Agentinis dirbtinis intelektas 2026 m.: įmonės spartina savo veiklą, tačiau pasitikėjimas ir valdymas neatsilieka

Jei 2025-ieji buvo metai, kai buvo kalbama apie „pažiūrėkime, ar tai veikia“, tai 2026-ieji – metai, kai „įgyvendinsime arba liksime nuošalyje“. Taip jis tai apibūdina. Informatica, apibendrinant 600 duomenų lyderių tyrimą.

Svarbiausi dalykai per 60 sekundžių

• „GenAI“ jau yra 69 % organizacijų. ir dar 25 % planuoja jį įgyvendinti per 12 mėnesių.
• Agentinis dirbtinis intelektas, kaip sistemas, kurios ne tik generuoja, bet ir „veikia“, 47 % įmonių jas jau turi, o dar 31 % planuoja tai padaryti per metus.
• Mastelis auga, bet pasitikėjimas gali būti aklas65 % organizacijų teigia, kad darbuotojai labai pasitiki dirbtinio intelekto naudojamais duomenimis, tuo tarpu 75 % vadovų nurodo duomenų raštingumo spragas, o 74 % – dirbtinio intelekto raštingumo spragas.
• Dažniausiai pasitaikantys agentų gamybos blokatoriaiduomenų kokybė ir paieška (50 %), saugumas (43 %), kompetencijų trūkumas (42 %), agentų valdymo įrankiai (39 %), stebimumas (39 %), apsauginiai barjerai (35 %).

Kas yra agentinis dirbtinis intelektas

Trumpai tariant, agentinis dirbtinis intelektas (DI) yra metodas, kai DI sistema neapsiriboja atsako generavimu, o imasi veiksmų: iškviečia įrankius, vykdo proceso veiksmus, perduoda užduotį žmogui ir išsaugo sistemoje. Tai natūralus „kitas žingsnis“ po „GenAI“ – ir todėl įmonės taip sparčiai vystosi.

„Pasitikėjimo paradoksas“: žmonės pasitiki, net jei negali to patikrinti

Vienas praktiškiausių tyrimo pastebėjimų yra vadinamasis pasitikėjimo paradoksas: darbuotojai pasitiki duomenimis ir dirbtinio intelekto rezultatais, tačiau dažnai trūksta patirties įvertinti, kada dirbtinis intelektas yra teisingas, o kada – įtikinamai ir... klaidingas. Ataskaitoje nustatyta: 65 % darbuotojų teigia, kad pasitiki, o ne kada jiems reikia tolesnių mokymų (75 % – duomenų raštingumo, 74 % – dirbtinio intelekto raštingumo).

Tai reali rizika gamybos aplinkoje, ypač kai sprendimai turi įtakos kainodarai, pasiūlymams, kredito rizikai, skundams, asmens duomenų apsaugai, atitikčiai reikalavimams.

Praktinė pamoka: jei kuriate agentus, tuo pačiu metu ugdote ir tikrinimo įpročius (procesą), ir kompetencijas (žmones). Priešingu atveju agentas „pasivaduosis autoritetu“.

6 kliūtys, kurios dažniausiai blokuoja agentus gamyboje – ir kaip jas pašalinti

Žemiau pateikiamas kliūčių sąrašas tiesiai iš ataskaitos (su procentais) ir „ką daryti rytoj ryte“, kad neužstrigtumėte ties POC.

1) Duomenų kokybė ir paieška (50 %)

Kad agentas veiktų, jis turi laiku gauti tinkamus duomenis su aiškiu kontekstu.

Kas veikia praktiškai:

• duomenų katalogas + nuosavybė (kas atsakingas už šaltinį),
• kokybės taisyklės (kas yra „teisinga“ klientui / produktui / užsakymui),
• semantinis sluoksnis / terminų žodynas (kad „pajamos“ reikštų vieną dalyką),
• svarbiausių duomenų šviežumo ir išsamumo stebėjimas.

2) Saugumas (43 %)

Agentas yra naujo tipo vartotojas: greitas, automatizuotas ir… kartais pernelyg kūrybingas.

Minimumas:

• mažiausių privilegijų principas,
• PII maskavimas / segmentavimas,
• auditas (kas/ką/kodėl jį atsisiuntė),
• įrankių valdymas: agentas neturėtų turėti prieigos prie „visko“.

3) Agentinių dirbtinio intelekto kompetencijų trūkumas (42 %)

Svarbu ne tik raginimas. Svarbu ir dizainas:

• darbo eiga,
• žmogaus eskalacijos akimirkos,
• testai ir priėmimo kriterijai.

Greitas sprendimas: vadovas „kaip agentas dirba mums“ + mokymai konkrečiais naudojimo atvejais.

4) Prastos agentų valdymo priemonės (39 %)

Be įrankių sukuriate „šešėlinį DI“ ir užgesinate gaisrą.

Verta turėti:

• agentų registras (kam priklauso, koks tikslas, kokie duomenų šaltiniai),
• versijų kūrimo ir keitimo procesas,
• vertinimai pakeitus duomenis / modelį / įrankius.

