Многие предприятия внедряют ИИ, в то время как их базы данных остаются разрозненными, лишенными управления и непригодными для генеративного ИИ или агентного ИИ (Agentic AI).
В EY отмечают, что лишь немногие организации обладают достаточной «зрелостью данных» (data maturity) для эффективного масштабирования ИИ.
Первый признак — стратегия данных служит только для комплаенса и статической отчетности, вместо того чтобы поддерживать машинное обучение, автоматизацию и принятие решений в реальном времени. Многие корпоративные системы данных существуют в виде разрозненных изолированных хранилищ (силосов), не имеют метаданных, четкого владения и трудно поддаются отслеживанию.
Второй признак — слабое управление данными, когда предприятия не знают, где находятся данные или что они в себе содержат. В Capital One заявили, что им пришлось модернизировать всю свою экосистему облачных данных для обслуживания ИИ.
Третий признак — неэффективный контроль (governance), из-за чего отделам приходится сверять данные вручную. Университет Теннесси в Ноксвилле предупреждает, что ИИ скорее усилит несогласованность, чем устранит ее.
Следующий признак — система бизнес-аналитики (BI) теряет пользователей, так как сотрудники сами создают электронные таблицы, теневые модели (shadow models) или собственную аналитику. По данным ISG, когда пользователи перестают верить центральной BI-системе, семантический слой (semantic layer) данных предприятия начинает разрушаться.
Еще один опасный признак — данные четко не связаны с бизнес-результатами (business outcomes), на cod которых должен повлиять ИИ. В Concentrix считают, что ИИ часто выдает ошибочные результаты, если база знаний устарела, не структурирована или имеет слабый контроль. Многие системы данных были написаны для чтения человеком, а не для автоматической обработки машинами.
В статье также подчеркивается, что «долг данных» (data debt) является огромной проблемой, когда предприятия годами накапливают нестандартизированные, маловажные данные, полные технических компромиссов и ярлыков.
В Городском университете Нью-Йорка считают, что у большинства компаний нет финансовых стимулов для реального исправления качества данных.
Последний признак — предприятие испытывает трудности даже с базовой отчетностью и аналитикой. Если для создания простого инсайта по-прежнему требуется координация нескольких команд и ручные операции, ИИ только усложнит проблему.
Эксперты сходятся во мнении, что ИИ не может спасти слабую базу данных, а напротив, обнажит все пробелы в ИТ-инфраструктуре предприятия.
Авторы делают вывод, что ИИ привлекателен, но именно управление данными (data governance) является самой сложной и важной работой для того, чтобы ИИ приносил реальную пользу.
📌 Заключение: Большинство неудач с ИИ сегодня связаны не с моделями, а с корпоративными данными, стоящими за ними. Такие проблемы, как разрозненность данных, слабый контроль, несогласованная семантика и многолетний «долг данных», мешают генеративному и агентному ИИ приносить реальную пользу в больших масштабах. Когда даже базовая бизнес-аналитика не заслуживает доверия, ИИ будет лишь множить ошибки, а не исправлять их. Это отражает новый рыночный тренд: гонка ИИ смещается от чат-ботов и моделей к задачам инфраструктуры данных, метаданных и внутреннего корпоративного управления.
