imediat. O analiză EY a sistemelor de gestionare a activelor bazate pe AI subliniază, de asemenea, rolul datelor în timp real și al analiticii în mutarea organizațiilor de la întreținerea reactivă la cea proactivă.

În loc de a trata EAM ca pe un sistem de birou din spate, organizațiile care se pregătesc pentru AI Agentic ar trebui să îl trateze ca parte a stratului de control operațional. Acesta modelează ce poate accesa AI, ce procese trebuie să urmeze, ce dovezi se bazează și unde aprobarea umană este încă necesară.

EAM ajută, de asemenea, la furnizarea contextului din spatele unei decizii operaționale. O recomandare de întreținere nu ar trebui să se bazeze doar pe starea unui activ individual. Ea poate depinde și de criticitatea acestuia, de eșuări recente, de echipamentele conectate, de piesele disponibile, de procedurile de siguranță, de disponibilitatea echipajului și de efectul pe care închiderea ar avea asupra operațiunii mai largi.

Fără acest context, chiar și un agent AI tehnic sofisticat poate recomanda cursul greșit de acțiune.

Sunt datele dvs. cu adevărat „pregătite pentru AI”?

În loc de a lansa o revizuire generală și abstractă a calității datelor, organizațiile sunt mai bine servite începând cu un anumit caz de utilizare, cum ar fi planificarea întreținerii asistată de AI, și punând întrebări țintite.

Acestea sunt întrebările pe care le pun eu primul: Ne putem încrede în ierarhia activelor? Este istoricul eșuărilor fiabil? Sunt planurile de lucru actuale? Este disponibilitatea echipajului precisă? Sunt planurile de siguranță actualizate?

Datele nu trebuie să fie perfecte. Puține organizații vor avea vreodată date operaționale perfecte. Ele trebuie să fie precise, actuale și bine gestionate suficient de mult pentru ca AI să poată sprijini cu adevărat oamenii care iau decizii.

Acest abordare face, de asemenea, îmbunătățirea datelor mai ușoară de gestionat. În loc de a încerca să curățe fiecare înregistrare de-a lungul organizației, echipele pot se concentra pe informațiile care afectează direct cazul de utilizare selectat.

Riscurile de a greși nu sunt distribuite uniform. Industriile în care deciziile digitale afectează operațiunile fizice au cea mai mare expunere, ceea ce face ca NIST să dezvolte un cadru dedicat de gestionare a riscurilor AI pentru a ghida operatorii de infrastructură critică care utilizează capacități bazate pe AI. Într-un proces cu risc scăzut, o recomandare proastă a AI ar putea cauza inconveniente sau lucrări suplimentare. Într-o rețea de energie electrică, sistem de apă, mină, rețea de transport sau mediu de telecomunicații, ea poate afecta siguranța, poate cauza închideri, poate crea probleme de conformitate sau poate perturba serviciul.

Acest lucru nu înseamnă că aceste industrii ar trebui să evite AI Agentic. Înseamnă că trebuie să fie mai deliberate în ceea ce privește calitatea datelor, guvernanța și supravegherea umană înainte de a-și crește responsabilitățile.

Un drum practic către AI Agentic

Un drum de implementare practic începe cu un anumit caz de utilizare în care AI poate adăuga valoare fără a introduce riscuri excesive.

De acolo, organizația ar trebui să cartografieze datele de care depinde cazul de utilizare și să evalueze onest dacă aceste informații pot fi considerate de încredere. Echipele ar trebui să corecteze datele de active cele mai critice, să atribuie o proprietate clară și să standardizeze modul în care lucrările, eșuările și schimbările operaționale sunt înregistrate.

AI ar trebui să funcționeze în cadrul proceselor de guvernanță existente, și nu în jurul lor. În stadiile incipiente, agentul poate sprijini planificatorii, echipele de fiabilitate și tehnicienii prin strângerea de informații, identificarea modelelor și recomandarea de acțiuni posibile.

Acest lucru oferă organizației timpul necesar pentru a compara recomandările agentului cu rezultatele reale, pentru a identifica lacunele de date și pentru a confirma că controalele necesare funcționează.

Doar după ce rezultatele sunt înțelese, organizația ar trebui să ia în considerare acordarea unei responsabilități mai mari AI. Autonomia ar trebui să crească treptat și doar atunci când riscurile asociate sunt clare, controlate și auditabile.

O strategie de succes a AI Agentic leagă AI de date de active de încredere și de fluxuri de lucru EAM puternice, sprijinite de guvernanță clară și responsabilitate umană. Raportul Deloitte din 2026 privind starea AI în întreprindere ajunge la aceeași concluzie de sus în jos, descriind o bază de date unificată și de încredere ca esențială pentru scalarea AI. Organizațiile rămân responsabile pentru acțiunile pe care le recomandă sau le întreprinde AI. Această responsabilitate nu dispare doar pentru că o decizie a fost generată de un algoritm.

AI Agentic ar trebui să-și câștige drumul în operațiuni, nu să i se acorde. Începeți îngust, verificați recomandările sale împotriva a ceea ce se întâmplă realmente, fixați lacunele de date care apar și extindeți rolul său doar atunci când dovezi justifică. Aș prefera să văd un agent care câștigă o cantitate mică de încredere și o păstrează, decât să i se acorde o cantitate mare și să o piardă. În industriile cu active intensive, acea răbdare face diferența între AI care câștigă încredere și AI care o pierde în tăcere.