AI-ul în întreprinderi depinde de date în care oamenii pot avea încredere

În 2025, companiile au investit estimativ 30‑40 de miliarde de dolari în AI generativ, iar Project NANDA de la MIT a constatat că doar 5% din peste 300 de implementări la nivel de întreprindere le-a examinatau generat rezultate financiare măsurabile.

Am petrecut peste 25 de ani lucrând în cadrul programelor de date ale întreprinderilor. Cu mult timp înainte ca AI generativ să intre în discuție, am observat cât de repede tehnologia își pierde credibilitatea când oamenii nu pot avea încredere în datele din spatele ei. AI generativ ridică miza deoarece poate transforma date îndoielnice într-un răspuns sigur.

Obișnuia să spunem „gunoi în, gunoi afară”. Acum este „gunoi în, dezastru afară”. Când datele păreau suspecte, o persoană își putea folosi judecata și contacta un specialist în date. Specialistul efectua o analiză a cauzei rădăcinii, identifica problema și aplica o remediere. Astăzi, agenții pot acționa pe baza oricăror date pe care le întâlnesc. Fără supraveghere umană competentă, rezultatul poate deveni parte a operațiunilor, poate fi utilizat în decizii și se poate scala în întreaga organizație.

Aceeași problemă poate apărea într-un chatbot. O guvernanță omisă poate transforma date proaste sau slab înțelese într-un răspuns care pare autoritar, imediat și la scară largă.

Încrederea este adevăratul obstacol în adoptare

Când un chatbot intern oferă cuiva un răspuns sigur, dar greșit, acea persoană poate să nu mai aibă încredere în el. Într-o organizație mare, AI va găsi și datele pe care ai prefera să nu le descopere. O compar cu șosetele murdare de sub pat: datele pot fi ascunse, dar AI le va găsi și le va folosi.

Contextul trebuie să însoțească datele și să fie fundația pe care modelele LLM se bazează. Înainte ca un model AI să utilizeze datele, oamenii trebuie să știe ce înseamnă acestea, de unde provin, cine le deține și ce reguli și politici de afaceri le înconjoară.

Conducerea poate omite acest aspect pentru că sistemul rareori se blochează. AI poate fi sigur, dar greșit; poate sugera lipici pentru pizza (exemplu foarte vechi). Gândește‑te la un chatbot care oferă un răspuns sigur, dar greșit, iar forța de muncă își pierde încrederea în el. Reconstruirea acelei încrederi durează mult mai mult decât stabilirea corectă a controalelor de la început.

Această eroziune se reflectă și în date. Angajații din peste 90% dintre companii MIT a studiatcontinuă să folosească instrumente AI personale pe lângă, chiar și după ce pilotul oficial dezvoltat de angajator nu a reușit să le câștige încrederea. Când instrumentul aprobat nu a câștigat încrederea lor, angajații găsesc o altă modalitate de a-și îndeplini sarcinile.

Marea parte a cercetărilor AI din acest an indică aceeași problemă: organizațiile avansează cu AI înainte de a face munca necesară pentru a face datele lor de încredere. Gartner a estimatcă aproape două treimi dintre organizații fie nu dispun de practicile corecte de gestionare a datelor pentru AI, fie nu sunt sigure dacă le au. Separat cercetarea de la IDCa constatat un decalaj similar în privința încrederii: 78% dintre organizații afirmă că au încredere deplină în AI, dar doar 40% au investit efectiv în guvernanță și în munca de explicabilitate care ar justifica acea încredere.

Dizarmonía dintre încredere și investiție ajută la explicarea motivului pentru care atât de multe inițiative AI se blochează înainte de a ajunge în producție sau nu se aliniază cu valoarea dorită.

Guvernanța AI este acum avantajul competitiv

În cea mai mare parte a carierei mele, guvernanța datelor a fost una dintre cele mai puțin strălucitoare părți ale IT-ului în întreprinderi. Catalogarea metadatelor, definirea proprietății, profilarea datelor și gestionarea fluxurilor de lucru puteau părea munci de menajer. Oamenii deseori o sărau deoarece efortul părea mai mare decât valoarea pe care o producea.

