Penyelidikan Alteryx menyerlahkan jurang yang berterusan antara semangat terhadap AI dan kesediaan infrastruktur data enterprise. AI semakin diterapkan dalam aliran kerja pembuatan keputusan, tetapi penganalisis dan pemimpin masih sukar untuk mempercayai data asas yang digunakan oleh sistem tersebut.

Beberapa isyarat mengukuhkan masalah ini:

• 28% organisasi melaporkan keyakinan yang terhad atau tiada langsung terhadap ketepatan dan kualiti data mereka.
• Banyak inisiatif AI masih terperangkap di peringkat rintis, dengan kurang daripada satu perempat projek berjaya sampai ke peringkat pengeluaran.

Penemuan ini menunjukkan bahawa enterprise tidak terhalang terutamanya oleh algoritma. Sebaliknya, mereka dihadkan oleh set data yang berpecah-pecah, tadbir urus yang tidak konsisten, dan pemilikan data yang tidak jelas.

Tanpa input yang boleh dipercayai, model yang paling canggih sekalipun akan menghasilkan output yang perlu disahkan berulang kali oleh penganalisis. Malah, penganalisis melaporkan menghabiskan masa berjam-jam setiap minggu untuk mengesahkan dan membetulkan hasil yang dijana AI bagi memastikan ia boleh dipercayai untuk keputusan perniagaan.

Kenapa kualiti data dan tadbir urus melambatkan penerimaan AI

Kualiti data yang lemah menyebabkan masalah bertali arus untuk inisiatif AI.

Set data enterprise sering mengalami beberapa isu struktur:

• Data bertaburan di pelbagai sistem dan silo
• Definisi yang tidak konsisten atau kekurangan konteks perniagaan
• Tadbir urus yang lemah atau pemilikan yang tidak jelas
• Kebolehkesanan dan kebolehulangan yang terhad dalam aliran kerja analitik

Apabila masalah ini wujud, sistem AI mungkin masih boleh menjana ramalan—tetapi organisasi teragak-agak untuk bergantung padanya. Kepercayaan menjadi faktor penentu.

Penyelidikan secara konsisten menunjukkan bahawa data berkualiti tinggi, mudah diakses, dan ditadbir urus dengan baik adalah keperluan paling penting untuk AI mencapai potensi sepenuhnya, dan disebut oleh hampir separuh pemimpin sebagai faktor utama untuk penerimaan AI yang berjaya.

Ini menjelaskan kenapa banyak projek perintis AI gagal beralih kepada sistem operasi. Syarikat bereksperimen dengan model sebelum membina asas data yang boleh dipercayai yang diperlukan oleh model tersebut.

Kenapa penganalisis mahu logik AI lebih rapat dengan perniagaan

Salah satu penemuan paling ketara daripada penyelidikan Alteryx adalah bersifat organisasi dan bukannya teknikal: 65% penganalisis percaya AI berfungsi paling baik apabila logik diurus di peringkat perniagaan.

Ini mencerminkan perubahan dalam cara syarikat berfikir tentang tadbir urus analitik.

Daripada pembangunan AI yang berpusat sepenuhnya di jabatan IT, penganalisis semakin menyokong struktur hibrid:

• IT mengurus infrastruktur, keselamatan, dan rangka kerja tadbir urus
• Pasukan perniagaan mengurus logik dan aliran kerja yang terikat dengan keputusan operasi sebenar

Logiknya adalah praktikal. Pasukan perniagaan memahami maksud data dan keputusan yang disokongnya, manakala IT memastikan platform kekal selamat, berskala, dan ditadbir urus.

Platform dan model tadbir urus yang membenarkan pembahagian tanggungjawab ini boleh mengurangkan kesesakan dan mempercepatkan penggunaan AI tanpa mengorbankan pengawasan.

