AI duomenų parengtis: kodėl modelis nepadės be tvarkos

Duomenų parengtis, tai įvertinimas, ar įmonės turimi duomenys (dokumentai, įrašai sistemose, el. laiškai, skaičiuoklės) yra pakankamai tvarkingi, nuoseklūs ir prieinami, kad juos būtų galima saugiai naudoti su AI įrankiais. Tai ne techninė IT užduotis, o verslo sprendimas: kur duomenys jau tinkami, o kur pirmiausia reikia sutvarkyti namus.

Dažna klaida: manyti, kad problema visada yra modelis. Vadovas nusiperka geriausią AI įrankį rinkoje, paleidžia jį su savo duomenimis, ir rezultatai vidutiniški arba klaidingi. Priežastis retai būna modelio kokybė. Dažniau: duomenys, su kuriais modelis dirba, yra išsibarstę per penkias skirtingas sistemas, skirtingais formatais, su dubliuotais ar pasenusiais įrašais.

Trys klausimai, kuriuos reikia užduoti prieš diegimą

Prieš renkantis įrankį, verta atsakyti į tris klausimus apie duomenis, kuriuos planuojate naudoti su AI.

Ar duomenys yra vienoje vietoje, ar išsibarstę? Jei ta pati informacija apie klientą yra ir CRM, ir el. pašto dėžutėje, ir asmeninėje skaičiuoklėje pardavėjo kompiuteryje, AI įrankis matys tik dalį paveikslo. Prieš diegimą verta nuspręsti, kuris šaltinis yra „tiesos šaltinis", ir bent minimaliai suvienodinti likusius.

Ar duomenys nuoseklūs formatu? Datos formatu „2026-07-11" ir „11 liepos" tame pačiame stulpelyje, laisvo teksto laukai vietoj išskleidžiamų sąrašų, skirtingi produktų pavadinimų variantai: visa tai apsunkina bet kokį automatizavimą, ne tik AI. Tai dažnai pigiausia sutvarkyti dar prieš diegimą, nei vėliau taisyti modelio klaidas, kurios iš tikrųjų yra duomenų klaidos.

Ar žinote, kas duomenis atnaujina ir kaip dažnai? Nuolat atnaujinamų duomenų (užsakymų, užklausų) ir vieną kartą suvestų istorinių duomenų (senų sutarčių) parengties reikalavimai skiriasi. Pirmuoju atveju svarbu automatinė sinchronizacija, antruoju: vienkartinis, bet kruopštus sutvarkymas.

Kaip atrodo praktinis patikrinimas

Nereikia sudėtingo audito su konsultantais: dažniausiai pakanka pusdienio darbo su komanda, kuri tuos duomenis naudoja kasdien.

• Imkite 20-30 realių įrašų iš šaltinio, kurį planuojate naudoti su AI, ir peržiūrėkite juos ranka. Ar formatas nuoseklus? Ar trūksta laukų? Ar yra akivaizdžių dublikatų?
• Paklauskite darbuotojų, kurie tuos duomenis pildo kasdien, kur jie „apgaudinėja sistemą": t. y. kur įveda ne tai, kas tinka, o tai, kas greičiau praeina per privalomą lauką. Tokios vietos beveik visada sukuria problemų automatizacijai.
• Patikrinkite prieigą. Ar AI įrankiui (ar žmogui, kuris jį prižiūrės) bus techninė prieiga prie šaltinio, ar duomenys užrakinti sistemoje be API arba eksporto galimybės?

Jei po šio patikrinimo matote, kad duomenys išsibarstę per kelias sistemas be aiškaus tiesos šaltinio, tai nereiškia, kad AI diegimas neįmanomas, tai reiškia, kad pirmas žingsnis yra ne įrankio pirkimas, o duomenų sutvarkymas vienam konkrečiam procesui, kurį norite automatizuoti pirmiausia.

