Extinderea IA nu ar trebui să însemne reconstruirea fundației de date de fiecare dată

Se apropie sezonul planificării pentru 2027 în rândul companiilor, iar investițiile în IA revin în prim-planul discuțiilor din conducerea executivă. Un sondaj recent realizat de Akeneo în rândul factorilor de decizie din IT a arătat că 93% au raportat creșteri ale productivității datorită IA, însă 43% au spus că IA a adăugat și noi responsabilități rolurilor lor.

Aceste constatări evidențiază volumul considerabil de muncă pregătitoare necesar pentru a pune în practică proiecte de IA. Pregătirea datelor reprezintă, în special, o parte importantă a acestei munci. Dintre liderii din IT chestionați de Akeneo, 36% au spus că organizațiile lor alocă pregătirii datelor mai mult de jumătate din efortul total depus într-un proiect de IA. Alți 53% au raportat că alocă pregătirii datelor între 26% și 50% din efortul depus pentru proiectele lor de IA. Deși această pregătire este necesară, oportunitatea constă în a ne asigura că munca depusă pentru o implementare a IA poate fi reutilizată pentru a o susține pe următoarea.

IA poate elimina munca într-o parte a companiei, creând în același timp un alt set de sarcini pentru echipele IT, care pregătesc datele și reconstruiesc contextul pentru fiecare implementare nouă. Oportunitatea de acum constă în a face reutilizabilă o parte mai mare a acestei munci, astfel încât fiecare implementare să se bazeze pe cea anterioară, în loc să pornească de la zero.

Contextul uman, în centrul IA

Oamenii rămân esențiali în toate proiectele-pilot și implementările de IA. Echipele IT sunt implicate pe tot parcursul ciclului de viață al noilor tehnologii: de la înțelegerea nevoilor de afaceri și evaluarea soluțiilor până la implementare, instruire, dezvoltarea proceselor și securitatea continuă. În timp, echipele pot să nu documenteze excepțiile și regulile nescrise pe care le întâlnesc, inclusiv situațiile în care același termen este definit diferit în sisteme distincte. Acest context ajunge adesea să fie o cunoaștere instituțională deținută de membrii individuali ai echipei, în loc să fie informație la care întreaga organizație să poată avea acces în mod fiabil.

Această muncă poate continua până când persoana care cunoaște răspunsul nu mai este disponibilă. Când angajații își schimbă rolul, părăsesc organizația sau pur și simplu nu sunt disponibili atunci când apare o problemă, contextul se pierde. Înregistrarea acestor cunoștințe într-un format structurat, accesibil digital, le face disponibile și dincolo de o anumită persoană. De asemenea, permite fiecărei echipe să-și păstreze controlul asupra expertizei proprii, asigurând totodată că aceste cunoștințe pot fi accesate și reutilizate în întreaga organizație, în loc să fie redescoperite la fiecare implementare nouă.

Datele de calitate nu sunt întotdeauna pregătite pentru IA

Este tentant să descriem toate acestea drept încă o problemă de calitate a datelor, însă cercetarea Akeneo sugerează o situație mai complexă. 92% dintre liderii din IT evaluează drept bune sau excelente datele despre produse și datele operaționale utilizate de sistemele lor de IA. Deși marea majoritate alocă pregătirii datelor peste un sfert din efortul total depus pentru un proiect de IA.

Datele de calitate nu sunt neapărat pregătite pentru IA, mai ales pentru că ceea ce este considerat „de calitate” poate depinde de cine sau ce le utilizează. Modelele și agenții au nevoie de mai mult decât informații exacte. Ei trebuie să înțeleagă de unde provin datele, cum se raportează la alte informații, care sursă are prioritate și în ce condiții pot fi utilizate. Aceste reguli pot fi ușor trecute cu vederea, deoarece sunt adesea implicite în modul în care lucrează deja echipele cu experiență.

Cercetarea recentă a McKinsey privind pregătirea datelor pentru IA subliniază în mod similar importanța contextului. Nu toate informațiile vor fi utile modelelor sau agenților. Însă, atunci când informațiile sunt utile, contextul lor trebuie să poată fi transmis. Când informațiile se îndepărtează de sursa lor inițială, proveniența și relațiile lor cu datele din jur trebuie să rămână clare, astfel încât sensul lor să nu se piardă.

Aici arhitectura care stă la baza IA începe să conteze la fel de mult ca modelul în sine. Spre deosebire de software-ul tradițional, modelele lingvistice mari pot funcționa adesea cu date fragmentate și sisteme deconectate, chiar și atunci când informațiile sunt structurate sau etichetate diferit în surse distincte. Ele pot identifica relații care poate nu fuseseră definite explicit până atunci. Provocarea mai mare este absența totală a datelor. Pe măsură ce modelele și agenții lucrează cu mai multe sisteme, informațiile și contextul de care au nevoie trebuie să existe și să fie accesibile de la bun început.

Cercetarea PwC din 2026 privind decalajul dintre ambițiile și execuția în domeniul IA a constatat că integrarea rămâne principalul motiv pentru care investițiile în tehnologie nu se ridică la nivelul așteptărilor. Conectarea unei rețele vaste de date nestructurate necesită timp și încetinește adesea proiectele înainte ca acestea să ajungă la implementarea completă.

