57% компаний столкнулись с ошибками ИИ-агентов из-за контекста

В 101 организации инфраструктура, питающая ИИ-агентов бизнес-контекстом, строится быстрее, чем ей начинают доверять. RAG уже стал стандартным источником контекста, а встроенные инструменты провайдеров моделей незаметно обогнали специализированные векторные базы данных. При этом большинство компаний уже видели, как их агенты выдают уверенные, но неверные ответы из-за пропущенного или противоречивого контекста. Управляемый семантический слой становится решением проблемы, но у большинства он еще в разработке. Отрасль движется к гибридному поиску, и хотя провайдерские решения лидируют на практике, значительная доля компаний планирует сохранить независимость и лучшие в своем классе инструменты. Итог — контекстный разрыв: агенты выглядят авторитетно, но работают на фундаменте, которому не полностью доверяют их создатели.

Методология

Опрос проведен VentureBeat в рамках серии Pulse Research. Он был сосредоточен на корпоративной инфраструктуре RAG и контекстном слое — системах поиска, семантических слоях и источниках контекста, питающих ИИ-агентов. Отфильтрованы ответы от организаций с численностью более 100 сотрудников (n=101); ответов от небольших организаций не поступило, поэтому вся выборка соответствует критерию. Все ответы собраны в одной волне (июнь, второй квартал 2026), отчет носит поперечный характер и не отражает месячную динамику. Несколько вопросов допускали множественный выбор, поэтому доли могут в сумме превышать 100%.

По размеру выборка сконцентрирована в среднем сегменте: организации с 251–1 000 сотрудников (31%) и 101–250 (31%) лидируют, далее идут 1 001–5 000 (20%), 5 001–10 000 (12%) и свыше 10 000 (7%). По ролям: менеджеры (39%), рядовые специалисты (27%), высшее руководство (16%), вице-президенты и директора (14%). С точки зрения полномочий по закупкам выборка надежна: 46% — лица, принимающие окончательное решение, еще 26% — рекомендующие или влияющие. Технологии и разработка ПО — крупнейшая отрасль (20%), за ней следуют здравоохранение и науки о жизни (11%), а также розничная торговля, транспорт, финансовые услуги, производство и образование.

При 101 респонденте это скромная выборка, которую следует рассматривать как индикатор направления, а не точное измерение; она самоотобранная и не является вероятностной. Лучше всего ее интерпретировать как взгляд со стороны организаций, активно внедряющих RAG и контекстную инфраструктуру, а не крупнейших операторов.

Вывод 1: Уверенные, но ошибочные

Более половины компаний связали ошибки агентов с плохим контекстом.

Вывод 1 — Уверенные, но ошибочные

• 31% — компании, где ИИ-агенты выдавали уверенные, но неверные ответы из-за плохого контекста более одного раза (повторяющаяся ошибка).
• 27% — столкнулись с такой ситуацией однажды.
• 28% — не выявили подобных сбоев.
• 10% — не используют агентов на корпоративных данных; еще 5% не отслеживают первопричины на таком уровне.

Это ключевая цифра отчета. Большинство предприятий (57%) уже сталкивались с тем, что ИИ-агент давал уверенный, но ошибочный ответ, вызванный некачественным контекстом: некорректными метриками, устаревшими определениями или отсутствующими документами. Более половины из них наблюдали это неоднократно. Только 28% заявили об отсутствии таких сбоев. Небольшая часть либо не использует агентов на корпоративных данных, либо не отслеживает корневые причины достаточно глубоко.

Этот сбой специфичен и опасен: модель не «галлюцинирует» в привычном смысле; она уверенно ошибается, потому что контекст был скудным или противоречивым. Все остальное в этом отчете — что извлекают компании, как этим управляют и что планируют построить — вытекает из этой проблемы.

Вывод 2: RAG как основной источник контекста

Поиск с дополненной генерацией (RAG) питает больше агентов, чем любой другой метод.

