Narzędzia sztucznej inteligencji coraz częściej wspierają liderów w interpretacji danych, jednak brak kontekstu biznesowego prowadzi do błędnych wniosków. Według badań niemal połowa analityków wskazuje, że organizacje podejmują nieprawidłowe decyzje z powodu pominięcia lub nieprawidłowej interpretacji kontekstu biznesowego.
Sztuczna inteligencja jest wykorzystywana w procesie analizy danych przez 64 proc. liderów biznesowych, przy czym tylko 53 proc. z nich korzysta z pomocy specjalistów technicznych. Mimo rosnącego zapotrzebowania na szybkie przetwarzanie informacji efekty często odbiegają od oczekiwań. Prawie połowa analityków (49 proc.) alarmuje, że organizacje podejmują błędne decyzje, ponieważ w analizach pominięto lub nieprawidłowo zinterpretowano kontekst biznesowy.
Halucynacje i bariery techniczne
Problemy z narzędziami AI nie zawsze wynikają z tzw. halucynacji, czyli generowania przez modele fałszywych statystyk. Aż 74 proc. osób korzystających z analitycznych rozwiązań opartych na sztucznej inteligencji przyznaje, że w swojej pracy posługiwało się wynikami, które później okazały się błędne. Ograniczenia te wynikają m.in. z nieoptymalnych promptów, sposobów trenowania modeli AI oraz braku mechanizmów kontrolujących kontekst zapytań. W konsekwencji narzędzia te mogą np. wskazać błędną przyczynę spadku sprzedaży konkretnego produktu albo uznać trendy dotyczące wąskiej grupy konsumentów za typowe dla wszystkich.
Maciej Wawrzyniak, Dyrektor obszaru baz danych i inżynierii danych w Linux Polska, wskazuje na problem z przekładaniem kwestii biznesowych na zapytania techniczne. Aż 63 proc. analityków twierdzi, że błędy wynikają z trudności w przekładaniu kwestii biznesowych na zapytania techniczne. Według niego 93 proc. badanych uważa, że wyniki byłyby lepsze, gdyby pytania można było zadawać w języku naturalnym. Rozwiązania wymagające znajomości języka SQL ograniczają potencjał osób operacyjnych, dlatego chatboty powinny automatycznie tłumaczyć język naturalny na zapytania techniczne.
Znaczenie kontekstu dla rentowności
Nawet poprawna technicznie analiza może być bezużyteczna, jeśli nie uwzględnia specyfiki organizacji. Liderzy biznesowi podkreślają, że 93 proc. z nich uznaje kontekst za niezbędny do wyciągnięcia właściwych wniosków. Tomasz Dziedzic, CTO Linux Polska, wyjaśnia, że analiza musi być powiązana z kontekstem rynkowym. W strukturze plików z danymi należy uwzględniać szczegółowe metadane, takie jak cel biznesowy, źródło informacji czy definicje wskaźników. Pominięcie tych elementów często skutkuje inwestowaniem w nieopłacalne projekty lub niedopasowaniem oferty do potrzeb klientów.
Kontekst jest również kluczowy dla bezpieczeństwa. Analiza ryzyka musi opierać się na specyfice branży, zmianach w licencjach, danych historycznych o cyberatakach oraz regulacjach prawnych. Dzięki temu zakres działania narzędzia AI nie ogranicza się do wskazania podatności, lecz obejmuje również potencjalne zagrożenia oraz ich wpływ na ciągłość działania firmy.
Rozproszenie danych jako bariera wzrostu
Wyzwanie stanowi również rosnący wolumen informacji, który zwiększa się o około 30 proc. rocznie. Przeciętna firma korzysta już z 21 usług chmurowych i 21 operacyjnych baz danych, a dane o klientach są rozproszone na średnio 15 różnych platformach. Tomasz Sąciński, Senior Solutions Architect w Linux Polska, podkreśla, że rozproszona infrastruktura utrudnia narzędziom analitycznym dostęp do spójnych informacji.
Wybór modeli AI powinien zależeć od potrzeb biznesowych i możliwości ich integracji z istniejącą infrastrukturą IT. Skuteczność analiz zależy od warstwy semantycznej, która nadaje danym kontekst biznesowy. Według szacunków inwestowanie w ten obszar może zwiększyć dokładność agentów AI nawet o 80 proc., co z kolei ograniczy ryzyko podejmowania złych i często kosztownych decyzji w firmach.
Źródło: Linux Polska / Lightscape
Fot. vladsalikhov / Freepik



