AI-ready data jsou nutná, ale sama o sobě AI nezachrání

K tomuhle zamyšlení mě přivedly dva články od Gartneru, které spolu na první pohled nesouvisí, ale při společném čtení vytvářejí poměrně výmluvný obraz.

V prvním článku Gartner upozorňuje, že bez „AI-ready“ dat se AI iniciativy dostávají do slepé uličky a významná část projektů skončí dřív, než se je podaří zavést do produkce. Původní článek zde.

Druhá predikce říká, že většina iniciativ v oblasti D&A governance selže, pokud nebude pevně navázaná na konkrétní business výsledky a nebude tažená silným impulzem (reálným nebo „uměle vytvořeným“). Původní článek zde.

V praxi se tyto dvě teze často potkávají v jednom scénáři: firmy si logicky odvodily, že „AI-ready data“ jsou klíčový předpoklad úspěchu AI. A z toho vznikla zkratka: když vybudujeme datovou platformu a zlepšíme kvalitu a dostupnost dat, AI se pak už „přidá“ a začne fungovat. Jinými slovy, D&A se začalo chápat jako hlavní enabler AI adopce.

Jenže to je jen část pravdy.

Proč samotné D&A nestačí

Datové platformy dnes typicky zvládnou zásadní práci: integrace, transformace, zvyšování kvality, dohledatelnost, lepší dostupnost dat, konzistentní metriky a reporting. To je nutný základ. Bez něj AI ve většině organizací skutečně naráží.

Současně ale platí, že datová platforma je ve své podstatě vrstva nad provozní realitou. Pracuje s připravenými pohledy, projekcemi a „produkty“ nad daty, typicky optimalizovanými pro analýzu, reporting a podporu rozhodování. To výborně funguje pro „insighty“.

Problém začíná ve chvíli, kdy cílem není insight, ale výsledek, tedy autonomní nebo semi-autonomní chování v procesech.

Autonomní AI znamená Systems of Record, autoritu a odpovědnost

Jakmile má AI něco vykonat (spustit krok v procesu, založit záznam, změnit stav, udělat závazné rozhodnutí, komunikovat jménem role), musí se interagovat se systémy evidence (Systems of Record), se systémy, které vlastní autoritativní stav, pravidla, oprávnění a audit.

A tady se ukazuje, že „AI-ready data“ řeší jen část problému. Nestačí mít čistý datový zdroj a přístup k němu. Je potřeba vyřešit enterprise otázky, které rozhodují o bezpečnosti a důvěryhodnosti celého řešení:

• Delegovaná autorita: za koho může agent jednat, v jaké roli a v jakých limitech.

• Oprávnění a podmínky použití: co smí vidět a použít (least privilege), za jakým účelem a za jakých pravidel.

• Hranice kontextu: oddělení aktérů a procesů tak, aby se informace nepřenášely tam, kam nemají — například mezi různými konverzacemi, případy nebo rolemi.

• Auditovatelnost a odpovědnost: kdo požádal, co se četlo, co se udělalo, proč a kdo za to nese odpovědnost.

Tohle nejsou primárně „data engineering“ otázky. Data engineering umí implementovat řadu kontrolních věcí v platformě (kontrakty, dohledatelnost, observabilitu, policy enforcement). Ale definice autority, hranic Systems of Record, rozhodovacích práv a odpovědností je otázka architektury, governance a operačního modelu.

Co z toho plyne pro Enterprise Architecture

Pokud je pravda, že AI bez AI-ready dat často skončí jako MVP a nedostane se do ostrého nasazení,  pak je investice do dat a D&A nutná. Pokud je zároveň pravda, že governance bez jasného business ukotvení selhává, pak AI jako vágní univerzální motivace pro D&A může skončit jen jako soubor správných aktivit bez dostatečné vazby na konkrétní výsledky.

Pro autonomní AI je potřeba doplnit ještě jednu dimenzi: authority readiness. Tedy schopnost organizace řídit, kdo (a za koho) může jednat, k čemu má přístup, jak se oddělují kontexty, jak se vše audituje a kde leží odpovědnost. Bez toho budou piloty vypadat přesvědčivě, ale produkční nasazení se bude točit hlavně kolem rizika a dohánění věcí, které měly být jasné už při návrhu.