Как агентная аналитика меняет бизнес: проблемы и перспективы

В последние несколько лет генеративный искусственный интеллект (ИИ) значительно изменил подход к аналитике в компаниях, сделав её доступной для пользователей на всех уровнях организации. Однако агентная аналитика, которая обещает автоматизировать целые рабочие процессы и принимать решения на основе полученных данных, сталкивается с серьезными проблемами. Качество выводов, генерируемых агентами, оставляет желать лучшего. По данным опроса, менее половины агентных выводов приводят к улучшению бизнеса.

Проблемы качества выводов

Несмотря на то, что большинство респондентов положительно оценивают качество описательных выводов своих агентов, мнения о предписательных выводах, на основе которых принимаются действия, значительно различаются. Неспособность генерировать полезные для бизнеса выводы лишает организации ожидаемой отдачи от инвестиций в агентную аналитику. Более того, ошибочные выводы, приводящие к неправильным действиям, могут нанести репутационный или финансовый ущерб.

Оценка агентной аналитики

В отчете рассматривается, как компании оценивают качество выводов, производимых их аналитическими агентами, и как они стремятся повысить это качество. Некоторые ключевые выводы из отчета включают:

Начало работы агентной аналитики: В среднем 48% выводов, генерируемых аналитическими агентами в опрошенных компаниях, приводят к действиям, которые улучшают бизнес. Это заметный рост по сравнению с 37% годом ранее. Однако это также означает, что более половины выводов агентов по-прежнему не помогают бизнесу.

Лидеры в области аналитики: В небольшой группе организаций, которую мы называем "лидерами по выводам", агенты ИИ показывают значительно лучшие результаты. В этой группе более 70% выводов приводят к действиям, которые улучшают бизнес. Лидеры также оценивают качество выводов своих агентов выше, чем в целом по опросу.

Недостаток контекста: Основной причиной низкого качества выводов является недостаток бизнес-контекста, о чем сообщили 55% опрошенных руководителей. Другим важным фактором является фрагментированные или недоступные данные, что отметили 45% респондентов. Лидеры по выводам реже сталкиваются с проблемами доступа к контексту.

Перегрузка выводами: В большинстве (52%) опрошенных организаций аналитические агенты генерируют слишком много выводов, чтобы их можно было должным образом оценить и на основе них действовать. Менее четверти (24%) компаний могут оценить все выводы агентов; большинство делает это по мере необходимости, что требует значительных человеческих ресурсов.

Управление и семантика: Компании, участвовавшие в опросе, придают приоритет инициативам, которые позволяют улучшить выводы агентов, усиливая управление ИИ и данными (60%). Также они добавляют семантический слой к своей архитектуре данных (45%). Эксперты согласны с тем, что семантический слой является ключевым для обеспечения высокой производительности агентов.

Заключение

Агентная аналитика только начинает показывать свои возможности, и компании должны сосредоточиться на улучшении качества выводов, чтобы извлечь максимальную выгоду из своих инвестиций в эту технологию. Применение правильных стратегий управления данными и внедрение семантических слоев может стать решающим шагом к повышению эффективности аналитических агентов.