В сотрудничестве с SAP
В гонке за внедрением и демонстрацией преимуществ ИИ предприятия как никогда быстро развертывают агентные системы ИИ в качестве помощников, ассистентов и автономных исполнителей задач. Согласно ежегодному отчету McKinsey об ИИ, к концу 2025 года почти две трети компаний экспериментировали с агентами ИИ, а 88% использовали ИИ как минимум в одной бизнес-функции, по сравнению с 78% в 2024 году. Однако, хотя первые пилотные проекты часто оказываются успешными, только каждая десятая компания фактически масштабировала свои агенты ИИ.
Одна из главных проблем: эффективность ИИ-агентов зависит от качества базовых данных, на которых они основаны. Эксперты утверждают, что большинство компаний сталкиваются с задержками во внедрении ИИ не из-за недостатков в моделях, а из-за отсутствия архитектуры данных, обеспечивающей бизнес-контекст, который можно было бы надежно использовать как людям, так и агентам.
Компаниям необходимо подготовить правильную архитектуру данных, и следующие несколько месяцев — максимум годы — будут иметь решающее значение, говорит Ирфан Хан, президент и директор по продуктам SAP Data & Analytics.
«Единственное достоверное предсказание, которое кто-либо может сделать, это то, что мы не знаем, что произойдет в ближайшие годы, месяцы или даже недели с искусственным интеллектом», — говорит он. «Чтобы добиться быстрых результатов прямо сейчас, необходимо принять подход, ориентированный на ИИ, и… основывать свои модели ИИ на надежных данных».
Хотя данные всегда были важны для бизнеса, в эпоху искусственного интеллекта их значение станет еще больше. Возможности агентного ИИ будут определяться в большей степени надежностью корпоративной архитектуры данных и управления ими, а не эволюцией моделей. Для масштабирования технологии предприятиям необходимо внедрить современную инфраструктуру данных, которая предоставляет контекст наряду с самими данными.
Больше контекста для бизнеса, не обязательно больше данных.
Традиционные представления часто смешивают структурированные данные с данными высокой ценности, а неструктурированные — с данными меньшей ценности. Однако ИИ усложняет это различие. Данные высокой ценности для агентов определяются не столько форматом, сколько бизнес-контекстом. Данные для критически важных бизнес-функций — таких как операции в цепочке поставок и финансовое планирование — зависят от контекста. Хотя детализированные данные больших объемов, такие как данные IoT, журналы и телеметрия, могут приносить пользу, но только при условии их предоставления с учетом бизнес-контекста.
Поэтому реальный риск для агентного ИИ заключается не в недостатке данных, а в отсутствии прочной основы, говорит Хан.
«Все, что имеет бизнес-контекст, по определению, принесет вам большую ценность и более высокий уровень надежности бизнес-результатов», — говорит он. «Это не так просто, как сказать, что ценные данные — это структурированные данные, а данные с низкой ценностью — это данные с большим количеством повторений — и те, и другие могут иметь огромную ценность в умелых руках, и в этом заключается отличие ИИ».
Контекст может быть получен путем интеграции с программным обеспечением, анализа и обогащения данных на месте или через конвейер управления. Данные, не обладающие этими качествами, скорее всего, будут ненадежными — это одна из причин, почему две трети руководителей предприятий не полностью доверяют своим данным, согласно данным Института данных и корпоративного ИИ (IDEA). Возникший в результате «долг доверия» сдерживает развитие бизнеса в стремлении к готовности к внедрению ИИ. Преодоление этого недостатка доверия требует общих определений, семантической согласованности и надежного операционного контекста для согласования данных с бизнес-целями.
Распространение данных требует семантического, учитывающего бизнес-процессы уровня.
По словам Хана, за последнее десятилетие наиболее важным изменением в корпоративной архитектуре данных стало разделение вычислительных ресурсов и хранилища, а также гибкость масштабирования в облаке. Однако это разделение и переход к облаку также привели к разрастанию сети, когда данные размещаются в нескольких облаках, озерах данных, хранилищах данных и множестве приложений SaaS.
По мере того, как компании переходят к ИИ, эта проблема разрастания данных никуда не исчезает. На самом деле, она усугубляется: более двух третей компаний называют разрозненность данных одной из главных проблем при внедрении ИИ, а более половины предприятий испытывают трудности с обработкой 1000 и более источников данных. Если предыдущая эпоха была посвящена созданию основы для разработки программного обеспечения как услуги — разделению вычислительных ресурсов и хранилища и созданию «озер данных», — то следующая эпоха посвящена предоставлению необходимых данных автономным агентам ИИ, выполняющим различные бизнес-функции.
«Вероятно, самым значительным нововведением в управлении данными стало разделение вычислительных ресурсов и хранилища», — говорит Хан. «Но сейчас действительно важно то, как мы гармонизируем данные и извлекаем из них ценность из множества источников контента».
