Firmy wdrażają AI na złych danych. 89% miało problemy z wynikami

Sztuczna inteligencja ma przyspieszać analizę informacji, ograniczać błędy i pomagać firmom przewidywać trendy. W praktyce skuteczność takich wdrożeń zależy przede wszystkim od jakości danych, infrastruktury i sposobu integracji nowych narzędzi z istniejącymi systemami. Tymczasem tylko 49% organizacji uważa, że jest w pełni przygotowanych do wykorzystania AI w analizie danych, a 84% liderów zespołów analitycznych widzi potrzebę gruntownej zmiany strategii zarządzania danymi, wynika z badań Salesforce. 

W niemal 9 na 10 organizacji (89%) zdarzyło się, że wyniki uzyskane przy pomocy sztucznej inteligencji były niedokładne lub błędne. Dla firm oznacza to nie tylko konieczność weryfikowania rezultatów, ale także rosnące ryzyko związane z wykorzystaniem AI. Aż 95% dyrektorów finansowych uważa, że stosowanie sztucznej inteligencji w analizie danych jest ryzykowne. Obawy dotyczą zarówno błędnych wyników, jak i potencjalnego wycieku wrażliwych informacji.

Źródłem problemów może być sposób, w jaki firmy podchodzą do wdrażania AI.

„Niektóre organizacje decydują się na implementację dość przypadkowych narzędzi i modeli sztucznej inteligencji z nadzieją, że usprawnią one dotychczasowe procesy. Tymczasem, aby osiągnąć oczekiwane efekty, konieczne jest zbudowanie kompletnych systemów. Należy je zintegrować z dotychczas wykorzystywaną infrastrukturą IT oraz sukcesywnie rozwijać. Takie podejście zapewni większą kontrolę nad wykorzystywanymi rozwiązaniami – ograniczy błędy AI, zwiększy trafność wyników oraz poprawi zarządzanie kontekstem. Stworzenie spójnego środowiska nie wymaga zmian w architekturze, ale wiąże się z rewolucją w kulturze organizacyjnej. Dlatego należy edukować zespół w zakresie świadomego i bezpiecznego wykorzystania AI” – wyjaśnia Sebastian Jaworski, wiceprezes Linux Polska.

Błędne decyzje kosztują miliony

Problem z jakością danych nie pojawił się wraz z AI. Niemal połowa dyrektorów finansowych (47%) wskazuje, że w ciągu ostatniego roku podjęła błędną decyzję na podstawie niedokładnych lub niekompletnych danych finansowych. W 72% takich przypadków konsekwencją były straty wynoszące co najmniej 500 tys. dolarów, czyli ponad 1,8 mln zł, wskazuje badanie Onestream.

Jednym z powodów jest rozproszenie informacji. Poszczególne działy mogą stosować własne zasady gromadzenia i przetwarzania danych, co utrudnia ich późniejsze wykorzystanie. Według szacunków Salesforce,  nawet 90% informacji posiadanych przez przedsiębiorstwa to dane nieustrukturyzowane. Nie mają one jednolitego formatu ani określonej struktury, dlatego przed wykorzystaniem wymagają odpowiedniego przygotowania. Jednocześnie 7 na 10 liderów zespołów analitycznych uważa, że właśnie w nieustrukturyzowanych danych znajdują się najważniejsze informacje dla ich organizacji. W tym kontekście istotną rolę odgrywają bazy danych oraz procesy ETL, czyli extract, transform, load, które pozwalają wyodrębniać, przekształcać i ładować informacje między różnymi modelami.

Tylko część firm jest gotowa na analitykę AI

Dane Salesforce pokazują, że tylko 49% organizacji czuje się w pełni przygotowanych do wdrożenia AI pod względem infrastruktury. W przypadku poszczególnych obszarów odsetki są jeszcze niższe: 47% firm jest gotowych pod względem jakości danych, 47% ich bezpieczeństwa, 46% integracji, a 45% aktualności informacji. Oznacza to, że dla większości organizacji barierą nie jest samo uruchomienie narzędzia AI, ale przygotowanie środowiska, z którego będzie ono korzystać. Nieaktualne, niepełne lub rozproszone dane zwiększają ryzyko błędnych wyników i ograniczają wartość analizy.

Problem widać również w sposobie, w jaki firmy korzystają z danych. Zaledwie 19% organizacji wykorzystuje do analiz AI dane wejściowe z jednego systemu. Dla 32% przedsiębiorstw rozproszenie baz i brak integracji są głównymi barierami w osiągnięciu zakładanych celów.

Mimo tych problemów firmy nie rezygnują z AI. Ponad połowa przedsiębiorstw (55%) szkoli lub rozwija własne modele przy pomocy niewłaściwych danych. W efekcie technologia, która miała ograniczać liczbę błędów i poprawiać jakość analizy, może je dodatkowo utrwalać.