AI rendszerek gyakran tüntetik fel az üzleti adatokat egyszerűbbnek, mint amik valójában: egy szerződésből összegzés lesz, egy ügyfélszövegkörnyezetből javasolt teendő, egy iratból válasz. Ezek a kimenetek azonban nem maguktól születnek — az AI folyamatok folyamatosan szétbontják, átalakítják és újra összerakják az adatokat dokumentumok, rendszerek, promptok és munkafolyamatok között. Az AI skálázása azt követeli meg, hogy ezeket az átalakításokat igazként, nyomon követhetően és szabályozottan kezeljék, különben az ügynökök nem tudnak felelősen cselekedni, és a felhasználók nem bíznak a kimenetekben.
Ez az egyik fontos oka annak, hogy a vállalatok mindössze 7 százaléka skálázta teljesen az AI-t a szervezetében. Csak az strukturálatlan tartalom megoldása nem elegendő: az AI-adatfelkészültséghez szükséges, hogy a strukturált és strukturálatlan adatok egy kormányzott, nyomon követhető és újrahasználható alapra legyenek kötve.
Esettanulmány: pénzügyi szolgáltató, amely újraépítette a strukturálatlan adatcsatornákat
Egy pénzügyi szolgáltató például átdolgozta a strukturálatlan adatokra vonatkozó csővezetékeit ugyanazzal a szigorral, amelyet korábban a strukturált vállalati adatok kezelésekor alkalmaztak. A projekt a dokumentumokra, képekre, hangfájlokra és más bemenetekre fókuszált: a cél az volt, hogy ezeket kivonják, ellenőrizzék, gazdagítsák és AI-fogyasztásra előkészítsék.
A vállalat felismerte, hogy egy forrásfájl több, egymással összefüggő ideiglenes művelet és eredmény forrása lehet: például egy PDF-ből kinyert szöveg, táblázatok, képek, képszinopszisok, metaadatok, érzékenységi tagek és minőségi mutatók is előállhatnak. Ezeket az artefaktumokat kapcsolatban kellett tartani az eredeti forrással és egymással, hogy megőrizzék a jelentést, a származást és az irányítást a csatorna mentén.
A cél nem pusztán az volt, hogy feltöltsék a dokumentumokat egy modellbe, hanem hogy az AI-alkalmazások számára felfedezhetővé, visszakereshetővé és használhatóvá tegyék a helyes tartalmat. Ennek érdekében kurált strukturálatlan adattermékeket hoztak létre, amelyeket szöveg-, metaadat- és vektorkereséssel, valamint API-kon keresztül lehetett elérni. Az alkalmazások így a megfelelő dokumentumokat, bekezdéseket, táblázatokat, képeket vagy entitásokat tudták lekérni, mielőtt kontextust küldtek volna a modellnek.
A vállalat közös, kiterjeszthető csővezetékmintát fejlesztett ki: az alapmechanikát — bevitel, kivonás, minőségellenőrzés, metaadatok, származás, indexelés és kitettség — újra lehetett használni, miközben csak az adott kurált adathalmazhoz szükséges lépéseket konfigurálták. Így egy videós use case más feldolgozási lépéseket igényelt, mint a képeket és táblázatokat intenzíven tartalmazó dokumentumok esete. A bővítési pontokon szabályokat adtak hozzá a teljes csővezeték újraépítése helyett.
Eredményként ismételhetőbbé vált az AI-hoz szükséges utolsó mérföld biztosítása: az üzleti és alkalmazáscsapatok szabványos felületeken keresztül fogyaszthatták a kormányzott tartalmat, ahelyett, hogy tisztított adathalmazokat kaptak volna és nekik kellett volna kitalálniuk a lekérést, rangsorolást és használatot.
Miért különböznek az AI-időszak követelményei a korábbi adatgyakorlatoktól
AI rendszerek, köztük generatív és ügynöki AI, nagy mennyiségű strukturálatlan tartalmat használnak (dokumentumok, e-mailek, hívásátiratok, videók). Egy forrásfájl többféle reprezentációra válhat (szöveg, táblázatok, képek), ami növeli az adatmennyiséget és a kezelés bonyolultságát. Az AI rendszerek újrahasználják a kimeneteket különböző alkalmazások között, így a kis adatproblémák gyorsan széles körűvé válhatnak. Amint az adatok többször átalakulnak és újrakombinálódnak, nehezebb megmagyarázni, ellenőrizni és megvédeni a kimeneteket.
Sok vállalat a strukturálatlan adatok megoldására a tartalom digitalizálását és kereshetővé tételét választja. Az AI számára azonban a kereshetőség nem egyenlő a használhatósággal. A megbízható működéshez az adatoknak verziózottságra, strukturáltságra és kontextusra van szükségük, valamint linkekre a vállalat strukturált adataihoz (ügyfelek, termékek, szerződések, eszközök, szabályzatok, tranzakciók).
Mások eszközökbe fektetnek, például vektoradatbázisokba, modell-gatewayekbe és retrieval-pipelinekbe, de ez sem oldja meg egyedül a forrásdokumentumhoz való visszakövethetőséget, a kiemelten érzékeny információk védelmét vagy a magyarázhatóságot. Így egyre nyilvánvalóbb, hogy az eszközök önmagukban nem csodaszer.
