ИИ выявляет пробелы в данных, которые обходятся в 12,9 млн долларов ежегодно
При поддержке Zeta Global
Разрыв между тем, что обещает искусственный интеллект, и тем, что он дает на выходе, весьма значителен. Одна и та же модель может выдавать точные и полезные результаты в одной системе и общие, нерелевантные — в другой.
Проблема не в самой модели. Дело в контексте.
Большинство корпоративных систем изначально не были рассчитаны на то, как работает ИИ. Данные разрознены по разным инструментам. Идентификация пользователей непоследовательна. Сигналы поступают с задержкой или не поступают вовсе. Системы фиксируют события, но не могут объединить их в целостную картину.
ИИ зависит от этой непрерывности. Без нее модель заполняет пробелы самостоятельно, из-за чего результат выглядит гладким, но лишенным практической ценности. Именно здесь большинство команд заходят в тупик.
Более совершенная модель не способна исправить фрагментированные, устаревшие или некачественные данные.
По оценкам Gartner, организации теряют в среднем 12,9 миллиона долларов ежегодно из-за низкого качества данных.
ИИ не решает эту проблему — он лишь обнажает ее быстрее и в гораздо больших масштабах.
Тест на зеркало
Для этого существует быстрый диагностический тест. Дайте своему ИИ четкий сигнал о высокой заинтересованности клиента и посмотрите, что вернется в ответ. Если результат носит общий или нерелевантный характер, модель нуждается в доработке. Но если на чистых данных модель выдает нечто точное и полезное, а на реальных производственных данных «сыпатся», проблема кроется в данных.
На практике почти всегда наблюдается второй сценарий. ИИ работает как увеличительное стекло: сильные системы данных становятся значительно мощнее, а слабые — гораздо заметнее. Организации, которые годами плыли по течению на фрагментированных и плохо интегрированных клиентских данных, больше не могут прятаться за задержками отчетности и ручной интерпретацией. ИИ выставляет эту проблему напоказ.
Контекст — новый уровень идентификации
И вот тут следующий этап эволюции становится по-настоящему интересным. Даже после решения проблемы с качеством данных параллельно происходит второй сдвиг в том, как строятся и используются профили клиентов.
Годами корпоративные системы хранения данных накапливали контент: транзакции в CRM, демографические показатели в хранилищах данных, отклик на кампании в маркетинговых платформах. Эти записи описывали то, что уже произошло. Они были полезны для отчетности, но не создавались для ИИ.
ИИ требует контекста. Контекст — это не ста статичная запись, а актуальное представление о клиенте, включающее его недавнее поведение, кросс-канальные сигналы и зарождающиеся намерения. Это та нить, которая связывает одно взаимодействие с другим. Идентификация говорит вам, кем является человек. Контекст говорит вам, что он делает и что, скорее всего, сделает в следующий момент.
Рассмотрим простой пример: попросите ИИ порекомендовать место для пляжного отдыха, и он может предложить Гавайи или Флориду. Скажите ему, что у вас трое детей, и он выдаст варианты, ориентированные на семейный отдых. Предоставьте ему доступ к вашим недавним поисковым запросам, показателям платежеспособности и тому, где вы искали информацию за последний год, и рекомендация изменится коренным образом, потому что модель работает уже не с демографическими категориями, а с живой картиной того, кто вы и чем занимаетесь прямо сейчас.
Большинство корпоративных систем были созданы для хранения состояний, а не для поддержания контекста. Они фиксируют события, но не обеспечивают непрерывную связь между ними.
Именно этот разрыв обнажает ИИ.
Однако для специалистов сложность носит не концептуальный, а архитектурный характер. Контекст не живет в какой-то одной системе. Он фрагментирован по потокам событий, инструментам аналитики продуктов, CRM, хранилищам данных и конвейерам реального времени. Чтобы объединить все это в нечто пригодное для использования системой ИИ, требуется переход от пакетных моделей данных к потоковым архитектурам или архитектурам реального времени, где сигналы непрерывно поступают, разрешаются и становятся доступными в момент вывода (inference time).
