Корпоративний AI-ландшафт

Знайте територію перш ніж нею керувати. Цей модуль — карта сучасного AI-ринку: типи технологій, ключові вендори, та чим enterprise-інструменти принципово відрізняються від ChatGPT.com чи Claude.ai. CAIO без цієї карти не може ні обґрунтовано схвалити закупівлю, ні правильно оцінити vendor pitch, ні бачити приховані ризики у "shadow AI".

Що ви опануєте

Чотиришаровий enterprise AI stack (від foundation models до custom apps)
Топ-5 foundation model-провайдерів та їхні диференціатори
Що означає "agentic AI" і чому це step-change у ризику
Як впоратись із Shadow AI (без вбивання продуктивності)

Концепція 1: LLM як foundation для всього

Large Language Models (LLM) — foundation-моделі, що забезпечують більшість enterprise AI productivity-інструментів. Ключові гравці: GPT-4o (OpenAI), Gemini (Google), Claude (Anthropic), Llama (Meta, open-weight).

Три параметри, які CAIO повинен знати про кожну модель:

Context window — скільки тексту модель може обробити одночасно. Від 8K (старі моделі) до 1M+ токенів (Gemini 2.0, Claude 200K). Це визначає, що модель здатна зробити з вашими документами.
Можливість fine-tuning — чи можна кастомізувати модель на ваших даних. У GPT-4o, Gemini — так. У Claude — обмежено. У Llama — повна свобода (бо open-weight).
Prompt sensitivity — наскільки модель чутлива до формулювань. Це впливає на стабільність вашого AI-додатку в production.

Концепція 2: Чотирьохшаровий enterprise stack

Enterprise AI не зводиться до "купили ChatGPT-ліцензію". Реальна архітектура має чотири шари:

Шар	Що це	Приклади
1. Foundation models	Базові LLM	GPT-4o, Gemini, Claude, Llama
2. Platform orchestration	Інструменти, що з'єднують моделі з даними та діями	LangChain, Semantic Kernel, Azure AI Foundry
3. SaaS AI copilots	Готові end-user інструменти	Microsoft Copilot, Glean, Salesforce Einstein
4. Custom apps	Ваші власні AI-додатки на стеку 1–3	Внутрішні RAG-боти, agentic-воркфлоу

CAIO повинен знати, на якому шарі кожний ваш AI-кейс. Це впливає на vendor-risk, інтеграційні зусилля та структуру governance.

Концепція 3: Agentic AI — step-change у ризику

Agentic AI рухається швидко. Це AI-системи, що виконують багатоступеневі дії — створюють тікети, надсилають email, запитують дані з SaaS-платформ. Прикладом є Microsoft Copilot Studio Agents, Salesforce Agentforce, кастомні agents на MCP.

Чому це step-change у ризику:

Дії, що раніше потребували людської авторизації, тепер виконує модель.
Prompt injection перетворюється з "цікавої uvulnerability" на "критичний вектор атаки" — бо тепер інжектований prompt виконує дії.
Audit trails стають критично важливими — без них неможливо розслідувати інциденти.

⚠️Правило для agentic-інструментів

Оцінюйте кожен agentic-інструмент з підвищеною прискіпливістю. У стандартного LLM-пілота — review через тиждень. У agentic-пілота — мінімум 30-денний red-team у sandbox-tenant без production-доступу.

Концепція 4: Ключові enterprise-інструменти

Топ-список інструментів, з якими CAIO обов'язково зустрінеться у перші 6 місяців:

Microsoft Copilot (M365-інтеграція) — найвищий impact для більшості Office-users.
Glean — enterprise search + agents для крос-SaaS пошуку.
GitHub Copilot — для розробників, але governance тут — окрема історія.
AI в робочому процесі SaaS — Salesforce Einstein, ServiceNow Now Assist, Workday AI, Adobe Firefly у Creative Cloud. Категорія зростає щомісяця.

Кожен з них має свою data-flow модель — куди йдуть дані, де зберігаються, чи використовуються для тренування. Це первинне питання для tier-1 reviews.

Концепція 5: Shadow AI — реальність

Shadow AI реальний. Співробітники вже використовують ChatGPT, Claude.ai, Gemini, Perplexity та особисті AI-підписки для робочих задач. Це відбувається зараз, незалежно від того, чи маєте ви policy.

Ваша робота — каналізувати цю енергію у схвалені, керовані інструменти, а не вбивати її. Стратегія "blanket ban" провалюється у 100% випадків — люди йдуть у тінь ще глибше.

💡Як виявити shadow AI

Network-traffic logs (фільтр на домени AI-сервісів).
Анонімне опитування — "які AI-інструменти ви використовуєте у роботі за останній місяць?".
Інтерв'ю з champions у кожному відділі. Champions знають краще за IT.

Чекліст: інвентаризація AI-ландшафту

Інвентаризувати всі AI-інструменти у використанні (ліцензовані та shadow)
Зкартографувати кожен інструмент щодо політик обробки та зберігання даних
Виявити, які інструменти торкаються регульованих чи чутливих даних
Задокументувати, які команди найактивніші, а які — резистентні до AI
Створити чергу "pending review" для нових інструментів, що запитуються співробітниками

Глибше у джерелах

Підсумок

Без розуміння ландшафту неможливо ані будувати стратегію, ані оцінювати ризики. CAIO повинен знати ринок краще, ніж відділ закупівель, і мати власну робочу карту, яка оновлюється щоквартально.

Наступний модуль: Модель AI-зрілості — як виміряти, де ваша організація зараз, і де реалістична ціль для першого року.