Agent s umělou inteligencí může mít přístup k naprosto bezchybnému modelu a přesto pracovat s nesprávnými daty. Stačí, když nenajde správný zdroj, špatně interpretuje definici podnikání nebo použije informace, jejichž platnost nikdo nekontroluje.
S rostoucí autonomií agentů roste důležitost dat, integrace a pravidel, která definují hranice jejich akcí. Hodnocení připravenosti proto nemůže skončit konstatováním, že organizace má datový katalog, program kvality nebo politiku správy a řízení. Je nutné ověřit, zda tyto mechanismy zahrnují přesné zdroje, které konkrétní agent potřebuje.

Klíčové závěry
- Připravenost dat pro AI by měla být posouzena pro konkrétního agenta, proces a sadu zdrojů.
- Hodnocení by mělo zahrnovat sedm dimenzí: objevitelnost, kvalitu, kontext, dostupnost, správu a řízení, důvěru a pozorovatelnost.
- Jedna kritická datová sada, přerušená linie dat nebo nejasná pravidla přístupu mohou zablokovat celý scénář agenta.
- Audit by měl propojit stav dat s obchodním rizikem a důsledky jednání agenta.
- Cílem není uspořádat všechna data, ale odstranit mezery v kritické cestě konkrétního procesu.
Připravenost dat není hodnocením celé organizace.
Otázka „jsou naše data připravena na umělou inteligenci?“ je příliš obecná na to, aby vedla ke konkrétnímu rozhodnutí. Organizace může mít dobře definovaná finanční data, ale postrádá ucelený pohled na zákazníka. Může kontrolovat kvalitu dat ve skladu, ale nemůže monitorovat dokumenty, které zásobují znalostního agenta.
Informatica v materiálu "Poskytněte každému agentovi data připravená pro umělou inteligencipopisuje přístup k hodnocení připravenosti umělé inteligence na základě metadat, přístupu, původu a dalších vlastností dat. Hodnocení zahrnuje sedm dimenzí: objevitelnost, kvalita, kontext, dostupnost, správa, důvěryhodnost a pozorovatelnost.
Toto je praktické rozšíření tématu popsaného dříve v článku „ Umělá inteligence mění podnikovou architekturu “. Vzhledem k tomu, že se data stávají běžnou vrstvou pro lidi, aplikace a agenty, potřebujeme způsob, jak ověřit, zda je tato vrstva skutečně vhodná pro daný proces.

Sedm dimenzí dat připravených pro umělou inteligenci
1. Objevitelnost
Agent musí vědět, že relevantní data existují a kde je najít. Pouhé uložení informací ve zdrojovém systému nestačí, pokud zdroj není popsán v katalogu, má nejasný Příjmení nebo nesouvisí s obchodním termínem používaným příjemcem.
2. Kvalita
Data by měla být úplná, aktuální, konzistentní a v souladu s pravidly požadovanými procesem. Neexistuje však jediná univerzální úroveň kvality. Na agenta připravujícího pracovní shrnutí a na agenta provádějícího operaci ve finančním procesu nebo procesu zákaznických služeb se vztahují různé požadavky.
Obzvláště důležitá jsou kmenová data. Pokud platformy CRM, ERP a elektronického obchodování identifikují zákazníka nebo produkt odlišně, agenti mohou nesprávně kombinovat informace. V tomto případě může pomoci společná definice zákazníka a produktu založená na MDM, pravidlech kvality a obchodní odpovědnosti.
3. Kontext
Agent může správně přečíst hodnotu, ale přesto ji špatně interpretovat. Pole „stav“ může označovat fázi prodeje, dostupnost produktu nebo stav reklamace. Bez obchodních definic, vztahů, historie a informací o původu zůstávají data technicky dostupná, ale nejednoznačná.
Agent proto potřebuje důvěryhodný datový kontext , který kombinuje význam dat, původ, obchodní pravidla, uživatelská oprávnění a principy správy a řízení.
4. Dostupnost
Data mohou být vysoce kvalitní a dobře popsaná, ale i tak budou k ničemu, pokud je agent neobdrží v požadovaném čase, formátu nebo rozsahu. Dostupnost zahrnuje systémová připojení, API, integrační mechanismy, výkon, včasnost a správně nakonfigurovaná oprávnění.
Nejde o maximalizaci přístupu. Agent by měl dostat přesně tolik informací a funkcí, kolik potřebuje pro daný proces. Příliš málo oprávnění blokuje úkol, zatímco příliš mnoho zvyšuje riziko neoprávněného použití dat nebo provedení operace.
5. Řízení
Řízení definuje, kdo je zodpovědný za data, jaká pravidla platí pro jejich použití a jak reagovat na výjimky. Pro agenty by rozsah kontroly měl zahrnovat data, modely, výzvy, API, nástroje, MCP servery a aktivity prováděné v rámci obchodních systémů.
S rostoucím počtem agentů se stává nezbytnou společnou řídicí vrstvou pro agentickou umělou inteligenci . Měla by umožňovat katalogizaci závislostí, vynucování politik, řízení přístupu a rychlé vypnutí, když agent poruší zavedené politiky.
6. Důvěra
Důvěra je postavena na kombinaci kvality, původu, integrity, kontroly přístupu a vysvětlitelnosti. Uživatelé by měli být schopni určit, ke kterým datům agent přistupoval, proč je považoval za relevantní a kdy byla aktualizována.
7. Pozorovatelnost
Připravenost dat se v průběhu času mění. Zdroj se může přestat aktualizovat, schéma se může změnit a kvalita klíčového atributu se může postupně snižovat. Jediný audit nestačí, pokud agent neustále běží v produkčním prostředí.
Sledovatelnost dat by měla být kombinována s provozním monitorováním agentů umělé inteligence . První ukazuje, zda informace zůstávají aktuální, konzistentní a sledovatelné. Druhá zahrnuje stav modelu, nástrojů, integrací a celkového procesu prováděného agentem.
Jak provést audit pro konkrétního agenta
- Definujte rozhodnutí nebo akci. Popište, co se od agenta očekává, pro koho a jaká chyba by byla kritická pro podnikání.
- Zmapujte potřebná data a závislosti. Identifikujte zdroje, dokumenty, API, datové modely, vlastníky a integrace.
- Stanovte minimální kritéria v sedmi dimenzích. Požadavky by měly být založeny na procesním riziku.
- Shromážděte důkazy. Své hodnocení založte na metadatech, skóre kvality, původu, protokolech, zásadách a upozorněních.
- Upřednostněte kritické zranitelnosti, které by mohly změnit rozhodnutí agenta nebo porušit zásady přístupu.
- Stanovte zodpovědné osoby za monitorování a reakci. Určete, kdo bude přijímat upozornění a kdo může proces zastavit.

