Vanguard s AWS ukazuje, že bez AI-ready dát ostane agent len drahým rozhraním nad SQL

V záplave správ o agentoch, modeloch a nových rozhraniach pôsobí dnešný text AWS o spoločnosti Vanguard nezvyklo triezvo. Namiesto ďalšieho príbehu o tom, čo všetko vie konverzačné AI rozhranie, rozoberá, prečo podnikové nasadenie zlyháva, ak sa pod ním nenachádza dátová vrstva pripravená pre strojové rozhodovanie. Vanguard opisuje projekt Virtual Analyst ako nástroj, ktorý mal finančným analytikom umožniť pýtať sa na zložité firemné dáta bez písania SQL. Pointa však je, že najväčší problém neležal v modeli, ale v dátovej architektúre.

To je dôležité aj preto, že veľká časť trhu stále komunikuje enterprise AI ako otázku správneho foundation modelu alebo výberu orchestrace. Vanguard v texte hovorí presný opak: keď sa projekt rozbehol, ukázalo sa, že efektívne konverzačné AI nad podnikovými dátami je v prvom rade problém semantiky, vlastníctva dát, kvality metadát a prístupových pravidiel. Analytici vedeli, čo chcú zistiť, ale cesta k odpovedi viedla cez zložité tabuľky, dlhé čakacie doby na dátové tímy a množstvo lokálneho know-how, ktoré nebolo formalizované tak, aby ho vedel použiť stroj.

Zaujímavý je aj organizačný rozmer projektu. Vanguard spája dátových inžinierov, biznis analytikov, compliance, bezpečnostné tímy aj samotných používateľov. To nie je manažérska ozdoba, ale súčasť technického riešenia. Biznis tímy rozumejú významu metrík a pojmov, bezpečnostné tímy vedia nastaviť hranice prístupu a inžinieri držia prevádzku. Bez tejto kombinácie by systém síce vedel generovať SQL, no nebolo by jasné, či používa správne definície, či je oprávnený dostať sa k údajom a či výsledok zodpovedá tomu, čo biznis pod konkrétnym pojmom naozaj myslí.

AWS v prípade Vanguardu popisuje aj konkrétny technologický stack: Amazon Bedrock pre modely, Bedrock Guardrails na ochranu vstupov a výstupov, ECS pre škálovateľný výpočet, DynamoDB na ukladanie konverzačného stavu, S3 na úložisko, SageMaker na experimentovanie, Redshift ako centrálny warehouse a Glue na katalóg a ETL. Samotný zoznam služieb však nie je hlavné posolstvo. Podstatné je, že tieto vrstvy skladajú systém, v ktorom sa model neopiera o chaotické tabuľky, ale o kurátorovaný kontext, definície a prístupové pravidlá.

Najsilnejšia časť textu je súbor ôsmich princípov pre takzvané AI-ready dáta. Vanguard začína jasným vlastníctvom dátových produktov a prevádzkových modelov, pokračuje skorým zapojením governance a security tímov a zdôrazňuje jednotný metadata katalóg, ktorý spája technický aj biznis význam dát. To je kľúčové najmä pre firmy, ktoré majú detailnú technickú dokumentáciu tabuliek, ale slabú vrstvu obchodných definícií, synonym a vzťahov medzi metrikami. Bez toho model často vygeneruje syntakticky správny dopyt, ktorý je však vecne nesprávny.

Ďalším pilierom je semantická vrstva, ktorá prevádza podnikové definície do vykonateľnej logiky. Vanguard uvádza príklad metrík typu customer lifetime value, ktoré musia mať jednotný význam naprieč oddeleniami. Spolu s tým firma vytvorila knižnicu otázok a správnych SQL odpovedí, teda ground truth exempláre pre few-shot prompting, benchmarky aj regresné testy. Tento detail je cenný, lebo ukazuje, že enterprise AI sa nedá riadiť iba intuitívnym promptovaním. Potrebuje vzorové prípady, proti ktorým sa dá priebežne merať, či sa systém zlepšuje alebo sa potichu kazí.

Zvyšné princípy sa týkajú prevádzkovej disciplíny: automatizované kontroly kvality dát, zmenové procesy a kontinuálne vyhodnocovanie dopadu. Vanguard sleduje distribučné anomálie, referenčné väzby, konzistenciu medzi systémami aj čerstvosť údajov. Zároveň odporúča spravovať semantické definície, konfigurácie aj exempláre ako kód pod verziovaním a s review procesom. Výsledok má byť menej heroické univerzálne AI a viac systém, pri ktorom sa dá auditovať, čo sa zmenilo, prečo sa to zmenilo a aký to malo vplyv na kvalitu odpovedí.

Prípadová štúdia uvádza aj merateľné dopady: čas od otázky k výsledku sa má skracovať z dní na minúty, bežní biznis používatelia sa dostanú k dátam bez znalosti SQL a dátové tímy sú menej zaťažené rutinnými požiadavkami. Zároveň vzniká znovupoužiteľný rámec, ktorý sa dá rozširovať do ďalších častí organizácie. To je podstatné najmä v roku, keď sa trh rýchlo posúva od jednorazových AI dem k očakávaniu, že agenti budú fungovať v produkcii nad reálnymi, citlivými a nejednotnými podnikovými dátami.

Najväčšia hodnota tohto textu je preto možno práve v tom, čo nesľubuje. Nehovorí, že stačí zapnúť novší model alebo pridať ďalšieho agenta do workflow. Naopak, pripomína, že bez dobre definovaných dátových produktov, metadát, semantiky, bezpečnostných pravidiel a priebežného merania sa aj drahé AI riešenie zmení len na elegantnejšie rozhranie nad SQL. Pre podniky, ktoré práve plánujú agentické vrstvy nad dátovým stackom, je to presne ten typ praktického signálu, ktorý má väčšiu hodnotu než ďalší bombastický launch bez prevádzkového základu.