Modeli više nisu najteži dio AI-a. Sada poduzeća moraju srediti vlastite podatke

Bavesh Patel iz Databricksa ima jednostavnu poruku za sve koji misle da je AI rješenje samo u boljim algoritmima: "Kvaliteta tog AI-a i koliko je učinkovit, stvarno ovisi o informacijama u vašoj organizaciji." To zvuči evidentno, ali zaboravlja se u istoj mjeri u kojoj se hypea o novim modelima.

Potrošački AI proizvodi — od ChatGPT-a do Midjourneyja — stvorili su lažan osjećaj zrelosti tehnologije. Korisnik upiše upit, dobije odgovor, impresija je trenutna. No enterprise scenarij je drukčiji: model mora pristupiti financijskim podacima, ugovorima, povijesti kupaca, operativnim metrikama — često raspršenim preko desetaka sustava s neusklađenim formatima i nedosljednom shemom.

Rani signali sugeriraju da se jaz između consumer-grade i enterprise-grade AI-a širi upravo zbog ovih podatkovnih izazova. Startupi bez legacy tereta mogu brže graditi cjelovite stogove, dok velika poduzeća gube mjesece na čišćenje i integraciju.

Patel naglašava i drugu, manje vidljivu dimenziju: "Stvarni konkurentski diferencijator za većinu organizacija su njihovi vlastiti podaci i treća strana koju mogu dodati." To znači da strategija AI-a postaje ujedno i strategija upravljanja podacima — područje koje tradicionalno nije bilo seksi ni za boardroom ni za startup pitch.

Ako se ovo potvrdi u širem tržišnom kontekstu, dobivač će biti dobavljači koji nude ujedinjene platforme — poput Databricksa, Snowflakea ili rastućeg ekosustava open-source rješenja. Gubitnici će biti oni koji nastavljati tretirati podatkovnu infrastrukturu kao cost center umjesto kao temelj konkurentnosti.

Postoje nagađanja da će sljedeći val enterprise AI investicija biti manje usmjeren na GPU klasterove i foundational modele, a više na data governance, lineage i real-time pipelineove. To nije poraz optimizma o AI-u, nego njegovo odrastanje.