Главная причина провалов корпоративного ИИ — не модели, а данные

Это означает, что ключевое препятствие для корпоративного ИИ — не технологии машинного обучения как таковые. Гораздо чаще проблема заключается в разрозненных источниках данных, неясной ответственности за них и слабой системе управления данными.

Даже если модель построена корректно, ее результаты приходится регулярно перепроверять. Согласно исследованию, аналитики тратят несколько часов в неделю на проверку и корректировку результатов, сгенерированных ИИ, чтобы убедиться, что их можно использовать в бизнес‑решениях.

Как плохие данные тормозят внедрение ИИ

Проблемы с данными создают цепную реакцию, которая замедляет или полностью блокирует внедрение ИИ.

Во многих организациях данные сталкиваются с системными проблемами:

• данные распределены по множеству систем и «силосов»
• отсутствуют единые определения и бизнес‑контекст
• не определена ответственность за данные
• аналитические процессы трудно проверять и повторять

В такой ситуации модели могут строить прогнозы, но компании не готовы полагаться на их результаты. Решения на основе ИИ требуют доверия, а без надежных данных это доверие не возникает.

По данным исследования, почти половина руководителей считает, что высококачественные, доступные и хорошо управляемые данные — главный фактор успешного внедрения ИИ.

Это объясняет, почему многие пилотные проекты ИИ не переходят в производственную эксплуатацию. Компании часто начинают с моделей, не создав прежде надежную основу из данных.

Почему аналитики хотят видеть логику ИИ ближе к бизнесу

Один из наиболее интересных выводов отчета связан не столько с технологиями, сколько с организацией работы.

65% аналитиков считают, что ИИ работает эффективнее, когда его логика управляется на уровне бизнес‑подразделений.

Это отражает изменение подхода к управлению аналитикой внутри компаний.

Вместо полностью централизованной разработки ИИ внутри ИТ‑отделов аналитики все чаще поддерживают гибридную модель:

• ИТ отвечает за инфраструктуру, безопасность и рамки управления
• бизнес‑команды управляют логикой и аналитическими процессами, связанными с конкретными решениями

Причина проста: именно бизнес‑подразделения лучше всего понимают смысл данных и контекст решений. ИТ‑команды при этом обеспечивают стабильность, масштабируемость и контроль системы.

Такая модель помогает уменьшить узкие места и ускорить внедрение ИИ, не жертвуя контролем и безопасностью.

Главный урок: зрелость ИИ начинается со зрелости данных

В совокупности результаты исследования показывают типичную проблему корпоративного внедрения ИИ: организации часто пытаются ускорить развитие ИИ быстрее, чем развивается их инфраструктура данных.

Но успешные системы ИИ требуют базовых условий:

• надежных и качественных наборов данных
• прозрачного управления данными и их происхождением
• понятной ответственности за бизнес‑логику
• воспроизводимых аналитических процессов

Без этих элементов результаты ИИ сложно проверять и еще сложнее использовать в операционных процессах.

Главный вывод для компаний очевиден: инвестиции только в модели ИИ не решают проблему. Ключевым фактором становится создание инфраструктуры, которая делает данные надежными, понятными и доступными для всей организации.

По мере перехода от экспериментов к реальному применению конкурентное преимущество может определяться не столько более сложными алгоритмами, сколько более зрелой культурой работы с данными.

Как может выглядеть новая модель корпоративного ИИ

Исследование Alteryx фактически описывает архитектуру будущих успешных ИИ‑инициатив. В ней сочетаются три элемента:

1. Надежная основа данных — качественные и управляемые наборы данных
2. Человеческий контроль и ответственность за решения, принимаемые с помощью ИИ
3. Распределенная ответственность за бизнес‑логику, где ИТ обеспечивает инфраструктуру и правила управления

Когда эти компоненты совпадают, проекты ИИ перестают быть экспериментами и становятся частью повседневных бизнес‑процессов.

Пока же многие компании продолжают сталкиваться с одним и тем же выводом: самая сложная часть внедрения ИИ — не создание модели, а подготовка данных, на которых она работает.