Вывод 2 — RAG как основной источник контекста

• 38% — полагаются на RAG (поиск по документам или векторному индексу) как основной источник контекста.
• 21% — используют управляемый семантический слой или онтологию (общие бизнес-определения и связи).
• 14% — применяют смешанные подходы в зависимости от сценария.
• 10% — обращаются напрямую к живым системам (SQL, API, MCP); 6% используют загрузку длинного контекста; 2% полагаются на общие знания модели.
• 10% — пока не используют агентов для работы с корпоративными данными.

Поиск с дополненной генерацией — основа корпоративного контекста. Для 38% организаций RAG над документами или векторным индексом является основным способом понимания бизнеса агентами — почти вдвое больше, чем доля следующего подхода (управляемый семантический слой или онтология — 21%). Далее идут смешанные методы (14%), прямые запросы к живым системам (10%) и загрузка длинного контекста (6%). Только 2% позволяют агентам работать исключительно на общих знаниях модели. Такая концентрация важна в свете Вывода 1: поскольку корпоративный контекст в основном поступает через поиск, качество этого поиска определяет качество ответа. Когда RAG — основной источник, скудный поиск не является крайним случаем, а оказывается главной поверхностью для сбоев.

Один подход заметно отсутствует в этих ответах: настройка весов модели, также известная как файнтюнинг. Каждый ведущий источник бизнес-контекста внедряется во время выполнения. Наше последнее прямое измерение файнтюнинга в волне апрель-май (отдельный опрос, n=136) показало, что его возможности заняли последнее место среди шести факторов выбора модели — всего 5%, даже несмотря на то, что 26% той же выборки назвали файнтюнинг и кастомизацию направлением, куда они ожидают рост инвестиций. Файнтюнинг вышел из первичного разговора о выборе модели; внедрение контекста — это то, как компании делают агентов знающими о своем бизнесе.

Вывод 3: Провайдерские решения уже лидируют

Поиск от разработчиков моделей обгоняет специализированные векторные базы данных.

Вывод 3 — Провайдерские решения уже лидируют

• 40% — используют поиск по файлам от OpenAI; 38% — Vertex AI Search от Google — две самые распространенные системы.
• 20% — применяют Elasticsearch или OpenSearch; 12% — pgvector на основе PostgreSQL.
• 12% — используют Weaviate, опережая Qdrant (10%), Pinecone (9%) и Milvus (6%) — чистые векторные базы данных.
• 10% — запускают кастомный поисковый стек.
• 13% — вообще не используют RAG в production.

Выделенная векторная база данных больше не находится в центре стека RAG. Поиск по файлам OpenAI (40%) и Vertex AI Search от Google (38%) лидируют — это решения, встроенные в платформы провайдеров и гиперскейлеров, опережая все специализированные векторные БД. Среди последних чаще всего используют те, которые у компаний уже есть по другим причинам (Elasticsearch/OpenSearch, 20%), и открытый встраиваемый вариант (pgvector, 12%); чистые векторные базы данных, определяющие категорию, — Weaviate, Qdrant, Pinecone, Milvus — набирают от 6% до 12%. Примечательно, что 13% компаний до сих пор не используют RAG в промышленной эксплуатации. Как и в случае с платформами в параллельной волне инфраструктуры, предприятия тяготеют к поисковым инструментам, которые идут в комплекте с уже приобретенными продуктами.

Эта картина сохранялась в обеих волнах второго квартала. В апреле-мае (n=161) встроенный поиск провайдеров также лидировал по использованию, а все выделенные векторные БД оставались на периферии — самая популярная из них достигала лишь 8%. Гибридное и плюралистическое будущее уже было консенсусным ожиданием (34% предсказывали доминирование гибридного поиска, еще 29% — использование нескольких архитектур в зависимости от сценария). Две волны, стабильная картина: категория, придумавшая термин «векторная база данных», поглощается платформами, у которых компании и так закупаются.

Вывод 4: Но компании заявляют о желании сохранить лучшие в своем классе инструменты

Значительная доля сопротивляется консолидации на стеке одного провайдера.

