Aģentūru mākslīgais intelekts 2026. gadā: uzņēmumi paātrinās, bet uzticēšanās un pārvaldība nespēj turēt līdzi

Ja 2025. gads bija gads, kad "redzēsim, vai tas darbojas", tad 2026. gads ir gads, kad "mēs īstenosim, vai arī mēs atpaliksim". Tā viņš to raksturo. Informatica, apkopojot 600 datu līderu pētījumu.

Vissvarīgākās lietas 60 sekundēs

• GenAI jau ir pieejams 69% organizāciju, un vēl 25% plāno to ieviest 12 mēnešu laikā.
• Aģentu mākslīgais intelekts, kā sistēmas, kas ne tikai ģenerē, bet arī "darbojas", 47% uzņēmumu tās jau ir ieviesuši, un vēl 31% plāno to ieviest gada laikā.
• Mērogs pieaug, bet uzticība var būt akla65 % organizāciju deklarē augstu darbinieku uzticēšanās līmeni mākslīgā intelekta izmantotajiem datiem, savukārt 75 % vadītāju ziņo par datu pratības nepilnībām un 74 % — par mākslīgā intelekta pratības nepilnībām.
• Visizplatītākie aģentu ražošanas bloķētājidatu kvalitāte un izguve (50%), drošība (43%), kompetenču trūkums (42%), aģentu pārvaldības rīki (39%), novērojamība (39%), drošības barjeras (35%).

Kas ir aģentūriskā mākslīgā intelekta (AI)

Īsāk sakot, aģentūriskā mākslīgā intelekta (MI) pieeja ir tāda, kurā MI sistēma neapstājas pie atbildes ģenerēšanas, bet gan rīkojas: aktivizē rīkus, izpilda procesa soļus, sazinās ar cilvēku un saglabā sistēmā. Šis ir dabisks "nākamais solis" pēc GenAI — un tāpēc uzņēmumi tik strauji attīsta savu darbību.

"Uzticības paradokss": cilvēki uzticas, pat ja nevar to pārbaudīt

Viens no pētījuma praktiskākajiem novērojumiem ir tā sauktais uzticēšanās paradokss: darbinieki uzticas datiem un mākslīgā intelekta rezultātiem, taču bieži vien viņiem trūkst zināšanu, lai novērtētu, kad mākslīgais intelekts ir pareizs un kad tas izklausās pārliecinoši un… nepareizi. Ziņojumā konstatēts: 65% darbinieku norāda uz uzticēšanos, nevis nepieciešamību pēc tālākas apmācības (75% datu pratība, 74% mākslīgā intelekta pratība).

Tas ir reāls risks ražošanas vidē, īpaši, ja lēmumi ietekmē: cenu noteikšanu, piedāvājumus, kredītrisku, sūdzības, personas datus, atbilstību prasībām.

Praktiska mācība: ja jūs veidojat aģentus, jūs vienlaikus veidojat verifikācijas paradumus (procesu) un kompetences (cilvēkus). Pretējā gadījumā aģents "paļausies uz autoritāti".

6 šķēršļi, kas visbiežāk bloķē aģentu darbību ražošanā, un kā tos novērst

Zemāk ir sniegts šķēršļu saraksts tieši no ziņojuma (ar procentiem) un "kas jādara rīt no rīta", lai izvairītos no iestrēgšanas pie POC.

1) Datu kvalitāte un izguve (50%)

Lai aģents varētu strādāt, tam ir jāiegūst pareizie dati laikā un ar skaidru kontekstu.

Kas darbojas praksē:

• datu direktorijs + īpašumtiesības (kas ir atbildīgs par avotu),
• kvalitātes noteikumi (kas ir "pareizi" klientam/precei/pasūtījumam),
• semantiskais slānis / terminu vārdnīca (lai "ienākumi" nozīmētu vienu lietu),
• kritiski svarīgu datu svaiguma un pilnīguma uzraudzība.

2) Drošība (43%)

Aģents ir jauna veida lietotājs: ātrs, automatizēts un… dažreiz pārāk radošs.

minimālā:

• mazāko privilēģiju princips,
• PII maskēšana/segmentācija,
• audits (kas/kāpēc to lejupielādēja),
• rīku kontrole: aģentam nevajadzētu būt piekļuvei “visam”.

3) Aģentūras mākslīgā intelekta kompetenču trūkums (42 %)

Runa nav tikai par pamudināšanu. Runa ir par dizainu:

• darbplūsma,
• cilvēka eskalācijas brīži,
• testi un pieņemšanas kritēriji.

Ātrs risinājums: rokasgrāmata "kā aģents strādā mūsu labā" + apmācība par konkrētiem lietošanas gadījumiem.

4) Slikti aģentu pārvaldības rīki (39%)

Bez instrumentiem jūs izveidojat "ēnu mākslīgo intelektu" un pēc tam nodzēšat ugunsgrēku.

Ir vērts līdzi ņemt:

• aģentu reģistrs (kam pieder, kāds mērķis, kādi datu avoti),
• versiju veidošanas un izmaiņu process,
• novērtējumi pēc datu/modeļa/rīku maiņas.