Pengajaran yang lebih besar: Kematangan AI bermula dengan kematangan data

Secara keseluruhan, penyelidikan ini menunjukkan corak yang jelas dalam penerimaan AI enterprise. Organisasi sering cuba memajukan keupayaan AI mereka lebih cepat daripada apa yang boleh disokong oleh infrastruktur data mereka.

Tetapi sistem AI yang berjaya bergantung kepada beberapa prasyarat:

• Set data yang boleh dipercayai dan berkualiti tinggi
• Tadbir urus dan susur galur yang konsisten
• Pemilikan perniagaan yang jelas terhadap logik analitik
• Aliran kerja yang boleh diulang dan menghasilkan keputusan yang boleh diaudit

Tanpa asas ini, output AI menjadi sukar untuk dipercayai—dan penerimaan terhenti.

Implikasinya untuk enterprise adalah mudah: melabur dalam model AI sahaja tidak akan menyelesaikan masalah. Apa yang paling penting ialah membina sistem yang menjadikan data boleh dipercayai, difahami, dan boleh digunakan di seluruh organisasi.

Apabila enterprise beralih daripada eksperimen kepada penggunaan dunia sebenar, kelebihan daya saing mungkin datang kurang daripada algoritma yang lebih baik dan lebih kepada disiplin data yang lebih mantap.

Model baharu untuk AI enterprise

Penemuan Alteryx menunjukkan masa depan di mana inisiatif AI yang berjaya menggabungkan tiga elemen:

1. Asas data yang kukuh dengan set data yang boleh dipercayai dan ditadbir urus dengan baik
2. Pengawasan dan akauntabiliti manusia untuk keputusan yang dipacu AI
3. Pemilikan logik perniagaan yang teragih, dengan IT menyediakan infrastruktur dan tadbir urus

Apabila elemen ini sejajar, sistem AI boleh bergerak melangkaui peringkat rintis dan menjadi alat operasi yang terbenam dalam proses perniagaan harian.

Sehingga itu, banyak organisasi akan terus mempelajari pengajaran yang sama: bahagian paling sukar dalam AI bukanlah membina model—tetapi menyediakan data.

Penyelidikan Alteryx menyerlahkan jurang yang berterusan antara semangat terhadap AI dan kesediaan infrastruktur data enterprise. AI semakin diterapkan dalam aliran kerja pembuatan keputusan, tetapi penganalisis dan pemimpin masih sukar untuk mempercayai data asas yang digunakan oleh sistem tersebut.

Beberapa isyarat mengukuhkan masalah ini:

• 28% organisasi melaporkan keyakinan yang terhad atau tiada langsung terhadap ketepatan dan kualiti data mereka.
• Banyak inisiatif AI masih terperangkap di peringkat rintis, dengan kurang daripada satu perempat projek berjaya sampai ke peringkat pengeluaran.

Penemuan ini menunjukkan bahawa enterprise tidak terhalang terutamanya oleh algoritma. Sebaliknya, mereka dihadkan oleh set data yang berpecah-pecah, tadbir urus yang tidak konsisten, dan pemilikan data yang tidak jelas.

Tanpa input yang boleh dipercayai, model yang paling canggih sekalipun akan menghasilkan output yang perlu disahkan berulang kali oleh penganalisis. Malah, penganalisis melaporkan menghabiskan masa berjam-jam setiap minggu untuk mengesahkan dan membetulkan hasil yang dijana AI bagi memastikan ia boleh dipercayai untuk keputusan perniagaan.

Kenapa kualiti data dan tadbir urus melambatkan penerimaan AI

Kualiti data yang lemah menyebabkan masalah bertali arus untuk inisiatif AI.

Set data enterprise sering mengalami beberapa isu struktur:

• Data bertaburan di pelbagai sistem dan silo
• Definisi yang tidak konsisten atau kekurangan konteks perniagaan
• Tadbir urus yang lemah atau pemilikan yang tidak jelas
• Kebolehkesanan dan kebolehulangan yang terhad dalam aliran kerja analitik

Apabila masalah ini wujud, sistem AI mungkin masih boleh menjana ramalan—tetapi organisasi teragak-agak untuk bergantung padanya. Kepercayaan menjadi faktor penentu.

