‏داده‌ات آمادهٔ ایجنت‌ها نیست

نویسنده‌های این مقاله، Pramod Sadalage و Prem Chandrasekaran از Thoughtworks، می‌گن ما سی سال معماری داده رو برای یک مصرف‌کنندهٔ مشخص ساختیم: تحلیلگر انسانی. آدم می‌دونه «درآمد» تو شرکتش دقیقاً یعنی چی، کدوم جدول رو نباید بزنه، و وقتی عددی مشکوکه یه بار دیگه چکش می‌کنه. ایجنت هیچ‌کدوم از این‌ها رو نداره و روی هر چیزی که دستش بدی با اطمینان کامل عمل می‌کنه. به گفتهٔ نویسنده‌ها همین شکاف رفتاری، کل معنی «دادهٔ آمادهٔ AI» رو عوض می‌کنه.

مثال خود مقاله ساده‌ست: قیمت یک محصول از ۴۹.۹۹ به ۵۹.۹۹ دلار آپدیت شده ولی منبع دادهٔ ایجنت هنوز رفرش نشده. ایجنت بدون مکث عدد قدیمی رو به مشتری اعلام می‌کنه و شرکت روی هر واحد ۱۰ دلار ضرر می‌ده. تو گزارش State of Data Integrity and AI Readiness سال ۲۰۲۶ (از Precisely و دانشکدهٔ LeBow دانشگاه Drexel، با ۵۰۵ مدیر داده)، ۸۷٪ فکر می‌کردن دادهٔ سازمانشون آمادهٔ AI هست، ولی ۴۳٪ همین آمادگی داده رو بزرگ‌ترین مانع اسم بردن.

لایهٔ اولِ راه‌حل، data contract هست (یعنی اسکیمای داده رو به‌جای یک توصیهٔ دوستانه، به شکل قانون و در قالب کد بنویسی). مقاله فرمت Open Data Contract Standard و ابزار Data Contract CLI رو مثال می‌زنه: نوع هر فیلد، قانون‌های کیفیت مثل بزرگ‌تر بودن price از صفر، و از همه مهم‌تر یک freshness SLA که می‌گه داده حداکثر چقدر حق داره کهنه باشه.

slaProperties:
  - property: latency
    value: 24
    unit: h
    element: product_pricing.ingested_at

اگه دادهٔ قیمت تو ۲۴ ساعت گذشته با موفقیت لود نشده باشه، قرارداد نقض می‌شه، اون هم قبل از اینکه ایجنت اصلاً چشمش به داده بیفته.

رکوردی که قرارداد رو رد کنه قرنطینه می‌شه و می‌ره تو یک dead-letter queue برای بررسی آدم، پس ایجنت اصلاً دادهٔ خراب رو نمی‌بینه. کنارش معماری medallion رو توصیه می‌کنن (Bronze خام، Silver اعتبارسنجی‌شده، Gold تأییدشده) به‌علاوهٔ یک لایهٔ چهارم به اسم Adaptive Gold که توش خود ایجنت‌ها الگوی کوئری‌هاشون رو رصد می‌کنن و دیتاست بهینه می‌سازن. قانون اصلی اینه: ایجنت فقط Gold و بالاتر رو می‌بینه.

بخش دوم مقاله سراغ این می‌ره که وقتی ایجنت خودش تصمیم می‌گیره، چطور جواب رگولاتور رو بدی. مثالشون بانکیه که ایجنت یک اعتبار اسنادی ۲.۴ میلیون دلاری رو تو حدود ۳۰ ثانیه تأیید می‌کنه و شش ماه بعد باید توضیح بدی چرا. لاگ سنتی «چی اتفاق افتاد» رو داره ولی «چرا» رو نه، برای همین نویسنده‌ها agentic lineage رو پیشنهاد می‌دن: همون مدل trace و span که مهندس‌ها از Jaeger و Zipkin می‌شناسن، این بار با ابزارهایی مثل OpenTelemetry، Langfuse و Arize Phoenix.

نکات کلیدی:

• ۸۷٪ از ۵۰۵ مدیر دادهٔ نظرسنجی‌شده داده‌شون رو آمادهٔ AI می‌دونستن، ولی ۴۳٪ همین آمادگی رو بزرگ‌ترین مانع اسم بردن.
• مادهٔ ۱۲ قانون EU AI Act لاگ خودکار و مادهٔ ۱۹ نگهداری حداقل شش‌ماههٔ لاگ رو الزامی کرده؛ جریمه تا ۱۵ میلیون یورو یا ۳٪ گردش مالی جهانی، هرکدوم بیشتر بود.
• freshness SLA رو به زمان آخرین لود موفق گره بزن، نه به زمان آخرین تغییر مقدار.
• confidence-threshold routing: زیر آستانه (مثلاً ۸۵٪، برای قیمت‌گذاری ۹۰٪ و برای FAQ داخلی ۷۰٪) کار به آدم برگرده.
• خودمختاری پله‌پله به دست میاد: Shadow، Supervised، Autonomous with guardrails و آخرش Full autonomy.
• تو رادار فناوری Thoughtworks: OpenTelemetry در Adopt، Langfuse در Trial و Arize Phoenix در Assess.