У швидкому світі ШІ не бракує обіцянок. Протягом останніх трьох років засновники та лідери в галузі загрожують запевненням більш швидких уявлень, розумніших агентів, автономних робочих процесів і навіть так званих Супер-інтелійні системи AI Це перевершить людей на всіх рівнях інтелекту.

Але для Джерарда Френсіса, головного директора з продуктів AI та даних у JpmorganchaseВесь цей ажіотаж падає без дисциплінованого підходу до даних до даних. Виступаючи під час сеансу прожектора клієнтів на Snowflake Summit 2025, де клієнти сніжинки обговорювали, як вони будують та масштабують системи AI, Френсіс підкреслив, що “за відсутності великих даних, AI та платформи управління, кожен експеримент AI не відповідає”.

Коли підприємства поспішають використовувати AI, мало хто зламав код при переході від доказової концепції до масштабного розгортання. Один великий фактор цього, за словами Френсіса, полягає в тому, що багатьом організаціям не вистачає інфраструктури фундаментальних даних, необхідної для масштабування за рамками ранніх пілотів.

Від експериментів з AI до впливу підприємства

Історія про прийняття AI в компанії Fortune 500 стежила за звичною дугою: спочатку доказ концепції, потім прес -реліз, а потім приходить на плато. У той час як більшість фірм блукали в Genai, мало хто перемістився за межі, що міститься, у повномасштабних розгортаннях, які забезпечують повторювану цінність корпоративного класу.

“Це все про дані”, – почав Френсіс, коли я запитав, що Enterprise AI Воістину означає в JPMorganchase. Він зазначив, що успіх – це не кричущі моделі, а про вирішення реальних проблем у банківській справі, управлінні активами, виявленням шахрайства та іншим – і робити це в масштабах. “Як ви визначаєте випадки використання найвищої вартості та масштабувати їх, щоб мати максимальний вплив на бізнес?”

Це масштабування саме там, де більшість зусиль ШІ провалюються. Дослідження фірми -аналітика Gartner припускає, що принаймні 30% генеративних AI бізнесу В даний час тестування буде відмовлено після підтвердження концепції до кінця 2025 року. Вузько, Френсіс запропонував під час нашої розмови, лежить в інфраструктурі та управлінні, а не в тому, наскільки велика або потужна модель ШІ. “Без чіткого зору та готовності на рівні інфраструктури, – сказав він мені, – жодна кількість інвестицій в АІ не забезпечить стійку вартість”.

Це розуміння допомогло JPMorganchase Pilot Generative Generative AI в організації, створивши єдину платформу, яка з'єднує дані, ШІ та управління в робочі процеси в режимі реального часу та повторювані уявлення. Внутрішній додаток для чату Genai “LLM Suite” дозволяє працівникам безпечно взаємодіяти з великими мовними моделями, захищеними контролем доступу та політикою використання даних. Початкові розгортання, орієнтовані на випадки використання, такі як складання документів, спрощення робочого процесу та внутрішнє спілкування – де значення зрозуміло, а ризик керований.

“Ми мали правильне управління та контроль, забезпечуючи захист даних”, – пояснив Френсіс в інтерв'ю. “Концепція була простою: розгорнути AI, де вона може негайно забезпечити цінність і залишатися в безпеці, роблячи це”.

Дисципліна даних, що стоїть за готовністю ШІ

Що робить AI готовність Насправді виглядати всередині однієї з найбільших у світі фінансових установ?

Для JPMorganchase він починається з відкриття даних та доступу. “Ваші дані в місці, де їх можна виявити?” – запитав Френсіс. “Чи має правильний рівень права, щоб люди могли отримати лише дані, які вони повинні отримувати?” Це не просто технічні проблеми, а реальні імперативи дотримання для фірми, що регулюється в різних юрисдикціях та категоріях клієнтів.

Звідти фокус зміщується на неструктуровані дані: документи, нотатки, аркуші для успіху, контракти тощо. Історично важко розібратися, ці джерела зараз стають цінними завдяки Покоління з пошуком (RAG) та інші методи Genai. Але навіть з AI, якість даних все ще має значення. “Уникайте дублікатів документів”, – сказав Френсіс. “Переконайтеся, що у вас є правильне контроль версії, щоб люди могли отримати точні відповіді”.

