Dane gotowe na AI to problem władzy

Każdy program AI uderza w końcu w tę samą ścianę, a opisuje się ją zawsze językiem inżynierii. Dane nie są gotowe. W lutym 2025 Gartner prognozował, że do 2026 organizacje porzucą 60% projektów AI niewspartych danymi gotowymi na AI. Okno tej prognozy dopiero się domyka. Odczytaj ją jako problem inżynierski, a kupisz pipeline'y, katalogi i dashboardy jakości. Część projektów utyka jednak na czymś, czego żaden pipeline nie ruszy: na pytaniu, kto płaci za przygotowanie danych.

Część gotowości danych naprawdę jest techniczna: danych brakuje albo system źródłowy nie umie ich wydać. Zostaje jednak przypadek, który język inżynierii opisuje źle. Gdy dane istnieją i można je legalnie udostępnić, projekt może nadal utknąć: zespół źródłowy ponosi koszt przygotowania, a korzyść trafia do innego działu. Silos nie wymaga wtedy niczyjej złej woli ani braku dyscypliny, bo wystarczą ludzie rozliczani z czegoś innego.

Twój problem z jakością danych ma stanowisko i system premiowy.

To zdanie jest prawdziwe dosłownie wtedy, gdy konkretna osoba ponosi koszt przygotowania danych w swoich celach rocznych, a nikt nie zapisał jej udziału w korzyści. Gdzie danych po prostu nie ma, stanowisko i premia niczego nie wyjaśniają.

Przeczytaj liczby, zanim je zacytujesz

Liczbę 60% cytuje się zwykle bez zastrzeżeń, które stoją przy niej w źródle. Komunikat prasowy Gartnera z 26 lutego 2025 mówi, że „do 2026 organizacje porzucą 60% projektów AI niewspartych danymi gotowymi na AI”. To prognoza wydana na początku 2025 o oknie kończącym się w 2026, a nikt dotąd nie zestawił jej publicznie z wynikami. Mianownikiem są projekty niewsparte danymi gotowymi na AI, nie wszystkie projekty AI. Popularna wersja, „60% projektów AI upadnie”, to twierdzenie inne i fałszywe. Komunikat nie podaje też modelu stojącego za prognozą. Cytat i dane za relacją Freevacy; oryginału nie zweryfikowano.

Towarzysząca liczba jest ciekawsza i częściej przekręcana. Gartner podaje, że 63% organizacji „nie ma właściwych praktyk zarządzania danymi dla AI albo nie jest pewnych, czy je ma”. To wynik ankiety wśród 248 liderów zarządzania danymi z trzeciego kwartału 2024. Czyli: samoocena, z wąskiej podpopulacji zawodowej, o własnych organizacjach. Nikt tu nie audytował praktyki ani nie patrzył z poziomu zarządu.

To zdanie zlepia też dwa stany, które nie są tym samym. „Nie mamy praktyk” to odpowiedź o zasobach. „Nie jesteśmy pewni, czy je mamy” to odpowiedź o tym, kto odpowiada za wiedzę. Gartner tych dwóch nie rozdziela, a w źródle nie ma rozbicia procentowego. Czytanie drugiej połowy jako sygnału o odpowiedzialności to moja interpretacja, nie ustalenie Gartnera. Organizacja, która nie umie powiedzieć, czy ma praktyki zarządzania danymi, mówi ci coś o tym, kto za tę wiedzę odpowiada.

Pod tym wszystkim leży jedno rozstrzygnięcie definicyjne i jest ono moje. „Gotowe dane” w ogólności nie istnieją. Dane są gotowe albo niegotowe dla konkretnego zastosowania, wobec wymagań konkretnej techniki, i tylko dopóki to zastosowanie się nie zmieni. Gotowość jest relacją: wiąże dane z zastosowaniem, a w samych danych jej nie znajdziesz. Ma to konsekwencję organizacyjną, którą się pomija: odpowiedzialności za ruchomą relację nie da się scentralizować w jednym programie poprzecznym, bo program nie ma stabilnego przedmiotu do zarządzania. Kto ma na głowie „jakość danych” w abstrakcji, ten ma rzeczownik zmieniający kształt za każdym razem, gdy zmienia kształt cudzy projekt.

