Prečo väčšina AI projektov zlyhá skôr, než začne

Prečo každý AI projekt musí začať auditom dát

Firmy začínajú tam, kde by mali končiť, a preto väčšina AI projektov nezlyhá kvôli technológií.

Typický scenár vo firmách vyzerá veľmi podobne. V určitom momente sa na úrovni manažmentu alebo IT vedenia objaví iniciatíva: „Chceme AI.“ Často je za tým kombinácia tlaku na efektivitu, potreba znižovať náklady a zároveň aj prirodzený vplyv trhu, kde sa AI prezentuje ako riešenie na široké spektrum problémov.

Nasleduje séria otázok, ktoré na prvý pohľad dávajú zmysel. Aký model použijeme? Ktorého vendora vyberieme? Má to byť cloudové riešenie alebo on-premise? Pôjdeme do pilotu alebo rovno do produkcie? Aký bude rozpočet a návratnosť investície?

Tieto otázky sú legitímne. Problém nie je v nich. Problém je v tom, že prichádzajú príliš skoro.

Diskusia sa veľmi rýchlo presunie do technologickej roviny, kde sa rieši výber nástrojov, architektúra a implementácia. To vytvára pocit, že projekt sa hýbe dopredu. V skutočnosti sa však obchádza najdôležitejšia časť.

Máloktorá firma si na začiatku položí základnú otázku:

Máme vôbec dáta, na ktorých môže AI fungovať?

Táto otázka je nepríjemná, pretože odhaľuje realitu, ktorú si organizácie často neuvedomujú alebo nechcú riešiť. Dáta síce existujú, ale ich kvalita, konzistentnosť a prepojenosť bývajú výrazne slabšie, než sa na prvý pohľad zdá. Výsledkom je, že AI projekt sa začne stavať na predpoklade, že dáta sú pripravené. Keď sa neskôr ukáže, že nie sú, projekt sa komplikuje, spomaľuje alebo úplne zastaví.

Presne tento scenár sme videli aj v projekte, ktorý sme popisovali v predchádzajúcom článku. Cieľ bol jasný – nasadiť AI do operations. V určitom momente sa však ukázalo, že problém, ktorý má AI riešiť, nevzniká na úrovni technológie, ale na úrovni dát a procesov.

A práve preto je kľúčové otočiť poradie otázok.

Nie „akú AI použijeme“, ale: na čom má tá AI vlastne fungovať?

1 clanok

Čo AI naozaj potrebuje

AI v enterprise prostredí nie je nástroj, ktorý „pochopí systém“ a začne automaticky robiť správne rozhodnutia. V rôznych podobách dokáže AI pracovať s dátami rôznymi spôsobmi od štatistických modelov až po komplexnejšie rozhodovacie prístupy. Spoločným menovateľom však vždy zostáva jedno. Kvalita výstupu je priamo závislá od kvality dát, s ktorými pracuje.

V technických prostrediach sa často hovorí o dátach ako o kombinácii monitoringu, logov, incidentov alebo ticketing systémov. To je však len časť reality. V mnohých firmách, najmä mimo veľkých enterprise organizácií, majú dáta oveľa menej formálnu podobu.

Časť informácií je uložená v systémoch, časť v CMDB (Configuration Management Database) – ak vôbec existuje – a veľká časť v rôznych Excel súboroch, zdieľaných tabuľkách, alebo dokonca v hlavách jednotlivých ľudí.

Zoznam zariadení môže byť v jednom súbore, prehľad zmien v druhom, konfigurácie v treťom. Informácie o incidentoch sa nachádzajú v ticketing systéme, ale bez prepojenia na konkrétnu infraštruktúru. Kontext k nim často existuje len v interných poznámkach alebo komunikácii medzi tímami.

Výsledkom je, že dáta síce existujú, ale nie sú prepojené.

AI pritom potrebuje presný opak.

Potrebuje štruktúru, v ktorej vie identifikovať vzťahy medzi jednotlivými prvkami. Potrebuje konzistentnosť, aby rovnaké situácie vyzerali rovnako aj v dátach. A potrebuje kontext, aby vedela rozlíšiť, čo je skutočný problém a čo je len vedľajší efekt.

