Искусственный интеллект (artificial intelligence, AI) стремительно переходит от экспериментов к повседневному использованию в компаниях. Организации внедряют копилотов, агентов и прогнозные системы в финансах, цепочках поставок, управлении персоналом и работе с клиентами. По данным недавнего опроса, к концу 2025 года половина компаний уже использовала ИИ как минимум в трёх бизнес-функциях.
Но по мере того как ИИ встраивается в ключевые процессы, руководители понимают: главная проблема — не в мощности моделей и не в вычислительных ресурсах, а в качестве и, что важнее, в контексте данных, на которых эти системы работают. Теперь ИИ требует не просто доступа к данным — он должен понимать бизнес-смысл, стоящий за ними.
Без контекста ИИ может быстро выдавать ответы, но при этом принимать неверные решения, говорит Ирфан Хан (Irfan Khan), президент и главный продуктовый директор SAP Data & Analytics.
«ИИ невероятно хорошо справляется с генерацией результатов. Он работает быстро, но без контекста не способен проявлять здравое суждение. А именно здравое суждение обеспечивает возврат инвестиций. Скорость без суждения не помогает — она может навредить».
В эпоху автономных систем и «умных» приложений именно контекст становится критически важным. Чтобы его обеспечить, компаниям нужна продуманная архитектура — так называемый «дата-фабрик» (data fabric), которая делает больше, чем просто объединяет данные. Правильный дата-фабрик позволяет безопасно масштабировать ИИ, синхронизировать решения между системами и агентами, а также гарантирует, что автоматизация отражает реальные приоритеты бизнеса, а не действует в отрыве.
Многие компании уже пересматривают свою архитектуру данных. Вместо того чтобы перегонять всё в единое хранилище, они ищут способы связать информацию между приложениями, облаками и операционными системами, сохраняя при этом семантику — то есть смысл, который описывает, как работает бизнес. Этот сдвиг усиливает интерес к дата-фабрику как к фундаменту ИИ-инфраструктуры.
Потеря контекста — главная проблема ИИ
Традиционные подходы к данным фокусировались на агрегации. За последние 20 лет компании вкладывали миллионы в то, чтобы выгружать информацию из операционных систем в централизованные хранилища, озёра и дашборды. Это упрощает отчёты и анализ, но в процессе теряется смысл данных — их связь с политиками, процессами и реальными решениями.
Возьмём две компании, использующие ИИ для управления сбоями в цепочке поставок. Первая работает с «сырыми» данными — уровни запасов, сроки поставок, рейтинги поставщиков. Вторая — добавляет контекст: бизнес-процессы, политики, метаданные. Обе системы быстро проанализируют информацию, но придут к разным выводам.
Только та система, которая знает, какие клиенты стратегические, какие компромиссы допустимы при дефиците и как обстоят дела у поставщиков второго эшелона, сможет принимать стратегические решения. У второй такой контекст отсутствует, объясняет Хан.
«Обе системы работают быстро, но только одна движется в правильном направлении. Это и есть „премия за контекст“ — преимущество, которое даёт продуманная архитектура данных, сохраняющая связь между процессами, политиками и данными».
Раньше людям удавалось компенсировать нехватку контекста — эксперты вносили недостающую информацию. Но ИИ действует самостоятельно. Если система не объясняет, почему данные важны, модель может оптимизировать не под то. Цифры по запасам, истории платежей или спросу могут быть точными, но не указывают, кого нужно приоритизировать, какие контрактные обязательства действуют или какие продукты стратегически значимы. В итоге ИИ выдаёт технически верные, но операционно ошибочные решения.
Это меняет подход компаний к готовности к ИИ. Большинство признают: у них нет зрелых процессов и инфраструктуры, чтобы полностью доверять своим данным и ИИ. Только одна из пяти организаций считает свою работу с данными высокозрелой, а лишь 9% чувствуют себя полностью готовыми к интеграции и взаимодействию систем.
Не консолидируйте — интегрируйте
Решение — дата-фабрик: слой абстракции, охватывающий инфраструктуру, архитектуру и логическую организацию. Для агентного ИИ он становится главным интерфейсом, позволяя агентам взаимодействовать с бизнес-знаниями, а не с «голыми» хранилищами. Ключевую роль здесь играют графы знаний (knowledge graphs), которые позволяют агентам запрашивать данные на естественном языке и с учётом бизнес-логики.
Сила дата-фабрика строится на трёх компонентах:
- интеллектуальные вычисления — для скорости;
- бассейн знаний — для понимания контекста;
- агенты — для автономных действий, основанных на этом понимании.
Их сила — в синергии, подчёркивает Хан. Технология даёт архитектуру, процесс — определяет, как бизнес и ИТ делят ответственность, устанавливают управление и культуру доверия. Только когда всё это работает вместе, дата-фабрик становится по-настоящему эффективным.
«Это позволяет принимать уверенные и согласованные решения. Когда все элементы работают вместе, ИИ не просто анализирует данные — он обеспечивает более умные и быстрые решения, реально влияющие на бизнес. В этом сила продуманного бизнес-ориентированного дата-фабрика, где каждая часть усиливает другую, а каждый вывод основан на доверии и ясности».
Технически создание дата-фабрика требует нескольких возможностей. Данные должны быть доступны в разных средах через федерацию, а не за счёт принудительной консолидации. Нужен семантический слой — часто с поддержкой графов знаний и каталогов метаданных — чтобы согласовать смыслы. Управление и политики безопасности должны действовать по всей системе, чтобы ИИ мог безопасно и согласованно получать доступ к данным.
Вместе эти элементы создают основу, где ИИ работает с бизнес-знаниями, а не с «сырыми» хранилищами. Это принципиальный шаг от экспериментов к настоящей корпоративной автоматизации.
Выйти за рамки изолированных данных и дашбордов
В эпоху агентного ИИ ответственность за мониторинг, анализ и принятие решений всё чаще переходит к программному обеспечению. Агенты могут отслеживать события, запускать процессы и принимать решения в реальном времени — часто без участия человека. Это открывает новые возможности, но и повышает риски. Когда десятки агентов работают в финансах, логистике, закупках и работе с клиентами, они должны руководствоваться одними и теми же приоритетами.
Без общего слоя знаний, связывающего разрозненные данные, координация быстро разваливается. Один агент может оптимизировать маржу, другой — ликвидность, третий — соблюдение норм, каждый работая с разными фрагментами данных.
Важно то, что большинство компаний уже обладают большей частью нужных знаний, говорит Хан. Годы операционных данных, справочников, бизнес-процессов и логики политик уже есть в приложениях — нужно просто сделать их доступными. Организации, внедрившие дата-фабрик, отмечают рост доверия к данным: более двух третей видят улучшение доступа, прозрачности и контроля над информацией.
«Возможность — не в том, чтобы изобретать контекст с нуля, а в том, чтобы активировать и соединить тот контекст, который в бизнесе уже существует. Дата-фабрик — это архитектура, которая связывает данные, процессы и политики в единую систему, независимо от облаков».