Ennek megfelelően a magas teljesítményű vállalatok több mint kétharmada (az eredeti cikk szerint lásd: Exhibit 1) azonosítja az adatot mint az AI engedélyezésének elsődleges akadályát.
A megoldás: hat fegyelem és a CDO szerepének átalakulása
Az AI vezetők feladata, hogy a strukturálatlan adatot akadályból alapvető eszközzé alakítsák: megbízhatóvá, egyértelműen érthetővé, nyomon követhetővé és újrahasználhatóvá. A strukturálatlan adatoknak részei kell lenniük egy kormányzott, újrahasznosítható adat-alapnak, amely a strukturált vállalati adatokat, metaadatokat, származást, valamint azokat az eszközöket és készségeket is tartalmazza, amelyekkel a modellek konzisztensen használhatják az adatokat. Enélkül a skálázás minden egyes lépése növelheti a kockázatot és csorbíthatja a kimenetekbe vetett bizalmat.
Népszerű tévhit, hogy az AI-környezetben kevésbé fontos az adatminőség. Valójában az AI felerősíti mind az elégtelen adatminőségből fakadó kockázatot, mind a probléma megoldásának összetettségét. A cél nem a teljes tökéletesség elérése indítás előtt, hanem annak meghatározása, hogy mi számít „elég jónak” adott üzleti use case-re és a kapcsolódó kockázati profilra.
A szerzők által meghatározott hat fegyelem, amelyeket a CDO-knak alkalmazniuk kell a strukturált adatok, strukturálatlan tartalom, származtatott artefaktumok és a kormányzott eszközök és készségek között, a következők:
- Observability (megfigyelhetőség): az adatfeldolgozás teljes életciklusának láthatóvá tétele, beleértve az összefüggések összeállítását és a kimenetek keletkezését, hogy a hibákat korán felismerjék és beavatkozhassanak.
- Data quality (adatminőség): a teljes, helyes és friss adatok biztosítása nemcsak a bevitelnél, hanem az extrakció, chunkolás, embedding és visszakeresés lépésein át is; ide tartozik a szemantikai integritás is, hogy elavult tartalom ne torzítsa a válaszokat.
- Metadata (metaadatok): a strukturálatlan artefaktumok számára kontrollréteget biztosító metaadatok, az ownershiptől és érzékenységtől a felhasználási jogokig; cél a finom szemcsézettségű objektumkezelés és az enterprise grafon keresztüli kapcsolódás a fő üzleti entitásokhoz.
- Lineage (származáskövetés): az artefaktum-szintű származás dokumentálása — melyik dokumentum mely verziója, hogyan lett darabolva, mely darabok kerültek lekérésre és milyen promptok épültek rá —, valamint a kapcsolat a strukturált rekordokhoz.
- Governance (irányítás): a futásidejű kontrollok kiterjesztése a tárolási szintű szabályozásról a visszakeresésre, promptokra, memóriára és generált kimenetekre, hogy a jogszerű tárolás ne vezessen nem megfelelõ kimenetekhez.
- Platform és tooling (platform/eszkozarchitektúra): újrahasználható kivonási csővezetékek, közös embedding- és indexelési infrastruktúra, egységes visszakeresési rétegek és standardizált védővonalak, amelyek skálázhatóvá teszik a strukturálatlan tartalom AI-előkészítését.
Ezek a fegyelemek nem helyettesítik egymást, hanem együtt kell működjenek: az observability jelzi, hol romlik a minőség, a metadata és lineage adja meg a kontextust és a nyomon követhetőséget, a governance kiterjeszti a szabályokat futásidőre, a platform pedig lehetővé teszi az ismételhetőséget és a költséghatékonyságot.
A CDO-k szerepe ezért átalakul: nemcsak adatcsővezetékekre, modellekre és adattárházakra kell figyelniük, hanem arra is, hogy milyen szabványok, kontrollsík és újrahasználható adattermékek, eszközök és készségek állnak rendelkezésre, amelyek révén az AI-kimenetek megbízhatóan és reprodukálhatóan szülessenek — függetlenül attól, hol épül az alkalmazás.
Záró gondolatok
A strukturálatlan tartalom kezelése nem pusztán technikai feladat, hanem szervezeti és folyamatkérdés: a sikeres AI-skálázáshoz a vállalatoknak egy kormányzott, artefaktum-szintű adatalapot kell létrehozniuk, amely összeköti a strukturált és strukturálatlan rétegeket, és biztosítja a megfigyelhetőséget, minőséget, metaadatokat, származást, irányítást és újrafelhasználható platformot. Akik képesek erre, gyorsabban, biztonságosabban és konzisztensen tudják kiterjeszteni az AI használatát a szervezetükben.
Szerzők: Asin Tavakoli (McKinsey Düsseldorf), Brian Goodman (McKinsey New York), Kayvaun Rowshankish (senior partner, New York), Camila Cartafina (consultant, New York), Stephen Reddin (McKinsey Toronto), Maheshwar Muralidharan (consultant, McKinsey Boston). A cikk szerkesztője: Kristi Essick (executive editor, Bay Area).