Bez toho sa dostáva do situácie, kde síce pracuje s veľkým množstvom informácií, ale nedokáže z nich vytvoriť spoľahlivý záver.

To platí rovnako pre veľké enterprise prostredia aj pre menšie firmy.

V enterprise je problém často v komplexite a historickom vrstvení systémov. V menších organizáciách je problém skôr v tom, že dáta nikdy neboli systematicky riadené. V oboch prípadoch je výsledok podobný.

AI nemá pevný základ, na ktorom by mohla stavať.

Veľmi dôležité je uvedomiť si nasledovné – aj keď sa to v diskusiách o AI, najmä pri rôznych „agentic“ prístupoch, často zjednodušuje:

AI nerozumie tomu, čo robí.
AI nerozumie vašej infraštruktúre ani biznisu.
AI len pracuje s tým, čo jej dáte.

Ak sú dáta neúplné, AI bude robiť neúplné rozhodnutia.
Ak sú dáta nekonzistentné, AI bude nekonzistentná.
A ak dáta nedávajú zmysel, AI nebude dávať zmysel tiež.

Typická realita dát vo firmách

Teoreticky má väčšina firiem všetko, čo potrebuje. Monitoring, ticketing, reporting, rôzne interné systémy. Na papieri to vyzerá ako kompletný ekosystém, ktorý by mal poskytovať dostatok dát pre akúkoľvek analýzu alebo automatizáciu.

V praxi však tieto dáta veľmi často nevytvárajú jeden ucelený obraz.

Sú roztrúsené naprieč systémami, nástrojmi a tímami. Vznikali postupne, často bez centrálneho návrhu alebo dlhodobej koncepcie. Každá časť organizácie si riešila svoje potreby, nastavovala vlastné pravidlá a vytvárala vlastné štruktúry.

Firmy rovnako často argumentujú aj tým, že „majú dáta“ – napríklad v ERP alebo SAP systémoch. To je pravda, ale tieto dáta zachytávajú biznis procesy, nie realitu prevádzky. AI v operations pritom potrebuje práve ten druhý pohľad o tom, čo sa v systéme reálne deje, nie čo by sa podľa procesov malo diať.

To vytvára niekoľko typických problémov.

Rovnaký typ incidentu môže byť evidovaný pod rôznymi kategóriami. Priorita sa určuje subjektívne. Popisy sa líšia podľa toho, kto ticket vytvoril. Kontext sa stráca alebo sa nachádza mimo systému, napríklad v e-mailoch alebo chatovej komunikácii.

Monitoring často generuje veľké množstvo dát, ale bez jasnej logiky. Thresholdy sú nastavené historicky, niektoré alerty sú príliš citlivé, iné naopak nereagujú včas. Rovnaké zariadenia môžu byť monitorované rôznymi spôsobmi v rôznych častiach infraštruktúry.

V menších firmách sa tento problém prejavuje inak, ale výsledok je veľmi podobný. Dáta nie sú komplexné, ale sú fragmentované. Informácie o zákazníkoch, objednávkach alebo interných procesoch sú rozdelené medzi CRM, e-maily, Excel tabuľky a rôzne interné systémy. Každý tím pracuje s vlastnou verziou reality.

Tento problém sa pritom netýka len IT alebo infraštruktúry.

V posledných rokoch začínajú firmy vo veľkom zavádzať rôzne formy AI aj v oblastiach ako predaj, marketing, zákaznícka podpora alebo financie. Očakáva sa, že AI prinesie lepšie rozhodovanie, automatizáciu alebo vyššiu efektivitu.

Realita aj tu býva veľmi podobná. Dáta o zákazníkoch sú nekompletné alebo neaktuálne. Informácie sú rozdelené medzi rôzne systémy a nástroje. Každý obchodník si vedie vlastné poznámky, marketing pracuje s inými dátami a customer support s úplne iným pohľadom na toho istého zákazníka.

Výsledok je rovnaký ako v IT prostredí.