Tak mniej więcej program zostaje z katalogiem zamiast z wynikiem.

Informacja zawsze była walutą

Mechanizm nie jest nowy, a najlepszy jego opis wyprzedza obecną falę o ponad trzy dekady. Thomas Davenport, Robert Eccles i Laurence Prusak ogłosili „Information Politics” w MIT Sloan Management Review 15 października 1992, na podstawie dwóch lat badań terenowych w ponad 25 firmach. Ich ustalenie idzie pod prąd optymizmu epoki. Technologia informatyczna miała uwolnić przepływ informacji i spłaszczyć hierarchię. Zrobiła niemal odwrotnie. Informacja stała się walutą życia organizacji, zbyt cenną, by większość menedżerów chciała ją oddawać.

Ich rama to taksonomia pięciu modeli polityki informacyjnej: technokratyczna utopia, anarchia, feudalizm, monarchia i federalizm. Feudalizm jest tym znajomym modelem, w którym jednostki biznesowe prowadzą własne włości informacyjne z własnym słownictwem. Autorzy opisują firmę jako zbiór miast-państw, każde z własną kulturą, przywództwem i językiem. Realistycznym celem nie jest u nich monarchia, tylko federalizm: wynegocjowane wspólne pojęcia między jednostkami, które zachowują realną autonomię.

Model wart nazwania dzisiaj to pierwszy. Technokratyczna utopia to wiara, że dostatecznie dobry program techniczny rozpuści problem organizacyjny. Zbuduj hurtownię, zamodeluj przedsiębiorstwo, ujednolić definicje, a polityka pójdzie za tym. W 1992 znaczyło to korporacyjne modelowanie danych. Dziś znaczy „dane gotowe na AI” jako inicjatywę platformową z datą wdrożenia.

Wiek tego źródła działa tu na korzyść tezy. Od 1992 to samo zachowanie przetrwało hurtownię danych, master data management, data lake, lakehouse i data mesh. Pięć odpowiedzi technicznych, jeden niezmieniony wzorzec organizacyjny. Ograniczenie, które przeżywa każde skierowane w nie rozwiązanie, prawdopodobnie nie leży w warstwie, którą te rozwiązania ruszają.

Skoro narzędzie zmieniało się raz za razem, a wynik nie, to zmienną nie było narzędzie.

Dlaczego silos jest racjonalny

Załóż na czas tej sekcji, że wszyscy zaangażowani są kompetentni i działają w dobrej wierze. Silos i tak się tworzy, a powód widać w tym, kto płaci za przygotowanie danych.

Doprowadzenie systemu źródłowego do jakości, jakiej potrzebuje model innego zespołu, pochłania godziny inżynierów tego systemu i miejsce w ich roadmapie. Korzyść spływa na projekt, który ma innego dyrektora i mierzy się metryką z cudzej części P&L. Nic w tym układzie nie jest nieracjonalne po żadnej ze stron. Odmowa albo odwlekanie to przewidywalny wynik.

Weźmy hipotetyczną firmę ubezpieczeniową. Dział likwidacji szkód chce modelu, który wcześnie wyłapuje podejrzane zgłoszenia, i potrzebuje do tego historii polis z systemu sprzedaży. Dane istnieją, a dział prawny potwierdził, że wolno ich użyć. Przygotować je musi jednak zespół inżynierów sprzedaży, który ma ujednolicić kody produktów i uzupełnić brakujące daty zawarcia umów. Przez ten czas nie dowiezie zmian w ścieżce zakupu, a właśnie z nich dyrektor sprzedaży rozlicza się w celach rocznych; od konwersji zależy też premia całego zespołu. Jeśli model zadziała, niższe wypłaty odszkodowań pojawią się w wyniku działu likwidacji szkód, nie sprzedaży. Nikt tu nie działa w złej wierze, a przygotowanie danych i tak czeka w kolejce za pracami, z których ktoś jest rozliczany.