Kodėl tai aktualu būtent dabar

Pagal 2025 m. Eurostato duomenis, AI naudojimas ES įmonėse per metus išaugo nuo 13,5 iki 20,0 proc., o Lietuvoje šis rodiklis pakilo net 12,5 procentinio punkto: vienas sparčiausių šuolių Europoje (Eurostat, 2025 m. gruodžio 11 d.).

Tai reiškia, kad vis daugiau įmonių Lietuvoje pradeda diegti AI sprendimus per trumpą laiką, o kartu auga rizika, kad diegimas vyksta greičiau, nei sutvarkomi duomenys, su kuriais tas AI dirbs. Įmonės, kurios skiria savaitę duomenų parengčiai prieš pradėdamos, dažniausiai pasiekia stabilesnį rezultatą per pirmą mėnesį nei tos, kurios pradeda iškart nuo pilno diegimo.

Kiek kainuoja netvarkingi duomenys: pavyzdys su skaičiais

Duomenų kokybė skamba kaip IT tema tol, kol nepaverčiama valandomis ir eurais.

Tarkime, įmonė nori, kad AI įrankis ruoštų atsakymų juodraščius į klientų užklausas remdamasis CRM istorija. CRM yra 4 000 kontaktų. Peržiūrėjus 30 atsitiktinių įrašų paaiškėja, kad 6 iš jų yra dublikatai arba turi pasenusį kontaktinį asmenį. Tai 20 proc.

Vadinasi, maždaug kas penkta AI paruošta žinutė remsis klaidingu kontekstu. Jei per savaitę ruošiama 100 juodraščių, tai 20 atvejų, kuriuos darbuotojas turi pastebėti ir pataisyti. Tarkime, kiekvienas toks taisymas užima 6 minutes: 2 valandos per savaitę, arba apie 8 valandas per mėnesį.

Dabar kita pusė. Dublikatų sutvarkymas ir kontaktinių asmenų atnaujinimas 4 000 įrašų bazėje realiai užima nuo 10 iki 20 valandų vienkartinio darbo. Investicija atsiperka per du ar tris mėnesius, o po to nauda kaupiasi kas mėnesį.

Yra ir sunkiau matuojama pusė. Kai komanda mato, kad įrankis pateikia klaidingą informaciją apie klientą, pasitikėjimas juo krenta greitai ir grįžta lėtai. Būtent tai dažnai ir yra tikroji priežastis, kodėl AI diegimas įmonėse sustoja po pirmo mėnesio.

Savaitės planas vienam procesui

Duomenų parengtis netampa projektu, jei apribojama viena aiškia apimtimi. Praktinė seka:

1. Pirmadienis: apibrėžkite procesą ir šaltinį. Vienas procesas, viena sistema. Užrašykite, kokius laukus AI įrankis realiai naudos. Dažniausiai jų būna nuo penkių iki dešimties, ne visa duomenų bazė.
2. Antradienis: paimkite imtį. 30 įrašų, peržiūra ranka, klaidų tipai surašomi į lentelę: dublikatai, tušti laukai, nenuoseklūs formatai, pasenusi informacija.
3. Trečiadienis: pakalbėkite su tais, kurie pildo. Dažniausiai paaiškėja, kad klaidos ne atsitiktinės, o proceso pasekmė. Pavyzdžiui, privalomas laukas, kurio niekas nežino, todėl įrašoma „nežinau".
4. Ketvirtadienis: sutvarkykite ir nustatykite taisyklę. Vienkartinis valymas be taisyklės reiškia, kad po pusmečio būsite ten pat. Kartu su valymu pakeiskite pildymo tvarką, kaip aprašome CRM higienos tekste.
5. Penktadienis: paleiskite mažą bandymą. 20 realių atvejų per įrankį, rezultatų peržiūra ranka. Tai jau ir yra pilotinio projekto pradžia, tik pigesnė.