Dáta síce existujú, ale nevytvárajú spoľahlivý obraz reality. Rozhodnutia sa robia na základe neúplných informácií, tímy si navzájom nerozumejú a reporting síce vyzerá presne, ale v skutočnosti neodráža realitu.

Nezáleží na tom, či ide o infraštruktúru, zákaznícke dáta alebo finančné procesy.
Ak dáta nedávajú zmysel, AI nebude dávať zmysel tiež.

Keď systém generuje chaos: od event floodu po biznis realitu

Jedným z najčastejších problémov v technických prostrediach je jav, ktorý sa v praxi označuje ako „event flood“ – situácia, keď jeden reálny problém generuje veľké množstvo signálov v systémoch v krátkom čase.

Predstavte si situáciu, kde jeden reálny problém – napríklad výpadok zariadenia – spustí sériu reakcií. Monitoring zachytí zmenu. Rôzne systémy začnú generovať alerty. Každý z nich má mierne odlišný kontext, iný názov, inú prioritu.

Z pohľadu reality ide o jeden problém.
Z pohľadu systému ide o desiatky eventov.

Tieto eventy sa následne preklopia do incidentov. Z jedného problému vznikne niekoľko ticketov. Každý z nich sa môže dostať k inému operátorovi alebo tímu.

Výsledok je predvídateľný. Duplicitná práca, zbytočné eskalácie a strata času. Namiesto riešenia problému sa rieši jeho reprezentácia v systéme.

Toto je technická verzia problému. Ale presne ten istý princíp funguje aj mimo IT.

Predstavte si obchodný tím.

Jeden zákazník komunikuje cez e-mail, CRM, telefonát a možno ešte cez support ticket. Každý z týchto kanálov vytvára vlastný „záznam“. V CRM je jedna verzia informácie, v e-mailoch druhá, v poznámkach obchodníka tretia.

Z pohľadu reality ide o jedného zákazníka a jeden kontext.
Z pohľadu systému ide opäť o viacero eventov.

Marketing pracuje s jednými dátami, obchod s inými a customer support s ďalšími. Každý vidí len časť príbehu.

A teraz si predstavte, že do tohto prostredia nasadíte AI.

AI začne analyzovať dáta, hľadať vzory, robiť odporúčania. Problém je, že tieto vzory nevychádzajú z reality, ale z toho, ako je realita zapísaná v systémoch.

Ak jeden problém existuje v dátach päťkrát, AI ho bude vnímať ako päť problémov.

Ak sú informácie nekonzistentné, AI nebude vedieť určiť, ktorá verzia je správna. Ak chýba kontext, AI ho nevytvorí. Bude ho len nahrádzať odhadom.

V technickom svete sa tento problém rieši koreláciou eventov – teda snahou spojiť viacero signálov do jedného incidentu, ktorý reprezentuje reálny problém.

V biznis prostredí ide o rovnaký princíp a to vytvoriť jednotný kontext nad dátami. Či už cez integrácie, dátové modely alebo pokročilejšie ontologické, či znalostné modely, cieľ je vždy rovnaký:

Jeden problém = jeden záznam = jeden kontext.

Bez tohto princípu nie je možné vytvoriť spoľahlivý obraz reality. A bez spoľahlivého obrazu reality nemá AI na čom stavať.

Ak si firma tento problém neuvedomí, AI projekt sa veľmi rýchlo dostane do slepej uličky.

Výstupy budú nepresné. Odporúčania nebudú dôveryhodné. Používatelia stratia dôveru v systém. A projekt, ktorý mal priniesť efektivitu, sa stane len ďalším nástrojom, ktorý nikto nechce používať.

Audit dát ako prvý krok AI projektu

Ak má AI fungovať, musí mať na čom stavať. To znamená, že pred akoukoľvek diskusiou o modeloch, vendoroch alebo implementácii je potrebné urobiť krok, ktorý sa často podceňuje alebo úplne preskakuje.

Audit dát.