Im więcej działów korzysta z tych samych danych, tym gorzej. Mancur Olson pokazał w The Logic of Collective Action (1965), że gdy koszt jest skoncentrowany, a korzyść rozproszona, dobro zbiorowe jest chronicznie niedostarczane, i to tym bardziej, im większa grupa. Jakość danych finansowana przez jednego producenta dla wielu odbiorców pasuje do tego opisu. Lekarstwem Olsona jest bodziec selektywny: korzyść dostępna wyłącznie dla strony ponoszącej koszt.

Dwie inne ramy dokładają do tego obrazu po jednym elemencie. Według teorii strategicznych uwarunkowań władzy (Hickson i współautorzy, 1971) jednostka jest tym silniejsza, im trudniej ją zastąpić, więc dane oddane w formie, której inni użyją bez pytania, osłabiają pozycję tego, kto je oddaje. Michael Heller opisał z kolei tragedię anticommons (1998): gdy wiele stron ma prawo weta, a nikt nie ma skutecznego prawa użycia, zasób leży odłogiem. Rada governance, w której każda domena musi coś podpisać, potrafi dołożyć kolejne weta do systemu, który już na nie choruje.

W tych warunkach silos to działający schemat organizacyjny.

Governance bez praw decyzyjnych to teatr

Definicja data governance na tyle ostra, by wykryć teatr, pochodzi z literatury naukowej, nie od dostawcy. Vijay Khatri i Carol Brown w Communications of the ACM z 2010 definiują governance jako przydział praw decyzyjnych i odpowiedzialności za procesy związane z danymi. Oddzielają governance (które decyzje trzeba podjąć i kto je podejmuje) od zarządzania, czyli od tego, kto wykonuje.

To daje test, który przeprowadzisz w trakcie jednego spotkania. Czy po programie ktokolwiek decyduje o czymś inaczej albo odpowiada za coś, za co wcześniej nie odpowiadał? Governance nie musi w tym celu przenosić praw na inną osobę. Działa także wtedy, gdy spisuje prawa, które dotąd istniały tylko w zwyczaju, gdy zaczyna egzekwować obowiązki, z których nikt nikogo nie rozliczał, albo gdy ustala ścieżkę eskalacji na spór między właścicielem danych a ich odbiorcą. Jeśli program nie robi żadnej z tych rzeczy i nie zmienia ani jednej linijki w czyichś celach rocznych, to zarządzanie przebrane za governance. Katalogi i komitety bez takiej zmiany pasują do tego opisu co do joty.

To wyjaśnia też, w jaki konkretnie sposób takie programy się rozkładają. Katalog jest dokumentacją zasobu, którego właścicielem jest ktoś inny. Utrzymanie wpisu w aktualności to koszt prywatny, płacony przez zespół źródłowy dla korzyści rozsianej wśród odbiorców, których nigdy nie pozna. To znowu struktura Olsona, poziom niżej, na ziarnistości opisu jednej tabeli. Niedostarczanie przewiduje ten sam model, który przewiduje niedofinansowanie. Jedną lukę trzeba tu oznaczyć. Nie znalazłem wiarygodnego publicznego badania mierzącego, ile katalogów korporacyjnych wypada z utrzymania; krążące twierdzenia pochodzą od firm sprzedających katalogi. Traktuj ten mechanizm jako wyrozumowany, nie zmierzony.

Ten sam test tłumaczy data stewarda bez uprawnień. Steward odpowiada za jakość danych, ale nie może ustawić roadmapy systemu źródłowego ani niczego eskalować. Tak zwykle projektuje się tę rolę: odpowiedzialność bez praw decyzyjnych. To strukturalna niemożliwość wręczona człowiekowi.

