בדן אנד ברדסטריט סוכני AI עובדים על מאגר של 642 מיליון עסקים
דן אנד ברדסטריט, אחת מחברות המידע העסקי הוותיקות בעולם, נאלצה לבצע שינוי עומק במאגר הנתונים שלה. לא בגלל שהמידע כבר לא היה רלבנטי, אלא בגלל שהמשתמשים השתנו. במשך שנים המערכת נבנתה עבור בני אדם: אנליסטים שבודקים אשראי, מנהלי סיכונים, אנשי מכירות וצוותי רכש. הם יכלו להמתין לשאילתות, לבדוק התאמות ידנית, להבין הקשרים ולפתור אי ודאות סביב שמות של חברות.
סוכני AI עובדים אחרת, הם לא "מבינים בערך". הם צריכים גישה מהירה, עקבית ומדויקת לנתונים. כאשר סוכן בודק ספק, מעריך סיכון אשראי או מפעיל תהליך KYC, הוא לא יכול להרשות לעצמו לטעות בין שתי חברות עם שם דומה, או להמתין שאנליסט אנושי יאחד מידע מכמה מערכות. לכן דן אנד ברדסטריט בנתה מחדש את התשתית של המאגר העסקי שלה, שמכסה 642 מיליון עסקים, קשרים ביניהם, היררכיות תאגידיות ופרופילי סיכון.
הבעיה: מאגר עצום שנבנה לעולם הישן
המאגר של דן אנד ברדסטריט לא היה בסיס נתונים אחד נקי ואחיד, אלא הוא היה אוסף של מערכות שונות, שנבנו לאורך שנים לשווקים שונים ברחבי העולם. אנליסט מנוסה ידע לעבור בין ממשקים, לבצע שאילתות, לבדוק נתונים ולהבין מתי יש התאמה לא מלאה.
לסוכן AI זה לא עובד. סוכן שמקבל משימה פועל בתוך שניות ולעיתים בתוך פחות משנייה. הוא צריך להבין לא רק מה שם החברה, אלא מהי הישות המשפטית, מי החברה האם, אילו חברות בנות קיימות, מי הבעלים, מה הסיכון, ומה השתנה לאורך זמן.
הקושי גדל בגלל ההיקף, מאחר ומאגר העסקים של החברה כמעט הוכפל בתוך כ-5 שנים, מיותר מ-300 מיליון רשומות ל-642 מיליון רשומות כאשר לכל רשומה יש עד 11 אלף שדות, והחברה מבצעת כ-100 מיליארד בדיקות איכות נתונים בחודש. זה לא מאגר שאפשר פשוט "לחבר אליו צ’אטבוט" ולצפות שיקבל תשובות נכונות.
אחת התובנות החשובות ביותר היא שהבעיה אינה רק גודל הנתונים, אלא סוג הקשרים. מערכות מידע מסורתיות מתארות קשרים סטטיים: מנכ”ל קשור לחברה, חברה בת קשורה לחברה אם, נכס קשור לישות מסוימת. אבל בעולם עסקי אמיתי הקשרים האלה משתנים כל הזמן: מנכ”ל עוזב ועובר לחברה אחרת, חברה בת נמכרת, ספק נרכש על ידי מתחרה או קבוצה משנה מבנה בעלות. אם סוכן AI בודק סיכון אשראי או שרשרת אספקה, הוא צריך להבין את הדינמיקה הזאת.
לדוגמה, אם מנהל בכיר עם היסטוריית כשל אשראי עובר לחברה חדשה, האם הסיכון עובר איתו? אם חברה בת עוברת בעלות, האם הסיכון שלה עדיין משויך לקבוצת השליטה הקודמת? אלה שאלות שאנליסטים ידעו לחקור, אבל סוכני AI צריכים לקבל עבורן תשתית נתונים מובנית מראש.
איך ה-AI שינה את המערכת?
החברה העבירה מאגרי מידע מפוצלים לענן, עיצבה מחדש את סכמות הנתונים ובנתה שכבת Data Fabric שמאחדת ומנרמלת רשומות בין שווקים שונים, תוך שמירה על דרישות רגולציה מקומיות. התוצאה היא גרף ידע עסקי אחיד שמחזיק מיליארדי קשרים בין 642 מיליון חברות.
מעל הגרף הזה החברה בנתה שכבת גישה ייעודית לסוכני AI. כלומר, היא לא נתנה לסוכנים פשוט להריץ SQL חופשי על המאגר, מה שהיה יכול להיות איטי ולא יציב. במקום זאת, נבנו כלים ויכולות מוגדרות מראש דרך MCP, שמספקים לסוכן מידע עם הקשר, ומכוונים אותו לרשומה הנכונה.