Nejde o technickú formalitu. Ide o základný krok, ktorý rozhoduje o tom, či má AI projekt vôbec šancu na úspech. Audit dát v praxi neznamená len „pozrieť sa na dáta“. Znamená pochopiť, ako vznikajú, čo reprezentujú a ako sa používajú v každodennom fungovaní firmy.

• Prvým krokom je pochopiť zdroje dát.

Kde sa nachádzajú? V akých systémoch? Sú centralizované alebo roztrúsené? Existuje jedno miesto, kde sa dá získať ucelený obraz, alebo je potrebné kombinovať viacero nástrojov a zdrojov?

V technickom prostredí to znamená napríklad monitoring, logy, incidenty alebo konfigurácie. V biznis prostredí ide o CRM, ERP, e-maily, Excel tabuľky alebo interné dokumenty.

• Druhým krokom je kvalita dát.

Sú dáta kompletné? Sú aktuálne? Sú konzistentné naprieč systémami? Je možné na ich základe robiť rozhodnutia, alebo je potrebné ich vždy manuálne interpretovať?

Tu sa často ukáže, že ten istý typ informácie existuje v rôznych verziách. Rôzne tímy pracujú s rôznymi dátami. Kontext sa stráca alebo vzniká mimo systému.

• Tretím krokom je štruktúra a štandardizácia.

Majú dáta jednotnú formu? Sú kategórie, priority alebo označenia definované konzistentne? Dá sa ten istý typ problému identifikovať rovnakým spôsobom v rôznych častiach organizácie?

Bez tejto konzistencie nie je možné vytvárať spoľahlivé analýzy ani automatizáciu.

• Štvrtým krokom je prepojenie dát.

Sú jednotlivé systémy prepojené? Vie firma spojiť informácie o zákazníkovi, incidente alebo procese naprieč nástrojmi? Alebo každý systém funguje izolovane?

Bez prepojenia dát nevzniká kontext. A bez kontextu AI nevie správne interpretovať situáciu.

V praxi to znamená odstrániť izolované ostrovy dát a vytvoriť prepojený pohľad na informácie naprieč systémami. Či už ide o integrácie, zjednotenie dátových štruktúr alebo základné dátové modely, cieľ je vždy rovnaký – mať jednu verziu reality, nie viacero paralelných interpretácií.

• Piatym krokom je pochopenie toku dát.

Ako vzniká „udalosť“? Ako sa mení na „problém“? Ako sa z nej stáva rozhodnutie? Kde v tomto procese vznikajú duplicity, oneskorenia alebo nejasnosti?

V IT prostredí ide o pipeline event > alert > incident.
V biznise ide napríklad o lead > zákazník > objednávka > reklamácia.

Princíp je rovnaký.

Cieľ auditu dát nie je mať viac dát, ale mať dáta, ktoré dávajú zmysel.

A práve tu začína dávať zmysel orchestrácia na úrovni procesov. Keď sú dáta upratané a prepojené, je možné nad nimi riadiť jednotlivé kroky, automatizovať opakujúce sa činnosti, prepájať rozhodnutia medzi systémami a zabezpečiť, že celý proces prebieha konzistentne.

V praxi to znamená pracovať nielen s dátami, ale s ich kontextom. Vzniká vrstva, ktorá prepája informácie, vzťahy a procesy do jedného celku či už pomocou ontologických modelov, znalostných štruktúr alebo orchestration prístupov.

To znamená, že namiesto práce s jednotlivými záznamami sa pracuje s prepojeným modelom reality, kde je jasné, čo spolu súvisí, čo je príčina a čo je následok.

A práve na takomto základe začína AI prinášať reálnu hodnotu.

Čo AI dokáže, keď má správne dáta

Až keď sú dáta upratané, prepojené a dávajú zmysel, začína AI plniť to, čo sa od nej očakáva.

Nie ako zázračné riešenie, ale ako nástroj, ktorý dokáže výrazne zrýchliť a zefektívniť prácu s informáciami.

V tomto bode už AI nepracuje s chaosom, ale so štruktúrovaným obrazom reality. Rozumie tomu, čo jednotlivé dáta reprezentujú, pretože sú konzistentné a prepojené. Vie identifikovať vzory, ktoré majú reálny význam, nie len štatistickú podobnosť.

