Jeszcze niedawno firmy wybierały platformy. Dziś coraz częściej budują ekosystemy

Przez ostatnie dwie dekady rozwój architektury IT w przedsiębiorstwach przypominał rozbudowę miasta. Każdy nowy system odpowiadał na konkretną potrzebę biznesową i rozwijał się jako osobny projekt.

Najpierw pojawiły się systemy ERP. Później CRM, hurtownie danych, platformy integracyjne, rozwiązania Business Intelligence, narzędzia do zarządzania jakością danych czy Master Data Management. Każde z nich miało własny budżet, właściciela biznesowego i jasno określony cel.

To podejście sprawdzało się przez lata.

Zmienia się jednak otoczenie, dla którego projektowane są współczesne systemy.

Jeszcze niedawno głównym użytkownikiem danych był człowiek – analityk, pracownik działu sprzedaży, konsultant czy menedżer. Dane trafiały do raportów, dashboardów lub aplikacji wspierających podejmowanie decyzji.

Dziś coraz częściej odbiorcą danych staje się agent AI.

To pozornie niewielka zmiana. W rzeczywistości oznacza jednak jedno z największych wyzwań architektonicznych ostatnich lat.

Agent AI nie pracuje w jednym systemie. Aby odpowiedzieć na pytanie klienta, przygotować ofertę czy zainicjować proces biznesowy, musi jednocześnie korzystać z informacji pochodzących z wielu źródeł. CRM dostarcza historię relacji z klientem, ERP informacje o zamówieniach i produktach, systemy finansowe dane rozliczeniowe, a dokumenty i bazy wiedzy uzupełniają kontekst niezbędny do podjęcia właściwej decyzji.

Dla człowieka taka fragmentacja jest czymś naturalnym. Potrafimy samodzielnie ocenić, które źródło jest bardziej wiarygodne, rozpoznać nieścisłości czy zignorować nieaktualne informacje.

Agent AI tego nie potrafi.

Jeżeli w organizacji istnieje kilka różnych definicji klienta, produktu czy przychodu, sztuczna inteligencja nie wybierze tej właściwej. Będzie pracowała na danych, które otrzyma. A to oznacza, że jakość odpowiedzi AI będzie dokładnie taka, jak jakość danych udostępnionych przez przedsiębiorstwo.

Najważniejszym projektem AI wcale nie musi być wdrożenie kolejnego modelu językowego. Może nim być uporządkowanie fundamentu danych.

Największa zmiana nie dotyczy modeli AI. Dotyczy architektury danych

W debacie o sztucznej inteligencji dużo miejsca poświęca się modelom językowym, agentom AI czy nowym funkcjom dostępnym w kolejnych platformach.

To ważne elementy, ale łatwo przeoczyć zmianę zachodzącą znacznie głębiej.

AI wymusza przebudowę architektury przedsiębiorstwa.

Jeszcze kilka lat temu dane były przede wszystkim paliwem dla raportowania i analityki. Dzisiaj stają się wspólnym zasobem wykorzystywanym jednocześnie przez ludzi, aplikacje, procesy automatyzacji i agentów AI.

To oznacza, że obszary takie jak Data Governance, Data Quality, Master Data Management, integracja danych czy zarządzanie metadanymi przestają być inicjatywami wspierającymi pojedyncze projekty. Stają się elementem strategicznej infrastruktury organizacji.

Nieprzypadkowo właśnie te obszary są dziś intensywnie rozwijane przez największych dostawców technologii enterprise.

Platformy takie jak Informatica Intelligent Data Management Cloud (IDMC) łączą w jednym środowisku integrację, jakość danych, katalog danych, zarządzanie metadanymi, Data Governance oraz Master Data Management. Celem nie jest już wyłącznie usprawnienie pracy analityków. Chodzi o stworzenie wspólnej warstwy danych, z której mogą korzystać aplikacje biznesowe, procesy automatyzacji i agenci AI.

