Zaledwie co piąta polska (22%) firma posiada sformalizowaną politykę zarządzania cyfrowymi danymi, a 34% nie zamierza jej w ogóle opracowywać – wynika z raportu Polskiej Agencji Rozwoju Przedsiębiorczości. To jeden z głównych czynników spowalniających wdrożenia AI. Coraz większym wyzwaniem w tym kontekście staje się także cyberbezpieczeństwo.
Choć przedsiębiorcy przyzwyczaili się, że do przeprowadzenia pomyślnej transformacji cyfrowej wystarczy głównie otwartość na innowacje i odpowiedni budżet, rewolucja AI pokazuje, że proces informatyzacji nie zamyka się wyłącznie na poziomie działu IT, ale wymaga zaangażowania całej struktury. Szczególnie wtedy, gdy o sukcesie wprowadzenia nowych narzędzi decyduje m.in. jakość danych i to jaki sposób są one gromadzone i przetwarzane.
Chcąc inwestować w AI, trzeba zainwestować w dane
Jak można przeczytać w raporcie PARP „Sztuczna inteligencja w firmach: gotowość do adopcji, kompetencje i potrzeby” nie więcej niż 38 proc. firm posiada politykę zarządzania danymi, z tego zaledwie 16% w postaci niesformalizowanej. Co trzecie przedsiębiorstwo nie zamierza w ogóle wdrażać takiej polityki, jednocześnie 45 proc. uważa swoje dane za ujednolicone, a blisko połowa za aktualne (51 proc.) i kompletne (49 proc.). Co ciekawe, autorzy badania twierdzą, że wiele przedsiębiorstw zaczyna zdawać sobie sprawę z jakości swoich danych dopiero wtedy, gdy rozpoczynają korzystać z AI.
Z tezą, że jednym z przejawów dojrzałości cyfrowej jest świadome podejście do jakości danych wykorzystywanych w organizacji, zgadza się Michał Żelichowski, dyrektor rozwoju biznesu i zarządzania produktami w PSI Polska. Przypomina, że sztuczna inteligencja jest tak dobra, jak dane, które otrzymuje. Dlatego muszą być ustrukturyzowane, odpowiednio opisane i zarządzane, aby algorytmy mogły z nich efektywnie korzystać.
Badanie PARP pokazuje, że polskie przedsiębiorstwa wykorzystują dziś tę technologię przede wszystkim do tworzenia treści, generowania tekstów i wsparcia działań marketingowych. Tymczasem największy zwrot z inwestycji w AI pojawia się wtedy, gdy wspiera codzienne decyzje operacyjne i procesy biznesowe od planowania produkcji, przez zarządzanie zasobami, po reagowanie na zakłócenia w czasie rzeczywistym – radzi Żelichowski. – Algorytm, który przewidzi awarię maszyny czy wskaże optymalną kombinację kolejności produkcji, może wygenerować dla firmy znacznie większą wartość niż narzędzie służące wyłącznie do tworzenia treści.
Wdrożenia w przemyśle nie przekraczają 26 proc.
Kierując się korzyściami operacyjnymi, można by przypuszczać, że do największych beneficjentów AI należą dziś przedsiębiorstwa przemysłowe. W rzeczywistości paradoksalnie to właśnie one zaliczają się do grona, w których zaawansowanie wdrożeń sztucznej inteligencji jest najniższe. W badaniu PARP na ostatnim miejscu zestawienia znajduje się branża produkcji i napraw urządzeń, gdzie AI stosuje zaledwie 14 proc. firm. Nieco lepiej sytuacja wygląda w produkcji pozostałych wyrobów. Tam odsetek przedsiębiorstw korzystających z AI wynosi 26 proc.
