Współzałożyciel i dyrektor generalny Databricks Ali Ghodsi ma przesłanie dla menedżerów zalewających pieniędzmi najnowsze modele graniczne AI: technologia nie jest wąskim gardłem. Jego zdaniem problem większości firm nie polega na tym, że AI brakuje inteligencji, lecz na tym, że nie przekazano jej niczego użytecznego o biznesie, który ma obsługiwać.

W wystąpieniu w Bloomberg Tech Ghodsi argumentował, że obecna generacja modeli AI już przewyższa to, co większość przedsiębiorstw jest w stanie praktycznie wykorzystać. Przepaść między tym, co te systemy potrafią, a tym, co firmy z nich rzeczywiście wynoszą, sprowadza się — jak powiedział — do jednego czynnika: kontekstu.

Paradoks 90%

Ghodsi przywołał uderzające rozdźwięk, który zaobserwował podczas sondaży przeprowadzanych wśród publiczności na swoich wystąpieniach w 2026 roku. Tylko około 10% respondentów uważa, że ogólna sztuczna inteligencja (AGI) nadeszła. Tymczasem około 90% twierdzi, że modele AI używane przez nich na co dzień są już inteligentniejsze od większości ich współpracowników.

„Nie potrzebujemy, żeby AI stawało się mądrzejsze” — oświadczył Ghodsi. „Po prostu brakuje mu kontekstu.”

Kontekst, o którym mówi, to tzw. „kontekst przedsiębiorstwa”: własnościowe dane, wiedza instytucjonalna, przepływy decyzyjne i logika biznesowa, które czynią działanie firmy wyjąym. Innymi słowy, modele są ogólnego przeznaczenia; brakującym składnikiem jest wiedza specyficzna dla firmy, której model nie ma jak samodzielnie poznać.

Argument infrastruktury danych

Databricks buduje swój biznes na pomaganiu przedsiębiorstwom w organizowaniu, zarządzaniu i aktywacji danych. Wśród jego klientów są AT&T, Rivian, Adidas, Mercedes-Benz, Unilever, Virgin i Bayer.

Ghodsi podkreślił, że firmy muszą zbudować własny „kontekst przedsiębiorstwa” i „ontologię” — uporządkowaną mapę powiązań między danymi, encjami i procesami firmy — zamiast zakładać, że mogą po prostu kupić gotowe rozwiązanie AI. Jego zdaniem decydującą inwestycją w AI nie jest dostęp do inteligentniejszego modelu, lecz wewnętrzna praca przygotowawcza, która pozwala modelowi działać zgodnie z faktycznym funkcjonowaniem biznesu. Databricks rozwija narzędzia zaprojektowane właśnie w tym celu. Jego platforma Genie, na przykład, jest pozycjonowana jako sposób na uchwycenie danych przedsiębiorstwa, decyzji i przepływów pracy, których systemy AI potrzebują, aby przejść od imponujących demonstracji do faktycznej automatyzacji.

Dodał, że nawet gdyby postęp AI całkowicie się zatrzymał już dziś, większość firm nadal mogłaby zrealizować lata zysków produktywnościowych, po prostu porządkując swoje istniejące dane.

Dekada organizacyjnej chirurgii

Szacunek Ghodsi ego dotyczący osiągnięcia pełnej adopcji AI w przedsiębiorstwach to potencjalnie dekada, nawet dla firm nastawionych na technologię. Ta ramy czasowa odzwierciedla rzeczywistość, w której integracja AI z biznesem nie jest prostą instalacją oprogramowania. To projekt reengineeringu organizacyjnego, który dotyka procesów, ról, bodźców i kultury.

Dla przedsiębiorstw rozważających ten argument pytaniem na najbliższą przyszłość nie jest to, który model licencjonować, lecz jak szybko ich dane mogą zostać uporządkowane, połączone i udostępnione systemom AI. Sposób, w jaki firmy podzielą wydatki na AI między dostęp do modeli a wewnętrzne przygotowanie danych, będzie jednym z wskaźników tego, czy pogląd Ghodsi ego zyskuje na znaczeniu.

Na wrzesień 2026 Ghodsi kontynuuje przekazywanie tego przesłania, argumentując, że przedsiębiorstwa powinny skupić się na praktycznych wyzwaniach AI, a nie na ryzykach egzystencjalnych.

Źródło: CryptoBriefing