Структуровані дані – розкидані по незліченних внутрішніх системах – як правило, остання, але часто виявляються найпотужнішими при інтеграції. Ось чому JPMorganchase побудував Fusion-внутрішню платформу даних для клієнтів, яка виступає «фабрикою даних» для оркестральних трубопроводів, нормалізації форматів та виготовлення наборів даних AI-готових.

Інфраструктура JPMorganchase охоплює декілька постачальників та платформ, включаючи сніжинку, яка підтримує його більш широкі зусилля щодо об'єднання даних підприємств для готовності до ШІ. “Подумайте про нас як про фабрику даних, який діє в масштабі”, – сказав Френсіс.

Управління як хребет

Поговоріть з будь -яким лідером AI підприємства, і врешті -решт з’явиться управління. Але в JPMorgan, сказав Френсіс, це не думка. Швидше, це вбудовано в стратегію з першого дня.

“Коли ви є частиною регульованої організації”, – пояснив Френсіс, – ви завжди повинні переконатися, що дані, які ви використовуєте для певної мети, є затвердженим використанням цих даних. ” Це означає узгодження випадків використання не лише з внутрішньою політикою, а й із законами, що стосуються конкретних країн, договірними зобов'язаннями та умовами конфіденційності клієнтів.

Управління цими контролями вручну було б кошмаром. Мета JPMorganchase-перехід “від важкого людського процесу, що сприяє технології до цілком підтримуючого технології”. До цього часу масштабованість та дотримання залежать від того, наскільки добре працює управління в життєвому циклі розвитку ШІ.

AI агенти – наступний кордон

Уявіть, що система AI, яка не просто підсумовує документ, але узгоджує дані, подає звіти, призначення книг та оновлення записів відповідності. Це ранні сигнали, що далі в Enterprise AI: автономні агенти, які можуть діяти від імені користувачів з обмеженим наглядом.

Хоча сьогодні багато розгортань AI все ще зосереджені на узагальненні тексту або генеруванні контенту, перехід у цілому в галузі Агентний ШІ Вже триває, і JPMorganchase приділяє пильну увагу.

Ці автономні системи, здатні до міркувань та прийняття рішень, обіцяють величезну цінність, особливо у складних робочих процесах, таких як розробка програмного забезпечення, дослідження чи операції. Але Френсіс не поспішає. «Агентні рішення пропонують феноменальну цінність, – сказав він, – але також приносить багато ризиків. Це сфера, яку ми повинні навчити себе».

Він обережний і стратегічний. Замість того, щоб замінити робочі місця прямо, мета – збільшення: допомагати командам рухатися швидше, озброївшись кращими даними та розумнішими пропозиціями. Як зазначив Френсіс, “Це менше про агентів чи ні, але більше про те, чи можете ви дійсно вирішити випадок використання”. Якщо ви можете, ви або знижуєте свої витрати, або вдосконалюєте можливість доходу ».

Для організації, яка має масштаб та складність JPMorganchase, AI має сенс лише тоді, коли він сприяє цінності. “Ми визначаємо цінності, які хочемо переслідувати, і це визначає, як ми надаємо пріоритет АІ”, – сказав Френсіс.

Цей розум, керований вартістю, також поширюється на ROI. Хоча Френсіс відмовився цитувати точні цифри, він зазначив, що фірма публічно повідомляє про генерацію вартості AI – з великою частиною цього значення все ще виходить від традиційного машинного навчання – хоча Генай швидко просувається.

“Якщо ми зможемо різко знизити ціну будь -якого випадку використання, то рентабельність інвестицій стає простіше виправдати і простіше масштабувати”.

Довга гра в лідерство AI

Забігаючи наперед, Френсіс сподівається, що JPMorganchase запам'ятається за вирішення одного з найважчих проблем AI підприємства: створення платформи, яка інтегрує дані, ШІ та управління в декількох стеках технологій.

“Дуже часто ви можете зробити це для одного постачальника”, – сказав він. “Але робити це в постачальників неймовірно складно”.

І все -таки виплата зрозуміла. Якщо Fusion та платформи, як це, можуть усунути тертя між пілотами та виробництвом, AI перестане бути експериментом і почне ставати за замовчуванням Enterprise.

І в цьому світі переможцями не будуть ті, хто має наймасштабніші моделі, а ті, хто має найсильнішу дисципліну даних.