Niski poziom wdrożeń AI w przemyśle nie wynika z braku zainteresowania technologią, ale z tego, że są to branże silnie procesowe, w których każda zmiana musi przekładać się na konkretne efekty operacyjne. Dlatego decyzje inwestycyjne są tu bardziej ostrożne i oparte na twardych wskaźnikach, takich jak OEE, terminowość, wydajność czy dostępność zasobów. W praktyce obserwujemy, że AI zaczyna przynosić realną wartość dopiero wtedy, gdy jest powiązana bezpośrednio z systemami planowania i sterowania produkcją, a nie funkcjonuje jako oddzielne narzędzie analityczne – mówi ekspert PSI Polska.
Logistyka potrzebuje AI szytego na miarę
Z drugiej strony, firmy logistyczne, które decydują się na inwestycje w AI, wdrażają rozwiązania stosunkowo szeroko. 26 proc. przedsiębiorstw posiada własne, autorskie systemy oparte na sztucznej inteligencji.
Operatorzy zarządzający dużą liczbą magazynów, zróżnicowaną flotą i dynamicznym wolumenem zleceń szybciej dochodzą do momentu, w którym ręczne planowanie lub proste reguły systemowe przestają być wystarczające. W takich miejscach AI jest wykorzystywana np. do dynamicznego planowania tras w zależności od sytuacji drogowej i priorytetów klientów, automatycznego planowania okien dostaw czy optymalizacji wykorzystania przestrzeni magazynowej w czasie rzeczywistym. Kluczowym obszarem pozostaje także kompletacja zamówień, gdzie nawet niewielkie usprawnienia w organizacji procesu mogą przynieść zauważalne efekty operacyjne. Skrócenie ścieżki kompletacji zamówień bezpośrednio wpływa na tempo realizacji zleceń i pozwala obniżać koszty operacyjne, jednocześnie zwiększając przepustowość magazynu – tłumaczy Michał Żelichowski z PSI Polska.
Nie zmienia to jednak faktu, że zdecydowanie większą wagę do wdrażania AI przywiązują te branże, w których respondenci PARP sygnalizują pilną potrzebę zaawansowanego przetwarzania informacji, jak np. energetyka (86 proc.), nowoczesne usługi biznesowe (81 proc.) czy finanse i ubezpieczenia (80 proc.) Zdaniem Jakuba Stadnika, Head of Delivery w Scalo, te branże najwcześniej osiągnęły poziom, w którym przewaga konkurencyjna wynika nie z samego dostępu do danych, ale z ich przetwarzania w czasie zbliżonym do rzeczywistego i łączenia wielu źródeł informacji w jeden model decyzyjny.
W tych warunkach AI nie stanowi osobnej warstwy innowacji, lecz naturalne rozszerzenie istniejących systemów, takich jak platformy analityczne, systemy transakcyjne czy rozwiązania do zarządzania procesami. Kluczowym czynnikiem jest tu dojrzałość danych oraz architektury IT, która umożliwia integrację modeli predykcyjnych z procesami decyzyjnymi bez zakłócania ich ciągłości – podkreśla Stadnik.
Im dalej w AI tym większy strach o bezpieczeństwo danych
W związku z tym ekspert Scalo przypomina, że w modelach AI istotne staje się nie tylko to, jakie dane są wykorzystywane, ale również, gdzie są przetwarzane i jak są zabezpieczone przed nieautoryzowanym dostępem czy wyciekiem.
Coraz więcej firm świadomie projektuje architekturę, w której dane są przetwarzane w określonych, często lokalnych centrach danych, z pełną kontrolą nad ich replikacją i dostępem – mówi Jakub Stadnik. Firmy coraz częściej ograniczają korzystanie z publicznych modeli językowych na rzecz rozwiązań zamkniętych lub wdrażanych lokalnie, które umożliwiają kontrolę nad przepływem informacji i wykorzystaniem danych w procesie uczenia modeli, jednocześnie wspierając zgodność z regulacjami i minimalizując ryzyko operacyjne.
O informacjach na temat badania oraz głównych wnioskach można przeczytać w publikacji PARP.