Když vaše iniciativy v oblasti AI – ať už jde o copiloty nebo pokročilejší agentní systémy (agentic AI) – nepřinášejí očekávaný obchodní přínos, je snadné předpokládat, že problém spočívá v datech. Zejména pokud jste výrazně investovali do datových jezer (data lakes), datových platforem, datových skladů a dashboardů.
Přestože špatná správa dat v prostředí AI může vést k nepřesným odpovědím, halucinacím modelů a celkové ztrátě důvěry ze strany byznysu, skutečná výzva bývá často mnohem širší.
Jednoduše řečeno, AI nestojí pouze na datech. Potřebuje podnikové znalosti (enterprise knowledge) – a ty nelze jednoduše nahrát do systému a považovat práci za hotovou. Vyžadují strukturu, kontext, jasně definované vlastnictví i průběžnou péči, aby zůstaly aktuální a relevantní.
Na základě zkušeností společnosti NTT DATA s projekty podnikové AI uvádíme osm způsobů, jak zajistit, aby podnikové znalosti skutečně podporovaly AI.
• PŘEČTĚTE SI TAKÉ: Beyond the hype: How AI is delivering real business results
1. Využijte podnikové znalosti ke zvýšení výkonu AI
Představme si globální společnost poskytující finanční služby, která se rozhodne nasadit interního AI copilota na podporu manažerů vztahů se zákazníky. Její datové základy jsou pevné – disponuje kvalitními zákaznickými daty, integrovanými produktovými systémy i moderní datovou platformou. Proč má tedy copilot problém odpovědět na jednoduchou otázku typu: „Které produkty jsou relevantní pro tento segment klientů?“
Problém spočívá v tom, že datům chybí význam. Systém AI nemá přístup k obecně přijímané definici „segmentu klientů“, nerozumí vztahům mezi produkty a jejich využitím a postrádá kontext obchodních pravidel společnosti.
Přidáním znalostní vrstvy se data obohatí o význam, kontext a vzájemné vztahy.
Hlavní myšlenka: Data říkají, co se stalo. Znalosti říkají AI, co to znamená a co má udělat dál.
2. Než začnete AI škálovat, sjednoťte význam pojmů
Protože lidé i systémy AI musí interpretovat data konzistentně, jednou z prvních překážek je sémantická standardizace.
Například v telekomunikační společnosti mohou různé týmy odlišně definovat pojem „aktivní zákazník“. Jakmile začnou využívat analytiku řízenou AI napříč celou organizací, každý tým dostane na stejnou otázku jinou odpověď.
Tomuto nežádoucímu výsledku lze předejít vytvořením společného významu prostřednictvím obchodních glosářů, standardizovaných metrik a definic sdílených napříč systémy.
Hlavní myšlenka: Pokud se vaše organizace nedokáže shodnout na definicích, nedokáže to ani vaše AI.
3. Kombinujte znalostní grafy a vektorové vyhledávání
Co je pro optimální správu dat lepší – investovat do znalostních grafů, nebo používat pouze vektorové databáze?
Představme si zdravotnickou organizaci, která využívá vektorové vyhledávání jako základ klinického asistenta. Zpočátku funguje velmi dobře, protože dokáže vyhledávat dokumenty ve velkých objemech nestrukturovaných dat. Jakmile však má interpretovat pravidla compliance nebo aplikovat léčebné protokoly, kvalita odpovědí začne kolísat. Samotné vyhledávání nestačí tam, kde jsou rozhodující přesnost a schopnost uvažování.
Po zavedení znalostního grafu lze modelovat vztahy mezi pacienty, léčbou a regulatorními požadavky. Asistent tak začne chápat, jak spolu jednotlivé prvky souvisejí. Jeho odpovědi jsou vysvětlitelné, což je zásadní pro dodržování předpisů, a mnohem lépe zvládá i okrajové případy.
Vektorové vyhledávání přináší flexibilitu při práci s neuspořádaným obsahem. Znalostní grafy poskytují strukturu, kontext a vrstvu důvěryhodného uvažování. Potřebujete obojí.
Hlavní myšlenka: Znalosti podporující AI jsou ze své podstaty hybridní.
4. Přistupujte ke znalostem jako k produktu s vlastním životním cyklem
Výrobní podnik může vytvořit kvalitní znalostní bázi pro své postupy údržby a ta bude určitou dobu dobře fungovat. Jakmile se však procesy změní, AI bude dál doporučovat zastaralé instrukce, což povede k frustraci operátorů.
Chybou je považovat znalosti za statický prvek. Ve skutečnosti se podobají softwaru – vyžadují verzování, aktualizace, testování i průběžné zlepšování. Správa živého aktiva znamená:
- zachycovat jak zdokumentované know-how, tak neformální znalosti zaměstnanců,
- strukturovat znalosti pomocí jasné sémantiky a klasifikace,
- integrovat je napříč datovými pipeline, znalostními grafy a embeddingy,
- zpřístupňovat je prostřednictvím vyhledávání, AI agentů a přístupu Retrieval-Augmented Generation (RAG),
- udržovat jejich kvalitu pomocí průběžných kontrol, aktualizací a řízené archivace.
Hlavní myšlenka: Znalosti, které nejsou průběžně spravovány, se stávají zátěží.
5. Objevujte a zachycujte nezdokumentované znalosti
Některé z nejcennějších znalostí ve vaší organizaci nejsou nikde zaznamenány. Projevují se ve způsobu, jakým zkušení zaměstnanci rozhodují, jaké používají zkratky, jak vedou diskuse a jaké návyky si během let osvojili.