Pośrednią wskazówką, jak to wygląda w praktyce, jest jedna liczba. Bean i Davenport podali w Harvard Business Review w 2021, że przeciętna kadencja chief data officera trwa około dwóch i pół roku; MIT Sloan streścił ich tekst rok później. Dla porównania: CEO wytrzymuje mniej więcej siedem lat. CFO albo CIO wytrzymuje cztery i pół roku. Nowsze ankiety branżowe pokazują podobny obraz: ponad połowa respondentów wskazuje mniej niż trzy lata. Powody, jakie podają sami badani, to niejasny mandat i rola wykrojona z terytorium CIO, przy transformacji oczekiwanej w mniej więcej osiemnaście miesięcy. Podkreślam „sami”: liderzy danych odpowiadali w ankiecie o własnej sytuacji, nikt nie sprawdzał rejestru powołań. MIT Sloan nie wskazuje braku budżetu ani formalnej władzy jako głównej przyczyny i nie zamierzam wkładać im tego w usta. Krótka kadencja mówi tylko tyle, że robota jest trudna, i nie wskazuje, skąd ta trudność się bierze.

Własna prognoza Gartnera o governance jest najostrzejszą rzeczą, jaką w tej sprawie opublikowali, i rzadko czyta się ją uważnie. W lutym 2024 przewidzieli, że do 2027 upadnie 80% inicjatyw governance w danych i analityce „z powodu braku realnego lub wykreowanego kryzysu”. Cytowany w komunikacie Saul Judah, VP Analyst, mówi, że program governance, który nie umożliwia priorytetyzowanych wyników biznesowych, upada. Zalecenie brzmi: odejść od postawy centralno-nakazowej w stronę namacalnych wyników biznesowych. Znowu: prognoza, nie pomiar. Cytat i dane za relacją BizTechReports; oryginału nie zweryfikowano.

Zatrzymaj się przy słowie wykreowany. Firma doradcza otwarcie zaleca, żebyś wyprodukował kryzys, bo governance bez niego się nie przyjmuje. To przyznanie, na czym te programy naprawdę jadą: na uwadze i na priorytecie. Jedno i drugie to waluty polityczne, rozdzielane przez ludzi mających pozycję, żeby je rozdzielać. Gartner nie nazywa tego problemem władzy. To odczytanie jest moje.

Wracamy tym do 63% i do tej połowy, która mówi „nie jesteśmy pewni”. Organizacja daje taką odpowiedź, kiedy nikt nie odpowiada za to pytanie. Odpowiadać za pytanie znaczy być osobą, której ocena roczna zawiera odpowiedź. Tam, gdzie takiej osoby nie ma, uczciwą reakcją na audytora jest wzruszenie ramion, a wzruszenie ramion zostaje zapisane jako ustalenie o zarządzaniu danymi. Naprawdę jest ustaleniem o odpowiedzialności.

Diagnostyka polityczna, przeprowadzona przed projektem

Nic z tego nie jest użyteczne, dopóki nie zmieni tego, co robisz w pierwszym tygodniu. Więc oto procedura, której używam. To moja własna synteza, nie metoda Gartnera ani twierdzenie, i należy ją czytać jako ramę, nie jako pomiar.

Pytań jest pięć i zadajesz je, zanim ktokolwiek napisze pierwsze zadanie integracyjne.

Kto jest właścicielem każdego zbioru danych, którego potrzebuje projekt? Nie który system go trzyma — która osoba z imienia i nazwiska kontroluje roadmapę systemu, który go produkuje. Jeśli nie umiesz wskazać człowieka z budżetem, znalazłeś pierwszy problem.

Ile to przekazanie będzie ich kosztować w tym roku? W ich godzinach inżynierskich i ich zobowiązaniach kwartalnych. Oszacowanie weź od nich, nie od swojego architekta. Liczba wychodzi zwykle większa, niż zakłada zespół proszący, a w tej różnicy grzęzną projekty.

Kto wychodzi na tym gorzej, jeśli projekt się uda? W zakresie, etatach, linii budżetowej albo we władaniu metryką, którą dziś ma prawo tłumaczyć. Prawie zawsze ktoś taki jest. Opór z tej strony to informacja o rozkładzie władzy, nie dowód głupoty.