Именно здесь буксуют многие инициативы в области ИИ. Модель готова, но контекстный уровень не задействован в работе. Системы не приспособлены для извлечения нужных сигналов за миллисекунды или для мгновенной идентификации пользователей во всех каналах. Без этого «контекст» остается лишь теорией, неприменимой на практике.
Такие архитектуры, как Протокол контекста моделей (Model Context Protocol, MCP), ускоряют этот сдвиг, предоставляя системам ИИ возможность передавать память о пользователе между приложениями. По сути, они выстраивают непрерывную линию контекста для конкретного человека при его различных взаимодействиях. В результате профиль со временем становится более насыщенным и прогностическим, создавая четкую взаимосвязь между тем, что человек сделал, что он делает сейчас и что собирается сделать дальше.
Когда этот уровень идентификации надежен, одна и та же модель дает лучшие результаты. Когда он слаб, никакая модель не сможет это компенсировать.
Кумулятивное преимущество
Организации, которые создали системы для работы с данными первой стороны (first-party data) и надежную инфраструктуру идентификации еще до волны ИИ, теперь получают кумулятивный эффект. Более качественные данные обучают более умные модели. Более умные модели привлекают больше пользователей, давших согласие на обработку данных. Пользователи, давшие такое согласие, генерируют более богатые поведенческие сигналы.
Конкуренты, не имеющие такой базы, не смогут воспроизвести этот результат, какую бы модель они ни использовали. Разрыв носит структурный, а не алгоритмический характер, и поскольку системы идентификации со временем постепенно совершенствуются, организации, начавшие инвестировать раньше, обладают преимуществами, которые практически невозможно догнать.
Что это значит на практике
Практическим следствием этого становится смещение фокуса инвестиций в ИИ. Организации, добивающиеся стабильных результатов от искусственного интеллекта, рассматривают его как уровень обработки для живой системы данных, а не как отдельную функцию, которую можно прикрутить к существующей инфраструктуре.
Для разработчиков и операторов это трансформируется в набор приоритетов, отличный от того, чем были отмечены последние два года экспериментов с ИИ:
Во-первых, настраивайте сбор сигналов в реальном времени. Пакетные конвейеры и ночные обновления неэффективны, когда от систем ИИ ждут реакции на намерения пользователя по мере их возникновения. Командам необходимы событийно-ориентированные архитектуры, которые фиксируют и выводят поведенческие сигналы практически в реальном времени.
Во-вторых, обеспечьте возможность извлечения контекста в момент вывода (inference time). Недостаточно просто хранить данные в хранилище. Системы должны быть спроектированы так, чтобы релевантный контекст можно было разрешить и внедрить в промпты или извлечь агентами за считанные миллисекунды.
В-третьих, инвестируйте в разрешение идентификации (identity resolution) как в инфраструктуру. Объединение фрагментированных сигналов с разных устройств и каналов, чтобы система понимала конкретных людей, а не анонимные взаимодействия, — это фундаментальная необходимость, а не опция.
В-четвертых, рассматривайте управление данными (governance) и согласие пользователей как часть системного проектирования. Данные первой стороны, построенные на доверии, не только безопаснее; они долговечнее и в конечном счете ценнее данных третьих сторон, к которым имеют доступ конкуренты.
Эти инвестиции менее заметны, чем запуск новой модели, но их гораздо труднее скопировать.
Настоящая гонка
Модели теперь взаимозаменяемы. Разница будет заключаться в том, кто сможет масштабно внедрить контекст в производственные процессы и рассматривать саму модель как уровень обработки, а не как главное преимущество.
Это преимущество проистекает из многолетних инвестиций в инфраструктуру идентификации, данные первой стороны и системы, которые поддерживают актуальность клиентского контекста.
Победителями станут не те, у кого лучше промпты. Выиграют те, чьи системы понимают клиента еще до того, как будет написан сам промпт.
Нидж Гор (Neej Gore) — директор по работе с данными в Zeta Global.
Спонсорские статьи — это контент, подготовленный компанией, которая либо платит за публикацию, либо имеет деловые отношения с VentureBeat, и они всегда четко промаркированы. Для получения дополнительной информации обращайтесь по адресу sales@venturebeat.com.
