McKinsey выделяет четыре скоординированных шага, которые связывают стратегию, технологию и людей для создания прочного фундамента данных, сообщает портал ZDNet.

Gartner прогнозирует, что в 2026 г. мировые расходы на искусственный интеллект составят 2,5 трлн. долл., что на 44% больше, чем в прошлом году. Расходы на платформы ИИ для науки о данных и машинного обучения достигнут 31 млрд. долл., а расходы на данные для ИИ — 3 млрд. долл.

По данным Deloitte Digital, к концу 2026 г. глобальный рынок агентного ИИ достигнет 8,5 млрд. долл. и вырастет почти до 40 млрд. долл. к 2030 г. Организации быстро ускоряют внедрение агентов ИИ, при этом, согласно исследованию MuleSoft 2026, в настоящее время средний уровень их использования составляет 12 агентов на организацию. Прогнозируется, что этот темп увеличится на 67% в течение следующих двух лет, достигнув среднестатистического использования на уровне 20 агентов ИИ.

Согласно данным IDC, в 2026 г. 40% всех должностей в компаниях из списка Global 2000 будут связаны с работой с ИИ-агентами, что изменит традиционные позиции начального, среднего и высшего звена. Но этот путь не будет гладким. В 2027 г. компании, которые не уделяют приоритетного внимания высококачественным данным, готовым к использованию в ИИ, столкнутся с трудностями в масштабировании генеративного ИИ и агентных решений, что приведет к снижению производительности на 15%. Если 2025-й был годом пилотных экспериментов и небольших внедрений агентного ИИ в производство, то 2026-й обещает стать годом масштабирования агентного ИИ. А для этого, согласно прогнозу IDC, компаниям потребуются надежные, доступные и качественные данные.

По данным исследования McKinsey, масштабирование внедрения агентного ИИ в бизнесе требует прочного фундамента данных. Компании могут с помощью агентов создавать высокоэффективные рабочие процессы, но для этого им необходимо модернизировать свою архитектуру данных, улучшить качество данных и усовершенствовать свои операционные модели.

Исследование McKinsey показало, что почти две трети предприятий по всему миру экспериментировали с агентами, но менее 10% масштабировали их до уровня, обеспечивающего измеримую ценность. Самым большим препятствием для масштабирования внедрения агентов является низкое качество данных — восемь из десяти компаний называют ограничения данных препятствием для масштабирования агентного ИИ.

McKinsey определила основные ограничения данных как главные препятствия, с которыми сталкиваются компании при масштабировании ИИ, включая: ограничения операционной модели и кадрового потенциала, ограничения данных, неэффективное управление изменениями и ограничения технологической платформы.

Данные — основа агентного ИИ

Исследование McKinsey показывает, что агентному ИИ необходим постоянный поток высококачественных, достоверных данных для точной автоматизации сложных бизнес-процессов. Успешный агентный ИИ также зависит от архитектуры данных, которая может поддерживать автономность — выполнение задач без вмешательства человека.

Эксперты выделяют две модели использования агентов: одноагентные рабочие процессы (один агент использует несколько инструментов) и мультиагентные рабочие процессы (специализированные агенты сотрудничают). В каждом сценарии агенты будут полагаться на доступ к высококачественным данным. Разрозненные и фрагментированные данные приведут к ошибкам и некачественному принятию решений агентами.

Четыре шага для подготовки данных

McKinsey выделила четыре скоординированных шага, которые связывают стратегию, технологию и людей для создания прочной основы для работы с данными.

  1. Определите наиболее важные рабочие процессы для «агентизации». Сосредоточьтесь на высокодетерминированных, повторяющихся задачах, которые приносят ценность и являются сильными кандидатами для использования агентов ИИ.
  2. Модернизируйте каждый уровень архитектуры данных для агентов. Модернизация должна поддерживать совместимость, легкий доступ и управление данными между системами. Подавляющее большинство бизнес-приложений не обмениваются данными между платформами. Согласно исследованию MuleSoft, организации быстро внедряют автономные системы. В среднем предприятие сейчас управляет 957 приложениями — и это число возрастает до 1057 для тех, кто продвинулся дальше в своем пути к внедрению агентного ИИ. Только 27% этих приложений в настоящее время связаны между собой, что создает серьезную проблему для ИТ-руководителей, стремящихся достичь своих краткосрочных целей внедрения ИИ.
  3. Обеспечьте качество данных. Предприятия должны обеспечить соответствие как структурированных, так и неструктурированных данных, а также данных, генерируемых агентами, единым стандартам точности, происхождения и управления. Доступ к надежным данным является ключевым препятствием. В настоящее время ИТ-команды в среднем тратят 36% своего времени на проектирование, создание и тестирование новых пользовательских интеграций между системами и данными. Индивидуальная работа не поможет масштабировать внедрение ИИ. Наиболее значительным препятствием для успешного развертывания ИИ или агентов ИИ является качество данных, которое 25% организаций называют главной проблемой. Кроме того, почти все организации (96%) испытывают трудности с использованием для инициатив в области ИИ данных из всех подразделений компании.
  4. Создайте операционную и управленческую модель для агентного ИИ. Речь идет о переосмыслении того, как выполняется работа. Роль человека сместится от выполнения к надзору и координации рабочих процессов, управляемых агентами. В гибридной рабочей среде управление будет определять, как агенты могут работать автономно, надежным, прозрачным и масштабируемым образом.

Работа, порученная агентам ИИ

McKinsey подчеркивает важность определения нескольких критически важных рабочих процессов, которые могли бы стать областью ответственности агентов ИИ. Для начала, составление сквозной карты рабочих процессов помогло бы выявить возможности для использования агентов. McKinsey обнаружила, что внедрение ИИ возглавляют отделы обслуживания клиентов, маркетинга, управления знаниями и ИТ. Важно определить четкие метрики, подтверждающие эффективность. Команды должны определить данные, которые можно повторно использовать в различных задачах и рабочих процессах.

McKinsey заключает, что доступ к высококачественным данным является стратегическим конкурентным преимуществом в эпоху агентного ИИ. Поскольку агенты будут генерировать огромные объемы данных, качество данных, их происхождение и стандартизация станут еще более важными в агентном предприятии. И по мере масштабирования агентных систем управление становится основным уровнем контроля. Фундамент данных станет конкурентным преимуществом в эпоху агентного ИИ.