Pålidelige data afgør, om AI-agenter kan skalere

En global undersøgelse viser, at næsten syv ud af ti organisationer planlægger at bruge AI-agenter bredt inden for to år. Samtidig siger mere end halvdelen, at ældre datasystemer hæmmer udviklingen.

Indsigt i Google Cloud og MIT-teknologigennemgang har undersøgt, hvordan virksomheder forbereder sig på den bredere brug af AI-agenter. Undersøgelsen er baseret på svar fra 300 data- og teknologichefer samt dybdegående interviews med repræsentanter fra HCA Healthcare, Shopify og Deutsche Telekom.

Resultaterne indikerer, at AI-agenters evner ikke er den eneste afgørende faktor. Mindst lige så vigtigt er det, om organisationen har et datagrundlag, der giver agenter adgang til relevante, opdaterede og pålidelige oplysninger.

I dag bruger næsten alle adspurgte organisationer AI-agenter eller planlægger at gøre det. Brugen er dog stadig begrænset. Kun 10 procent rapporterer, at AI-agenter er meget udbredt i deres drift.

Dette forventes at ændre sig hurtigt. Inden for to år planlægger 69 procent af organisationerne at have AI-agenter indsat i større skala. For mange repræsenterer dette et betydeligt skridt fra små pilotprojekter til missionskritiske løsninger, der anvendes på tværs af organisationen.

Ældre computersystemer bremser udviklingen

Mere end halvdelen af respondenterne, 55 procent, siger, at ældre datasystemer forhindrer dem i at skalere brugen af AI-agenter.

Undersøgelsen identificerer fire hovedproblemer:

• Data er låst i separate systemer, hvilket betyder, at AI-agenter mangler et samlet billede af forretningen.
• Ustrukturerede data i for eksempel PDF-filer, e-mails, videomateriale og opkaldslogge er vanskelige at tilgå og administrere sikkert.
• Manglende adgang til realtidsdata tvinger agenter til at arbejde med information, der muligvis allerede er forældet.
• Data mangler tilstrækkelig forretningskontekst og klare semantiske relationer, hvilket gør det vanskeligt for agenter at forstå betydningen af informationen og relationerne mellem forskellige datasæt.

AI-agenter har ikke kun brug for adgang til store mængder data, men informationen skal også være relevant, kontekstualiseret og tilgængelig, når der skal træffes en beslutning.

De største forskelle mellem organisationerne

Rapporten opdeler organisationer i datapionerer og databaggere. Datapionerer giver deres AI-systemer adgang til mere end 70 procent af organisationens data. For baggere er den tilsvarende andel ikke mere end 30 procent.

I gennemsnit får AI-systemer adgang til 45 procent af en organisations data. Forskellene i dataadgang afspejles tydeligt i tilliden til agenternes præstation.

Samlet set siger 51 procent af de adspurgte ledere, at de har tillid til, at AI-agenters beslutninger er præcise og relevante, sammenlignet med kun 22 procent blandt datalagarder.

Blandt dataforløberne beskriver 36 procent agenternes resultater som konsekvent nøjagtige. De resterende 64 procent vurderer resultaterne som nøjagtige i de fleste tilfælde. Ingen af dataforløberne angiver, at resultaterne kun er moderat nøjagtige eller unøjagtige. Blandt de bagudrettede foretager tre ud af fire organisationer dog denne vurdering.

Ifølge rapporten indikerer resultaterne, at bred og velforvaltet adgang til forretningsdata øger muligheden for at bruge AI-agenter i flere funktioner, træffe hurtigere beslutninger og samtidig opretholde kvaliteten.

Tre prioriteter for det kommende år

De adspurgte organisationer peger på tre dataområder som særligt vigtige for skalering af AI-agenter i løbet af de næste tolv måneder.

Den første prioritet er at forbedre adgangen til både strukturerede og ustrukturerede data. Information skal være brugbar, hvor den allerede findes, selv når den er distribueret på tværs af forskellige systemer og miljøer.

Det andet er at styrke styringen af data og AI-modeller. Ved at tilføje forretningskoncepter, regler og kontekst kan organisationer hjælpe agenter med at træffe mere relevante og præcise beslutninger.

Den tredje prioritet er at erstatte traditionel batchbehandling med streaming og hændelsesdrevne datastrømme, hvilket giver AI-agenter mulighed for at reagere på ændringer og handle på aktuelle oplysninger i realtid.

Fra informationssystemer til handlingssystemer

At tilføje AI oven på en ældre og fragmenteret dataarkitektur kan, ifølge Google Cloud føre til højere omkostninger, mere komplicerede integrationer og begrænset skalerbarhed.

Virksomheden argumenterer derfor for en overgang fra systemer, der primært samler og analyserer information, til systemer, der også kan omsætte informationen til handling.

Google Cloud beskriver sin model for dette som en ”"Agentic Data Cloud"” – et sammenhængende datamiljø designet til AI-agenter. Ifølge virksomheden bør en sådan arkitektur være AI-aktiveret, i stand til at bruge data på tværs af clouds, systemer og formater og tilbyde governance, forretningskontekst og pålidelige resultater.

Rapportens overordnede konklusion er, at organisationer, der ønsker at gå fra AI-pilotprojekter til udbredt brug, først skal gennemgå deres datagrundlag. AI-agenters evne til at handle uafhængigt i praksis vil afhænge af, hvilke oplysninger de har tilladelse til at bruge, hvor aktuelle de er, og hvor godt de kan forstås.

Den komplette MIT Technology Review Insights-rapporten, Skalering af AI-agenter med pålidelige data, tilbyder endnu flere detaljer, herunder interviews med ledere, for at hjælpe dig med at forberede din database til agenternes æra.

Download rapporten.