A nyílt adat-infrastruktúra lehet az agentikus vállalat alapja

Az ügynökök összenyomják a tanácsadói piramist

A Fivetran szeptember 28-án közzétett elemzése szerint az agentikus mesterséges intelligencia jelentősen csökkentheti az elemzések elkészítéséhez szükséges emberi munkát. Egy olyan feladat, amelyhez korábban három elemző háromhetes munkája kellett, megfelelően irányított adatokhoz kapcsolt ügynökkel akár egy délután alatt elkészíthető.

A munka előállításának költsége így nagyságrenddel csökkenhet, miközben az elemzés által támogatott üzleti döntés értéke nagyjából változatlan marad. Ez nyomás alá helyezi az óradíjra, a létszámra és a ráfordított munkára épülő tanácsadói árazást.

A Gartner becslése szerint a szervezetek több mint 60 százaléka két éven belül AI-ügynököket akar bevezetni, miközben jelenleg 17 százalékuk használ ilyen rendszereket. A BCG 115 vállalati és 75 szolgáltatói vezető megkérdezésére épülő kutatása legfeljebb 200 milliárd dollárnyi új értékteremtési lehetőséget azonosít a következő öt évre. A vállalatok kétharmada arra számít, hogy kiemelt ügynöki AI-eseteit szolgáltatók fogják működtetni.

A legnagyobb hiány a vállalati kontextus

A Fivetran szerint a tanácsadóknak nem pusztán intelligenciát kell szállítaniuk, mivel azt a fejlett AI-laboratóriumok már alacsony költséggel biztosítják. A ritka erőforrás a kontextus: annak ismerete, hogy egy vállalat mit ért az egyes fogalmak alatt, milyen rendszereket használ, és mire jogosult egy ügynök.

Az elemzés három példát említ a hiányos kontextus következményeire. Egy kanadai törvényszék 2024-ben az Air Canadát kártérítésre kötelezte, miután a légitársaság chatbotja nem létező, gyász miatti kedvezményes viteldíjról adott tájékoztatást. 2025 júliusában egy Replit-kódoló asszisztens törölt egy éles adatbázist egy kódzárlat idején. A Klarna esetében pedig a vállalat korábbi állítása szerint az AI-ügynök 853 alkalmazott munkáját végezte el és 60 millió dollárt takarított meg, később azonban a szolgáltatás minőségének romlásáról és dolgozók újbóli felvételéről számoltak be.

A forrás szerint az ilyen hibák elsősorban nem a következtetési képesség, hanem a kontextus hiányosságai miatt következtek be. A vállalatok mintegy 80 százaléka az adatminőséget tartja az AI bevezetése fő akadályának, miközben a Fivetran felkészültségi indexe alapján csak 15 százalékuk tekinthető teljesen felkészültnek.

Mit adhat a nyílt adat-infrastruktúra?

A Fivetran és a dbt Labs által Open Data Infrastructure, vagyis nyílt adat-infrastruktúra néven leírt megközelítés középpontjában egy nyílt és irányított adat-alap áll. Ez olyan adattóra épülhet, amely nyílt táblázatformátumokat, például Apache Iceberget vagy Delta Lake-et használ. Így több feldolgozómotor ugyanazokat az adatokat olvashatja és írhatja biztonságosan.

A tárolás és a számítás szétválasztása lehetővé teszi, hogy az ügyfél egy helyen tárolja az adatokat, majd a feladathoz megfelelő motort válasszon. A forrás példaként a Snowflake, a Databricks és a GCP megoldásait említi.

Az ügynökök számára három összetevő különösen fontos: az adatvonal, amely megmutatja az adatok eredetét és megbízhatóságát, a szemantikai réteg, amely egységesíti az olyan fogalmak értelmezését, mint a bevétel, valamint az irányítás, amely meghatározza, hogy az ügynök mit láthat, miről dönthet és mit módosíthat. Ezek együtt ellenőrizhető munkafolyamattá alakíthatják az ügynöki rendszereket.

Az elemzés szerint ez két fontos szabadságot ad az ügyfeleknek. A vállalati logika nem egyetlen feldolgozómotorba záródik, ezért a szervezet később újra válthat a platformok között az alapvető definíciók újraépítése nélkül. Emellett több AI-szolgáltatást is használhat, köztük a Databricks Mosaic AI-t, a Snowflake Cortexet, a Google Vertex AI-t vagy az Amazon Bedrockot.

Új szolgáltatási területek nyílhatnak

A Fivetran három olyan szolgáltatási területet emel ki, amely nyílt adat-infrastruktúrára épülhet. Az AI-munkafolyamatok tervezése az adatokat kifejezetten az ügynökök használatához modellezi, és sok kisebb, irányítható ügynök létrehozását célozza egyetlen nagy rendszer helyett.

Az AI-költségarchitektúra, a következő generációs FinOps, a feldolgozási feladatok motorok és modellek közötti elosztására épít. A szabályozott AI-bevezetés pedig azért lehet kiemelt terület, mert a forrás szerint a vállalatok nagyjából egyötödénél érett az ügynöki irányítás, miközben az üzleti egységek kezdeményezéseinek körülbelül fele felügyelet nélkül működik.

A tanácsadók számára így az lehet a döntő kérdés, hogy egy ügyfél pontosan hol tart az ügynöki rendszerek bevezetésében. A forrás által leírt út a szétszórt üzleti logikától és bemutató célú ügynököktől a verziókezelt átalakításokon és a látható költségeken át a központilag kezelt szemantikai rétegig, végül pedig a géppel olvasható irányításig vezet. Az ügyfelek ezeket a lépcsőket nem tudják átugrani, miközben sok szervezet mégis ezt próbálja megtenni.