Dyskusja o sztucznej inteligencji nadal koncentruje się przede wszystkim na nowych modelach, narzędziach i obietnicy wzrostu produktywności. Tymczasem w projektach z obszaru danych i AI punkt ciężkości przesuwa się gdzie indziej: od systemów wspierających człowieka w interpretacji informacji ku systemom, które samodzielnie analizują sygnały, reagują na zmiany, a w określonych warunkach także inicjują działania.
W takim środowisku nie wystarczy już, aby dane były dostępne i zrozumiałe dla analityka. Muszą być również jednoznacznie opisane, wiarygodne, aktualne i osadzone w kontekście, który pozwala systemowi wykorzystywać je zgodnie z przeznaczeniem.
Dane jako warunek wiarygodnego działania AI
Źródłem problemów w projektach AI nie zawsze są ograniczenia modeli. Często wynikają one z jakości danych, sposobu ich uporządkowania oraz zasad zarządzania nimi. W badaniu zleconym przez SoftServe i przeprowadzonym przez Wakefield Research wśród 750 liderów biznesowych i IT 58 proc. respondentów przyznało, że kluczowe decyzje biznesowe są w większości lub prawie zawsze podejmowane na podstawie niedokładnych lub niespójnych danych.
— W miarę jak organizacje opierają coraz więcej procesów na automatyzacji i AI, rzeczywista wartość nie wynika już wyłącznie z gromadzenia czy przetwarzania danych. Zależy również od tego, jak dane są rozumiane, zarządzane i przekształcane w działania, którym można zaufać. Wyzwaniem jest projektowanie ekosystemów danych, które łączą technologię z przejrzystością semantyczną, dyscypliną inżynieryjną oraz odpowiedzialnością za decyzje podejmowane przez systemy — mówi Michał Bochenek, GCP Practice Director w SoftServe.
Dane muszą więc być nie tylko zrozumiałe dla człowieka, ale także wystarczająco jednoznaczne i wiarygodne, aby system mógł bezpiecznie na ich podstawie działać.
Kod powstaje szybciej, ale decyzje dotyczące danych nadal należą do inżynierów
Narzędzia AI, takie jak Cursor, Claude i ChatGPT, są już częścią codziennej pracy inżynierów. Wspierają tworzenie kodu, weryfikację logiki, eksplorację danych oraz diagnozowanie problemów w potokach danych, czyli pipeline’ach.
Nie oznacza to jednak, że cały proces tworzenia systemu automatycznie staje się szybszy. W badaniu Stack Overflow z 2025 roku 66 proc. respondentów wskazało jako problem odpowiedzi AI, które są niemal poprawne, ale wymagają poprawek. Z kolei 45 proc. uznało, że debugowanie kodu generowanego przez AI może zajmować więcej czasu.
AI przyspiesza stworzenie pierwszej wersji rozwiązania, ale jednocześnie przesuwa większą część pracy na etap weryfikacji. Inżynierowie muszą ocenić, czy wygenerowany kod jest zgodny z architekturą systemu, prawidłowo interpretuje dane i nie powoduje rozbieżności, które ujawnią się dopiero na kolejnych etapach przetwarzania.
— Inżynierowie poświęcają mniej czasu na powtarzalne zadania wdrożeniowe, a więcej na definiowanie modeli danych, zasad ich interpretacji, wymagań dotyczących walidacji oraz kontekstu, którego systemy potrzebują, aby korzystać z danych w spójny sposób. Wyzwaniem nie jest już wyłącznie zapewnienie poprawnego działania kodu, lecz także zadbanie o to, aby dane, na których się on opiera, były jednoznaczne, wiarygodne i odpowiednie do automatycznego wykorzystania — wyjaśnia Michał Bochenek.
