Kvalita dat je pro většinu problém při nasazení AI

Řada firem investovala do platforem s umělou inteligencí v domnění, že jejich data jsou na inovace připravena. Realita je však jiná – až 41 % organizací přiznává, že má problém s udržením konzistentní kvality dat.

Často za to mohou zastaralé systémy, které nezvládají zpracovávat rostoucí objemy dat v reálném čase. Přestože 68 % datových ředitelů (CDO) označuje kvalitu dat za svou nejvyšší prioritu, mnoho organizací stále přehlíží klíčový krok – zajistit důvěryhodnost dat, na kterých lze stavět skutečně efektivní AI řešení. 

Není proto překvapivé, že podle nové zprávy Data Trust Report 2025, vypracované společností Ataccama, hlásí výrazný pokrok v adopci AI jen 33 % organizací. 

„K plnému využití potenciálu AI nestačí pouze obrovské objemy dat, ale také jejich důvěryhodnost. Firmy se sice snaží naplno využít datové zdroje, nicméně často narážejí na problémy spojené s nekonzistentní a nedostatečnou kvalitou dat,“ říká CEO společnosti Ataccama Mike McKee. 

Efektivita AI modelů se podle něj přímo odvíjí od kvality dat, na která se spoléhají, a tak bez důvěryhodných dat organizace čelí riziku zpomaleného růstu a nízké návratnosti investic. Nedostatečná data vedou k nepřesným analýzám, zpomalují firemní provoz, způsobují plýtvání cennými zdroji a zvyšují regulační rizika. 

Přitom až 41 % organizací přiznává potíže s udržováním konzistentní kvality dat napříč celou firmou. To podle studie vede k rozhodování pouze na základě intuice a nepodložených odhadů. 

Proč je obtížné uvést data do lepšího stavu? 

Jednou z příčin špatné kvality dat je podle studie absence jednotných standardů. Bez jasně definovaných pravidel pro formáty, definice a validaci dat je pro datové ředitele obtížné nastavit centralizovaný systém řízení. Výsledkem jsou pak roztříštěné datové systémy, které mezi sebou špatně komunikují (nebo vůbec).

To vede k nekonzistenci dat, omezenému přístupu k informacím, rozdílné kvalitě mezi odděleními i k technologickým neslučitelnostem, které komplikují integraci a správné využití dat v AI modelech. Až 34 % organizací čelí zpožděním při zpracování dat právě kvůli těmto překážkám. 

Řešením je sjednocení datových ekosystémů a průběžná kontrola kvality dat, a to jak během přenosu, tak v uloženém stavu. Organizace by se přitom měly na stav dat zaměřit už na samém počátku datového procesu, tedy v okamžiku, kdy se data poprvé generují, shromažďují a ukládají. 

Firmy musejí koordinovat své úsilí při identifikaci správných dat, ať už jsou strukturovaná, či nestrukturovaná, uložená lokálně, nebo v cloudu. Tzv. datové linie pak umožňují mapovat pohyb dat mezi systémy, zvyšovat jejich transparentnost a rychle identifikovat problémy. 

Umělá inteligence není jen ta generativní, upozorňuje odborník David Filgas

0:00/

Investice, do které se nechce, přesto se vyplatí

Ačkoli 51 % organizací považuje kvalitu dat za prioritu pro rok 2025, často narážejí na složitost správy dat a vysoké náklady. Investice do kvalitních dat se však dlouhodobě vyplácí. 

Podle průzkumu Hanover Research umožňují kvalitní data 77 % organizací zvýšit provozní efektivitu, 58 % zlepšit zákaznickou zkušenost a 56 % získat konkurenční výhodu.