Munca necesară pentru a rezolva aceste probleme în cadrul unei implementări poate ușura următoarea implementare.

Crearea unei infrastructuri IA reutilizabile

În cazul unui proiect de IA, o mare parte din această pregătire se poate desfășura în fundal. Echipele IT rezolvă neconcordanțele, pregătesc informațiile de care are nevoie o aplicație și o integrează cu alte sisteme pentru a trece proiectul în producție.

Problema apare atunci când această muncă rezolvă doar nevoia imediată. Pregătirea datelor va face întotdeauna parte din implementarea IA, însă o mare parte din efort ar trebui să fie valorificată și în continuare. Dacă o echipă descoperă că același câmp sau termen are sensuri diferite în două sisteme, clarificarea ambiguității ar trebui să ducă la o definiție pe care aplicațiile viitoare o pot reutiliza. Dacă echipa stabilește cărei surse ar trebui să i se acorde încredere atunci când sistemele nu sunt de acord, această decizie ar trebui să fie aplicată și în implementările viitoare.

Același principiu se aplică și integrărilor. În loc să creeze pentru fiecare model sau agent o cale nouă de acces la produse și informații, organizațiile ar trebui să stabilească modalități consecvente prin care sistemele de IA să găsească și să utilizeze informații de încredere.

Prima implementare poate necesita în continuare eforturi considerabile, deoarece echipele trebuie să descopere definiții, relații și excepții care până acum existau doar în experiența oamenilor. Acest efort poate fi valorificat și în viitor, pe măsură ce cunoștințele instituționale devin tot mai mult parte din infrastructura organizației. Implementările ulterioare pot beneficia de această muncă, iar amploarea beneficiilor depinde de cât de multe elemente comune există între datele și cazurile lor de utilizare.

Acest lucru devine tot mai important pe măsură ce IA depășește etapa generării de răspunsuri și începe să acționeze în diverse sisteme ale organizației. Inițiativa NIST privind standardele pentru agenții IA subliniază importanța capacității agenților de a interacționa în siguranță cu datele interne și cu sistemele externe. Pe măsură ce agenții preiau mai multe responsabilități și interacționează cu mai multe sisteme și modele, organizațiile trebuie să se asigure că fiecare caz de utilizare beneficiază de contextul și controalele potrivite, fără a fi nevoie să o ia de la capăt.

Guvernanța trebuie să devină parte a mediului

Infrastructura reutilizabilă presupune și o guvernanță reutilizabilă. Sondajul EY din septembrie 2026 privind riscurile și guvernanța IA a constatat că 91% dintre directorii de rang înalt din domeniul IA au declarat că organizațiile lor testau sau implementau IA agentică, însă 49% dintre respondenții ale căror organizații folosesc agenți au spus că cadrele lor de guvernanță existente nu fuseseră actualizate în mod specific pentru cerințele și riscurile IA agentice.

Pe măsură ce IA preia mai multe responsabilități în cadrul unui proces de afaceri, regulile care guvernează procesul respectiv trebuie să devină parte a mediului în care funcționează IA. Un agent poate avea acces autonom la anumite informații, în timp ce, în alte puncte ale procesului, poate fi necesară verificarea sau aprobarea unei persoane înainte ca acesta să poată continua. Aceste decizii nu pot rămâne doar într-un document de politici sau în înțelegerea cuiva despre modul în care ar trebui să funcționeze procesul.

Deciziile de guvernanță trebuie să depășească sfera evaluărilor interne și să fie integrate în sistemele în care funcționează IA. Politicile, permisiunile și punctele de aprobare care ghidează un sistem ar trebui definite chiar în cadrul implementării acestuia. Dacă aceste controale nu sunt integrate în sistem, echipele vor fi nevoite să reinterpreteze politicile și permisiunile de fiecare dată când implementează un nou caz de utilizare a IA.

Pregătirea pentru următorul val de IA

Pe măsură ce, în 2027, companiile își folosesc bugetele tot mai mari pentru IA, echipele IT vor răspunde de un număr tot mai mare de modele, integrări și sisteme. Testul decisiv va fi dacă organizațiile construiesc o infrastructură capabilă să susțină ceea ce urmează.

Dacă echipele încă rezolvă aceleași probleme de definire, reconstruiesc aceleași conexiuni și traduc aceleași reguli, este posibil ca IA să se extindă mai repede decât infrastructura necesară pentru a o susține.

Astfel, pregătirea pentru IA poate fi privită dintr-o altă perspectivă. Progresul nu ar trebui măsurat doar prin numărul de modele sau agenți care ajung în producție, ci și prin măsura în care fiecare implementare pregătește mai bine compania pentru următoarea.

IA accelerează deja sarcinile individuale. Următorul câștig de productivitate va veni din facilitarea reutilizării muncii din spatele acestor sisteme. IA este integrată tot mai mult în procesele de afaceri, ceea ce presupune ca mai multe sisteme să se bazeze pe aceleași fundații de date. Construirea acestei fundații acum va determina cât de ușor vor putea organizațiile să valorifice următoarea generație de IA.