Shiv Gupta, principal консалтинговой компании Quantum Sight с 20-летним опытом в data-driven маркетинге, написал для MarTech колонку о том, почему компании годами не могут подготовить данные для AI. Спойлер: дело не в технологиях.

Большинство обсуждений AI-readiness быстро упираются в данные. Качество данных, управление, интеграции, приватность, безопасность, легаси-системы. Все эти темы важны, но не объясняют, почему организации буксуют. Более сложная часть в другом: AI-readiness заставляет компании разбираться с вопросами, которые не являются чисто техническими или новыми. Речь о приоритетах, собственности, бюджетах, полномочиях, ролях, толерантности к риску и организационном доверии.

AI входит в компанию не как нейтральный инструмент. Он входит в среду, полную существующих ролей, стимулов, ответственности и личных амбиций.

AI не создал проблему с данными

Потребность в управлении данными и их структурировании не нова. Компании борются с фрагментированными системами, несогласованными определениями, плохим качеством данных и неясной собственностью с первых дней бизнес-аналитики и CRM.

Спросите пять отделов, как они определяют «активного клиента», «квалифицированного лида» или «удержанного пациента», и получите пять разных ответов. Спросите, какая цифра по выручке правильная, и ответ будет зависеть от того, с кем вы говорите: с финансами, продажами, операциями или маркетингом.

Ключевой факт

В традиционной отчётности человеческое суждение может компенсировать несовершенные данные. Аналитики знают, каким источникам доверять. AI менее снисходителен. Когда данные неполны или противоречивы, AI масштабирует эти проблемы быстро и уверенно.

Ловушка объёма

Как только компания решает, что ей нужно стать AI-ready, объём работ может взорваться. Каждая система становится важной. Каждый источник данных - релевантным. Каждый будущий сценарий использования тянется в текущий план. Каждая команда хочет включить свои требования. Результат - массивная программа с большим бюджетом, длинными сроками и амбициями, настолько широкими, что объяснить, какую бизнес-ценность это принесёт и когда, становится трудно.

Лучший вопрос, по мнению Гупты: не «Как сделать все наши данные AI-ready?», а «Какие решения, процессы или сценарии достаточно важны, чтобы улучшить их в первую очередь?»

Строить фундамент по одному сценарию за раз

Если приоритет - сокращение оттока клиентов, компания фокусируется на данных о поведении, вовлечённости, обслуживании, удовлетворённости, ценности и риске ухода. Если приоритет - рост продаж, нужны другие данные: intelligence по аккаунтам, качество воронки, сигналы покупки.

В каждом случае бизнес-цель определяет работу с данными. Управление становится более сфокусированным. Качество данных - более практичным. Интеграция - более приоритезируемой. Компания перестаёт пытаться починить всё сразу и улучшает конкретный фундамент для конкретной задачи.

«AI-ready инфраструктура данных - это тест на организационную дисциплину. Организации, которые преуспеют, не будут ждать идеальных данных. Они выберут правильные проблемы, построят фундамент, который нужен для этих проблем, и пройдут человеческий переход с достоинством и дисциплиной.»

- Shiv Gupta, Principal, Quantum Sight

Инфраструктурные барьеры всё ещё реальны

Большинство корпоративных сред данных строились для отчётности, транзакций, комплаенса и операционных процессов. Они не проектировались для AI-систем, которым нужны связанные, контекстные и своевременные данные из разных частей бизнеса.

Данные разбросаны по CRM, ERP, маркетинговым инструментам, системам обслуживания, колл-центрам, сайтам, таблицам и легаси-базам. Ни одна система не имеет полного контекста. Качество данных легко недооценить: отчёты продолжают работать, даже когда данные дублированы, устарели или противоречивы.

Гупта подчёркивает: AI-проекты входят в организацию, полную существующих ролей и страхов. Для одних сотрудников AI - это возможность избавиться от рутины. Для других - угроза их экспертизе.

Что это значит для бизнеса

Для компаний во Владивостоке и на Дальнем Востоке, которые планируют внедрение искусственного интеллекта, вывод Гупты особенно важен. AI-readiness - это не про покупку софта. Это про готовность принимать решения: какие сценарии важнее, какие данные нужны прямо сейчас, как управлять опасениями сотрудников, чьи роли изменятся.

AI не требует идеальных данных. Он требует честности в том, какие проблемы вы решаете, и дисциплины, чтобы не распыляться на всё сразу. Начать с малого, построить фундамент для одной задачи, проверить, сработало ли - и расширяться.