Penyelidikan secara konsisten menunjukkan bahawa data berkualiti tinggi, mudah diakses, dan ditadbir urus dengan baik adalah keperluan paling penting untuk AI mencapai potensi sepenuhnya, dan disebut oleh hampir separuh pemimpin sebagai faktor utama untuk penerimaan AI yang berjaya.

Ini menjelaskan kenapa banyak projek perintis AI gagal beralih kepada sistem operasi. Syarikat bereksperimen dengan model sebelum membina asas data yang boleh dipercayai yang diperlukan oleh model tersebut.

Kenapa penganalisis mahu logik AI lebih rapat dengan perniagaan

Salah satu penemuan paling ketara daripada penyelidikan Alteryx adalah bersifat organisasi dan bukannya teknikal: 65% penganalisis percaya AI berfungsi paling baik apabila logik diurus di peringkat perniagaan.

Ini mencerminkan perubahan dalam cara syarikat berfikir tentang tadbir urus analitik.

Daripada pembangunan AI yang berpusat sepenuhnya di jabatan IT, penganalisis semakin menyokong struktur hibrid:

• IT mengurus infrastruktur, keselamatan, dan rangka kerja tadbir urus
• Pasukan perniagaan mengurus logik dan aliran kerja yang terikat dengan keputusan operasi sebenar

Logiknya adalah praktikal. Pasukan perniagaan memahami maksud data dan keputusan yang disokongnya, manakala IT memastikan platform kekal selamat, berskala, dan ditadbir urus.

Platform dan model tadbir urus yang membenarkan pembahagian tanggungjawab ini boleh mengurangkan kesesakan dan mempercepatkan penggunaan AI tanpa mengorbankan pengawasan.

Pengajaran yang lebih besar: Kematangan AI bermula dengan kematangan data

Secara keseluruhan, penyelidikan ini menunjukkan corak yang jelas dalam penerimaan AI enterprise. Organisasi sering cuba memajukan keupayaan AI mereka lebih cepat daripada apa yang boleh disokong oleh infrastruktur data mereka.

Tetapi sistem AI yang berjaya bergantung kepada beberapa prasyarat:

• Set data yang boleh dipercayai dan berkualiti tinggi
• Tadbir urus dan susur galur yang konsisten
• Pemilikan perniagaan yang jelas terhadap logik analitik
• Aliran kerja yang boleh diulang dan menghasilkan keputusan yang boleh diaudit

Tanpa asas ini, output AI menjadi sukar untuk dipercayai—dan penerimaan terhenti.

Implikasinya untuk enterprise adalah mudah: melabur dalam model AI sahaja tidak akan menyelesaikan masalah. Apa yang paling penting ialah membina sistem yang menjadikan data boleh dipercayai, difahami, dan boleh digunakan di seluruh organisasi.

Apabila enterprise beralih daripada eksperimen kepada penggunaan dunia sebenar, kelebihan daya saing mungkin datang kurang daripada algoritma yang lebih baik dan lebih kepada disiplin data yang lebih mantap.

Model baharu untuk AI enterprise

Penemuan Alteryx menunjukkan masa depan di mana inisiatif AI yang berjaya menggabungkan tiga elemen:

1. Asas data yang kukuh dengan set data yang boleh dipercayai dan ditadbir urus dengan baik
2. Pengawasan dan akauntabiliti manusia untuk keputusan yang dipacu AI
3. Pemilikan logik perniagaan yang teragih, dengan IT menyediakan infrastruktur dan tadbir urus

Apabila elemen ini sejajar, sistem AI boleh bergerak melangkaui peringkat rintis dan menjadi alat operasi yang terbenam dalam proses perniagaan harian.

Sehingga itu, banyak organisasi akan terus mempelajari pengajaran yang sama: bahagian paling sukar dalam AI bukanlah membina model—tetapi menyediakan data.