Představme si logistickou společnost, kde nejlepší dispečeři dlouhodobě překonávají AI, protože se opírají o intuici a heuristiky získané dlouholetou praxí. Jak tuto tacitní znalost zachytit a vrátit ji zpět do systému?
- Process mining: analyzujte skutečná provozní data a odhalte vzorce i rozhodovací cesty skryté za formálními procesy.
- Přepis rozhodování s podporou AI: zachycujte a strukturujte rozhodovací proces v reálném čase převodem konverzací, telefonních hovorů a poznámek na využitelné znalosti.
- Strukturované zpětnovazební smyčky: vytvořte jednoduché a konzistentní mechanismy, které expertům umožní opravovat a zpřesňovat výstupy AI, aby se systém průběžně učil.
Zachycení tohoto typu znalostí je složité a vyžaduje správnou kombinaci nástrojů, governance a oborové expertizy. Přesto představuje významnou obchodní hodnotu.
Hlavní myšlenka: Pokud znalosti existují pouze v hlavách vašich zaměstnanců, AI se je nikdy nenaučí.
6. Navrhujte vyhledávání pro AI, ne pro lidi
Tradiční správa znalostí byla navržena pro lidi. AI však „nevyhledává“ stejným způsobem jako my – shromažďuje jen tolik kontextu, kolik potřebuje k dalšímu kroku.
Když například maloobchodní společnost postaví chatbota na základním vyhledávání v dokumentech, bude pravděpodobně vracet dlouhé a irelevantní odpovědi, protože načítá celé dokumenty, místo aby na základě kontextu našel a předložil konkrétní informace.
Řešením je přepracovat vyhledávací vrstvu tak, aby zahrnovala:
- RAG: načítejte pouze nejrelevantnější úryvky informací a využívejte je k ukotvení odpovědi AI, místo abyste se spoléhali na celé dokumenty.
- Hybridní vyhledávání (klíčová slova, sémantika a grafy): kombinujte přesné shody, vyhledávání podle významu a dotazy zohledňující vztahy, abyste získali přesnost i kontext.
- Filtrování podle kontextu: filtrujte výsledky podle situace – kdo se ptá, čeho chce dosáhnout a co je právě relevantní – aby AI viděla jen to, na čem skutečně záleží.
Hlavní myšlenka: Vaším cílem není přístup ke znalostem, ale jejich aktivace v podobě připravené pro AI.
7. Zaveďte governance do praxe
Governance není v podnikové AI volitelná – zvlášť ve vysoce regulovaných odvětvích, jako jsou finanční služby a zdravotnictví.
Vezměme si banku, která posuzuje nasazení AI. Pokud neexistuje způsob, jak dohledat, odkud data pocházejí, jak byla použita a jak spolu jednotlivé znalosti souvisejí, projekt se zastaví, protože odpovědi nelze vysvětlit ani jim důvěřovat.
Díky znalostním grafům a rámcům governance však banka dokáže dohledat původ odpovědí, porozumět tomu, jak rozhodnutí vznikají, a průběžně uplatňovat správná pravidla pro řízení rizik a compliance.
Hlavní myšlenka: Bez governance není důvěra – a bez důvěry není adopce.
8. Začněte v malém, ale od prvního dne počítejte se škálováním
Snaha „opravit“ správu znalostí v celé organizaci najednou téměř nikdy nefunguje – je to příliš široké a příliš abstraktní zadání.
Lepším přístupem je začít u případu užití s vysokou hodnotou, jako je zákaznická podpora nebo provoz, a odtud pokračovat dál. Zaměřte se na tvorbu opakovaně použitelných prvků, jako jsou ontologie, znalostní pipeline a vzory vyhledávání. Jakmile prokážou svou hodnotu, můžete je rozšířit do dalších oblastí.
Energetická společnost může například začít s úzce vymezeným problémem: převodem přirozeného jazyka do SQL nad provozními daty. Díky ukotvení systému v jasných ontologiích, deterministické logice a uvážlivě nasazených velkých jazykových modelech (LLM) získá spolehlivé řešení, a ne jen další demo.
Hlavní myšlenka: Myslete ve velkém, začněte v malém a škálujte rychle.
Agentní AI zvyšuje laťku
Agentní AI dává systémům AI značnou sílu, ale zároveň zvyšuje sázky. Vaše strategie správy podnikových znalostí by měla fungovat jako opora, díky které budou tyto systémy spolehlivější a vysvětlitelnější.
Jakmile začnete využívat ontologie a strukturované znalosti k deterministickému určení záměru uživatele a velký jazykový model (LLM) voláte jen tehdy, když je to skutečně potřeba – a jeho výstup omezujete kontextem a pravidly – stává se mozkem systému znalostní vrstva, a to více než samotný LLM.
K tomu dochází ve chvíli, kdy se přestanete spoléhat na to, že model vyřeší všechno sám. Kde to jde, určujte záměr pomocí ontologií a strukturovaných znalostí. LLM zapojte tam, kde přináší hodnotu, a i pak jej držte ukotvený správným kontextem a omezeními. V tu chvíli nese většinu práce znalostní vrstva a model se stává jednou ze součástí, nikoli středem systému.
Pokud si máte odnést jediné poselství, pak toto: AI je problém znalostí, nikoli problém modelu. Přistupujte ke znalostem jako ke skutečnému aktivu a ostatní začne zapadat na své místo.
• PŘEČTĚTE SI TAKÉ: Why communication is enterprise AI’s next bottleneck