Feldolgozó, nem tudásforrás
Egy AI rendszer nem tud semmit a cégünkről. Azt alakítja át, amit elé teszünk, és a saját erejét ehhez a bemenethez méri. Ebből három elv következik, és a tapasztalatom szerint a projektek sorsa ezen a hármon dől el, jóval a platformválasztás előtt.
Az első elv szerint a kimenet minőségének felső határát a bemenet szabja meg. Egy erősebb modell gyorsabban és szebben fogalmaz, a hiányzó vagy ellentmondó tényt viszont nem tudja pótolni. Ahol a cég két különböző árlistát tart nyilván ugyanarra a termékre, ott nincs az a modell, amelyik megmondja, melyik az érvényes, mert ez nem nyelvi, hanem szervezeti kérdés.
A hallgatólagos tudás, ami sehol nincs leírva
A második elv arról szól, amit a kollégák fejből tudnak. Egy tapasztalt pénzügyes tudja, hogy a régi rendszerben a nulla forintos tétel valójában ingyenes szállítást jelent, és hogy egy adott partner kétféle néven fut a könyvelésben. Sehol nincs leírva ez a tudás. Ugyanazt az adatot a gép is megkapja, a magyarázatot viszont nem, ezért szó szerint veszi, amit lát.
Amikor egy bevezetésen dolgozom, ez a rész szokott a leghosszabb lenni. Nem a technikán múlik, hanem azon, hogy sikerül-e kiszedni a fejekből azt a néhány tucat szabályt, ami eddig szóban öröklődött.
A magabiztos tévedés
A harmadik elv a legveszélyesebb. Egy nyelvi modell a bizonytalanságot nem jelzi külön, a hibás bemenetre is kerek, magabiztos választ ad. Hagyományos riportnál a rossz adat általában feltűnik, mert üres cella vagy képlethiba marad utána. Az AI válaszán semmi nem látszik, ezért a hiba egészen addig terjed, amíg valaki külső forrásból ellenőrizni nem kezdi.
Hagyományos riport
- A hiba látszik, üres cella vagy képlethiba
- A számítás megismételhető
- A forrás visszakereshető
- A hibát a rendszer jelzi
Nyelvi modell
- A hibás bemenetre is kerek választ ad
- Ugyanarra a kérdésre más megfogalmazás jöhet
- A forrás sokszor nem látszik a válaszon
- A tévedést csak külső ellenőrzés fogja ki
Minden AI bevezetés két projekt. Az egyik a megoldás, a másik az adat rendbetétele. A második nélkül az első csak látszatra készül el, és a különbség jellemzően az éles indulás után hetekkel derül ki.
Amit a számok mutatnak
A Gartner 2024 harmadik negyedévében 248 adatkezelési vezetőt kérdezett meg, és a válaszadók 63 százalékának vagy nincsenek meg az AI-hoz szükséges adatkezelési gyakorlatai, vagy nem tudja magáról, hogy megvannak-e. Az elemzőcég arra számít, hogy 2026 végéig a szervezetek feladják azoknak az AI projekteknek a 60 százalékát, amelyek alatt nincs megfelelően előkészített adat.
Ennél fontosabb a felmérés egyik mellékes megállapítása. A riportáláshoz elég tiszta adat nem ugyanaz, mint az AI-hoz elég tiszta adat. Egy jól működő vezetői kimutatás mögött is lehet olyan állomány, amiből egy nyelvi modell rossz következtetést von le, mert a kimutatás készítője fejben elvégzett néhány szűrést, amit soha nem írt le.
Források és további olvasnivaló
Gartner, Lack of AI-Ready Data Puts AI Projects at Risk, 2025. február 26-i közlemény, a 2024 harmadik negyedévi, 248 adatkezelési vezetővel készült felmérés alapján. A témát vezetői szemszögből Az AI eredménye annyit ér, amennyit az adat alatta című cikkemben dolgoztam fel, a bevezetések tipikus buktatóiról pedig itt írtam.
Workshop
AI Transformation Day
Egésznapos, vezetőknek szóló program. Feltérképezzük, hol tart a szervezet, mi az első reális lépés, és milyen belső feltételek szükségesek a sikerhez. A nap végén konkrét, priorizált cselekvési lista.
Érdekel a program →