"Mamy dane". To zdanie słyszę na pierwszym spotkaniu w niemal każdym projekcie AI. Mówi je zwykle ktoś z zarządu albo dyrektor IT. Mówi je z przekonaniem. I prawie za każdym razem okazuje się, że to nieprawda.
Nie dlatego, że kłamie. Dlatego, że "mamy dane" w rozumieniu organizacji oznacza coś zupełnie innego niż "mamy dane gotowe do wykorzystania przez AI".
Cztery systemy, zero spójności
Typowy scenariusz, który widzę w polskich firmach średniej i dużej wielkości, wygląda tak: dane o klientach są w CRM-ie, dane operacyjne w ERP, dane finansowe w osobnym systemie, a raporty tworzone są w Excelu na podstawie eksportów z tych trzech źródeł. Nikt nigdy nie siedział nad tym, żeby te dane ze sobą pogodzić. Każdy system ma swoją logikę, swoje formaty, swoje definicje pól.
Kiedy prosisz o zestawienie tych danych w jednym miejscu, okazuje się, że:
- Ten sam klient ma trzy różne identyfikatory w trzech systemach.
- Dane adresowe są w różnych formatach i różnym stopniu aktualności.
- Część pól jest wypełniona, część nie — i nikt nie wie, dlaczego.
- Dokumentacji struktury danych nie ma, albo jest z 2019 roku i nie odpowiada stanowi faktycznemu.
To nie jest wyjątek. To jest norma.
Prawda wychodzi, gdy człowiek siada do danych
Moment, w którym iluzja "mamy dane" pęka, jest zawsze ten sam: kiedy ktoś — człowiek, nie maszyna — siada i próbuje na tych danych wykonać konkretne zadanie. Nie raport. Nie dashboard. Konkretne zadanie biznesowe, które miało być zautomatyzowane przez AI.
I wtedy zaczyna się seria pytań: "Skąd wziąć tę wartość?", "Dlaczego tu jest puste pole?", "To jest aktualne, czy historyczne?", "Kto jest właścicielem tych danych?". Na większość tych pytań nikt nie zna odpowiedzi — bo nikt nigdy ich nie zadawał. Dane były, systemy działały, ludzie jakoś sobie radzili, robiąc workaround za workaroundem.
AI nie robi workaroundów. AI potrzebuje spójnych, kompletnych danych z jasną strukturą. I tu zaczyna się problem. To zresztą ten sam mechanizm, który zabija piloty: „udany" pilot AI nie przechodzi do produkcji między innymi dlatego, że demo dane były wyselekcjonowane, a produkcyjne nie istnieją w gotowej formie.
"Mamy dane" a "dane są gotowe"
To są dwa fundamentalnie różne zdania. "Mamy dane" oznacza: gdzieś w organizacji istnieją zapisy cyfrowe dotyczące naszej działalności. "Dane są gotowe" oznacza: te zapisy są spójne, kompletne, udokumentowane, dostępne w jednym miejscu i nadają się do wykorzystania w konkretnym celu.
Między jednym a drugim jest przepaść. I ta przepaść kosztuje. Widziałem projekty, w których 70% budżetu na "wdrożenie AI" poszło na porządkowanie danych. Nie na model, nie na integrację, nie na UX — na to, żeby w ogóle mieć z czego korzystać.
To nie jest zły scenariusz. To jest uczciwy scenariusz. Zły scenariusz to taki, w którym nikt nie sprawdza danych, buduje proof of concept na demo danych, a potem dziwi się, że na produkcji nic nie działa.
Dlaczego firmy się okłamują
Bo prawda jest niewygodna. Powiedzieć zarządowi "nie mamy danych gotowych do AI" to powiedzieć, że lata inwestycji w systemy IT nie dały fundamentu, którego potrzebujemy. To jest trudna rozmowa. Dużo łatwiej powiedzieć "mamy dane" i przejść do kolejnego slajdu z harmonogramem wdrożenia. To dokładnie ten sam paradoks, w którym Zarząd chce AI, ale nie chce zmieniać procesów: życzenie wyniku bez kosztu fundamentu.
Ale ta łatwość kończy się przy pierwszej próbie użycia tych danych w praktyce. I wtedy projekt albo się zatrzymuje (co jest kosztowne, ale uczciwe), albo — co gorsze — jedzie dalej na siłę, produkując wyniki, które wyglądają dobrze, ale nie mają pokrycia w rzeczywistości.
Co zrobić zamiast tego
Zanim zaczniesz jakikolwiek projekt AI, zrób audyt gotowości danych. Nie audyt IT. Nie przegląd systemów. Audyt, który odpowie na proste pytania:
-
Gdzie są dane potrzebne do tego konkretnego zadania? Nie "jakie dane mamy" — bo to pytanie prowadzi donikąd. Pytanie brzmi: jakie dane potrzebujemy do tego jednego, konkretnego zastosowania i gdzie one są.
-
Czy te dane są spójne między systemami? Czy klient X w CRM-ie to ten sam klient X w ERP? Czy wartości się zgadzają? Czy formaty są kompatybilne?
-
Czy jest dokumentacja? Nie "ogólna dokumentacja systemu", lecz opis: co oznacza każde pole, kto je wypełnia, jak często jest aktualizowane, jakie są dozwolone wartości. Bez tego nie ruszysz też pomiaru AI w firmie — nie zmierzysz tego, czego nie zdefiniujesz.
-
Kto jest właścicielem danych? Kto odpowiada za ich jakość? Kto decyduje o zmianach? Jeśli odpowiedź brzmi "nikt" — to jest pierwsza rzecz do naprawienia.
-
Czy człowiek potrafi na tych danych wykonać zadanie? To test, o którym pisałem w poprzednim artykule. Jeśli ekspert nie umie, AI nie zrobi cudu.
Uczciwe podejście jest tańsze
Wiem, że to nie jest to, co chce usłyszeć zarząd na kick-offie projektu AI. Ale uczciwa ocena stanu danych na początku jest wielokrotnie tańsza niż odkrycie prawdy w połowie projektu. Projekty, w których poświęcam z klientem pierwszy miesiąc na rzetelną diagnozę danych, kończą się sukcesem znacznie częściej niż te, w których od razu budujemy model "bo dane mamy".
Branża AI kocha historie sukcesu. Nikt nie opowiada o projektach, które umarły, bo dane okazały się nieprzydatne. A tych projektów jest zdecydowana większość.
Następnym razem, gdy ktoś na spotkaniu powie "mamy dane" — zapytaj: "Pokaż mi. Na czym konkretnie ma pracować AI? Skąd weźmiemy te dane? Kto za nie odpowiada?". Jeśli odpowiedzi nie przyjdą szybko i konkretnie — to sygnał, że trzeba zacząć od fundamentów, nie od modelu.
Jeśli chcesz rzetelnie ocenić, czy dane w Twojej organizacji są gotowe na projekt AI, zapraszam do rozmowy. Punktem startu zwykle jest audyt dojrzałości organizacji do AI lub strategia AI dla firm. Leszek Giza.