5) Novērojamība (39%)

Ja nezināt, kāpēc aģents izdarīja X, tad jums ir problēma ražošanā.

Minimālā novērojamība:

• soļu žurnāli (izsekošana),
• atbildes/darbības kvalitātes rādītāji,
• brīdinājumi par novirzēm (piemēram, pēkšņs "nenoteiktības" pieaugums, izguves kļūdas).

6) Aizsargbarjeras (35%)

Aizsargbarjeras nav "bremzes". Tās ir drošības jostas.

Vienkāršākais un efektīvākais:

• rīku un darbību atļauto sarakstu,
• ierobežojumi (likmju ierobežojumi, žetonu/koplietošanas budžets),
• neatgriezenisku darbību eskalācijas sliekšņi (cilvēka iesaiste).

Pilots → Ražošana: Dati joprojām ir vājā vieta

Ziņojumā 57% vadītāju to skaidri un gaiši pasaka: datu ticamība joprojām kavē pāreju no izmēģinājuma uz ražošanas posmu.
Un tas ir interesanti: uzņēmumi zina, kas darbojas, jo norāda konkrētos soļus, ko tie veic visbiežāk:

• uzlabota darbplūsma saistībā ar datiem/mākslīgo intelektu (59%),
• ieguldījumi datu kvalitātē (54 %) un metadatos (54 %),
• biežākas datu pārbaudes (53%),
• kvalifikācijas celšana/pieņemšana darbā (47%),
• ārējais atbalsts (43 %).

Tas izklausās pēc "lielas programmas", taču to var īstenot pa posmiem.

Minimāli dzīvotspējīga mākslīgā intelekta pārvaldība (nav lielas ikgadējas programmas)

Ziņojumā arī norādīts, ka 76 % organizāciju atzīst: to redzamība un pārvaldība neatbilst tam, kā darbinieki izmanto mākslīgo intelektu.
Ja vēlaties sākt saprātīgi un ātri, iedomājieties mākslīgā intelekta pārvaldību kā trīs vienkāršus jautājumus:

1. Kam pieder aģents un dati, ko tas izmanto?
2. Kādas ir tās pilnvaras un kā mēs to auditējam?
3. Kā mēs mērām kvalitāti un risku (un ko mēs darām, ja rādītāji pasliktinās)?

Ar to pietiek, lai pārtrauktu rīkoties "pēc ticības".

Kontrolsaraksts "Aģentūras mākslīgā intelekta gatavība ražošanai" (lietošanai)

1. Definēts aģenta mērķis un atbildības robežas
2. Uzņēmuma īpašnieks + datu īpašnieks
3. Datu avotu saraksts + klasifikācija (personu identificējoša informācija/sensitīva informācija)
4. Kritiski svarīgu datu kvalitātes noteikumi
5. Kvalitātes uzraudzība + svaigums + brīdinājumi
6. Semantiskais slānis / terminu glosārijs
7. Piekļuves kontrole (vismazākās privilēģijas)
8. Maskēšana/anonimizācija, ja nepieciešams
9. Reģistrācijas aģenta darbība (izsekošana)
10. Metrika: efektivitāte, izguves kļūdas, eskalācijas, laiks, izmaksas
11. Aizsardzības barjeras (atļaujamo rīku saraksts, ierobežojumi, eskalācijas sliekšņi)
12. Regresijas testēšana (pēc datu, modeļa, uzdevumu, rīku maiņas)
13. Versiju veidošanas un izvietošanas process (kas apstiprina izmaiņas)
14. Lietotāju apmācība: datu pratība + mākslīgā intelekta pratība
15. Ko mēs darām, ja aģents pieļauj kļūdas plānu (izpildes grāmata)

FAQ 

Vai aģentūru mākslīgais intelekts ir tas pats, kas tērzēšanas robots?
Nē. Tērzēšanas robots galvenokārt atbild. Papildus atbildēšanai Agenttic AI veic darbības procesā (piemēram, izveido pieprasījumu, atjaunina ierakstu, uzsāk darbplūsmu).

Kāpēc aģentūru mākslīgais intelekts tik bieži paļaujas uz datiem?
Tā kā aģentam ir jāizgūst dati un jāveic darbības ar tiem, pētījumā tika atklāts, ka lielākais ražošanas šķērslis bija datu kvalitāte/izguve (50 %).

Kā sākt mākslīgā intelekta pārvaldību, lai neieslīgtu dokumentos?
Sākot ar pašu nepieciešamāko: īpašumtiesības, autorizācijas, audita un kvalitātes/riska rādītājiem. Tikai pēc tam jāsāk ietvara izstrāde.

No kurienes nāk šie skaitļi (caurspīdīgi)

Šie ir ziņojuma secinājumi "CDO ieskati 2026. gadā" sagatavojis Informatica Balstoties uz Wakefield Research aptauju: 600 datu līderi (uzņēmumi ar ieņēmumiem virs 500 miljoniem ASV dolāru), ASV/Apvienotā Karaliste+ES/APAC reģions, 2025. gada 12.–25. septembris.

LASĪT VAIRĀK MŪSU BLOGU