AI a masa danych: kiedy informacja staje się obciążeniem

Kiedy danych jest za dużo

Pojęcie „fat data“ pojawiło się w raporcie McKinsey & Company z maja 2025 roku. Opisuje zjawisko, w którym organizacje gromadzą więcej danych, niż potrafią skutecznie wykorzystać. W erze sztucznej inteligencji ten problem się potęguje — modele AI wymagają olbrzymich zbiorów danych do treningu, więc firmy zbierają wszystko, co się da, często bez planu, jak te dane wykorzystać.

Konsekwencje są dwojakie. Po pierwsze, koszty przechowywania i przetwarzania rosną lawinowo. Po drugie, każda baza danych to odpowiedzialność prawna — im więcej danych, tym większe ryzyko wycieku i cięższe obowiązki związane z RODO.

Kombinowane dane a prawo

Europejska Rada Ochrony Danych (EDPB) w 2026 roku rozszerzyła definicję danych osobowych na tzw. dane kombinowane. Chodzi o sytuacje, w których pozornie anonimowe zbiory — po połączeniu z innymi publicznie dostępnymi danymi — pozwalają zidentyfikować konkretne osoby. Firma, która uważa, że nie przetwarza danych osobowych, może się mylić.

To stwarza pułapkę dla organizacji korzystających z AI. Model uczony na danych uznanych za anonimowe może uzyskać zdolność reidentyfikacji — odtwarzania tożsamości z pozornie neutralnych cech. Z punktu widzenia prawa, taka organizacja przetwarza dane osobowe, nawet jeśli świadomie tego nie robiła.

Praktyczne konsekwencje dla firm

Najważniejsze rekomendacje z raportu McKinsey obejmują regularne audyty zbiorów danych, egzekwowanie okresowej retencji (data retention) oraz wprowadzenie zasad minimalizacji danych. Zamiast zbierać wszystko „na wszelki wypadek“, firmy powinny zbierać tylko to, co jest faktycznie potrzebne do konkretnego celu.

To wymaga zmiany kultury organizacyjnej. Przez lata obowiązywała zasada „zbieraj, bo może się przydać“. W erze AI ta zasada staje się odpowiedzialnością, ryzykiem i kosztem.

Konkluzja

Masa danych to nie jest zasób — to zobowiązanie. Im więcej danych firma posiada, tym większe ryzyko prawne, reputacyjne i operacyjne. Unijne regulacje idą w kierunku surowiejszej egzekwencji zasady minimalizacji. AI potrzebuje danych, ale potrzebuje też mądrych danych — nie wszystkich, tylko odpowiednich.