Почему Агентский ИИ Потерпит Неудачу Без Надежных Данных Об Активах

Агентский ИИ быстро переходит от обсуждения к развертыванию в отраслях с интенсивным использованием активов. В отличие от генеративного ИИ, который суммирует информацию или создает рекомендации, агентский ИИ может поставить цель, разбить ее на шаги, получить данные из нескольких систем и действовать на их основе. Он может просмотреть историю технического обслуживания, проверить открытые работы, сравнить графики работы бригад и сгенерировать рекомендацию без необходимости ручного подключения каждой части информации.

Эта возможность является именно той причиной, по которой так много организаций быстро переходят к его внедрению. Согласно отчету Gartner CIO и Technology Executive Survey за 2026 год, только 17% организаций развернули агентов ИИ, в то время как более 60% планируют сделать это в течение следующих двух лет. Это происходит быстрее, чем для любой другой возникающей технологии, включенной в опрос.

В развертываниях, которые я поддерживал, команды слишком долго тратили время на переключение между системами, электронными таблицами, заметками об осмотре и электронными письмами, только чтобы принять одно оперативное решение. Агентский ИИ обещает уменьшить эту трение, помогая планировщикам подготовить работу быстрее и давая техникам более четкое представление об истории актива без полной зависимости от институциональной памяти.

Но это обещание имеет одну ловушку, которую легко упустить из виду в спешке развертывания: насколько я видел, агентский ИИ менее является проблемой моделирования, чем проблемой оперативного доверия.

В отраслях с интенсивным использованием активов, таких как коммунальные услуги, транспорт, горнодобывающая промышленность, телекоммуникации и производство, агент ИИ так же хорош, как и данные, на которых он основывает свои действия. Если эти данные неполны, устарели или несовместимы, агент не обязательно громко терпит неудачу. Он может уверенно терпеть неудачу, рекомендую работу на неправильном активе, пропуская зависимость, занижая риск или неправильно оценивая, что следует отдать приоритет.

Кормите агента плохими данными, и он не увеличит интеллект. Он увеличит оперативный риск.

Старые Проблемы С Данными, Но На Новой Скорости

Проблемы с качеством данных, которые агентский ИИ выявляет, не новые. За более чем 17 лет работы над системами и развертыванием управления предприятиями я видел, как эти проблемы повторяются: дублированные записи, отсутствующие отношения между активами, несовместимые соглашения об именах, устаревшие критические рейтинги и плохое кодирование неисправностей на протяжении многих лет.

Что изменилось, так это не природа этих проблем, а их потенциальный охват.

Опытный техник может обнаружить плохую запись до того, как действовать на ее основе, опираясь на годы институциональных знаний, которые никогда не были захвачены в системе. Агент ИИ не имеет такого инстинкта. Он может обработать тысячи записей намного быстрее, чем человек может просмотреть их вручную, применяя одну и ту же ошибочную предположение в масштабе до тех пор, пока кто-то не заметит.

Более широкая проблема реализации предприятия уже видна. Предварительный отчет MIT Project NANDA за 2025 год показал, что 95% изучаемых организаций не достигли измеримого влияния на прибыль и убытки от своих инициатив генеративного ИИ. Отчет приписал этот разрыв в основном пробелам в обучении и интеграции, включая инструменты, которые не сохраняют контекст или не адаптируются эффективно к существующим рабочим процессам. В активо-интенсивных операциях, где плохая рекомендация может повлиять на физическое оборудование, а не только на панель управления, этот разрыв между амбициями ИИ и реальностью данных еще более значим.

Где Плохие Данные Становятся Небезопасным Решением

В оперативных условиях эти последствия становятся физическими.

Возьмем, например, определение приоритета технического обслуживания. Если агент не может увидеть недавнюю неисправность, задержку работы или изменение состояния актива, он может присвоить неправильный приоритет. Это может создать ненужную работу в одной области, позволяя более значительному риску остаться нерешенным в другом месте.

Ставки повышаются еще больше, когда сами отношения между активами неверны. Это сценарий, который поднимает красный флаг. Если система не точно отражает, какие активы подключены, какое оборудование должно быть изолировано до начала работы, или какие ограничения применяются на конкретном сайте, ее рекомендации могут стать действительно небезопасными.

Поэтому организации должны тщательно подумать, прежде чем предоставить агентскому ИИ полную автономию над критическими решениями. Добровольный рамка управления рисками ИИ NIST предлагает структуру для включения достоверности на протяжении всего жизненного цикла системы ИИ, а не только после развертывания. ИИ может быстро собрать информацию, предложить варианты и суммировать доказательства, лежащие в основе рекомендации. Однако, когда на кону стоит безопасность, соблюдение или надежность обслуживания, люди должны оставаться вовлеченными.

По крайней мере, изначально цель должна быть ИИ, поддерживающим решения, а не ИИ, принимающим их в одиночку.

Почему Управление Активами Предприятия Является Основой, А Не Бэк-Офисом

Управление активами предприятия, или УАП, – это где организуется оперативная реальность. Это где ведутся работы, стратегии технического обслуживания, осмотры, утверждения, отношения между активами и истории оборудования.