Вывод 4 — Но компании заявляют о желании сохранить лучшие в своем классе инструменты

• 36% — планируют сохранить автономные лучшие в своем классе инструменты (отдельные векторные БД, оценку, оркестровку).
• 21% — намерены консолидироваться на нативном контекстном стеке одного модельного провайдера.
• 21% — ожидают смешанный подход: нативная среда выполнения провайдера для одних нагрузок, автономные инструменты — для других.
• 14% — пока не имеют четкого направления.
• 9% — планируют построить и владеть контекстным слоем собственными силами.

Здесь проявляется напряжение в основе стека. Даже несмотря на то, что провайдерские поисковые решения лидируют на практике (Вывод 3), большинство предприятий (36%) заявляют о намерении сохранить автономные лучшие в своем классе инструменты, а не консолидироваться на стеке провайдера — значительно опережая 21% тех, кто планирует консолидацию. Еще 21% ожидают смешанный подход, а 9% намерены создавать и контролировать слой самостоятельно. Разрыв между тем, что компании используют, и тем, что они декларируют, — стратегический вопрос всей категории: они внедряют встроенный поиск ради удобства, утверждая при этом, что сохранят независимость. Какой импульс победит — притяжение пакетов провайдера или заявленное предпочтение модульного контроля — определит рынок поисковых систем сильнее, чем любой отдельный инструмент.

Вывод 5: Гибридный поиск — консенсусная ставка

Чисто векторный поиск уже считается недостаточным.

Вывод 5 — Гибридный поиск — консенсусная ставка

• 34% — ожидают, что к концу 2026 года в их продуктивных системах RAG будет доминировать гибридный поиск (эмбеддинги + реранкинг + контроль доступа).
• 17% — пока не знают.
• 14% — ожидают поиск на основе инструментов или длинного контекста без выделенного векторного слоя.
• 13% — ожидают несколько архитектур, выбираемых под сценарий.
• 12% — не ожидают масштабных развертываний RAG; 11% — предполагают чисто векторный поиск.

Архитектура стабилизируется в сторону гибридной модели. Треть (34%) ожидают, что к концу 2026 года в их производственных системах будет доминировать гибридный поиск — эмбеддинги в сочетании с реранкингом и контролем доступа, — что втрое превышает долю тех, кто верит в преобладание чисто векторного поиска (11%). Это заметный сигнал: подход на основе чистого векторного поиска, с которого начиналась категория, уже считается недостаточным сам по себе, его вытесняют пайплайны, добавляющие реранкинг для точности и контроль доступа для управления — именно те механизмы, отсутствие которых порождает сбои из Вывода 1. Показательно, что второй по величине ответ — неопределенность: 17% просто не знают, а еще 14% ожидают полного отказа от выделенного векторного слоя в пользу поиска на основе инструментов или длинного контекста. Консенсус — не в едином инструменте, а в многослойном пайплайне, который еще не полностью сформировался.

Вывод 6: Управляемый контекстный слой строится прямо сейчас

Большинство внедряют или строят семантический слой, но в production он есть у немногих.

Вывод 6 — Управляемый контекстный слой строится прямо сейчас

• 34% — пилотируют или строят управляемый семантический слой.
• 25% — уже используют его в production.
• 17% — не используют, но активно оценивают.
• 15% — не имеют текущих планов.
• 10% — не знают.

Решение проблемы контекстного разрыва находится в стадии строительства. Хорошо за половину предприятий (58%) либо уже используют управляемый семантический слой в production (25%), либо пилотируют и строят его (34%), еще 17% активно оценивают — то есть три четверти так или иначе вовлечены в эту тему. Но баланс показателен: строящих больше, чем внедривших, поэтому для большинства компаний общий управляемый слой определений, который мог бы предотвратить «уверенные, но ошибочные» сбои из Вывода 1, все еще находится в работе. Семантический слой — это ответ индустрии на несогласованный контекст; данная волна застает его на середине строительства, когда амбиции опережают внедрение.

Вывод 7: Выбирают за легкость внедрения, следят за корректностью

Критерии выбора склоняются к удобству работы; мониторинг — к корректности и безопасности.

