Firmy szybko kupiły modele, asystentów i agentów AI, ale znacznie wolniej zmieniają sposób działania całej organizacji. Im więcej próbują automatyzować, tym wyraźniej widzą, że największą przeszkodą nie jest jakość algorytmów, lecz chaos procesów, danych, aplikacji i odpowiedzialności.

Według badania McKinsey 88 proc. organizacji regularnie wykorzystuje AI w co najmniej jednej funkcji biznesowej, ale tylko około jednej trzeciej zaczęło skalować swoje programy. Zaledwie 39 proc. respondentów dostrzega wpływ AI na wynik operacyjny całego przedsiębiorstwa. Technologia jest więc obecna, lecz nadal rzadko zmienia ekonomię firmy.

Ta różnica między dostępnością AI a jej wpływem na wynik przywraca znaczenie architektury korporacyjnej. Nie chodzi jednak o powrót do rozbudowanych diagramów, wieloletnich planów i komitetów, które miesiącami zatwierdzają każdą zmianę. Firmy potrzebują architektury jako aktualnego systemu podejmowania decyzji: gdzie AI może działać, z jakich danych korzystać, które systemy wywoływać i kto odpowiada za rezultat.

Agent nie jest kolejną aplikacją

Tradycyjna aplikacja działa w określonych granicach. Ma zdefiniowanych użytkowników, funkcje, dane wejściowe i reguły. Agent AI może samodzielnie wybierać narzędzia, analizować informacje z kilku źródeł, planować kolejne kroki i inicjować działania w innych systemach.

Agent wspierający sprzedaż może jednocześnie pobierać dane z CRM, sprawdzać dostępność produktów w ERP, analizować korespondencję, tworzyć ofertę i wysyłać ją klientowi. Z perspektywy użytkownika jest jednym narzędziem. Z perspektywy firmy łączy jednak kilka systemów, zestawów uprawnień, właścicieli danych i dostawców technologii.

Wraz ze wzrostem autonomii AI rośnie więc znaczenie granic jej działania. Nieaktualny rekord w CRM, niewłaściwie nadane uprawnienie albo błędna integracja nie pozostają już lokalnym problemem jednego systemu. Agent może przenieść błąd na kolejne etapy procesu i wykonać na jego podstawie rzeczywiste działanie biznesowe.

Dlatego przedsiębiorstwa nie mogą skalować agentów bez uporządkowania architektury danych i integracji. McKinsey wskazuje, że niezawodne systemy agentowe wymagają dobrej jakości danych, jasno określonego pochodzenia informacji, wspólnych zasad zarządzania oraz architektury zdolnej obsługiwać decyzje w czasie rzeczywistym.

Problem obejmuje również infrastrukturę. W badaniu Google Cloud 83 proc. spośród ponad 1400 liderów IT uznało, że ich organizacje potrzebują modernizacji infrastruktury, aby uruchamiać autonomiczne systemy klasy produkcyjnej. Dotychczasowe środowiska nie były projektowane dla oprogramowania, które nie tylko odpowiada na pytania, lecz także samodzielnie porusza się pomiędzy systemami.

Dla biznesu oznacza to, że agentów AI nie da się po prostu dołożyć do obecnego środowiska. Bez wspólnych zasad dostępu, integracji, monitorowania i odpowiedzialności każdy nowy projekt tworzy kolejną warstwę długu technologicznego.

Architektura wraca, ale w nowej roli

Klasyczna architektura korporacyjna koncentrowała się przede wszystkim na aplikacjach, infrastrukturze i docelowym stanie środowiska IT. W czasach AI taki obraz jest niewystarczający, ponieważ nie pokazuje całego łańcucha prowadzącego od danych do decyzji biznesowej.

Firma potrzebuje wiedzieć nie tylko, jakie systemy posiada, ale również jakie procesy obsługują, z jakich danych korzystają, które modele są w nich używane i kto odpowiada za skutki ich działania. Musi znać dostawców poszczególnych komponentów, koszty wykonania procesu, poziom autonomii AI i sposób zatrzymania systemu w razie błędu.

Jednostką projektowania przestaje więc być pojedyncza aplikacja. Staje się nią kompletny przepływ pracy.