Сильная основа УАП дает агенту ИИ надежные оперативные данные для работы. Слабая основа, скорее всего, будет сразу же раскрыта. Анализ EY об ИИ-ориентированном управлении активами предприятия также подчеркивает роль реального времени данных и аналитики в перемещении организаций от реактивного к проактивному техническому обслуживанию.

Вместо того, чтобы рассматривать УАП как систему бэк-офиса, организации, готовящиеся к агентскому ИИ, должны рассматривать его как часть оперативного контрольного слоя. Он формирует то, к чему агент ИИ может получить доступ, какие процессы он должен следовать, на каких доказательствах он полагается и где все еще требуется человеческое утверждение.

УАП также помогает предоставить контекст за оперативным решением. Рекомендация по техническому обслуживанию не должна основываться только на состоянии отдельного актива. Она также может зависеть от критичности актива, недавних неисправностей, связанного оборудования, доступных запчастей, процедур безопасности, доступности бригад и того, какое влияние простои будут иметь на более широкую операцию.

Без этого контекста даже технически совершенный агент ИИ может рекомендовать неправильный курс действий.

Являются Ли Ваши Данные Действительно “Готовыми К ИИ”?

Вместо начала широкого и абстрактного обзора качества данных организации лучше начать с конкретного случая использования, такого как планирование технического обслуживания с помощью ИИ, и задать конкретные вопросы.

Это те вопросы, которые я задаю первыми: Доверяем ли мы иерархии активов? Надежна ли история неисправностей? Актуальны ли планы работ? Точна ли доступность бригад? Актуальны ли планы безопасности?

Данные не должны быть идеальными. Немногие организации когда-либо будут иметь идеальные оперативные данные. Они должны быть точными, актуальными и хорошо управляемыми enough для того, чтобы ИИ действительно поддерживал людей, принимающих решения.

Этот подход также делает улучшение данных более управляемым. Вместо того, чтобы пытаться очистить каждую запись во всей организации, команды могут сосредоточиться на информации, которая напрямую влияет на выбранный случай использования.

Риски неправильного подхода к этому вопросу не равномерно распределены. Отрасли, где цифровые решения влияют на физические операции, несут наибольшую экспозицию, что является причиной, по которой NIST разрабатывает специальный профиль рамки управления рисками ИИ для руководства операторами критической инфраструктуры, использующими возможности ИИ. В процессе с низким риском плохая рекомендация ИИ может вызвать неудобства или дополнительную работу. В энергосистеме, водной системе, шахте, транспортной сети или телекоммуникационной среде это может повлиять на безопасность, вызвать простои, создать проблемы с соблюдением или нарушить обслуживание.

Это не означает, что эти отрасли должны избегать агентского ИИ. Это означает, что они должны быть более намеренными в отношении качества данных, управления и человеческого надзора, прежде чем увеличивать его обязанности.

Практический Путь К Агентскому ИИ

Практический путь реализации начинается с конкретного случая использования, где ИИ может добавить ценность без введения чрезмерного риска.

Оттуда организация должна сопоставить данные, от которых зависит случай использования, и честно оценить, можно ли доверять этой информации. Команды должны затем исправить наиболее критические данные об активах, назначить rõкую собственность и стандартизировать, как ведутся работы, неисправности и оперативные изменения.

ИИ должен работать в рамках существующих процессов управления, а не вокруг них. На ранних этапах агент может поддерживать планировщиков, команды надежности и техников, собирая информацию, выявляя закономерности и рекомендуя возможные действия.

Это дает организации время сравнить рекомендации агента с реальными результатами, выявить пробелы в данных и подтвердить, что необходимые контроли работают.

Только после того, как результаты будут поняты, организация должна рассмотреть возможность предоставления ИИ большей ответственности. Автономность должна увеличиваться постепенно и только тогда, когда связанные с этим риски ясны, контролируются и могут быть проверены.

Успешная стратегия агентского ИИ связывает ИИ с надежными данными об активах и сильными рабочими процессами УАП, поддерживаемыми rõкой управлением и человеческой ответственностью. Отчет Deloitte о состоянии ИИ в предприятии за 2026 год приходит к тому же выводу с верха вниз, описывая единую, достоверную основу данных как необходимую для масштабирования ИИ. Организации остаются ответственными за действия, которые ИИ рекомендует или совершает. Эта ответственность не исчезает просто потому, что решение было сгенерировано алгоритмом.

Агентский ИИ должен заслужить свое место в операциях, а не быть им дано. Начните с узкого круга, проверьте его рекомендации против того, что на самом деле происходит, исправьте пробелы в данных, которые возникают, и расширьте его роль только тогда, когда доказательства это оправдывают. Я бы предпочел видеть, как агент зарабатывает небольшое количество доверия и сохраняет его, а не получает большое количество и теряет его. В отраслях с интенсивным использованием активов эта терпимость является разницей между ИИ, который заслуживает доверия, и ИИ, который тихо его теряет.