Для этого необходим семантический или интеллектуальный слой, поддерживающий множество платформ, кодирующий бизнес-правила и взаимосвязи, обеспечивающий контекстно-ориентированное и управляемое представление данных, а также позволяющий людям и агентам получать доступ к данным соответствующими способами. Однако, как говорится в отчете консалтинговой компании Deloitte «Состояние ИИ на предприятии», устаревшие архитектуры данных не могут обеспечить работу автономных систем ИИ будущего. Только четыре из десяти компаний считают, что их процесс управления данными готов к ИИ, и это меньше, чем 43% в предыдущем году, что говорит о том, что по мере изучения возможностей внедрения ИИ компании осознают недостатки своей инфраструктуры.
Агентный ИИ не заменяет SaaS.
Некоторые инвесторы и технологи предполагают, что ИИ-агенты сделают SaaS-приложения устаревшими. Хан категорически с этим не согласен. За последние 15 лет ценность неуклонно смещалась вверх по цепочке, от локальной инфраструктуры к инфраструктуре как услуге (IaaS), затем к платформе как услуге (PaaS) и, наконец, к SaaS. Агентный ИИ — это просто следующий уровень. У агентного ИИ будет свой собственный уровень для доступа к данным и взаимодействия с бизнес-логикой. Ценность поднимается вверх по цепочке, но ничто ниже не исчезает, говорит он.
«SaaS никуда не денется, — говорит он. — Это просто означает, что SaaS и эти агенты будут сотрудничать друг с другом. Компании не собираются выбрасывать всю свою главную бухгалтерскую книгу и заменять ее агентом. Что будет делать агент? Он ничего не знает без бизнес-контекста и обработки бизнес-процессов».
В этой новой модели программный стек перестраивается таким образом, что приложения и данные обеспечивают управляемый контекст, в рамках которого ИИ может эффективно действовать. Приложения SaaS остаются системами учета, а семантический слой становится источником достоверной информации о бизнес-контексте. Агенты ИИ становятся новым уровнем взаимодействия, координирующим работу различных систем, и как люди, так и агенты становятся «полноправными участниками» процесса доступа к бизнес-логике, говорит он.
Крайне важно отметить, что агенты не могут напрямую подключаться ко всем операционным системам. «Если мы говорим, что агенты захватят мир… то нельзя, чтобы агент взаимодействовал со всеми операционными системами», — предупреждает Хан. «Так это просто не работает».
Это еще больше повышает важность семантического слоя или слоя деловой структуры.
С чего начать?
Большинству предприятий необходимо начинать с того, где уже хранятся их данные — на таких платформах, как Snowflake, Databricks, Google BigQuery или в существующей среде SAP. Хан говорит, что это нормально, но предостерегает от восстановления старых моделей зависимости от конкретного поставщика.
Он предлагает компаниям уделять приоритетное внимание наиболее важным данным, сосредоточившись на сохранении и предоставлении бизнес-контекста операционным и прикладным данным. Компаниям также следует инвестировать на ранних этапах в управление и семантику, определяя общие политики, правила доступа и семантические модели до масштабирования пилотных проектов. Наконец, предприятиям следует отдавать приоритет открытости и интероперабельности в стиле сетевой архитектуры, а не пытаться объединить все данные в одном стеке.
Хан предостерегает от слишком раннего стремления к полной автоматизации. «Сейчас открывается новая, смелая возможность по-настоящему погрузиться в мир агентных вычислений и ИИ», — говорит Хан. — «Полная автоматизация [критически важных бизнес-процессов], возможно, будет слишком смелой, поскольку потребуется много дополнительного контроля». Первые успехи, скорее всего, будут достигнуты за счет менее важных процессов и агентов, работающих с актуальными, сохраняющими состояние данными, а не с устаревшими панелями мониторинга, добавляет он. По мере того, как ИИ начинает приносить пользу и его внедрение растет, руководители должны решить, как реинвестировать эти достижения для повышения эффективности или выхода на новые рынки.
Зарегистрируйтесь на виртуальное мероприятие «Основы данных и ИИ», которое состоится 24 марта 2026 года. Узнайте мнение руководителей и лидеров мнений, формирующих будущее данных и ИИ.
Данный контент был подготовлен подразделением Insights, занимающимся созданием контента на заказ для MIT Technology Review. Он не был написан редакционным персоналом MIT Technology Review. Исследование, разработка и написание материала осуществлялись людьми — авторами, редакторами, аналитиками и иллюстраторами. Это включает в себя написание опросов и сбор данных для опросов. Инструменты искусственного интеллекта, которые могли быть использованы, ограничивались вторичными процессами производства, прошедшими тщательную проверку человеком.
Источник: www.technologyreview.com