To istotna zmiana perspektywy.

Jeszcze niedawno pytanie brzmiało:

Jak wdrożyć AI?

Coraz częściej powinno brzmieć:

Jak przygotować dane, aby AI mogła bezpiecznie i skutecznie działać w całym przedsiębiorstwie?

Od platform do ekosystemów

Zmiana ta jest dobrze widoczna w strategiach największych dostawców technologii.

Jeszcze kilka lat temu rynek koncentrował się na wyborze najlepszej platformy w swojej kategorii. Organizacje porównywały rozwiązania CRM, platformy integracyjne, narzędzia MDM czy systemy analityczne, traktując je jako niezależne elementy architektury.

Obecnie coraz częściej obserwujemy odwrotny kierunek.

Znaczenie pojedynczych produktów maleje, a rośnie znaczenie ekosystemów, w których poszczególne komponenty współpracują ze sobą jako jedna architektura danych.

Dobrym przykładem jest kierunek rozwoju ekosystemu Salesforce.

Rozwój Agentforce, Salesforce Data 360 i MuleSoft, a także włączenie Informatica do Salesforce, pokazują, że skuteczność agentów AI zależy nie tylko od samego modelu językowego. Równie ważna jest możliwość bezpiecznego korzystania z danych rozproszonych w całej organizacji.

Data 360 odpowiada za ingestowanie, przetwarzanie, ujednolicanie i aktywowanie danych pochodzących z wielu źródeł. MuleSoft rozszerza dostęp do aplikacji i usług przedsiębiorstwa przez API oraz mechanizmy integracyjne. Informatica IDMC zapewnia z kolei jakość, integrację, governance, metadane i spójność danych wykorzystywanych przez kolejne systemy.

To nie są konkurujące ze sobą produkty.

To elementy jednej układanki.

I właśnie ta zmiana – od pojedynczych platform do współpracujących ekosystemów – może okazać się jedną z najważniejszych konsekwencji rozwoju sztucznej inteligencji dla architektury przedsiębiorstw.

AI nie wybacza chaosu w danych

Jednym z najczęściej powtarzanych pytań podczas rozmów o wdrożeniach AI jest:

Który model będzie najlepszy dla naszej organizacji?

To zrozumiałe. Modele językowe rozwijają się niezwykle szybko, a kolejne premiery przyciągają uwagę rynku.

Jednak doświadczenia pierwszych wdrożeń enterprise pokazują, że pytanie powinno brzmieć inaczej:

Czy nasze dane są gotowe, aby mogła z nich korzystać sztuczna inteligencja?

To właśnie tutaj wiele organizacji napotyka pierwszą poważną barierę.

Model AI nie wie, że w CRM klient występuje pod inną nazwą niż w systemie ERP. Nie rozumie, dlaczego w hurtowni danych produkt ma inny identyfikator niż w platformie e-commerce. Nie potrafi również samodzielnie ocenić, która z kilku definicji przychodu obowiązujących w organizacji jest właściwa.

Dla człowieka są to problemy, z którymi nauczył się funkcjonować.

Dla agenta AI stają się źródłem błędnych decyzji.

Im więcej autonomii otrzymują agenci AI, tym większe znaczenie ma spójność danych, na których pracują.

Dane przestają być zasobem IT. Stają się aktywem biznesowym

Przez wiele lat projekty związane z jakością danych, zarządzaniem metadanymi czy Master Data Management były postrzegane jako inicjatywy technologiczne.

Ich efekty często pozostawały niewidoczne dla biznesu. Trudno było pokazać zarządowi bezpośredni zwrot z inwestycji w Data Governance.

AI zmienia ten sposób myślenia.

Jeżeli agent sprzedażowy przygotuje ofertę na podstawie nieaktualnego cennika, konsultant AI udzieli klientowi błędnej odpowiedzi, a agent zakupowy złoży zamówienie do niewłaściwego dostawcy, problemem nie będzie wyłącznie model AI.