Ne všechna data musí být dokonalá
Pokus o organizaci celého datového prostředí před spuštěním prvního případu užití obvykle vede k programu s příliš širokým záběrem. Agent nevyužívá všechna data organizace. Místo toho využívá specifické zdroje, provádí specifické akce a ovlivňuje specifický proces.
Pokud agent připravuje nabídku, nejdůležitějšími faktory mohou být aktuální ceník, dostupnost produktu, dohodnutý profil zákazníka a pravidla slev. Absence popisu archivované kolekce, který s tímto procesem nesouvisí, nemusí nutně blokovat implementaci.
Tento přístup umožňuje integraci správy a řízení s tempem implementace. Organizace nesnižuje svá očekávání. Přesně definuje, kde musí být splněna jako první a jak to bude prokázáno.
Integrální analýza: Připravenost dat musí vést k rozhodnutím
Diskuse o připravenosti dat pro umělou inteligenci dozrává. Už nestačí jen konstatovat, že kvalita dat je důležitá. Musíme posoudit specifické zdroje, závislosti, pravidla a kontrolní mechanismy, které určují výkon agentů.
Sedm dimenzí pomáhá oddělit problémy, které jsou v projektech umělé inteligence často spojovány dohromady. Nedostatečný přístup není problémem s kvalitou. Nejasná definice podnikání není selháním integrace. Funkční API není důkazem, že agent používá správná data.
Doporučení Integral SolutionsHodnocení připravenosti umělé inteligence by mělo začít specifickým procesem a důsledky nesprávného rozhodnutí. Teprve poté by se mělo přejít k technologiím, metrikám a nápravným opatřením. Tento přístup umožňuje směřovat investice tam, kde stav dat skutečně ovlivňuje bezpečnost a obchodní hodnotu řešení.
Co se dnes vyplatí dělat
- Vyberte jeden plánovaný nebo probíhající případ použití pro agenta umělé inteligence.
- Identifikujte data a systémy, na kterých je úkol závislý.
- Zhodnoťte každý zdroj na základě sedmi aspektů a zaznamenejte důkazy o svém hodnocení.
- Propojte mezery s jejich procesními, zákaznickými, dodržovacími nebo nákladovými důsledky.
- Vydat vlastníkům nápravná opatření a stanovit datum přehodnocení.
- Zahrňte klíčové metriky kvality a dostupnosti do monitorování agentů.
Připravte svá data a služby pro práci s agenty umělé inteligence
Pojďme si promluvit o architektuře, která kombinuje agentní umělou inteligenci se spravovanými daty, řízením přístupu, kvalitou a integračními procesy.
Pojďme si promluvit o datech, která váš agent potřebuje
Popište proces, který chcete automatizovat. Společně posoudíme připravenost dat, správu a řízení dat (Governance), MDM a integraci a určíme bezpečný výchozí bod.
Často kladené otázky: Data připravená pro umělou inteligenci
Co jsou data připravená pro umělou inteligenci?
Jedná se o data, která agent dokáže najít, správně interpretovat, včas načíst a použít v souladu s organizačními zásadami. Jejich kvalita, původ a použití musí být ověřitelné.
Musí celá organizace před nasazením agenta uspořádat data?
Ne. Nejlepší je začít s hodnocením konkrétního případu užití a dat na jeho kritické cestě. Rozsah lze rozšiřovat o další procesy a domény.
Kdo by se měl účastnit auditu připravenosti na AI?
Vlastník procesu, vlastníci dat, specialisté na správu dat a kvalitu dat, integrační architekti, bezpečnostní oddělení a tým zodpovědný za vytvoření a údržbu agenta.
Je vysoká kvalita dat dostatečná?
Ne. Data mohou být platná, ale obtížně dohledatelná, postrádající kontext, nepřístupná agentovi nebo použitá bez řádných zásad a oprávnění.
Jak často bych měl/a hodnocení opakovat?
Před zahájením výroby, po významných změnách zdroje nebo procesu a pravidelně jako součást monitorování. Četnost by měla záviset na riziku a rychlosti změn dat.
Prameny
- Informatica, Poskytněte každému agentovi data připravená pro umělou inteligenci, 17. září 2026
