ה-AI חשף: פלטפורמות הנתונים הארגוניות לא עומדות בקצב
ה-AI חושף את גבולות פלטפורמות הנתונים: CIOs נדרשים להחליט בין הרחבת ה-warehouse ל-lakehouse, לצד השקעה בשכבות סמנטיות. במקביל, ארגונים מסוימים מעבירים את אחריות ה-AI ל-CAO — מה שמסכן את מעמד ה-CIO. הדוגמה של Teradata: 100,000 שעות עבודה שנחסכו.
אתם חושבים שפלטפורמת הנתונים שלכם מוכנה לעידן ה-AI? תחשבו שוב. ה-cloud data warehouses שבניתם בשביל dashboards ו-BI — Snowflake, BigQuery, Redshift — נדרשים עכשיו לספק מידע למודלי AI ולסוכנים אוטונומיים. והקרעים מתחילים להיראות.
הבעיה: סוכנים לא סולחים על נתונים שגויים
כשסוכן אוטונומי מקבל החלטת רכש או שרשרת אספקה על סמך נתון שגוי, אין בן אדם שיתקן אותו בדיעבד. בעיית איכות נתונים שהייתה גורמת לדשבורד שגוי, עכשיו עלולה לגרום לסוכן לבצע הזמנה לא נכונה לפני שמישהו מספיק להתערב. לכן, בקרת איכות וגישה הופכות לדרישות בטיחות תפעוליות, לא רק לנושא של "ניקיון".
ה-warehouse או ה-lakehouse? השאלה שכולם שואלים
לפי Bharat Bansal, שותף בפרקטיקת הטכנולוגיה והנתונים של Bain, רוב הארגונים צריכים להרחיב את ה-warehouse הקיים במקום להחליף אותו. הפלטפורמות כבר הוסיפו open table formats, אינטגרציות ML ויכולות vector search. אבל אם יש לכם ML משמעותי ב-production, או צרכים בזמן אמת, ייתכן שעדיף לעבור ל-lakehouse.
"אתם לא רוצים את הפלטפורמה הכי מתוחכמת אם היא מסובכת מדי לצרכים שלכם", אומר Bansal. מחקר של Bain מראה שרק 5% עד 10% מהארגונים באמת צריכים ארכיטקטורת best-of-breed. Noel Yuhanna, אנליסט ראשי ב-Forrester, חושב שה-lakehouse הוא הבסיס הנכון לטווח ארוך, אבל מזהיר: "אי אפשר לזרוק את מה שכבר קיים. צריך לבדוק אם הפלטפורמה הנוכחית יכולה לעמוד בדרישות."
השכבה הסמנטית: מה זה בכלל "מכירות"?
הבעיה השנייה היא היעדר הקשר עסקי. השכבה הסמנטית יושבת בין הנתונים ליישומים, ומספקת הגדרות אחידות. אבל לפי Bansal, השכבות הסמנטיות המסורתיות לא נותנות לסוכנים את ההקשר המלא — למשל, שללקוח יכולות להיות חברות בנות באזורים שונים, או שהמונח "מכירות" יכול להתפרש אחרת במחלקת הכספים מאשר במחלקת המכירות.
Josh Fecteau, מנהל הדאטה וה-CIO של Teradata, אומר שזה מסביר למה ה-ROI של AI קל יותר לראות ברמת הפרט מאשר ברמת הארגון. עובד שמשתמש בצ'אטבוט יכול להוסיף הקשר ולתקן אי-הבנה, אבל סוכן ארגוני עצמאי צריך למצוא את הנתון הנכון ולהבין איך להשתמש בו — "צריך מערך נתונים מתועד היטב כבר מההתחלה."
הדרך: לחבר השקעות ל-use cases
העצה של Bain היא לחבר את ההשקעות בפלטפורמת הנתונים ל-use cases ספציפיים, במקום לבקש תקציב לפרויקט רחב של שיפור איכות. "הערך נמצא ב-use case של שירות לקוחות או תמחור", אומר Bansal. "השכבה הסמנטית והפיפליינים הופכים לרכיבים הכרחיים, ולא לתוכנית ללא יעד מוגדר."
Teradata הלכה בדרך הזו: היא בנתה אפליקציית AI סביב החוזים שלה, והצליחה לחסוך כ-100,000 שעות עבודה. אחר כך היא השתמשה בידע הזה כדי לבנות סוכן מכירות חכם שמשלב נתוני חוזים ולקוחות. "זה לא proof of concept, זה use case אמיתי שרץ ב-production", אומר Fecteau.
ומה עם ה-CIO? יש מי שמשאיר אותו בחוץ
בעוד שחלק מה-CIOs הפכו למובילים הראשיים של אסטרטגיית ה-AI, יש ארגונים שממנים Chief AI Officer או מטילים את האחריות לפריסת AI על מנהל אחר. זה מעמיד את ה-CIO בסיכון ממשי להיות מודר מהשיח הפנימי. המומחים שצוטטו ב-CIO.com מציעים שחלק מהארגונים רואים ב-AI עניין של המנכ"ל, לא של ה-IT.
אז מה הקשר לכל זה? ה-CIO שרוצה להישאר רלוונטי חייב להוכיח שהוא זה שמבין את הנתונים וה-AI — לא רק את התשתית. כי אם הוא לא עושה את זה, מישהו אחר ייקח את ההגה.
השורה התחתונה
הבעיה היא לא רק טכנולוגית. זו בעיה של בעלות על נתונים, הגדרות ויכולת לחבר את כל זה ל-use cases עסקיים. ואם ה-CIO לא ייקח את ההובלה — הוא עלול לגלות שהסוכנים האוטונומיים שלו עובדים עבור מישהו אחר.