A mesterséges intelligencia skálázása könnyű, a megbízhatóság megteremtése nehéz

Gyorsan nőnek a beruházások, lassan érik a vállalati AI

A dbt Labs augusztus 25-én közzétett elemzése szerint a következő három évben a vállalatok 92 százaléka tervezi növelni az AI-ra fordított beruházásait. Ezzel szemben mindössze 1 százalékuk tekinti magát érettnek az AI bevezetésében. A különbség arra utal, hogy a szervezetek gyorsabban terjesztik a technológiát, mint ahogy kiépítik az azt megbízhatóan támogató adat-infrastruktúrát.

A cég szerint a megbízható AI alapja a megbízható adat-infrastruktúra. Ez nem kizárólag az adatokról szól, hanem az irányításról, a felelősségi körökről, az üzleti kontextusról, a rendszerek együttműködéséről és a működési hatékonyságról is. Ezekre a képességekre a másodpilóták és az önállóan működő ügynökök esetében egyaránt szükség van.

A skálázás felerősíti a régi adatproblémákat

Ahogy az AI egyre több munkafolyamatban és üzleti területen jelenik meg, a korábbi gyengeségek is láthatóbbá és súlyosabbá válnak. A dbt Labs felsorolása szerint az AI által felhasznált nagyobb adatmennyiség felerősítheti az adatminőségi problémákat, miközben az adatirányítás fenntartása nehezebbé válik a csapatok, rendszerek és AI-munkafolyamatok között.

A felelősség szintén könnyen tisztázatlanná válhat, mivel az adatok, a mutatók, az AI-kimenetek és az ügynöki munkafolyamatok több érintett között oszlanak meg. Ez különösen akkor fontos, amikor az ügynökök csapatokon átívelően, önállóan kezdenek működni. Emellett az infrastruktúra, a számítási kapacitás és az üzemeltetési költségek kezelése is nehezebb lehet. A bizalom pedig akkor kerül nyomás alá, amikor az AI által előállított eredmények és az ügynökök által indított műveletek munkatársakhoz vagy ügyfelekhez jutnak el.

A szervezetek azt is nehezen magyarázhatják meg, hogyan született egy AI által adott válasz. A dbt Labs szerint ezek a problémák együtt azt jelzik, hogy a vállalatok gyorsabban skálázzák az AI-t, mint ahogy a megbízható adat-infrastruktúra ezt támogatni tudná.

A kutatási adatok szerint az adatminőség kulcskérdés

A dbt Labs 2026-os State of Analytics Engineering Report jelentése több, az AI-ra is hatással lévő nehézséget emel ki. A válaszadók 53 százaléka az adatminőséget jelölte meg egyik legfontosabb kihívásként, 41 százalékuk pedig a tisztázatlan adattulajdonlást nevezte tartós problémának. A megkérdezettek 71 százaléka aggódik amiatt, hogy hallucinált vagy hibás adatok jutnak el az érintettekhez.

A vállalat szerint az AI-ra való felkészültség ezért attól függ, milyen adat-infrastruktúra támasztja alá a rendszereket. Minél közelebb kerül egy szervezet az önálló, ügynöki működéshez, annál nagyobb lehet a hibás alapok ára. A cél olyan környezet kialakítása, amelyben az AI nagy léptékben is pontos, magyarázható és következetes eredményeket tud előállítani.

Érettségi modell alapján mérnék fel a hiányosságokat

A dbt Labs a következő lépésként egy Enterprise AI Data Maturity Model nevű keretrendszert készít. A cég leírása szerint ez az eszköz az AI-érettség felmérésében, a képességbeli hiányosságok azonosításában és a következő beruházási területek kijelölésében segíthet. A hozzá kapcsolódó útmutató azt vizsgálja, milyen képességekre van szükség a megbízható adatoktól a megbízható AI-ig és az ügynökökig vezető úton.

A dbt Labs Senior Director of Product Strategy pozícióban dolgozó Russell Christopher és az Infinite Lambda Chief Product Officerje, Petyo Pahunchev szeptember 2-án vagy 3-án mutatja be először a modellt egy webináron. A vállalat szerint a keretrendszer ötfokozatú, és azt segíti feltárni, hol tart egy szervezet, illetve mi szükséges a továbblépéshez.