AI není všemocná. Je závislá na kontextu, který dostane
Současné modely umí pracovat s kontextem, hledat souvislosti a vytvářet komplexní odpovědi. To je jejich síla. Zároveň je to ale i jejich limit. AI dokáže chápat souvislosti pouze v rámci dat, která má k dispozici. Pokud jsou vstupy nejednoznačné, neúplné nebo si protiřečí, pracuje právě s touto realitou.
Jinými slovy: AI dokáže propojit informace. Nedokáže ale opravit význam, který je v datech špatně definovaný.
Pokud jsou data strukturovaná, konzistentní a významově jasná, výstup bývá přesný. Pokud ne, model začne vytvářet pravděpodobnostní interpretaci. Ne proto, že by „halucinoval“, ale proto, že hledá nejlepší možné vysvětlení z toho, co dostal.
V praxi se to projevuje velmi konkrétně:
- produkt má odlišný popis v různých částech systému,
- cena se liší podle kanálu, ale pravidla nejsou jednoznačně definovaná,
- klíčové výjimky existují jen v interním know-how, ne v datech,
- reporting pracuje s jinou definicí metrik než obchodní oddělení.
Člověk si s tím často poradí, protože zná kontext. AI pracuje jen s tím, co je explicitně vyjádřeno.
Proč většina firem řeší AI na špatném místě
Když se očekávané výsledky nedostaví, firmy mají tendenci hledat řešení v technologii samotné. Vymění nástroj, přidají další vrstvu automatizace nebo zapojí externí službu. Jenže tím řeší důsledek, ne příčinu.
Zkušenost z e-commerce a komplexních digitálních projektů ukazuje, že skutečná bariéra bývá jinde:
- data nejsou sjednocená napříč systémy,
- vazby mezi nimi nejsou jasně definované,
- neexistuje jednoznačný „zdroj pravdy“,
- reporting pracuje s jinými definicemi než provozní systém.
Pokud firma nemá jasno v tom, co která informace znamená a odkud pochází, žádný model to za ni nevyřeší. AI pak jen rychle odhalí, že systém stojí na neujasněných základech.
Skutečný problém tedy není v tom, že by AI byla nedostatečná. Skutečný problém je, že firma často pustí AI do prostředí, které by bylo složité interpretovat i pro člověka.
Kde je skutečné jádro problému
Když se na tyto situace podíváme systematicky, ukazuje se, že hlavním problémem není samotná AI, ale schopnost firmy pracovat s vlastními daty jako s nositelem významu. Nejde o to, zda data existují, ale zda dávají smysl i mimo konkrétní aplikaci, web nebo člověka, který je interpretuje.
V řadě firem jsou informace rozptýlené napříč systémy, odděleními a procesy. Každý s nimi pracuje trochu jinak, s jiným kontextem a jinými výjimkami. Dokud je interpretuje člověk, dá se to zvládnout. Ve chvíli, kdy s nimi začne pracovat AI, se tato nejednoznačnost okamžitě projeví.
Odpovědí proto není další nástroj, ale sjednocení významu dat. Ujasnit si, co informace skutečně znamenají, odkud pocházejí a jaké vazby mezi nimi existují. Teprve na tomto základě má smysl jakákoli automatizace nebo práce s pokročilými nástroji.
Jak s AI pracovat v praxi
Zkušenost z projektů ukazuje, že práce s AI dává smysl pouze tehdy, když navazuje na skutečný stav dat a systému. Nezačíná se výběrem technologie, ale pochopením reality, se kterou má technologie pracovat.
V praxi se osvědčuje postup, který má jasnou logiku a návaznost:
-
Porozumět vlastním datům a jejich významu
Ujasnit si, co data skutečně reprezentují, kde vznikají, kdo je spravuje a jaké vazby mezi nimi existují. Bez tohoto kroku se AI nemá čeho chytit. -
Nadefinovat vazby napříč systémy
Stejné informace musí znamenat totéž bez ohledu na to, kde se používají. Vazby mezi ERP, e-commerce platformou, CRM, reportingem nebo BI nástroji musí být jednoznačné. -
Sjednotit reporting a interpretaci metrik
Pokud obchod, marketing a management pracují s jinými definicemi téhož ukazatele, žádný model nemůže vracet konzistentní závěry. -
Teprve poté pracovat s asistenty a automatizací
Datoví asistenti dávají smysl až ve chvíli, kdy mají k dispozici jasná a konzistentní data. V opačném případě pouze zrychlují práci s nepřesnostmi.
Tento přístup nevede k „nasazení AI“, ale k tomu, že technologie pracuje s reálným fungováním firmy, ne s domněnkami nebo zjednodušenými modely.
Jak k tomu přistupujeme my
V NetDirectu se na AI nedíváme jako na samostatný produkt Vnímáme ji jako součást širší architektury digitálního řešení. Proto v projektech nezačínáme u nástroje, ale u dat, procesů a jejich významu.
Pomáháme firmám:
- zorientovat se ve vlastních datech a jejich významu,
- sjednotit význam informací napříč digitálními řešeními,
- navrhnout a vytvořit reporting, který není jen souborem grafů, ale funkčním nástrojem řízení napojeným na skutečná data, s jasnou definicí metrik a vazbou na obchodní cíle,
- implementovat datové asistenty, včetně virtuálního datového asistenta v jádře platformy FLEX nebo nad jinými systémy, tak, aby z reportingu a dat vytvářeli srozumitelné závěry a obchodní kontext, ne jen rychlé odpovědi.
V praxi to znamená méně času stráveného ručními exporty a přepočítáváním dat, méně sporů o to, která čísla jsou správná, rychlejší reakci na změny výkonu a vyšší jistotu při strategickém rozhodování. Ne proto, aby firma „měla AI“. Ale proto, aby její digitální řešení dokázalo pracovat s daty systematicky – a aby investice do AI přinášela skutečný, měřitelný přínos.
Co z toho plyne pro firmy
AI ve firmách není cíl, ale test připravenosti. Ukazuje, jak kvalitně jsou nastavená data, procesy a pravidla, na kterých digitální řešení stojí. Čím kvalitnější jsou data, tím kvalitnější jsou výsledky. Čím jasněji jsou definované vazby a význam informací, tím přesnější a užitečnější jsou výstupy.
Pokud se firma chce v AI posunout dál, první krok obvykle nespočívá ve výběru nástroje, ale v pochopení vlastní reality, jaká data skutečně má, odkud pocházejí a jaký význam jim přisuzuje.
Právě tam začíná práce, která má dlouhodobou hodnotu, a právě tam dává smysl mít partnera, který rozumí architektuře e-commerce a komplexních digitálních řešení do hloubky. Pokud vás téma práce s AI v kontextu reálných dat a systémů zajímá, dává smysl začít právě tady.