To zasadnicza zmiana dla CIO. Dotychczas można było niezależnie rozwijać CRM, ERP, analitykę i narzędzia komunikacyjne. Agent działający ponad tymi systemami wymusza spojrzenie na cały proces, ponieważ efektywność automatyzacji zależy od najsłabszego elementu łańcucha.

McKinsey wskazuje dwa kierunki zmian: stopniowe włączanie agentów do istniejącej architektury albo szerszą przebudowę środowiska wokół procesów obsługiwanych przez AI. W praktyce większość firm będzie musiała łączyć oba podejścia. Nie mogą czekać na całkowitą modernizację systemów, ale nie powinny również podłączać kolejnych agentów do każdego narzędzia bez wspólnego planu.

Najbardziej racjonalnym rozwiązaniem jest modernizacja domenami. Firma wybiera procesy o największym znaczeniu dla wyniku, mapuje ich dane, aplikacje, integracje i odpowiedzialności, a następnie tworzy dla nich architekturę pozwalającą bezpiecznie wdrażać AI.

Takie podejście nie wymaga wymiany wszystkich systemów legacy. ERP i CRM nadal mogą dobrze realizować funkcje transakcyjne. Muszą jednak udostępniać dane i operacje przez kontrolowane interfejsy, które pozwalają określić, kto — człowiek, aplikacja czy agent — może wykonać daną czynność.

Firma potrzebuje wspólnej platformy, nie kolejnych pilotów

Pierwsze wdrożenia AI były zwykle inicjowane przez pojedyncze działy. Marketing uruchamiał narzędzie do tworzenia treści, obsługa klienta testowała chatbota, a dział IT eksperymentował z generowaniem kodu. Przy niewielkiej skali taki model pozwala szybko sprawdzić możliwości technologii.

Problem pojawia się wtedy, gdy organizacja próbuje połączyć te narzędzia z kluczowymi procesami. Każdy niezależny projekt tworzy własne integracje, system uprawnień, mechanizmy monitorowania i umowy z dostawcami. Firma wielokrotnie finansuje te same elementy, lecz nadal nie ma kontroli nad całością.

Przejście od eksperymentów do skali wymaga wspólnej warstwy technologicznej. Powinna ona zapewniać dostęp do zatwierdzonych modeli, zarządzanie tożsamością agentów, kontrolowane połączenia z systemami firmowymi, rejestrowanie działań, ocenę jakości odpowiedzi i możliwość szybkiego wyłączenia rozwiązania.

Potrzebny jest także jeden katalog zastosowań AI. Bez niego zarząd nie wie, ile agentów działa w firmie, z jakich danych korzystają, kto jest ich właścicielem i jakie ryzyko tworzą. Sam rejestr nie przyniesie jednak wartości, jeżeli będzie kolejnym arkuszem aktualizowanym raz na kwartał. Musi zostać powiązany z architekturą aplikacji, danymi, procesami i systemem zarządzania ryzykiem.

Wspólna platforma podnosi koszt rozpoczęcia programu AI, ale obniża koszt każdego kolejnego wdrożenia. Pozwala ponownie wykorzystywać te same integracje, mechanizmy bezpieczeństwa i narzędzia monitorowania. Dzięki temu przewaga nie wynika z liczby rozpoczętych pilotów, lecz z szybkości, z jaką firma potrafi uruchamiać kolejne zastosowania na istniejących fundamentach.

Decyzja architektoniczna staje się decyzją finansową

Koszt AI jest trudniejszy do policzenia niż koszt tradycyjnej aplikacji. Obejmuje nie tylko licencję lub zużycie modelu, ale również chmurę, bazy danych, wyszukiwanie, integracje, monitoring, bezpieczeństwo, przechowywanie informacji i pracę zespołów.

Według raportu FinOps Foundation 98 proc. badanych organizacji zarządza już wydatkami na AI, wobec 31 proc. dwa lata wcześniej. Inwestycje nie ograniczają się do chmury publicznej, lecz obejmują SaaS, centra danych i środowiska prywatne.