Które prawo decyzyjne trzeba przenieść albo doprecyzować i kto to podpisuje? Nazwij prawo: zatwierdzanie zmian schematu albo przyznawanie dostępu bez rozpatrywania każdej sprawy z osobna. Jeśli nie zmienia się żadne prawo ani obowiązek, nie licz na przepływ.

Czy droga prawna i techniczna jest już otwarta? Jeśli zgoda istnieje, interfejs istnieje, a dane nadal nie płyną, masz sygnał, który trzeba sprawdzić. Zapytaj, kto odpowiada za przekazanie i kto ponosi jego koszt, a potem zobacz, co stoi przed nim w kolejce priorytetów. Dopiero odpowiedzi pokażą, czy blokada jest polityczna.

Tabelą poniżej rozdzielam te dwa odczyty w praktyce.

Potem trzy ruchy. Są celowo małe, bo duże wymagają władzy, której lider projektu zwykle nie ma.

Wsadź budżet na jakość danych do środka budżetu projektu AI, nie obok niego. To wprost zastosowana proporcjonalność kosztów i korzyści, jedna z zasad projektowych, które Elinor Ostrom wyprowadziła z badań nad zarządzaniem wspólnymi zasobami (1990). Osobny program jakości danych prosi zespół źródłowy o dostarczenie dobra zbiorowego za darmo. Pozycja w budżecie projektu zamienia to w kupioną usługę, która ma klienta, a do tego cenę i termin dostawy. Ta sama praca, przeniesiona z jałmużny do handlu. Stawia to też przy projekcie uczciwą liczbę, co niektórym sponsorom się nie spodoba.

Wsadź właściciela danych do zespołu projektowego i daj mu udział w wyniku. Nie do komitetu sterującego, bo w komitetach odpowiedzialność się rozcieńcza. Skin in the game znaczy, że jego cele zawierają kawałek rezultatu projektu. To bodziec selektywny Olsona w najmniejszej użytecznej postaci: korzyść docierająca wyłącznie do strony, która ponosi koszt.

Zmień albo doprecyzuj dokładnie jedno prawo decyzyjne i zapisz to. Może to być przeniesienie prawa na inną osobę albo spisanie takiego, które dotąd istniało tylko w zwyczaju, razem ze ścieżką eskalacji. Jedno wystarczy, żeby sprawdzić, czy organizacja jest chętna. Jeśli nie da się zapisać nawet jednego, dowiedziałeś się wcześnie czegoś ważnego. Program wyprodukuje dokumentację i zero przepływu, a ty możesz na tej podstawie zdecydować, czy go finansować.

Najbliżej dowodu jest komunikat Gartnera z kwietnia 2026: organizacje, które same zgłaszają sukces w AI, inwestują w fundamenty do czterech razy więcej jako procent przychodu. Na tej liście fundamentów są jakość danych, governance, ludzie gotowi na AI i zarządzanie zmianą. Ankieta objęła 353 liderów obszaru danych i analityki oraz AI; Gartner przeprowadził ją w listopadzie i grudniu 2025. Cytowana w tym samym komunikacie Rita Sallam przywołuje inną liczbę: tylko 39% liderów technologicznych wierzy, że obecne inwestycje w AI poprawią wyniki finansowe. Sukces oceniły sobie same badane organizacje, a przyczynowość zostaje nierozstrzygnięta, bo sukces może finansować fundamenty równie dobrze jak fundamenty sukces. Zostaje jeszcze „do czterech razy”: to pułap, pod którym mieści się cały rozrzut, więc czytanie go jako przeciętnej zawyża wynik. Biorę z tego jedno: skład tej listy fundamentów, na której ludzie i zarządzanie zmianą stoją obok jakości danych. To pozycje organizacyjne, a Gartner wymienia je jednym tchem z tą techniczną.

