Pålitelige data avgjør om AI-agenter kan skalere

En global undersøkelse viser at nesten syv av ti organisasjoner planlegger å bruke AI-agenter i stor grad innen to år. Samtidig sier mer enn halvparten at eldre datasystemer hindrer utvikling.

Innsikt i Google Cloud og MIT-teknologigjennomgang har undersøkt hvordan selskaper forbereder seg på den bredere bruken av AI-agenter. Studien er basert på svar fra 300 data- og teknologiledere, samt dybdeintervjuer med representanter fra HCA Healthcare, Shopify og Deutsche Telekom.

Resultatene indikerer at KI-agentenes evner ikke er den eneste avgjørende faktoren. Minst like viktig er om organisasjonen har et datagrunnlag som gir agenter tilgang til relevant, oppdatert og pålitelig informasjon.

I dag bruker nesten alle organisasjonene som ble spurt AI-agenter, eller planlegger å gjøre det. Bruken er imidlertid fortsatt begrenset. Bare 10 prosent rapporterer at AI-agenter er mye brukt i driften deres.

Dette forventes å endre seg raskt. Innen to år planlegger 69 prosent av organisasjonene å ha AI-agenter utplassert i større skala. For mange representerer dette et betydelig steg fra småskala pilotprosjekter til forretningskritiske løsninger som brukes på tvers av organisasjonen.

Eldre datasystemer bremser utviklingen

Mer enn halvparten av respondentene, 55 prosent, sier at eldre datasystemer hindrer dem i å skalere bruken av AI-agenter.

Undersøkelsen identifiserer fire hovedproblemer:

• Data er låst i separate systemer, noe som betyr at AI-agenter mangler et helhetlig bilde av virksomheten.
• Ustrukturerte data i for eksempel PDF-filer, e-poster, videomateriale og samtalelogger er vanskelige å få tilgang til og administrere sikkert.
• Mangel på tilgang til sanntidsdata tvinger agenter til å jobbe med informasjon som allerede kan være utdatert.
• Data mangler tilstrekkelig forretningskontekst og klare semantiske relasjoner, noe som gjør det vanskelig for agenter å forstå betydningen av informasjonen og relasjonene mellom ulike datasett.

AI-agenter trenger ikke bare tilgang til store mengder data, men informasjonen må også være relevant, kontekstualisert og tilgjengelig når en beslutning må tas.

Store forskjeller mellom organisasjonene

Rapporten deler organisasjoner inn i datapionerer og dataetterslep. Datapionerer gir sine AI-systemer tilgang til mer enn 70 prosent av organisasjonens data. For etterslep er den tilsvarende andelen ikke mer enn 30 prosent.

I gjennomsnitt får AI-systemer tilgang til 45 prosent av en organisasjons data. Forskjellene i datatilgang gjenspeiles tydelig i tilliten til agentenes ytelse.

Totalt sett sier 51 prosent av lederne som ble spurt at de stoler på at AI-agenters beslutninger er nøyaktige og relevante, sammenlignet med bare 22 prosent blant datasetternåpnere.

Blant dataforløperne beskriver 36 prosent agentenes resultater som gjennomgående nøyaktige. De resterende 64 prosentene vurderer resultatene som nøyaktige i de fleste tilfeller. Ingen av dataforløperne oppgir at resultatene bare er moderat nøyaktige eller unøyaktige. Blant etternølerne gjør imidlertid tre av fire organisasjoner den vurderingen.

Ifølge rapporten indikerer resultatene at bred og godt administrert tilgang til forretningsdata øker muligheten til å bruke AI-agenter i flere funksjoner, ta raskere beslutninger og samtidig opprettholde kvaliteten.

Tre prioriteringer for det kommende året

De spurte organisasjonene peker på tre dataområder som er spesielt viktige for skalering av AI-agenter i løpet av de neste tolv månedene.

Førsteprioriteten er å forbedre tilgangen til både strukturerte og ustrukturerte data. Informasjon må være brukbar der den allerede finnes, selv når den er distribuert på tvers av forskjellige systemer og miljøer.

Det andre er å styrke styringen av data og AI-modeller. Ved å legge til forretningskonsepter, regler og kontekst kan organisasjoner hjelpe agenter med å ta mer relevante og nøyaktige beslutninger.

Den tredje prioriteten er å erstatte tradisjonell batchbehandling med strømming og hendelsesdrevne dataflyter, slik at AI-agenter kan reagere på endringer og handle ut fra aktuell informasjon i sanntid.

Fra informasjonssystemer til handlingssystemer

Å legge til AI oppå en eldre og fragmentert dataarkitektur kan, ifølge Google Cloud føre til høyere kostnader, mer kompliserte integrasjoner og begrenset skalerbarhet.

Selskapet argumenterer derfor for en overgang fra systemer som primært samler og analyserer informasjon til systemer som også kan omsette informasjonen til handling.

Google Cloud beskriver modellen sin for dette som en ”Agentic Data Cloud” – et sammenhengende datamiljø designet for AI-agenter. Ifølge selskapet bør en slik arkitektur være AI-aktivert, kunne bruke data på tvers av skyer, systemer og formater, og tilby styring, forretningskontekst og pålitelige resultater.

Rapportens overordnede konklusjon er at organisasjoner som ønsker å gå fra AI-pilotprosjekter til utbredt bruk først må gjennomgå datagrunnlaget sitt. AI-agenters evne til å handle uavhengig i praksis vil avhenge av hvilken informasjon de har lov til å bruke, hvor aktuell den er og hvor godt den kan forstås.

Den komplette MIT Technology Review Insights-rapporten, Skalering av AI-agenter med pålitelige data, tilbyr enda flere detaljer, inkludert intervjuer med ledere, for å hjelpe deg med å forberede databasen din for agentenes æra.

Last ned rapporten.