Problemem będą dane.

To powoduje, że inwestycje w jakość danych przestają być kosztem utrzymania środowiska IT.

Stają się inwestycją w bezpieczeństwo, wiarygodność i skalowalność rozwiązań AI.

Jak ujął to Marc Benioff po sfinalizowaniu przejęcia Informatica przez Salesforce: „You have to get your data right to get your AI right.” W tym samym komunikacie Salesforce podkreślił znaczenie katalogu danych, integracji, governance, jakości, prywatności, metadanych i MDM jako elementów wspólnego fundamentu dla agentic AI.

Trzy przykłady z praktyki

Bankowość

Agent AI wspierający doradcę klienta nie może korzystać wyłącznie z danych CRM.

Musi uwzględniać historię produktów, ocenę ryzyka, informacje o zgodach marketingowych, dane z systemów transakcyjnych oraz obowiązujące regulacje.

Jeżeli każde z tych źródeł przedstawia inny obraz klienta, odpowiedź agenta będzie niepełna lub błędna.

Handel i e-commerce

Klient kupuje w sklepie internetowym, aplikacji mobilnej i salonie stacjonarnym.

Dla człowieka to oczywiste, że jest jedną osobą.

Dla systemów często nadal są to trzy różne rekordy.

Bez spójnego zarządzania danymi agent AI nie będzie w stanie przygotować trafnej rekomendacji produktowej ani zapewnić jednolitej obsługi we wszystkich kanałach.

Produkcja

Coraz więcej producentów wykorzystuje AI do planowania produkcji, przewidywania awarii czy optymalizacji łańcucha dostaw.

Aby takie rozwiązania działały poprawnie, muszą jednocześnie korzystać z danych pochodzących z systemów ERP, MES, IoT, magazynów oraz platform logistycznych.

To pokazuje, że AI nie zastępuje integracji.

Wręcz przeciwnie – jeszcze bardziej zwiększa jej znaczenie.

Dlaczego integracja wraca do centrum architektury?

Przez pewien czas wydawało się, że integracja systemów stała się dojrzałą dziedziną IT.

Dziś ponownie znajduje się w centrum zainteresowania.

Nie dlatego, że przedsiębiorstwa posiadają więcej aplikacji niż wcześniej.

Powód jest znacznie prostszy:

Każdy agent AI staje się nowym konsumentem danych i usług.

Jeżeli ma wykonać zadanie biznesowe, musi w bezpieczny sposób odwołać się do odpowiednich systemów.

To właśnie dlatego platformy takie jak MuleSoft przestają pełnić wyłącznie rolę narzędzi integracyjnych. Coraz częściej stają się warstwą umożliwiającą agentom AI korzystanie z usług biznesowych udostępnianych poprzez API, zdarzenia i mechanizmy automatyzacji.

Podobnie zmienia się rola platform do zarządzania danymi.

Informatica IDMC nie jest już wyłącznie środowiskiem integracji i jakości danych. Coraz częściej pełni funkcję wspólnego fundamentu danych przedsiębiorstwa, zapewniając spójność informacji wykorzystywanych przez aplikacje, analitykę i rozwiązania AI.

W tym samym czasie Salesforce Data 360 rozwija się jako warstwa służąca do łączenia, harmonizowania i aktywowania danych w ekosystemie Salesforce oraz jako fundament dla scenariuszy Agentforce.

Patrząc na te kierunki trudno oprzeć się wrażeniu, że rynek przestaje myśleć kategoriami pojedynczych produktów.

Nową jednostką projektowania staje się cała architektura danych.

Przejęcie Informatica przez Salesforce to coś więcej niż akwizycja

Wiele komentarzy po ogłoszeniu przejęcia Informatica przez Salesforce koncentrowało się na samym aspekcie biznesowym transakcji.

Z perspektywy architekta enterprise warto spojrzeć na nią inaczej.