Argument łączy się z szerszą tezą o tym, gdzie chowa się wartość z AI. Zwrot z systemu AI rzadko siedzi w modelu; mieszka w ogniwach wokół niego. Własność danych jest najmniej widocznym z tych ogniw, bo nie pojawia się na żadnym diagramie architektury.

Gdzie ta teza jest błędna

Teza, która tłumaczy każdą porażkę, nie tłumaczy żadnej, a „to problem władzy” da się naciągnąć na wszystko. To czyni ją wygodną, więc trzeba znaleźć miejsca, w których przestaje działać.

Czasem ograniczeniem naprawdę jest to, że danych nie ma. Raport RAND z 2024 o źródłowych przyczynach porażek projektów AI wymienia niedostateczne dane jako jedną z pięciu. Organizacja po prostu nie ma danych potrzebnych, żeby wytrenować skuteczny model. Ważne jest, jak autorzy do tego doszli. Badanie jest jakościowe i opiera się na 65 wywiadach z data scientistami i inżynierami z co najmniej pięcioletnim stażem. Liczba 65 mówi więc, z iloma ludźmi RAND rozmawiał, a nie ile projektów zbadał. Zdanie z tego samego raportu o „ponad 80% porażek projektów AI” RAND zacytował z cudzych szacunków i sam go nie zmierzył.

Ta przyczyna źródłowa wyznacza twardą granicę wszystkiemu, co napisałem wyżej. Dane, których nigdy nie zbierano w wymaganej ziarnistości, nie pojawią się dlatego, że naprawiłeś bodźce. Lepsze bodźce mogą uruchomić zbieranie od dziś. Nic to nie daje projektowi, który potrzebuje dwudziestu czterech miesięcy historii, a żadna mapa interesariuszy tego czekania nie skróci.

Czasem ograniczeniem jest żmudna inżynieria, której nikt nie chce robić. Sculley i współautorzy postawili sprawę w „Hidden Technical Debt in Machine Learning Systems” na NIPS 2015 i tekst dobrze się zestarzał. Kod modelu to niewielki ułamek prawdziwego systemu produkcyjnego; reszta to zbieranie danych, ekstrakcja cech, serwowanie i monitoring. Zależności danych kosztują w utrzymaniu więcej niż zależności kodu, a dostają mniej rygoru inżynierskiego. Ich zasada CACE (zmiana czegokolwiek zmienia wszystko) opisuje, dlaczego te systemy opierają się czystej dekompozycji. Ta praca jest droga i nieefektowna. Jest też akurat tą pracą, którą przemianowuje na „problem organizacyjny” ktoś, kto woli poprowadzić warsztat niż migrację.

Chcę być w tej sprawie ostry, bo to ten esej dostarcza jej słownika. Diagnoza polityczna jest znakomitym alibi. Zamienia trudny dług inżynierski w cudzą wadę charakteru i pozwala zespołowi przepalić kwartał na mapy interesariuszy, podczas gdy pipeline dalej jest zepsuty. Jeśli po tej lekturze masz spokojniejsze sumienie, choć roboty przy pipelinie nie tykasz, użyłeś jej źle.

Czasem pieniędzy naprawdę nie ma. Brytyjski National Audit Office raportował w styczniu 2025 stan na marzec 2024. Resorty rządowe utrzymywały około 228 istotnych systemów legacy, z czego 63 (28%) miało czerwoną ocenę za wysokie prawdopodobieństwo i wysoki wpływ ryzyka operacyjnego lub bezpieczeństwa. Dla 120 z tych 228, czyli ponad połowy, nie istniał w pełni sfinansowany plan naprawy. Osobno przegląd cyfrowego państwa autorstwa DSIT i Government Digital Service, także ze stycznia 2025, ustalił, że 28% majątku technologicznego administracji centralnej to legacy. To wzrost z 26% w 2023, z rozrzutem od 10% do 60% między organizacjami, przy 22% systemów legacy z oceną czerwoną. Zwróć uwagę na różne mianowniki w obu liczbach o czerwonej ocenie. To nie jest ten sam pomiar i nie należy ich zestawiać.

