مقاله dbt معیار بلوغ AI را نه پیچیدگی مدل یا agent، بلکه آمادگی داده‌ها و توانایی‌های سازمان برای پشتیبانی از کار آن‌ها می‌داند. هرچه AI از کمک به افراد به سمت اقدام در فرایندهای کاری حرکت می‌کند، نیاز به فهم معنای کسب‌وکار، استفاده از چند منبع و رعایت کنترل‌های سازمانی بیشتر می‌شود.
مقاله با استناد به گزارش The 2026 Agentic AI Readiness Index از Fivetran، حاصل نظرسنجی از ۴۰۰ متخصص داده، می‌گوید ۴۱ درصد سازمان‌ها از agentic AI در محیط عملیاتی استفاده می‌کنند؛ اما فقط ۱۵ درصد، زیرساخت داده فعلی خود را کاملاً آماده پشتیبانی از آن می‌دانند.
نقطه شروع، داده قابل‌اعتماد است: استانداردهای مشترک برای تبدیل، آزمودن، مستندسازی و مدیریت داده. بااین‌حال، اعتماد به خود داده کافی نیست. با گسترش AI میان تیم‌ها، governance باید از کنترل‌های محلی و غیررسمی فراتر برود. همچنین باید روشن باشد چه کسی مسئول داده، تعریف‌های کسب‌وکار، تغییرات و نتایج AI است؛ به‌ویژه وقتی فرایندها از مرز یک تیم عبور می‌کنند.
گام بعدی، فراهم‌کردن context قابل‌استفاده برای AI است. داده نشان می‌دهد چه اتفاقی افتاده، اما context معنای آن را برای کسب‌وکار مشخص می‌کند. تعریف‌های مشترک، همراه با lineage و metadata در قالب قابل‌خواندن برای ماشین، کمک می‌کنند AI منشأ داده، تغییرات آن و تناسبش با یک کار مشخص را تشخیص دهد. دسترسی صرف به داده برای agentهایی که میان چند منبع و فرایند کار می‌کنند، ممکن است کافی نباشد.
این پایه باید میان سیستم‌ها هم حفظ شود. مقاله interoperability را یک نیاز بلوغ می‌داند، نه صرفاً ترجیح معماری: داده، context و governance نباید هنگام جابه‌جایی میان محیط‌ها از هم گسسته شوند. زیرساخت باز و سازگار با سیستم‌های دیگر نیز امکان تغییر ابزارها را بدون بازسازی مداوم این پایه فراهم می‌کند.
نتیجه اصلی مقاله این است که استقلال بیشتر AI باید پیامد این آمادگی باشد. هدف، حذف سریع نظارت انسانی نیست؛ سازمان باید ابتدا مرزهای روشن، امکان پیگیری و پاسخ‌گویی را فراهم کند و سپس دامنه اقدام مستقل AI را متناسب با ظرفیت واقعی خود افزایش دهد.