To nie jest wyłącznie rozszerzenie portfolio produktowego.

To sygnał, że fundament danych staje się kluczowym elementem strategii AI.

Salesforce rozwija Agentforce jako platformę agentów AI. Jednocześnie wzmacnia obszary odpowiedzialne za jakość danych, zarządzanie metadanymi, integrację, Data Governance oraz Master Data Management.

To logiczny kierunek.

Autonomiczny agent jest tylko tak skuteczny, jak dane, do których ma dostęp.

Dlatego można przypuszczać, że w kolejnych latach będziemy obserwować dalsze zbliżanie się światów AI, integracji, Data Governance i zarządzania danymi referencyjnymi.

To nie będzie chwilowy trend.

To będzie nowy standard projektowania architektury enterprise.

Jak będzie wyglądała architektura przedsiębiorstwa za pięć lat?

Przewidywanie przyszłości w obszarze AI jest ryzykowne. Tempo zmian jest ogromne, a nowe rozwiązania pojawiają się niemal każdego tygodnia.

Mimo to można wskazać kilka trendów, które wydają się wyjątkowo trwałe.

Po pierwsze, agenci AI staną się kolejną grupą użytkowników systemów przedsiębiorstwa. Tak samo jak dziś projektujemy aplikacje dla pracowników, klientów czy partnerów biznesowych, coraz częściej będziemy projektować je z myślą o agentach wykonujących określone zadania.

Po drugie, dane przestaną być produktem ubocznym procesów biznesowych. Staną się strategicznym aktywem, którego jakość będzie miała bezpośredni wpływ na skuteczność AI.

Po trzecie, granice pomiędzy obszarami Data Governance, integracji, analityki i AI zaczną się zacierać.

Jeszcze niedawno były to osobne projekty realizowane przez różne zespoły.

W najbliższych latach będą tworzyć jedną architekturę.

Dlatego coraz częściej zamiast pytać:

Jaką platformę AI wdrożyć?

warto zadać inne pytanie:

Czy nasza architektura danych jest gotowa na świat, w którym obok ludzi pracują również agenci AI?

Nowa rola CIO i CDO

Ta zmiana wpływa również na rolę liderów odpowiedzialnych za technologię i dane.

Jeszcze kilka lat temu dyrektor IT odpowiadał przede wszystkim za dostępność systemów, bezpieczeństwo oraz rozwój infrastruktury.

Chief Data Officer koncentrował się na jakości danych, zgodności z regulacjami czy budowie kultury data-driven.

Dzisiaj te światy zaczynają się przenikać.

Skuteczność strategii AI zależy jednocześnie od architektury aplikacyjnej, integracji, jakości danych, zarządzania metadanymi i bezpieczeństwa informacji.

To oznacza, że sukces projektów AI coraz rzadziej będzie zależał od jednego zespołu.

Będzie efektem współpracy architektów, ekspertów danych, właścicieli procesów biznesowych oraz specjalistów odpowiedzialnych za bezpieczeństwo i zgodność.

To dobra wiadomość.

AI przestaje być eksperymentem prowadzonym przez pojedynczy dział. Staje się elementem strategii całego przedsiębiorstwa.

Co warto zrobić już dziś?

1. Zidentyfikować kluczowe domeny danych, z których mają korzystać planowane rozwiązania AI.
2. Sprawdzić jakość i spójność danych o klientach, produktach, dostawcach i procesach biznesowych.
3. Uporządkować odpowiedzialność za dane, definicje biznesowe, lineage oraz reguły dostępu.
4. Ograniczać integracje punkt-punkt na rzecz zarządzanych API, zdarzeń i usług wielokrotnego użytku.
5. Traktować Data Governance, Data Quality, MDM i integrację jako wspólny program, a nie zbiór niezależnych projektów.
6. Projektować architekturę dla wielu agentów i modeli, zamiast uzależniać fundament danych od jednego dostawcy AI.