Żadnego uzależnienia od dostawcy, brakującego interfejsu ani nieobecnego wsparcia producenta nie naprawia zmiana bodźców. To rzeczy realne i policzalne. Po warsztacie nigdzie nie znikną.

Gdzie więc biegnie granica? Ten sam przegląd DSIT zawiera najlepszą odpowiedź, jaką znalazłem. Połowa badanych wskazała, że gdy budżet na naprawę systemów legacy istnieje, często zostaje przesunięty na inne inicjatywy. Przeczytaj to uważnie. Problem jest techniczny. Pieniądze były zatwierdzone. Znikały w cudzym priorytecie wielokrotnie, za każdym razem na mocy czyjejś decyzji.

Ten sam przegląd dokłada dwa ustalenia, które wskazują w tę samą stronę. Tylko 27% badanych uważa, że ich infrastruktura danych daje pełny obraz operacyjny lub transakcyjny, a 70% opisuje swoje środowisko danych jako nieskoordynowane, bez interoperacyjności i bez jednego źródła prawdy. Resorty traktują też dane jak swoje, co blokuje agregację nawet tam, gdzie podstawa prawna do dzielenia się już istnieje na mocy Digital Economy Act 2017.

To daje trzy testy, empiryczne, nie retoryczne. Pierwszy: czy dane fizycznie istnieją, w ziarnistości, której potrzebuje to zastosowanie? Jeśli nie, to nie jest polityka i żadna moja diagnostyka ci nie pomoże. Drugi: czy zgoda prawna i możliwość techniczna są na miejscu, a mimo to nic nie płynie? Wtedy polityka jest prawdopodobnym wyjaśnieniem, a przepaść między tym, co wolno, a tym, co się dzieje, podpowiada, gdzie szukać potwierdzenia. Trzeci: czy budżet istnieje i rok po roku ląduje gdzie indziej? Wtedy to też polityka, a przyglądać się powinieneś właśnie decyzji o przesunięciu.

Zapomnij o podziale „techniczne kontra polityczne”. Granica biegnie między tym, czego nie da się zrobić, tym, czego nie da się sfinansować dwa lata z rzędu, i tym, na co jest zgoda formalna, ale nie ma zgody człowieka, który to trzyma. Tylko pierwsze jest problemem inżynierskim.

Zamknięcie

Zanim zatwierdzisz kolejny katalog, sprawdź, czy dane istnieją i czy wolno je udostępnić. Jeśli tak, znajdź osobę, której budżet płaci za ich jakość, a której premia od tej jakości nie zależy. Jeśli nie umiesz jej nazwać, nie masz jeszcze problemu z danymi — masz wakat na właściciela, a katalog udokumentuje go pięknie.

