Jakość danych: warunek, bez którego AI w firmie nie działa
Opublikowano: 4 września 2026
Pilotaż asystenta AI dla działu obsługi kończy się zwykle jednym z dwóch wyników. Albo działa i nikt nie potrafi wyjaśnić, dlaczego przy jednym typie zapytań myli się częściej, albo nie działa i po analizie okazuje się, że model dostawał trzy różne wersje tego samego klienta. Drugi przypadek jest bardziej pouczający, bo pokazuje problem, który istniał na długo przed AI.
Skala rozbiezności między deklaracją a stanem faktycznym
Cloudera w badaniu Data Readiness Index 2026, przeprowadzonym na próbie 1270 liderów IT z firm zatrudniających powyżej tysiąca osób, pokazuje rozbieżność wartą odnotowania: 85% badanych deklaruje jasno określoną strategię danych, a jednocześnie blisko czterech na pięciu przyznaje, że inicjatywy AI są ograniczone brakiem dostępu do wszystkich potrzebnych danych. Odsetek organizacji opisujących swoje dane jako w pełni objęte nadzorem wynosi 18%.
Wcześniejsze badanie tej samej firmy przygotowane z Harvard Business Review Analytic Services daje podobny obraz z innej strony: tylko 7% przedsiębiorstw ocenia swoje dane jako całkowicie gotowe pod AI, przy jednoczesnym powszechnym wdrażaniu narzędzi.
Obie ankiety zamawiał dostawca platformy danych i warto o tym pamiętać przy czytaniu wniosków. Kierunek jest jednak zgodny z tym, co widać w projektach: gotowość deklarowana i gotowość operacyjna to dwie różne rzeczy.
Co konkretnie psuje wynik
Problemy z danymi w firmie używającej ERP i CRM rzadko są egzotyczne. Powtarza się kilka wzorców:
- Ten sam klient jako trzy rekordy, bo raz wpisano pełną nazwę spółki, raz skrót, raz nazwę z literówką.
- Rozjechane definicje. Sprzedaż liczy aktywnego klienta inaczej niż finanse, więc model dostaje dwa sprzeczne sygnały o tym samym podmiocie.
- Pola opisowe używane niezgodnie z przeznaczeniem, bo brakowało miejsca na informację, której formularz nie przewidział.
- Dane, których po prostu nie ma, bo proces nigdy ich nie zbierał, a wiedza siedzi w głowach kilku osób.
Model językowy nie ma jak tego rozstrzygnąć. Dostaje sprzeczne informacje i wybiera jedną, zwykle bez sygnału, że wybór w ogóle nastąpił. Dlatego architektura oparta na RAG, która wskazuje dokument źródłowy, pomaga wykryć problem, ale go nie usuwa. Wskazany dokument może być po prostu nieaktualny.
Porządki nie muszą objąć wszystkiego
Najczęstsza reakcja na taki wniosek to program zarządzania danymi obejmujący całą organizację, z komitetem i osiemnastomiesięcznym harmonogramem. Bywa uzasadniona, ale zwykle zabija tempo i traci poparcie zarządu w połowie drogi.
Praktyczniejsza kolejność zaczyna się od procesu, w którym AI ma faktycznie coś zrobić, i od pytania, które dane ten proces czyta. Zakres robi się wtedy skończony. Dla asystenta w obsłudze klienta liczy się jakość kartoteki kontrahentów, historii zgłoszeń i dokumentacji produktowej. Reszta może poczekać.
Drugie pytanie dotyczy źródła prawdy. Dla każdego istotnego obiektu, klienta, produktu, zamówienia, musi istnieć jeden system, który rozstrzyga. Nie chodzi o to, żeby dane były tylko w jednym miejscu, bo to niewykonalne, tylko o to, żeby w razie różnicy było wiadomo, kto ma rację. Ten mechanizm opisujemy szerzej we wpisie o tym, czym jest zintegrowany biznes.
Jak firmy porządkują dane, zanim uruchomią AI?
Na konferencji rozmawiamy z zespołami, które przeszły tę drogę i potrafią powiedzieć, ile to kosztowało i co zrobiłyby inaczej. To rozmowa o kolejności prac, nie o narzędziach.
Zarejestruj się za darmo ↗Kto to robi
Tu pojawia się część, której nie da się kupić razem z platformą. Porządkowanie danych wymaga decyzji biznesowych: która definicja marży obowiązuje, kto może zakładać kontrahenta, co się dzieje z rekordem, gdy klient zmienia nazwę. Dział IT może przygotować narzędzia i reguły walidacji, ale nie rozstrzygnie sporu między sprzedażą a finansami o to, jak liczyć klienta aktywnego.
Dlatego projekt tego typu zwykle wymaga przypisania właścicieli danych po stronie biznesu i akceptacji, że przez jakiś czas będzie mniej wygodnie. Formularz z walidacją jest trudniejszy do wypełnienia niż pole tekstowe. Ten opór jest przewidywalny i warto zaplanować go w harmonogramie, podobnie jak pozostałe elementy przygotowania organizacji do wdrożenia.
Ostatnia uwaga dotyczy oczekiwań. Nie da się wiarygodnie policzyć, ile danych wymaga poprawy, zanim ktoś ich nie przejrzy. Szacunki robione przed inwentaryzacją zwykle okazują się zaniżone, bo problemy z jakością rzadko rozkładają się równomiernie i najczęściej koncentrują w kilku obszarach, o których zespół i tak wiedział, że są zaniedbane.
FAQ
Czy trzeba uporządkować wszystkie dane przed wdrożeniem AI?
Nie. Trzeba uporządkować te, które konkretny przypadek użycia faktycznie czyta. Program obejmujący całą organizację brzmi solidnie, ale odkłada pierwszy efekt o kilkanaście miesięcy i zwykle traci poparcie, zanim cokolwiek zadziała.
Skąd wiadomo, czy dane są wystarczająco dobre?
Sprawdzając wynik na próbce. Wybierz sto rzeczywistych zapytań z procesu, uruchom na nich rozwiązanie i przejrzyj odpowiedzi ręcznie. Ten test da konkretniejszą odpowiedź niż jakikolwiek wskaźnik kompletności rekordów, bo pokazuje, które braki mają wpływ na wynik.
Czy integracja systemów poprawia jakość danych?
Pośrednio. Integracja usuwa ręczne przepisywanie i wynikające z niego błędy, a także ujawnia rozbieżności, które wcześniej były niewidoczne, bo każdy dział pracował na własnej kopii. Samych duplikatów ani błędnych definicji nie naprawi, to osobna praca.
Kto powinien odpowiadać za jakość danych?
Właściciele po stronie biznesu, wspierani przez IT. Decyzje o definicjach i regułach są decyzjami procesowymi, więc dział IT nie ma mandatu, żeby je podjąć. Utrzymanie tego podziału jest zwykle trudniejsze niż strona techniczna projektu.