Połowa firm używa AI. Dane ich wykończą

Do końca 2025 roku co najmniej połowa firm używa AI produkcyjnie — nie w piaskownicy, nie w pilotach, ale w codziennych operacjach finansowych, łańcuchach dostaw, HR i obsłudze klienta. MIT Technology Review stawia tezę, że większość tych wdrożeń ma problem strukturalny, który żaden update modelu nie naprawi.

Copiloty chodzą. Dane stoją w miejscu

Organizacje opalają agentów i systemy predykcyjne na danych, które przez lata lądowały w osobnych silosach. ERP w jednym miejscu, CRM w drugim, dane operacyjne w trzecim, logi produkcyjne gdzieś w chmurze. Model dostaje fragment obrazu i na jego podstawie ma podejmować decyzje wpływające na milionowe budżety.

To jak prosić kogoś o ocenę sytuacji finansowej firmy, dając mu tylko faktury z jednego kwartału.

AI w enterprise nie cierpi na brak mocy obliczeniowej. Cierpi na brak spójnego dostępu do danych — rozproszonych, niespójnie opisanych, w różnych formatach, z różnymi politykami dostępu. Każdy system ma swój schemat, swoje API, swoje wersjonowanie.

Czym jest data fabric i czy to nie kolejny buzzword?

Data fabric to architektura, która tworzy ujednoliconą warstwę semantyczną nad wszystkimi źródłami danych w organizacji — bez konieczności ich fizycznego przenoszenia do jednego data lake. Modele AI odpytują tę warstwę, a nie poszczególne systemy. Brzmi jak marketing. W praktyce to rozróżnienie między agentem, który faktycznie zna kontekst biznesowy, a takim, który halucynuje bo nie ma pełnych danych.

Kluczowy mechanizm to katalogowanie metadanych w czasie rzeczywistym — system wie nie tylko co ma, ale skąd to pochodzi, kiedy było aktualizowane i kto ma do tego dostęp. Agent zanim wyciągnie wniosek, może sprawdzić świeżość danych. To nie luksus w branży finansowej czy medycznej — to warunek działania.

Trzy miejsca, gdzie to się sypie najszybciej

• Finanse: modele predykcyjne do zarządzania płynnością potrzebują danych z systemów bankowych, ERP i prognoz sprzedaży jednocześnie. Bez spójnej warstwy integracyjnej wykręcają wyniki z danych sprzed tygodnia.
• Supply chain: agenci optymalizujący zamówienia muszą znać stany magazynowe, harmonogramy produkcji i dane od dostawców w jednym miejscu. Rozproszenie = decyzje na podstawie nieaktualnych zapasów.
• HR: systemy rekomendacji do rekrutacji zaciągają dane z ATS, HRIS i zewnętrznych platform — gdy każdy z nich ma inną taksonomię stanowisk, model nie wie, że “Software Engineer III” to to samo co “Senior Dev”.

Czy firmy mogą sobie pozwolić na ignorowanie infrastruktury danych?

ROI z AI spada proporcjonalnie do stopnia fragmentacji danych — i to nie jest metafora. Wdrożenia, które nie dowożą wartości po 12-18 miesiącach, najczęściej mają ten sam mianownik: model jest dobry, ale dane są złe albo niedostępne w odpowiednim momencie.

MIT Technology Review wskazuje, że organizacje inwestujące w data fabric przed skalowaniem AI notują wyraźnie wyższy zwrot z wdrożeń agentowych niż te, które podchodzą do sprawy odwrotnie — najpierw model, potem “jakoś dane się ogarnę”. Ta kolejność kosztuje.

Vendorzy enterprise — SAP, Microsoft, IBM, Informatica — już wrzucają data fabric jako składnik swoich platform AI. To sygnał, że rynek przestaje traktować zarządzanie danymi jak projekt IT, a zaczyna jak warunek wejścia do AI w ogóle.

Architektura zjada strategię na śniadanie

Firmy wydają miliony na licencje modeli i infrastrukturę GPU. Oszczędzają na governance danych, katalogach metadanych i integracjach między systemami — bo to nudne, niewidoczne i nie robi wrażenia na zarządzie.

Efekt: agenty AI, które miały autonomicznie zarządzać procesami, działają jak stażyści bez dostępu do firmowego intranetu. Technicznie zdolni. Operacyjnie bezużyteczni.

Do końca 2025 roku liczba wdrożeń AI w enterprise przekroczy liczbę firm, które faktycznie rozwiązały problem danych.