Искусственный интеллект уверенно входит в корпоративную практику, переходя от тестов к рутинному использованию. Фирмы запускают копилотов, агентов и системы прогнозирования в финансах, логистике, работе с персоналом и клиентском сервисе. По данным свежего опроса McKinsey, к концу 2025 года ИИ задействуют как минимум в трех бизнес-направлениях уже половина компаний.
Когда ИИ проникает в основные рабочие цепочки, руководители понимают: настоящая проблема кроется не в мощности моделей или процессоров, а в качестве данных и их бизнес-контексте. Новое условие для ИИ — системы обязаны не только извлекать информацию, но и осознавать ситуацию, в которой она применяется.
Без такого понимания ИИ выдает быстрые ответы, но рискует ошибиться в выборе, уверен Ирфан Хан, президент и глава продуктового направления SAP Data & Analytics.
"ИИ мастерски генерирует выводы, — подчеркивает он. — Он действует оперативно, однако лишённый контекста лишен способности к правильным оценкам. А верные оценки как раз и обеспечивают отдачу от вложений в бизнес. Быстрота без оценки бесполезна и способна нанести ущерб".
В эпоху автономных систем и умных приложений слой контекста приобретает решающее значение. Чтобы его создать, нужны продуманные data fabric — они выходят за рамки простой интеграции данных, считает Хан. Подходящая data fabric позволяет безопасно масштабировать ИИ, согласовывать действия систем и агентов, гарантируя, что автоматизация учитывает реальные приоритеты компании, а не работает изолированно.
Осознав это, многие фирмы пересматривают архитектуру данных. Вместо переноса всего в один хранилище они ищут пути связать сведения из разных приложений, облаков и операционных платформ, сохраняя семантику, отражающую устройство бизнеса. Такой подход стимулирует интерес к data fabric как базе для ИИ-инфраструктуры.
Потеря контекста — серьезная проблема ИИ
Классические подходы к данным сосредотачивались на сборе. За последние 20 лет компании вкладывали средства в выгрузку информации из рабочих систем в централизованные хранилища, озера данных и панели. Это упрощает отчеты, контроль показателей и анализ по компании, но при этом теряется большая часть смысла — связи с правилами, процедурами и реальными выборами.
Представьте две фирмы, применяющие ИИ для борьбы с сбоями в поставках. Если одна опирается на базовые метрики вроде запасов, сроков поставок и рейтингов поставщиков, а вторая дополняет их контекстом процессов, норм и метаданных, то обе проанализируют цифры молниеносно, но придут к разным выводам.
Данные о приоритетных клиентах, допустимых компромиссах при дефиците и состоянии расширенных цепочек помогут одному ИИ выбрать стратегический путь, а другой окажется без нужного фона, поясняет Хан.
"Обе системы действуют шустро, но лишь одна движется верно, — говорит он. — Это премиум контекста, преимущество от data fabric, которая изначально сохраняет связи процессов, правил и данных".
Раньше дефицит контекста компенсировали эксперты-люди, но с ИИ этот пробел создает ограничения. ИИ не просто показывает данные — он на них реагирует. Без объяснения значимости информации модель может заточиться под неверную цель. Запасы, платежи или спрос могут быть точны, но не подскажут, кого обслужить в приоритет, какие контракты соблюсти или какие товары ключевы. В итоге выходят верные технически, но провальные в работе решения.
Это меняет взгляд на готовность к ИИ. Большинство признает отсутствие зрелых процессов и инфраструктуры для доверия к данным и системам. Лишь одна из пяти фирм оценивает свои data-процессы как высокоразвитые, а готовыми к интеграции и взаимодействию считают себя только 9%.
Не собирайте в кучу — связывайте
Решение — data fabric: абстрактный слой поверх инфраструктуры, архитектуры и логики. Для агентного ИИ fabric служит главным интерфейсом, давая агентам доступ к бизнес-знаниям вместо сырых хранилищ. Графы знаний здесь ключевы — они позволяют агентам опрашивать корпоративные данные на естественном языке с учетом бизнес-логики.
Ценность data fabric строится на трех элементах: умных вычислениях для скорости, пуле знаний для понимания бизнеса и агентах для самостоятельных действий на этой базе. Сила в их взаимодействии, отмечает Хан.
Технологии закладывают основу для общения и координации агентов. Процессы определяют совместное владение бизнесом и IT, правила и культуру доверия. Все три компонента должны сработаться, чтобы бизнес-data fabric удалась.
"Это дает уверенные и последовательные решения, — говорит он. — Когда все сходится, ИИ не просто разбирает данные — он ускоряет умные выборы с реальным эффектом для бизнеса. Такова сила продуманной бизнес-data fabric, где каждый элемент усиливает другие, а все выводы опираются на доверие и ясность".
Фирмы, разворачивающие data fabric, укрепляют доверие к данным: свыше двух третей отмечают рост доступности, прозрачности и контроля.
"Суть не в создании контекста с нуля, а в активации и связи существующего в бизнесе, — добавляет Хан. — Data fabric — архитектура, объединяющая семантику данных, процессы и правила в единую систему через все облака".