Недостигът на контекстуални знания и разпокъсаните корпоративни данни спъват навлизането на автономните AI системи в бизнеса. A компаниите, които успяват да внедрят агентите, се сблъскват с нови предизвикателства – свързани със сигурността и поверителността.
Само 34% от проектите за AI агенти в организациите достигат до производствена среда, показва проучване сред 300 ръководители в областта на данните, изкуствения интелект и технологиите. Според експерти обаче, действителният дял може да е значително по-нисък, особено в компаниите, които изискват висока точност на резултатите.
От пилотния проект до реалната работа
Бизнесът инвестира все повече в AI агенти, които могат да анализират информация, да вземат решения и да изпълняват задачи под човешки надзор. Между обещанията на технологията и практическото ѝ приложение обаче зее пропаст.
Според изследването на MIT Insights и neo4j, основна пречка е липсата на достатъчно знания, които да позволят на агентите да разбират корпоративните данни в правилния контекст. Самите данни не са достатъчни, защото системите трябва да знаят какво означават те за конкретната организация, как се отнасят към нейните процеси и какви последствия могат да имат решенията, взети въз основа на тях.
Без здрава основа от данни AI агентите рискуват да правят погрешни или ненадеждни заключения. Това затруднява преминаването от експериментални (пилотни) проекти към реални бизнес-дейности, при които грешките могат да доведат до финансови загуби, нарушени процеси или проблеми с клиентите.
Тенденцията засяга и технологичните компании. Унаследените стари информационни системи, ограниченията пред достъпа до данни и недостатъчният контекст се оказват сериозни препятствия – дори и за организации с опит в разработката и внедряването на нови технологии.
Реалният успех навярно е скромен
Макар че 34%, тоест една трета, е малък дял, някои експерти смятат, че реалността е още по-мрачна. Санджив Мохан, ръководител на консултантската компания SanjMo, смята, че реалният процент на успешно внедрените проекти може да е едноцифрен.
Джим Джейкъб, изпълнителен директор по дигитализация, усъвършенствани анализи и изкуствен интелект в Cummins, също поставя под въпрос представителността на по-високата оценка. Според него при компаниите, които изискват 100% точност на резултатите, делът на успешно внедрените проекти вероятно е около 20% или дори по-малко.
Тези различия показват, че и самото определение за успех не е еднозначно. Един AI агент може да изглежда достатъчно ефективен в процес, при който човек проверява резултатите и коригира грешките, но същият модел може да се окаже непригоден за задача, изискваща практически безпогрешно изпълнение.
Лидерите и техните качества
Проучването разграничава две групи организации според способността им да внедряват агентни системи. Т.нар. лидери в производственото внедряване представляват 13% от анкетираните. Те успяват да придвижат средно 61% от проектите си отвъд пилотната фаза, тоест до реална, продуктивна среда, докато при останалите компании средният дял е 30%.
Лидерите показват някои отличителни характеристики. Например, техните АИ агенти имат по-силни знания от изоставащите. Освен това лидерите е по-малко вероятно от останалите да се борят с остаряла инфраструктура от данни и с фрагментирани данни.
Разпокъсаните данни ограничават достъпа до знания
Фрагментирането на данните, при което информацията не се споделя достатъчно ефективно между отделните технологични системи, е най-често посочваното препятствие пред разширяването на достъпа на AI агентите до корпоративното познание. То е определено като водещ проблем от 55% от анкетираните.
На практика това означава, че необходимата информация може да съществува в организацията, но да остане недостъпна за агента или да не може да бъде свързана с останалите данни по надежден начин. Или пък да се разминава. Например агент, който обработва поръчка, може да разполага с информация за наличностите, но да няма контекст за договорените с клиента условия, ограниченията в доставката или предишни проблеми при изпълнението.
Подобни пропуски затрудняват вземането на обосновани решения. Те могат да бъдат преодолени чрез по-добра интеграция на данните и изграждане на общ слой от знания, който свързва информацията от различни източници и я прави разбираема за AI системите.
Сигурността и поверителността – следващото препятствие
Компаниите, които вече успяват да внедряват значителна част от проектите си за AI агенти, на свой ред се сблъскват с различен набор от предизвикателства. При 72% от лидерите в продуктивното внедряване опасенията за сигурността и поверителността са сред основните проблеми при разширяването на достъпа на агентите до знания.
Данните говорят за показателна промяна в приоритетите с дългоочакваното навлизане на агентния AI. Докато по-голямата част от организациите се опитват да преодолеят фрагментирането на данните и ограничения достъп до информация, по-напредналите вече трябва да управляват рисковете, които възникват, когато автономните системи започнат да работят с по-широк кръг от корпоративни ресурси.
AI агентите могат да извличат информация от множество системи и да предприемат действия въз основа на нея. Ако контролът върху достъпа е недостатъчен, те могат да разкрият чувствителни данни, да използват информация извън разрешения контекст или да изпълнят действие, което противоречи на вътрешните правила.
Затова разширяването на достъпа до знания трябва да върви ръка за ръка с ясни права и ограничения, проследимост на действията и механизми за защита на чувствителната информация.
