Informatica World 2026: zašto je vaš AI preterano samopouzdan stažist

Ovaj keynote sa Informatica World 2026 održao je Pratik Parekh, predsednik za upravljanje proizvodom, inženjering podataka i AI u Informatica-i. Konferencija je održana u Las Vegasu u maju 2026. godine. Video traje oko 45 minuta i namenjen je liderima proizvoda i podataka u enterprise organizacijama.

Šta pokriva

Parekh počinje provokacijom: enterprise AI u 2026. godini liči na veoma pametnog stažistu sa odličnim preporukama koji je upravo stigao u novu kompaniju. Stažista proizvodi samopouzdane odgovore, ali su oni često pogrešni na načine koje je teško otkriti — jer stažista ne poznaje taksonomiju, istoriju ili interni rečnik organizacije. Analogija je direktna i keynote gradi ceo argument oko nje.

Centralna tvrdnja je da AI agenti već funkcionišu na tehničkom nivou. Modeli su sposobni. Ono što ih čini da propadaju u produkciji nije kvalitet modela već kvalitet podataka — konkretno, odsustvo čistog, dobro upravljanog organizacionog konteksta. Kada agent ne zna da “klijent” znači nešto drugačije u vašem sistemu naplate u odnosu na CRM, ili da je produktna linija preimenovana pre dve godine, proizvodi odgovore koji zvuče uverljivo ali su faktički pogrešni u odnosu na vaš poslovni kontekst.

Keynote opisuje Informatica-in odgovor na ovaj problem: platforma za podatke sprema za AI koja priprema organizacione podatke za konzumiranje od strane agenata. Demonstracije uključuju automatsko obogaćivanje metapodacima, praćenje porekla za AI rezultate i kontrole upravljanja koje omogućavaju preduzećima da definišu čemu agenti mogu i ne mogu da pristupaju.

Kome je namenjeno

Primarno korisno za PM koji rade na enterprise AI proizvodima ili internom AI tooling-u. Keynote ne pretpostavlja tehničku publiku — Parekh jasno objašnjava koncepte — ali pretpostavlja poznavanje enterprise izazova sa podacima. PM koji rade na potrošačkim proizvodima mogu smatrati kontekst manje direktno primenljivim.

Ključni zaključci

1. Samopouzdanje AI agenta nije signal ispravnosti. Preterano samopouzdanje u odsustvu organizacionog konteksta je predvidljiv način otkazivanja, a ne greška u modelu.

2. Priprema podataka je produktni problem, a ne samo inženjerski. PM koji grade AI funkcije moraju da uzmu u obzir kvalitet i strukturu podataka koje će AI zapravo koristiti — ne samo performanse modela na benchmark testovima.

3. Upravljanje i kontrola pristupa nisu prepreke za primenu AI; to su preduslovi. Timovi koji ih tretiraju kao naknadnu misao grade AI funkcije koje propadaju na načine koji narušavaju poverenje korisnika.

4. Jaz između demo verzije i AI funkcije spremne za produkciju često je jaz podataka. Model koji dobro funkcioniše na čistim, obeleženim primerima može loše funkcionisati na stvarnim podacima organizacije.

Vredi gledati ako vaš tim planira da gradi AI funkcije na internim enterprise podacima, ili ako procenjujete zašto prethodna AI inicijativa nije dala očekivane rezultate u produkciji.