V technických prostrediach to znamená napríklad schopnosť:

• klasifikovať incidenty na základe historických dát,
• identifikovať opakujúce sa problémy,
• predikovať potenciálne výpadky ešte predtým, než nastanú,
• alebo odporúčať konkrétne kroky na riešenie situácie.

Dôležité je, že tieto schopnosti nevznikajú len vďaka samotnej „inteligencii“ systému, ale z kombinácie vhodného modelu, architektúry a kvality dát, na ktorých je postavený.

V oblasti operations sa tento prístup často označuje ako AIOps.

Je dôležité pochopiť, že AIOps nie je náhrada za procesy ani za dáta. Je to vrstva nad nimi. Funguje len vtedy, keď má stabilný základ. 

Ak sú dáta nekonzistentné, AIOps nefunguje.
Ak sú procesy nejasné, AIOps škáluje neefektivitu.

Naopak, ak je základ uprataný, AI sa stáva prirodzeným ďalším krokom.

Podobný efekt sa prejavuje aj mimo IT.

V predaji môže AI pomáhať identifikovať zákazníkov s najvyššou pravdepodobnosťou nákupu. V marketingu vie optimalizovať kampane na základe reálnych dát, nie len odhadov. V zákazníckej podpore dokáže rýchlejšie reagovať na opakujúce sa požiadavky alebo automatizovať časť komunikácie. V niektorých oblastiach dokáže dokonca predikovať z nákupného správania zákazníkov vývoj trhu v najbližšom období.

Ak sú dáta kvalitné, AI dokáže tieto vzory odhaliť rýchlejšie a konzistentnejšie než človek. Ak nie sú, AI len reprodukuje ich nedostatky.

Z nástroja, ktorý „by mal pomôcť“, sa stáva nástroj, ktorý reálne prináša hodnotu.

Najväčšia chyba AI projektov

Najčastejší scenár AI projektov je prekvapivo podobný naprieč firmami.

Firma sa rozhodne, že chce využiť AI. Vyberie si nástroj alebo vendora. Spustí pilot. Očakáva, že systém začne prinášať rýchle zlepšenia.

Realita býva iná.

Výstupy sú nekonzistentné. Odporúčania nedávajú vždy zmysel. Používatelia systému neveria alebo ho prestanú používať. Projekt sa postupne dostane do fázy, kde existuje, ale neprináša očakávanú hodnotu.

Záver býva často jednoduchý.

„AI nefunguje.“

My však už teraz vieme, že nefunguje niečo úplne iné: Dáta, procesy a prepojenie medzi nimi.

AI systém robí presne to, na čo bol navrhnutý. Pracuje s dátami, ktoré dostal. Zároveň však platí, že problém nie je len v dátach.

Bežná chyba pri nasadzovaní AI projektov nie je len v tom, akú technológiu firma použije, ale aj v tom, ako ju použije. Často sa nasadzujú generické AI nástroje alebo jednoduché LLM riešenia, ktoré síce pracujú s dostupnými dátami, ale nemajú dostatočný kontext, nie sú prispôsobené konkrétnemu prostrediu a v niektorých prípadoch produkujú nepresné alebo zavádzajúce výstupy.

To však nemení základný princíp.

Aj najpokročilejší model bude limitovaný kvalitou dát, s ktorými pracuje. A naopak, aj kvalitné dáta nemusia priniesť výsledok, ak sú použité v nevhodnej architektúre alebo bez správneho kontextu.

Najväčšia chyba AI projektov preto nie je len v tom, akú technológiu firma použije.

Je v poradí krokov.

Obrázok Možné postupy krokov pri nasadení AI

Tento rozdiel nie je len metodický. Je zásadný. Firmy začínajú tam, kde by mali končiť.

AI nie je začiatok digitalizácie. Je to jej posledná vrstva.

A práve preto sa v ďalšom článku pozrieme na to, kde firmy získajú najväčšie úspory ešte predtým, než AI vôbec zapoja a prečo automatizácia často prináša väčší efekt než samotná AI.