V kostce:

  • V roce 2026 se řeší autonomní rozhodování bez odchylky od záměru
  • Vishal Gupta je partnerem výzkumné firmy Everest Group
  • Trénink v reálném čase nahrazuje čtvrtletní aktualizace modelů

V roce 2026 už podniky neřeší, zda prediktivní modely překonávají statistické prognózy. Tuto otázku článek označuje za uzavřenou a za hlavní téma považuje to, jak prediktivním systémům umožnit jednat na základě vlastních závěrů bez odchylky od obchodního záměru. Hranice se tak posunula od samotné predikce k autonomnímu rozhodování a rozdíl mezi lídry a opozdilci se podle textu prohlubuje. Text publikoval server MIT Technology Review jako sponzorovaný obsah připravený studiem Insights, nikoli redakcí.

Podniky podle článku opouštějí zpětný pohled a chtějí uvažovat více dopředu. „Podniky se přestaly ohlížet do minulosti; chtějí přemýšlet více do budoucna,“ uvedl Vishal Gupta, partner výzkumné firmy Everest Group. Právě tento posun od pasivního ohlížení k praktickému předvídání má stát v centru současného vývoje podnikové AI.

Tento posun umožňují inteligentní analýzy postavené na technologiích, jako jsou hluboké učení a generativní AI. Trénink v reálném čase dovoluje AI vyvíjet se průběžně, místo aby čekala na čtvrtletní aktualizace. Podniky se tak podle článku přesouvají od pasivního pohledu do minulosti k pragmatické předvídavosti.

Zároveň se rozšířil okruh dat, o která se novější prediktivní systémy opírají. Vedle uspořádaných číselných záznamů využívají také neuspořádané, nestrukturované zdroje interakcí bohatých na poznatky. Prediktivní analýzy článek popisuje jako širokou disciplínu, která zahrnuje prediktivní modelování, přípravu dat, analytické postupy, interpretaci výsledků a rozhodovací aplikace.

AI podle textu posouvá tyto analýzy na novou úroveň. „V mnoha ohledech si myslím, že slovo ‚analýzy‘ ustupuje AI,“ uvedl Gupta. Dodal, že všechno se stává AI.

Co to znamená: Pro firmy to znamená posuzovat prediktivní systémy nejen podle přesnosti, ale podle toho, zda jejich autonomní rozhodnutí zůstávají v mezích obchodního záměru. Při auditu a zavádění AI je proto podstatné evidovat datové zdroje včetně nestrukturovaných vstupů, způsob průběžného tréninku a pravidla pro rozhodovací aplikace.

Zdroje: