U utrci za usvajanjem i prikazivanjem vrijednosti umjetne inteligencije (AI), poduzeća se brže nego ikad odlučuju na implementaciju agentnog AI-a kao pomoćnika i autonomnih izvršitelja zadataka. Prema godišnjem izvješću McKinseyja, do kraja 2025. godine gotovo dvije trećine tvrtki eksperimentiralo je s AI agentima, dok je 88% koristilo AI u barem jednoj poslovnoj funkciji, što je porast u odnosu na 78% u 2024. No, iako rani projekti često postižu uspjeh, samo jedan od deset poduzeća zapravo je skalirao svoje AI agente. Ključni problem: AI agenti učinkoviti su samo koliko i temeljni podaci koji ih podržavaju. Stručnjaci tvrde da većina poduzeća ima kašnjenja u implementaciji AI-a, ne zbog nedostataka u modelima, već zato što im nedostaju podatkovne arhitekture koje pružaju poslovni kontekst koji se može pouzdano koristiti. Poduzeća moraju biti spremna s pravom podatkovnom arhitekturom, a sljedećih nekoliko mjeseci — najviše godina — bit će presudno, kaže Irfan Khan, predsjednik i glavni proizvodni direktor SAP Data & Analytics. “Jedina predikcija koju bilo tko može pouzdano napraviti je da ne znamo što će se dogoditi u godinama, mjesecima — ili čak tjednima — koji dolaze s AI-em,” kaže. “Kako biste mogli postići brze pobjede sada, morate usvojiti AI način razmišljanja i… temelji svoje AI modele na pouzdanim podacima.”
Dok su podaci oduvijek bili važni za poslovanje, bit će još važniji u doba AI-a. Sposobnosti agentnog AI-a bit će više određene kvalitetom poslovne podatkovne arhitekture i upravljanjem, a manje evolucijom modela. Kako bi se tehnologija skalirala, poduzeća trebaju usvojiti modernu podatkovnu infrastrukturu koja isporučuje kontekst zajedno s podacima. Više poslovnog konteksta, ne nužno više podataka. Tradicionalni pogledi često miješaju strukturirane podatke s visokom vrijednošću i nestrukturirane podatke s manjom vrijednošću. Međutim, AI komplicira tu razliku. Podaci visoke vrijednosti za agente definiraju se manje prema formatu i više prema poslovnom kontekstu. Podaci za kritične poslovne funkcije — poput operacija u lancu opskrbe i financijskog planiranja — ovise o kontekstu. Dok finiji, visokovolumenski podaci, kao što su IoT, logovi i telemetrija, mogu donijeti vrijednost, to se događa samo kada se isporučuju s poslovnim kontekstom.
Pravi rizik za agentni AI nije nedostatak podataka, već nedostatak temelja, kaže Khan. “Sve što je poslovno kontekstualno, po definiciji, pružit će vam veću vrijednost i veće razine pouzdanosti poslovnog ishoda,” navodi. “Nije tako jednostavno reći da su podaci visoke vrijednosti strukturirani podaci, a podaci niske vrijednosti su oni gdje imate puno ponavljanja — oboje može imati ogromnu vrijednost u pravim rukama, i to je ono što je drugačije kod AI-a.” Kontekst se može izvesti integracijom s softverom, analizom i obogaćivanjem na licu mjesta ili kroz upravljački sustav. Podaci koji nemaju te kvalitete vjerojatno će biti nepouzdani — jedan od razloga zašto dvije trećine poslovnih lidera ne vjeruje u svoje podatke, prema Institutu za podatke i Enterprise AI (IDEA). Nastali “dug povjerenja” usporava poduzeća u njihovoj potrazi za spremnošću za AI.