5) Stebimumas (39 %)

Jei nežinote, kodėl agentas atliko X veiksmą, vadinasi, turite problemų gamyboje.

Minimalus stebimumas:

• žingsnių žurnalai (pėdsakai),
• atsako / veiksmo kokybės metrikos,
• įspėjimai apie nukrypimus (pvz., staigus „neapibrėžtumo“ padidėjimas, paieškos klaidos).

6) Apsauginiai turėklai (35 %)

Apsauginiai turėklai nėra „stabdžiai“. Tai saugos diržai.

Paprasčiausias ir efektyviausias:

• leidžiamųjų įrankių ir veiksmų sąrašas,
• ribos (normos ribos, žetonų/dalių biudžetas),
• negrįžtamų veiksmų eskalavimo ribos (žmogus dalyvauja grandinėje).

Bandomasis → Gamyba: Duomenys vis dar yra kliūtis

Ataskaitoje 57 % vadovų tiesiai šviesiai teigia: duomenų patikimumas vis dar trukdo perėjimui nuo bandomojo prie gamybinio etapo.
Ir tai įdomu: įmonės žino, kas veikia, nes nurodo konkrečius veiksmus, kurių imasi dažniausiai:

• patobulintas duomenų / dirbtinio intelekto darbo srautas (59%),
• investicijos į duomenų kokybę (54 %) ir metaduomenis (54 %),
• dažnesni duomenų patikrinimai (53 %),
• kvalifikacijos kėlimas / įdarbinimas (47 %),
• išorės parama (43 %).

Tai skamba kaip „didelė programa“, bet ją galima įgyvendinti etapais.

Minimalus perspektyvus dirbtinio intelekto valdymas (nėra didelės metinės programos)

Ataskaitoje taip pat teigiama, kad 76 % organizacijų pripažįsta: jų matomumas ir valdymas neatitinka to, kaip darbuotojai naudoja dirbtinį intelektą.
Jei norite pradėti protingai ir greitai, įsivaizduokite dirbtinio intelekto valdymą kaip tris paprastus klausimus:

1. Kam priklauso agentas ir jo naudojami duomenys?
2. Kokius įgaliojimus ji turi ir kaip mes ją audituojame?
3. Kaip matuojame kokybę ir riziką (ir ką darome, kai rodikliai mažėja)?

To pakanka, kad nustotumėte elgtis „pagal tikėjimą“.

„Agentinio dirbtinio intelekto pasirengimo gamybai“ kontrolinis sąrašas (naudoti)

1. Apibrėžtas agento tikslas ir atsakomybės ribos
2. Verslo savininkas + Duomenų savininkas
3. Duomenų šaltinių sąrašas + klasifikacija (asmeniškai asmeniška / neskelbtina)
4. Svarbiausių duomenų kokybės taisyklės
5. Kokybės stebėjimas + šviežumas + įspėjimai
6. Semantinis sluoksnis / terminų žodynėlis
7. Prieigos kontrolė (mažiausios privilegijos)
8. Maskavimas / anonimizavimas, jei reikia
9. Registravimo agento veikla (sekimas)
10. Metrikos: efektyvumas, paieškos klaidos, eskalavimas, laikas, kaina
11. Apsauginiai barjerai (leidžiamųjų sąrašo įrankiai, apribojimai, eskalavimo ribos)
12. Regresinis testavimas (pakeitus duomenis, modelį, raginimus, įrankius)
13. Versijų kūrimo ir diegimo procesas (kas tvirtina pakeitimus)
14. Vartotojų mokymai: duomenų raštingumas + dirbtinio intelekto raštingumas
15. Ką darome, kai agentas padaro klaidą – planas (vykdomoji knyga)

DUK 

Ar agentinis dirbtinis intelektas yra tas pats, kas pokalbių robotas?
Ne. Pokalbių robotas pirmiausia atsako. Be atsakymo, „Agentic AI“ atlieka veiksmus procese (pvz., sukuria užklausą, atnaujina įrašą, inicijuoja darbo eigą).

Kodėl agentinis dirbtinis intelektas taip dažnai remiasi duomenimis?
Kadangi agentas turi gauti duomenis ir su jais reaguoti, tyrimas parodė, kad didžiausia gamybos kliūtis buvo duomenų kokybė / paieška (50 %).

Kaip pradėti dirbtinio intelekto valdymą, kad neužklimptume dokumentuose?
Pradedant nuo būtiniausių dalykų: nuosavybės, įgaliojimų, audito ir kokybės / rizikos rodiklių. Tik tada reikėtų pradėti kurti sistemą.

Iš kur šie skaičiai (skaidrus)

Šios yra ataskaitos išvados „CDO įžvalgos 2026 m.“ paruošė Informatica Remiantis „Wakefield Research“ apklausa: 600 duomenų lyderių (daugiau nei 500 mln. JAV dolerių pajamų turinčių įmonių), JAV / JK + ES / APAC, 2025 m. rugsėjo 12–25 d.

DAUGIAU SKAITYKITE MŪSŲ BLOGĄ