Bez architektury łączącej zasoby techniczne z procesami biznesowymi firma nie potrafi stwierdzić, ile kosztuje konkretne zastosowanie ani czy jego wartość rośnie równie szybko jak zużycie infrastruktury. Nie wie też, które komponenty są współdzielone, a które finansuje wielokrotnie w różnych projektach.

Architektura korporacyjna, FinOps i zarządzanie portfelem inwestycji zaczynają więc tworzyć jeden system. Wybór modelu, sposobu integracji albo miejsca przetwarzania danych nie jest wyłącznie decyzją techniczną. Wpływa na koszt jednostkowy procesu, marżę, bezpieczeństwo oraz możliwość zmiany dostawcy.

Governance powinno przyspieszać, nie blokować

Rosnące wymagania regulacyjne dodatkowo zwiększają potrzebę aktualnego obrazu środowiska AI. AI Act, NIST AI Risk Management Framework i ISO/IEC 42001 opierają zarządzanie ryzykiem na ciągłym identyfikowaniu systemów, ich zastosowań, odpowiedzialności i skutków działania. NIST porządkuje ten proces wokół czterech funkcji: zarządzania, mapowania, mierzenia i reagowania na ryzyko, natomiast ISO/IEC 42001 wymaga ustanowienia i ciągłego doskonalenia systemu zarządzania AI.

Nie oznacza to jednak, że każdy projekt powinien przechodzić przez długi proces ręcznych akceptacji. Taki model szybko stanie się wąskim gardłem. W badaniu SAP LeanIX decyzje architektoniczne zajmowały miesiąc lub dłużej w 51 proc. organizacji.

Skuteczna architektura nie powinna mnożyć komitetów. Powinna tworzyć zatwierdzone wzorce, komponenty i automatycznie egzekwowane zasady. Zespół może działać szybko, jeżeli korzysta z dozwolonego modelu, właściwego źródła danych, standardowej integracji i wymaganego mechanizmu monitorowania.

Governance wbudowane w architekturę przyspiesza wdrożenia, ponieważ większość decyzji została podjęta wcześniej. Kontrola pojawiająca się dopiero przed uruchomieniem produkcyjnym prowadzi natomiast do opóźnień, kosztownych poprawek i konfliktów pomiędzy biznesem, IT, bezpieczeństwem i prawnikami.

CIO staje się projektantem sposobu działania firmy

AI sprawia, że decyzji technologicznych nie można już oddzielić od organizacyjnych. Określenie, do jakich systemów agent ma dostęp, jest jednocześnie decyzją o podziale obowiązków. Ustalenie poziomu nadzoru człowieka zmienia przebieg procesu. Wybór danych wpływa na jakość decyzji i odpowiedzialność za jej wynik.

CIO nie powinien więc zaczynać od budowy architektury dla całego przedsiębiorstwa. Powinien wybrać kilka procesów o największym znaczeniu dla przychodów, kosztów lub ryzyka i zmapować dla nich pełny łańcuch działania: dane, aplikacje, modele, dostawców, integracje, uprawnienia, koszty i właścicieli.

Zarząd z kolei nie musi pytać, który model ma najwięcej parametrów. Powinien wiedzieć, w jakich procesach AI tylko doradza, a w jakich wykonuje działania, kto ponosi odpowiedzialność za rezultat, ile kosztuje cały proces i czy dostawcę można zastąpić bez przebudowy środowiska.

Najważniejszym miernikiem dojrzałości nie jest liczba wdrożonych narzędzi. Jest nim zdolność do szybkiego uruchamiania kolejnych zastosowań bez proporcjonalnego wzrostu kosztów, ryzyka i złożoności.

Architektura korporacyjna wraca więc do łask, ale nie jako techniczna dokumentacja. Staje się systemem łączącym strategię, procesy, dane, technologię, finanse i odpowiedzialność. Bez niego firmy będą miały coraz więcej agentów i coraz mniej kontroli nad tym, jak naprawdę działa przedsiębiorstwo.

AI nie skaluje się dzięki kolejnym pilotom, lecz dzięki architekturze, która pozwala bezpiecznie i ekonomicznie powielać ich rezultaty w całej organizacj