Вывод 7 — Выбирают за легкость внедрения, следят за корректностью

• 36% — называют легкость загрузки данных главным фактором выбора.
• 32% — указывают задержку и производительность.
• 29% — указывают простоту эксплуатации.
• 23% — называют точность поиска и контроль доступа (каждый по 23%).
• 10% — нативную интеграцию с облачной экосистемой.

Предприятия выбирают поисковые системы по удобству работы. Легкость загрузки данных (36%), задержка и производительность (32%) и простота эксплуатации (29%) лидируют в критериях выбора — опережая точность поиска и контроль доступа (по 23%), то есть два фактора, наиболее прямо связанные со сбоями из Вывода 1. Когда системы уже работают, акценты смещаются в сторону доверия: чаще всего отслеживают корректность ответов (42%) и безопасность и контроль доступа (38%), опережая задержку (28%), стабильность работы (27%) и релевантность ответов (23%).

Удовлетворенность текущими системами умеренно позитивная, но без энтузиазма — по пятибалльной шкале общая удовлетворенность в среднем составляет 4,0, легкость внедрения и соотношение цены и качества — около 3,9. Компании покупают систему за то, насколько легко ее запустить, а следят за тем, можно ли ей доверять.

Вывод 8: Грядет передел поискового рынка

Большинство планирует сменить провайдера — и растет интерес к векторным специалистам.

Вывод 8 — Грядет передел поискового рынка

• 43% — не планируют менять провайдера.
• 26% — планируют сменить в ближайшие 0–3 месяца.
• 21% — планируют сменить в течение 3–6 месяцев.
• 15% — планируют сменить в течение 6–12 месяцев.

Стек поисковых систем не устоялся. Хотя 43% не планируют изменений, небольшое большинство (57%) намерены сменить или добавить провайдера в течение двенадцати месяцев, а четверть (26%) — в ближайшем квартале. Набор рассматриваемых решений становится интересным: провайдерские поисковые системы по-прежнему лидируют в списке оценки (OpenAI — 22%, Vertex AI Search — 21%), но открытые векторные специалисты набирают вес сильнее, чем можно было бы предположить исходя из их текущего использования — Qdrant (14%) и Milvus (13%) привлекают больше интереса к переходу, чем их нынешняя доля (10% и 6%). В сочетании с Выводом 4 картина выглядит как рынок в движении: компании сегодня используют провайдерские решения, оценивают более широкое поле и заявляют о желании сохранить свободу выбора. Предстоящий передел покажет, устоит ли стремление к лучшим в своем классе инструментам при столкновении с удобством пакетных предложений.

Итог: контекстный разрыв, который не закрыть одним лишь поиском

Организации с численностью более 100 сотрудников подключают агентов к своему бизнесу быстрее, чем могут гарантировать надежность контекста, на котором эти агенты работают. RAG служит основным источником корпоративного контекста, и он все чаще поступает от провайдеров моделей и гиперскейлеров, а не от выделенных векторных баз данных — однако большинство компаний уже наблюдали, как агенты давали уверенные, но неверные ответы из-за скудости или противоречивости контекста. Этот сбой не экзотичен; это предсказуемый результат направления авторитетно звучащих агентов на ненадежное основание.

Ответ индустрии — управляемый семантический слой, гибридный поиск с реранкингом и контролем доступа — строится, но в основном еще не в производстве, а компании разрываются между удобством провайдерских пакетов и заявленным предпочтением независимости и лучших в своем классе решений. При 101 респонденте в одной волне второго квартала это лишь индикатор направления со смещением в сторону среднего рынка, но направление ясно: контекстный слой становится следующим конкурентным уровнем ИИ-стека, и сейчас агенты опережают его развитие. Контекстный разрыв — это не проблема объема поиска, которую можно решить добавлением документов или увеличением индексов; это проблема управляемого, согласованного, учитывающего права доступа контекста. Открытый вопрос для будущих волн — успеют ли компании достроить этот слой до того, как уверенные, но ошибочные сбои перейдут из лабораторий в критически важные решения.