Dažniausios klaidos ir kaip jas taisyti

• Tvarkomi visi duomenys iš karto. Projektas išsiplečia iki mėnesių ir miršta. Taisymas: viena proceso apimtis, viena savaitė.
• Valoma vieną kartą, be taisyklių. Po pusmečio tie patys dublikatai. Taisymas: kartu su valymu keiskite pildymo procesą ir paskirkite atsakingą žmogų.
• Pasitikima sistemos ataskaitomis. Ataskaita rodo, kad laukas užpildytas 98 proc., bet nerodo, kad jame įrašyta „xxx". Taisymas: peržiūra ranka, bent trisdešimt įrašų.
• Nepasitikrinama prieiga. Duomenys tvarkingi, bet sistema neturi eksporto ar API, todėl techniškai jų paimti negalima. Taisymas: prieigą tikrinkite pirmą dieną, ne paskutinę.
• Istoriniai duomenys laikomi būtinais. Dešimt metų archyvo dažnai nereikalingi, o jų valymas suryja visą laiką. Taisymas: apsiribokite paskutiniais 12 ar 24 mėnesiais ir žiūrėkite, ar rezultatas pakankamas.

GDPR ir kas realiai gali patekti į modelį

Lietuvos ir ES įmonėms duomenų parengtis turi antrą pusę: ne tik ar duomenys tvarkingi, bet ir ar juos apskritai galima naudoti.

Prieš pradedant verta atsakyti į tris dalykus. Pirma, kokie asmens duomenys yra šaltinyje ir ar jie reikalingi užduočiai. Dažnai vardas ir kontaktai išvis nebūtini, nes modeliui svarbus tik užklausos turinys. Antra, kur fiziškai apdorojami duomenys ir ką sako paslaugos sutartis apie jų naudojimą modelio mokymui. Trečia, kas įmonėje turi teisę tuos duomenis kelti į išorinį įrankį.

Praktiškiausias sprendimas dažniausiai yra nuasmeninimas: iš įrašų pašalinami vardai, telefonai ir asmens kodai, o lieka tai, ką modelis realiai naudoja. Platesnį vaizdą, ko įmonės bijo ir kur baimė pagrįsta, aprašėme tekste AI ir įmonės duomenų privatumas.

Prieštaravimai ir sąžiningi atsakymai

„Mūsų duomenys per prasti, palauksime." Laukimas nieko nepagerina, nes duomenys tvarkosi tik tada, kai jiems atsiranda konkretus panaudojimas. Pradėkite nuo vieno proceso.

„Tegul AI pats susitvarko netvarką." Modeliai neblogai suvienodina formatus ir sutvarko tekstą, bet negali žinoti, kuris iš dviejų prieštaringų įrašų teisingas. Sprendimą priima žmogus, kuris pažįsta klientą.

„Neturime žmogaus tam darbui." Vienam procesui dažniausiai užtenka to paties darbuotojo, kuris tais duomenimis naudojasi kasdien. Jis klaidas pastebi greičiau nei bet kuris konsultantas.

Kada verta pradėti nuo mažo proceso

Praktinis patarimas: nesistenkite iš karto sutvarkyti visų įmonės duomenų. Pasirinkite vieną procesą, kuriam norite taikyti AI, ir sutvarkykite tik tuos duomenis, kurie tam procesui reikalingi. Taip duomenų parengtis netampa atskiru mėnesių trunkančiu projektu, o organiška pirmo piloto dalimi.

Jei norite struktūruotai peržiūrėti, kurie procesai ir duomenys jūsų įmonėje jau parengti AI diegimui, o kurie reikalauja pirminio sutvarkymo, AI parengties auditas padeda tai nustatyti per vieną susitikimą, o procesų automatizavimo ir AI sprendimų komanda gali padėti sujungti sutvarkytus duomenis su realiu įrankiu.

---

Jei nesate tikri, ar jūsų įmonės duomenys jau tinkami AI diegimui, ar pirmiausia reikia juos sutvarkyti, susisiekite: aptarsime jūsų konkretų atvejį per trumpą pokalbį.