Aplikace funguje, model funguje, jen výsledky nejsou dost spolehlivé na to, aby se s nimi dalo pracovat, natož podle nich efektivně řídit firmu. Důvod bývá mnohem méně sexy než samotná AI. Data. Ne proto, že by byla nutně „špatná“, jak se občas říká. Spíš jsou normálně firemní. Rozházená v několika systémech, pod různými identifikátory, v různých formátech a s různou historií. Jeden zákazník existuje třikrát, protože se přejmenoval. Jiný existuje jen jednou, ale ve třech systémech jako tři různé entity. Smlouva má čtyři verze, z nichž dvě vypadají finálně. Nula v jednom zdroji znamená nulu, v jiném „nezjištěno“. Produkt se před pěti lety přejmenoval, ale ve skladu to nikomu neřekli.

 

Tohle není ani anomálie, ani nepořádek. To je prostě podniková realita, ve které musíte vy i vaše AI žít. Dokud nad ní pracuje člověk, spoustu věcí zachrání zkušenost. Ví, že dvě jména označují totéž, že jeden zdroj má zpoždění nebo že určité historické období je potřeba číst jinak. Jakmile stejnou práci automatizujeme, musí se tahle implicitní znalost dostat do systému. Jinak jen dokola automatizujeme chybu.

 

A právě tady začíná ta černá práce, kterou na demu nikdo neukazuje. Připojit zdroje. Porozumět jejich obsahu. Rozpoznat entity a jejich vztahy. Zachovat souvislosti, původ informací a oprávnění. Umět pracovat s tím, že stejná věc může být v různých systémech popsána různě a že význam informace se může měnit v čase. Teprve na takovém základu může AI dávat skutečně použitelné odpovědi.

 

Staré garbage in, garbage out tak pořád platí, jen s jedním nepříjemným upgradem: dnešní garbage out je často napsané bezchybnou češtinou a vypadá velmi přesvědčivě. To je důvod, proč se vyplatí méně řešit, která AI je právě nejlepší, a víc řešit, zda máme informační základ, nad kterým lze bezpečně stavět. Modely se mění rychle. Rozhraní ještě rychleji. Vaše smlouvy, zákazníci, transakce, dokumenty a vztahy mezi nimi ale zůstanou. A právě tyto informace budou muset zpracovávat i modely, které dnes ještě neexistují.

 

Jakmile výstup začne ovlivňovat rozhodování, nestačí, aby byl jen plausibilní. Musí být dohledatelné, z čeho vznikl. U tradiční analytiky jsme byli zvyklí na práci se zdrojem a datovou linií. Generativní vrstva tuto potřebu neruší. Naopak ji zpřísňuje. Pokud model zkombinuje tisíce dokumentů, tři databáze a stovky odvozených vztahů, pořád potřebujete umět dojít zpět k tomu, co skutečně bylo v datech. Jinak nemáte analytický systém, ale velmi kultivovaný generátor tvrzení.

 

A právě tady se dostáváme k Toveku. Tovek tuto nevděčnou vrstvu řeší dlouhodobě. Dokáže pracovat s heterogenními zdroji, rozumět jejich obsahu, vyhledávat a analyzovat informace, identifikovat entity a vztahy a přitom zachovat vazbu zpět ke zdrojovým informacím. Analytiku můžete dělat přímo v Toveku. Nebo ho můžete využít jako vrstvu, která připraví informační základ pro další aplikace a AI nástroje. Právě proto Toveku více než AI-powered sedí označení Powering AI.

 

Nejde o další chatbot připojený k datům. Jde o to, aby informace byly v podobě, nad kterou může bezpečně fungovat chatbot, agent, analytika nebo aplikace, kterou si příští rok teprve vymyslíte. Tovek tedy není sázka na jeden konkrétní model. Je to sázka na informační základ, který zůstává použitelný i tehdy, když se modely a aplikace kolem něj mění.

 

Jestli dnes AI něco zásadně změnila, pak možná hlavně to, že odhalila skutečné úzké hrdlo. Aplikaci už umíme postavit rychle. Model umí překvapivě hodně. Ale než pustíte stroj na pole, někdo se, jak říkal mistr Kroupa, musí ohnout, vyčistit zásobník, nasypat správné osivo a zkontrolovat, že je všechno správně napojené. To je ta část, u které si musíte vyhrnout rukávy. Nebo použít Tovek. Protože secí stroj dnes chodí skoro každému. Pointa je, aby po něm taky něco vyrostlo.