Bibliografia

1. primaryGartner, Lack of AI-Ready Data Puts AI Projects at Risk (komunikat prasowy, 26 lutego 2025) — prognoza „do 2026 … porzucą 60% projektów AI niewspartych danymi gotowymi na AI” oraz liczba 63% z ankiety wśród 248 liderów zarządzania danymi z III kwartału 2024. (Cytat i dane za relacją Freevacy z 26 lutego 2025; oryginału nie zweryfikowano.)
2. primaryGartner, Gartner Predicts 80% of D&A Governance Initiatives Will Fail by 2027, Due to a Lack of a Real or Manufactured Crisis (komunikat prasowy, 28 lutego 2024) — prognoza i cytat Saula Judaha o priorytetyzowanych wynikach biznesowych. (Cytat i dane za relacją BizTechReports z 29 lutego 2024; oryginału nie zweryfikowano.)
3. primaryGartner, Organizations with Successful AI Initiatives Invest Up to Four Times More in Data and Analytics Foundations (komunikat prasowy, 16 kwietnia 2026) — 353 liderów D&A i AI, listopad–grudzień 2025; górna granica „do czterech razy”; Rita Sallam o 39% przekonanych. (Cytat i dane za relacją TechEdge AI z 20 kwietnia 2026; oryginału nie zweryfikowano.)
4. primaryThomas H. Davenport, Robert G. Eccles i Laurence Prusak, „Information Politics”, MIT Sloan Management Review (15 października 1992) — dwa lata badań terenowych w ponad 25 firmach; informacja jako waluta organizacji; pięć modeli od technokratycznej utopii do federalizmu.
5. primaryVijay Khatri i Carol V. Brown, „Designing Data Governance”, Communications of the ACM 53(1):148–152 (2010) — governance jako przydział praw decyzyjnych i odpowiedzialności, odrębny od zarządzania.
6. primaryDavid J. Hickson, C. R. Hinings, C. A. Lee, R. E. Schneck i J. M. Pennings, „A Strategic Contingencies' Theory of Intraorganizational Power”, Administrative Science Quarterly 16(2):216–229 (1971) — władza podjednostki jako radzenie sobie z niepewnością, centralność w przepływie pracy i niezastępowalność.
7. primaryMichael A. Heller, „The Tragedy of the Anticommons: Property in the Transition from Marx to Markets”, Harvard Law Review 111(3):621–688 (1998) — zbyt wiele praw wykluczania i brak skutecznego prawa użycia dają wykorzystanie zasobu poniżej możliwości; obserwacja o pustych witrynach sklepowych w miastach Europy Wschodniej, przed którymi mnożyły się kioski. Znak przeciwny do tragedii wspólnego pastwiska (Garrett Hardin, „The Tragedy of the Commons”, Science 162(3859):1243–1248, 1968), czyli nadużywania zasobu bez właściciela; z tym obrazem silosy bywają mylone.
8. primaryElinor Ostrom, Governing the Commons: The Evolution of Institutions for Collective Action (Cambridge University Press, 1990) — samorządność wspólnych zasobów bez prywatyzacji i bez centralnej władzy; druga zasada projektowa, proporcjonalność korzyści do kosztów.
9. primaryMancur Olson, The Logic of Collective Action: Public Goods and the Theory of Groups (Harvard University Press, 1965) — skoncentrowane koszty i rozproszone korzyści dają chroniczne niedostarczanie; bodźce selektywne jako lekarstwo.
10. primaryD. Sculley i in., „Hidden Technical Debt in Machine Learning Systems”, NIPS 2015 — kod ML jako niewielki ułamek systemu; zależności danych droższe niż zależności kodu; CACE.
11. primaryRAND Corporation (James Ryseff, Brandon De Bruhl, Sydne Newberry), The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed, RRA2680-1 (2024) — badanie jakościowe, 65 wywiadów; niedostateczne dane jako jedna z pięciu przyczyn źródłowych; zdanie o „ponad 80% porażek” to cytowany szacunek, nie pomiar RAND.
12. primaryNational Audit Office, Government cyber resilience (29 stycznia 2025) — 228 istotnych systemów legacy na marzec 2024; 63 (28%) z oceną czerwoną; 120 z 228 bez w pełni sfinansowanych planów naprawy.
13. primaryDepartment for Science, Innovation and Technology / Government Digital Service, State of digital government review (21 stycznia 2025) — 28% majątku administracji centralnej to legacy, rozrzut 10–60%, 22% z oceną czerwoną; budżety na naprawę często przesuwane; 27% zgłasza pełny obraz operacyjny; 70% opisuje środowisko jako nieskoordynowane; dane traktowane jak własność resortu mimo Digital Economy Act 2017.
14. secondaryRandy Bean i Thomas H. Davenport, „Why Do Chief Data Officers Have Such Short Tenures?”, Harvard Business Review (sierpień 2021), w streszczeniu Briana Eastwooda, „Chief data officers don't stay in their roles long. Here's why”, MIT Sloan (1 września 2022) — przeciętna kadencja CDO około 2,5 roku wobec mniej więcej 7 dla CEO i 4,5 dla CFO i CIO; niejasny mandat jako podana przyczyna. Dane z ankiet samoopisowych, nie z rejestru.