AI a schimbat acest lucru. Devine o capacitate de guvernanță în domenii precum proiectarea schemelor de date, crearea de glosare curate de industrie și recomandarea și activarea politicilor de date. Chiar și linia de proveniență a datelor poate fi acum inferată și simplificată mai rapid decât înainte, facilitând valorificarea conductelor de date gestionate și a observabilității.

Reglementările fac, de asemenea, ca transparența datelor să fie mai urgentă. Actul EU AI Acta devenit aplicabil pe scară largă la 2 august 2026, incluzând reguli de transparență pentru anumite sisteme și conținut generat de AI. Actul stabilește, de asemenea, cerințe separate pentru sisteme cu risc ridicat, inclusiv documentație și informații care ajută implementatorii să interpreteze rezultatele, deși unele prevederi pentru sisteme cu risc ridicat urmează în termene ulterioare.

Pentru companii, lecția practică este simplă: o linie clară de proveniență și guvernanță facilitează documentarea datelor utilizate, a originii lor și a modului în care sistemul trebuie să funcționeze.

Imaginea reglementărilor din SUA rămâne incertă. Fără o lege federală cuprinzătoare privind AI, companiile trebuie să navigheze diferite cerințe de stat, chiar și pe măsură ce Casa Albă încearcă să limiteze capacitatea statelor de a crea și aplica propriile reguli AI. Legea AI a Colorado, cel mai cuprinzător cadru de stat existent, a fost deja amânată și rescrisă o dată în acest context, iar obligațiile sale principale au fost amânate până în 2027. Pentru multe companii din SUA, tentația este să aștepte să treacă incertitudinea.

Aș susține că acesta este instinctul greșit. Orice model de reglementare care în cele din urmă va prevala în SUA, cerința de bază nu va dispărea. Știți de unde provin datele. Știți dacă cineva le-a validat efectiv înainte ca AI să le folosească. Dezvoltarea acestei discipline acum va ajuta companiile să se pregătească pentru noile reglementări și să transforme proiectele pilot AI promițătoare în instrumente pe care afacerea le poate folosi cu încredere.

Ce separă cei 5 procente

Vă povestesc despre un client. Echipa lor de contabilitate generală trebuia să parcurgă 300 de foi de calcul separate de fiecare dată când apărea o discrepanță în registre. Trei sute. În cele din urmă, cineva a reconstruit tot acel haos ca un singur activ de date guvernat, cu calculele, rapoartele și datele subiacente ambalate împreună și validate în prealabil. Data viitoare când a apărut o problemă, remedierea a necesitat o fracțiune din efortul anterior. În singurul acest proces, s-au economisit aproximativ 750 de zile de muncă. Asta reprezintă milioane de dolari economisiți doar prin curățarea acelui sistem.

Îmbunătățirea a venit din facilitarea găsirii datelor corecte și a fi suficient de fiabile pentru a fi utilizate fără reexaminare. Colaborarea și reutilizarea au făcut acest lucru posibil. Produsele de date de încredere pot fi aliniate cu standardele corporative, extinse și actualizate în timp, evaluate pentru încredere și gestionate pentru valoare. Această abordare reduce necesitatea creării a sute sau mii de produse legate de tabele fizice individuale de baze de date.

Programele solide fac această încredere vizibilă. În piețele de date cu care lucrez, activele pot fi clasificate ca aur, argint sau bronz pe baza unor factori precum calitatea, curarea, utilizarea și proprietatea. Un utilizator de business poate vedea cât de fiabil este un activ înainte de a-l folosi. Această vizibilitate ajută oamenii să nu mai ghicească și îi face mai dispuși să reutilizeze datele deja existente.

Cifra de 95% este un avertisment privind modul în care multe companii au tratat superficial datele din spatele AI generativ. Organizațiile care progresează oferă oamenilor o vedere clară asupra originii datelor, cum au fost validate și dacă sunt adecvate pentru sarcină. După ani în care gestionarea datelor a fost considerată muncă de fundal, AI în sfârșit își face valoarea vizibilă.