Все обзоры
3 мин на чтение

Прежде чем внедрять AI, подготовьте данные, на которые он будет опираться

Практический чек-лист: источники истины, смысл данных, поиск по документам, интеграции и правила доступа — до того как AI-функция войдёт в ежедневную работу.

AI начинается с ваших данных — AtmosGate Insights

Когда бизнес просит AI-функцию, первый полезный разговор обычно идёт о данных: где они хранятся, кто за них отвечает и можно ли им доверять. Качество ассистента или автоматизированного процесса во многом определяется ещё до того, как кто-то напишет первый промпт.

Модели меняются каждые несколько месяцев. Записи, документы и правила, которые накапливает компания, — та часть, что остаётся уникальной именно для неё. Ниже — подготовка, которую мы рекомендуем провести до планирования первой AI-функции.

Распознайте типичные препятствия

У большинства организаций нет недостатка в данных. Им не хватает данных, которые можно объединить и на которые можно положиться. Продажи ведутся в одной системе, финансы — в другой, а операционные подробности разбросаны по таблицам и почтовым ящикам. Каждый инструмент работает сам по себе, но вместе они не могут ответить на простой вопрос, затрагивающий несколько отделов.

AI-функция, подключённая к такой среде, унаследует все её несоответствия. Она может ещё и уверенно ответить, опираясь на устаревший документ или дублирующуюся запись.

  • Один и тот же клиент записан несколько раз с разным написанием.
  • Поля вроде «статус», значения которых никто не может объяснить.
  • Договоры, регламенты и прайс-листы, существующие только в виде сканов.
  • Нет чёткого правила, кому какие записи разрешено видеть.

Выберите источники истины и опишите смысл данных

Для каждой ключевой сущности — клиентов, товаров или заказов — определите, какая система считается главной, и синхронизируйте остальные с ней. Сначала очистите данные, от которых зависит первый сценарий использования AI, а уже потом беритесь за всё остальное.

Рамочный документ правительства Великобритании о качестве данных (UK Government Data Quality Framework) описывает качество через такие измерения, как точность, полнота, согласованность, актуальность, уникальность и валидность, и предлагает оценивать качество применительно к конкретной задаче. Здесь это удобный подход: оценивайте данные относительно той задачи, которую будет выполнять AI-функция.

Ведите краткий словарь данных, в котором объясняется, что означает каждое важное поле и как оно используется. Он помогает сотрудникам — и помогает AI-системе правильно интерпретировать записи.

Источники и примечания к выпускам: [1]

Свяжите системы и настройте доступ до подключения поиска

Для актуальных данных нужны надёжные интеграции между системами, а не ежемесячные выгрузки в таблицы. Ключевые документы стоит перевести в текст, доступный для поиска, поддерживать в актуальном состоянии и упорядочить так, чтобы поиск возвращал последнюю утверждённую версию.

Продумайте права доступа до того, как подключать ассистента к бизнес-данным. Он должен показывать только то, что запрашивающему уже разрешено видеть. Если старую систему нельзя подключить напрямую, мы рекомендуем открыть к ней доступ через интерфейс и переносить записи поэтапно, с проверкой на каждом шаге, а не заменять её одним махом.

Почему подготовка окупается

Эта работа улучшает отчётность и повседневные операции ещё до появления AI: командам больше не приходится сверять противоречащие друг другу таблицы. А когда AI-функция всё-таки появится, у неё будут согласованные записи и понятные правила.

Если AI есть в ваших планах на 2027 год, начните с инвентаризации систем и данных, которые нужны для первого сценария. Эта подготовка сохранит ценность, какую бы модель вы ни выбрали.

Источники и примечания к выпускам

Авторский анализ AtmosGate на основе источников ниже. Утверждения поставщиков и сведения о статусе выпуска приведены со ссылками на их публикации.

  1. The Government Data Quality Framework

    GOV.UK