Sztuczna inteligencja bez fundamentów? Gartner ostrzega – 60% projektów AI upadnie bez odpowiedniego zarządzania danymi

Zdjęcie: dane, sztuczna inteligencja, AI

W miarę jak sztuczna inteligencja staje się priorytetem w strategiach cyfrowych, nowe badanie Gartnera ujawnia alarmujący trend: 63% organizacji albo nie ma, albo nie jest pewnych, czy posiada odpowiednie praktyki zarządzania danymi dla AI. Bez pilnych zmian – ostrzega Gartner – do 2026 roku choćby 60% projektów AI zakończy się porażką z powodu braku odpowiedniego przygotowania danych.

AI wymaga więcej niż tradycyjnego zarządzania danymi

Roxane Edjlali z Gartnera podkreśliła fundamentalną różnicę między tradycyjnym podejściem do danych a tym, czego wymaga AI. Tradycyjne zarządzanie – powolne, uporządkowane, operujące na zamkniętych repozytoriach – nie nadąża za dynamiką modeli sztucznej inteligencji, szczególnie generatywnej (GenAI).

Nowa praktyka wymaga iteracyjnego rozwoju: organizacje powinny budować kompetencje wokół zarządzania wektorowymi bazami danych, fragmentowaniem danych czy technikami embedded search (RAG). Co istotne, zarządzanie danymi gotowymi na AI nie kończy się na wdrożeniu – to proces ciągłej obserwowalności i adaptacji.

Pięć kroków do gotowości danych na AI

Gartner rekomenduje CIO i CDAO pięcioetapowy model dojrzewania danych dla AI:

1. Dopasowanie danych do przypadków użycia – bez odpowiedniego dopasowania jakościowego i ilościowego dane stają się przeszkodą, a nie wsparciem dla modeli.
2. Identyfikacja wymagań prawnych i etycznych – ochrona danych wrażliwych, interoperacyjność czy zgodność z regulacjami muszą być integralną częścią strategii.
3. Rozwój aktywnych metadanych – metadane muszą nie tylko opisywać dane, ale też umożliwiać ich dynamiczne zarządzanie i automatyzację.
4. Budowa nowoczesnych potoków danych – zasilanie modeli AI wymaga elastycznych, zoptymalizowanych strumieni danych w czasie rzeczywistym.
5. Ciągła obserwowalność i optymalizacja – testowanie, monitorowanie i adaptacja danych to warunek utrzymania wysokiej jakości działania modeli AI.

Zarządzanie przedsiębiorstwem AI: nowy paradygmat

Edjlali wskazuje również na rosnące znaczenie zarządzania przedsiębiorstwem AI (Enterprise Governance of AI, EGoAI). Chodzi o zintegrowanie decyzji dotyczących danych, IT, ryzyka i wartości biznesowej na poziomie wykonawczym. Tylko takie podejście umożliwia organizacjom nie tylko wdrożenie AI, ale realne skalowanie jej wpływu na wyniki biznesowe.

To przesunięcie wymaga jednak dojrzałości nie tylko technologicznej, ale też kulturowej: liderzy danych muszą zrywać z silosami organizacyjnymi i przyspieszać rozwój kompetencji wokół zarządzania metadanymi.

Dlaczego organizacje wciąż są w tyle?

Wyniki ankiety Gartnera nie powinny zaskakiwać. Od lat wiadomo, iż zarządzanie danymi pozostaje jednym z najbardziej niedofinansowanych i niedocenianych obszarów w strategiach IT. Jednak w dobie AI cena za zaniedbania rośnie błyskawicznie.

Organizacje, które traktują przygotowanie danych jako “projekt IT”, a nie strategiczny element operacji, gwałtownie przekonają się, iż nie da się zbudować solidnego modelu na nieprzygotowanych fundamentach. W rzeczywistości najwięcej sukcesów odnoszą dziś te firmy, które już teraz inwestują w data readiness – jako osobną, strategiczną kompetencję.

Z perspektywy rynku, oznacza to także wzrost znaczenia nowych funkcji, takich jak Chief Data & AI Officer, i nacisk na integrację zespołów danych z zespołami AI już na etapie projektowania rozwiązań.

Gotowość danych to nowy test dojrzałości cyfrowej

Gotowość danych staje się kluczowym miernikiem dojrzałości cyfrowej organizacji. Jak pokazuje Gartner, dla wielu firm to gorzka lekcja. Ale dla tych, które podejdą do niej z odpowiednią strategią, to szansa na zdobycie przewagi, która w najbliższych latach może decydować o ich być albo nie być.