מאחורי כל שאילתה פועל מנוע התאמת ישויות. כאשר סוכן שואל על חברה, המערכת צריכה לוודא שהוא מקבל את החברה הנכונה ולא רק התאמה טקסטואלית לשם. בעולם של אשראי, רכש וסיכון ספקים, טעות כזאת יכולה להיות יקרה מאוד.
לחיצת יד דיגיטלית בין סוכנים
דן אנד ברדסטריט נדרשה לפתור גם שאלה חדשה: מי הוא בעצם הסוכן ששואל את השאלה? במערכות הישנות היה משתמש אנושי עם הרשאות, שם משתמש וסיסמה. סוכן AI הוא ישות אחרת. הוא יכול לפעול בשם חברה, בשם מחלקה או כחלק מתהליך אוטומטי.
לכן החברה בנתה מודל רישום לסוכנים ובו כל סוכן צריך להיות משויך לכתובת IP מאומתת ולקבל מפתח גישה אישי- הסוכן מקבל בעצם זהות מאומתת בתוך אותה מערכת הרשאות שבה פועלים בני אדם. לא מספיק לדעת מי המשתמש האנושי. צריך לדעת איזה סוכן פועל, בשם מי הוא פועל, לאילו נתונים מותר לו לגשת, ומה הוא עושה עם המידע. זה יהיה אחד הנושאים החשובים ביותר בארגונים בשנים הקרובות.
בעולם של סוכנים, תהליך אחד יכול לכלול כמה סוכנים שונים. סוכן אחד בודק אשראי, סוכן שני בודק סיכון ספקים, השלישי מחבר את המסקנות וכדומה, אבל מה קורה אם כל אחד מהם מתייחס בטעות לרשומה אחרת?
זהו מצב חמור בו תהליך יכול להסתיים עם מסקנה שנראית תקינה, אבל בפועל הסוכנים ניתחו ישויות שונות. לכן דן אנד ברדסטריט בנתה מנגנון אימות שמאפשר לסוכנים לחזור לנקודת ייחוס אחת ולוודא שכולם עדיין מדברים על אותה ישות עסקית- מעין לחיצת יד דיגיטלית בין סוכנים.
ארבעה לקחים לכל חברה שרוצה להפעיל סוכני AI
הלקח הראשון הוא שתשתית נתונים מגיעה לפני סוכנים. הרבה ארגונים רוצים לקפוץ ישר ל-AI, אבל הנתונים שלהם מפוזרים, לא נקיים ולא מוכנים לשאילתות של מכונות. בלי תשתית טובה, הסוכן רק יטעה יותר.
הלקח השני הוא שחייבים לתכנן קשרים דינמיים. מערכות ישנות מתעדות מצב בנקודת זמן וסוכני AI צריכים להבין שינוי לאורך זמן. מי עבר לאן, מה נמכר, מה נרכש, מה השתנה במבנה הבעלות ומה המשמעות של השינוי.
הלקח השלישי הוא בדיקות עקביות בין סוכנים. כאשר כמה סוכנים עובדים על אותו תיק, צריך לוודא שהם מתייחסים לאותה ישות, זה תנאי בסיסי לתהליך אמין.
הלקח הרביעי הוא כי סוכן AI צריך לדעת מאיפה היא הגיעה, על אילו נתונים היא נשענת ומתי עודכנה. כל תשובה של סוכן צריכה לכלול יכולת לחזור למקור. בעולם של אשראי, סיכון ורכש, אי אפשר להסתפק בתשובה יפה.
למה זה חשוב מעבר לדן אנד ברדסטריט?
הסיפור הזה ממחיש את השלב הבא של מהפכת ה-AI בארגונים. עד עכשיו הרבה חברות התמקדו בצ’אטבוטים, סיכום מסמכים ועוזרים פנימיים. אבל ברגע שסוכנים מתחילים לקבל החלטות או להפעיל תהליכים, התשתית הופכת לקריטית.
סוכן AI שמחפש מידע באתר או במאגר לא יכול לפעול כמו משתמש אנושי. הוא צריך נתונים מסודרים, מזהים ייחודיים, הרשאות, מקוריות, עקיבות, עדכניות והבנה של קשרים. ארגון שלא בנה את זה יגלה שה-AI שלו אמנם יודע לענות, אבל לא בטוח שהתשובה נכונה.
עבור דן אנד ברדסטריט, זה גם מהלך עסקי. אם סוכני AI יהפכו ללקוחות החדשים של מאגרי מידע, מי שמחזיק דאטה איכותי ומוכן למכונות יוכל להפוך לספק תשתית מרכזי. החברה לא רק ביצעה שיפורים במאגר נתונים ותיק, אלא התאימה אותו לעולם שבו הלקוחות אינם רק אנליסטים ומנהלים, אלא מערכות אוטונומיות שמקבלות החלטות בקצב שהאדם כבר לא יכול לעמוד בו.