Warstwa semantyczna staje się częścią infrastruktury AI
Ten sam wskaźnik może mieć inne znaczenie dla działów sprzedaży, finansów i zespołu operacyjnego. W tradycyjnym środowisku analitycznym człowiek mógł uwzględnić kontekst i odpowiednio skorygować swoją interpretację. W systemach zautomatyzowanych agenci i inne rozwiązania oparte na AI nie rozwiązują jednak problemu niejednoznaczności za użytkownika.
— Jeżeli znaczenie wskaźnika nie zostanie jasno określone, wyniki mogą stopniowo rozmijać się z oczekiwaniami. Może się to dziać bez ostrzeżeń i widocznych błędów technicznych, wyłącznie wskutek niewłaściwej interpretacji danych – wyjaśnia ekspert.
Dlatego coraz większą rolę odgrywają warstwy semantyczne i metadane. Nie są one jedynie technicznymi abstrakcjami. Pomagają precyzyjnie określić znaczenie danych i powiązać je ze sposobem, w jaki interpretuje je organizacja. Proces ten wspierają tagowanie, informacje o pochodzeniu danych oraz sygnały kontekstowe, które pomagają ludziom i systemom rozumieć dane w ten sam sposób.
Architektura musi obsługiwać analitykę i AI na wspólnych zasadach
Granice między przechowywaniem danych, analityką, uczeniem maszynowym i aplikacjami AI stopniowo się zacierają. Obecnie dane są pozyskiwane, przetwarzane, analizowane i przekazywane do systemów AI w ramach jednego środowiska. Oznacza to mniej barier między poszczególnymi elementami systemu oraz mniej operacji pośrednich.
Takie podejście upraszcza część procesów, ale jednocześnie zwiększa wymagania wobec architektury. Ten sam system musi obsługiwać obciążenia analityczne, przetwarzanie w czasie rzeczywistym oraz interakcje z agentami AI, a przy tym umożliwiać sprawne zarządzanie całym środowiskiem.
W tym kontekście coraz większego znaczenia nabiera koncepcja multimodalnej architektury typu lakehouse. Dane ustrukturyzowane, nieustrukturyzowane oraz osadzenia wektorowe, czyli embeddingi współistnieją w jednym środowisku i zmieniają się równolegle. System musi więc umożliwiać odtworzenie wcześniejszego stanu danych oraz prześledzenie zmian zachodzących w czasie.
Od pipeline’ów do platform
Budowanie osobnych potoków danych dla każdego projektu przestaje być skalowalne. Dlatego organizacje odchodzą od zespołów realizujących pojedyncze wdrożenia na rzecz zespołów platformowych, które tworzą wspólną infrastrukturę dla kolejnych projektów i przypadków użycia.
Jej elementem są kontrakty danych, określające strukturę zbioru, oczekiwaną jakość i aktualność danych. Warunki te są automatycznie weryfikowane przed udostępnieniem danych kolejnym systemom. Ma to szczególne znaczenie w przypadku AI, które może wykorzystać nieaktualne lub niespełniające wymagań dane, zanim problem zostanie zauważony przez człowieka.
Zarządzanie danymi jako część projektu
Zarządzanie danymi nie jest już etapem dodawanym po zbudowaniu systemu, lecz jest uwzględniane podczas projektowania procesu. Kontrola dostępu, klasyfikacja danych i ochrona prywatności stają się częścią sposobu ich modelowania i przetwarzania. Wraz ze wzrostem złożoności środowisk zasady te muszą być wbudowane w system i automatycznie egzekwowane.
— AI nie zmniejsza znaczenia inżynierii danych, lecz przesuwa jej punkt ciężkości. Kod i standardowe komponenty mogą powstawać szybciej, ale większej uwagi wymagają znaczenie danych, ich pochodzenie, jakość oraz zasady wykorzystania — podsumowuje Michał Bochenek z SoftServe.
Im częściej systemy działają na podstawie danych bez bezpośredniej kontroli człowieka, tym ważniejszy staje się fundament, który pozwala robić to w sposób spójny, bezpieczny i możliwy do prześledzenia.
