Agentic AI wymaga solidnej bazy danych i integracji systemów w biznesie

Agentic AI, czyli autonomiczne systemy sztucznej inteligencji, wymagają dostępu do wysokiej jakości, zaufanych danych, aby efektywnie realizować złożone zadania biznesowe. Wdrożenie takich systemów wiąże się z koniecznością modernizacji architektury danych, poprawy ich jakości oraz dostosowania modeli operacyjnych i zarządczych. W sektorze farmaceutycznym agentic AI działa jako warstwa łącząca rozproszone systemy, skracając czas między uzyskaniem wniosków a ich realizacją.

Wyzwania i wymagania dla danych w erze agentic AI

Wraz z rozwojem agentic AI, tradycyjne architektury danych okazują się niewystarczające, ponieważ nie były projektowane z myślą o autonomicznych systemach podejmujących decyzje i działających samodzielnie. Systemy te potrzebują dostępu do danych w czasie rzeczywistym, bogatego kontekstu oraz silnych mechanizmów zarządzania i nadzoru.

Według ekspertów, takich jak Aaron Qayumi z Reltio, agentic AI wymaga bogatego kontekstu, który umożliwia zrozumienie powiązań między różnymi pojęciami. Firma Reltio oferuje rozwiązania oparte na inteligentnym grafie danych, który łączy jednostki, relacje i znaczenia w ramach przedsiębiorstwa.

Clive Bearman z Qlik wskazuje na cztery filary, które musi spełniać architektura danych, aby wspierać agentic AI: szybkość dostarczania danych w czasie rzeczywistym, zaufanie do jakości danych, kontekst semantyczny oraz zarządzanie z możliwością śledzenia i kontroli decyzji podejmowanych przez systemy autonomiczne.

Jakość danych jest traktowana jako element zarządzania ryzykiem operacyjnym, a zarządzanie danymi obejmuje m.in. śledzenie pochodzenia danych, kontrolę dostępu oraz monitorowanie anomalii. Qlik oferuje narzędzia do inżynierii danych agentic AI, które według firmy zwiększają produktywność.

Krishna Kumar z Informatica podkreśla, że organizacje przechodzą od automatyzacji do autonomii, jednak istnieje luka kontekstowa, którą należy wypełnić. Kontekst pozwala na uzyskanie bardziej precyzyjnych i wiarygodnych wniosków oraz decyzji AI, a także na personalizację doświadczeń klientów i adaptacyjną automatyzację procesów biznesowych.

Gerald Mann z Graphwise opisuje model dojrzałości AI w przedsiębiorstwie, zwracając uwagę na problemy związane z rozproszonymi systemami i silosami danych, które utrudniają widoczność informacji i zgodność z przepisami, a także spowalniają podejmowanie decyzji. Według niego, efektywne wykorzystanie AI wymaga działania na zaufanym kontekście danych.

Strategie skalowania agentic AI i ich zastosowanie w sektorze farmaceutycznym

Badania McKinsey wskazują, że skalowanie agentic AI wymaga silnej podstawy danych, w tym modernizacji architektury danych, poprawy jakości danych oraz rozwoju modeli operacyjnych i zarządczych. Mniej niż 10% przedsiębiorstw, które eksperymentowały z agentami AI, zdołało je skalować, aby osiągnąć wymierne korzyści.

Osiem na dziesięć firm wskazuje ograniczenia danych jako główną przeszkodę w rozwoju agentic AI. Najważniejsze wyzwania to ograniczenia modelu operacyjnego i talentów, problemy z danymi, nieskuteczne zarządzanie zmianą oraz ograniczenia technologiczne.

Agentic AI potrzebuje stałego dostępu do wysokiej jakości danych, zarówno ustrukturyzowanych, jak i nieustrukturyzowanych, które spełniają standardy dokładności, pochodzenia i zarządzania. Fragmentacja danych i silosy informacyjne mogą prowadzić do błędów i nieprawidłowych decyzji systemów autonomicznych.

McKinsey rekomenduje cztery kroki przygotowawcze dla danych: identyfikację kluczowych procesów do automatyzacji przez agentów, modernizację architektury danych z naciskiem na interoperacyjność i zarządzanie, zapewnienie jakości danych oraz budowę modeli operacyjnych i zarządczych dla agentic AI.

W sektorze farmaceutycznym agentic AI działa jako warstwa łącząca rozproszone systemy analityczne i operacyjne. Firmy farmaceutyczne często mają rozproszone środowiska analityczne z różnymi modelami danych i narzędziami raportowania, a fragmentacja ta utrudnia szybkie podejmowanie decyzji.

Agentic AI integruje te systemy, odczytuje dane z różnych źródeł, interpretuje kontekst i automatycznie wykonuje działania, takie jak aktualizacja alokacji terytorialnych czy uruchamianie spersonalizowanych kampanii marketingowych.

Nowoczesne rozwiązania AI w farmacji umożliwiają tworzenie inteligentnych przestrzeni roboczych, gdzie zespoły komercyjne mogą wykonywać codzienne zadania w środowisku bogatym w dane, które są szybko kontekstualizowane i wykorzystywane. Przedstawiciele terenowi mogą korzystać z poleceń głosowych do obsługi całego workflow, od briefingu klienta po dokumentację i planowanie kolejnych działań.

Agentic AI w farmacji przesuwa rolę AI z doradcy do aktywnego operatora, który nie tylko dostarcza wskazówek, ale także pomaga w realizacji działań w czasie rzeczywistym, eliminując opóźnienia między analizą a wykonaniem.

Firmy farmaceutyczne, które inwestują w agentic AI i zintegrowane analityczne środowiska, dążą do stworzenia modelu komercyjnego, w którym wnioski natychmiast przekładają się na działania zgodne z celami i kontekstem organizacji.

Wdrożenie agentic AI wymaga zatem nie tylko nowoczesnej technologii, ale także silnej bazy danych, wysokiej jakości informacji oraz spójnych modeli zarządzania i operacji. W sektorze farmaceutycznym agentic AI pełni rolę integratora rozproszonych systemów, umożliwiając szybsze i bardziej skoordynowane działania biznesowe.