Согласно отчету Perforce Delphix «The Synthetic Data Market Gap: Findings from Our 2026 Survey», только 34% руководителей доверяют ссылочной целостности (referential integrity) синтетических данных. Маянк Ахлувалия, старший продакт-менеджер Perforce Delphix, рассказывает на портале The New Stack о том, как высокое качество данных способствует их применению в корпоративном тестировании ПО.

Хотя руководители компаний в целом высоко оценивают потенциал синтетических данных, их внедрение идет медленно. В результате этот огромный потенциал остается нереализованным. Что же делать? Компаниям нужен правильный, основанный на качестве подход, который обеспечивает ссылочную целостность и вызывает доверие.

Исследование Perforce Delphix показывает, что главным препятствием для внедрения синтетических данных является не недостаток осведомленности, вопросы соответствия нормативным требованиям или управление данными, а именно их качество. Руководители в различных отраслях все чаще осознают ценность синтетических данных: они помогают защитить конфиденциальную информацию, ускорить работу автономных агентов и расширить доступ к данным без увеличения рисков.

Однако, согласно нашему исследованию, лишь 38% руководителей считают, что синтетические данные достаточно реалистичны, и только 34% уверены в том, что в них сохраняется ссылочная целостность.

Вероятно, именно по этой причине использование синтетических данных в командах разработки и тестирования ПО остается на удивление ограниченным. В итоге компании упускают возможности, которые могут предоставить по-настоящему качественные синтетические данные. Первый шаг к использованию этих возможностей — убедиться, что синтетические данные соответствуют вашим стандартам качества.

Перспективы синтетических данных

Синтетические данные привлекают к себе пристальное внимание, и не без оснований. Долгие годы организации пытались найти баланс между двумя противоречивыми задачами: предоставлением командам необходимых данных и защитой конфиденциальной информации.

Традиционные подходы часто вынуждают выбирать между доступом к данным и рисками. Либо доступ ограничивается, что создает узкие места в процессах разработки и тестирования, либо данные распространяются слишком широко, что повышает риски, связанные с безопасностью и соблюдением нормативных требований.

Создавая новые наборы синтетических данных, которые отражают характеристики реальных рабочих данных, но лишены рисков, связанных с конфиденциальностью, организации могут повысить доступность тестовых данных, сохраняя при этом контроль и соответствие нормативным требованиям. Более половины компаний (51%) уже используют синтетические данные для защиты конфиденциальной информации — наряду с такими методами, как статическое или динамическое маскирование. Это весьма перспективный подход, особенно сейчас, когда развитие ИИ-агентов повышает потребность бизнеса в качественных и легкодоступных данных.

Разумеется, хотя создавать синтетические данные довольно просто, далеко не все они одинаково хороши. Многие организации уже пробовали использовать синтетические данные, но не добились улучшений в разработке и тестировании приложений — зачастую потому, что таким данным не хватало реалистичности или в них не были сохранены взаимосвязи между элементами.

Вопрос внедрения синтетических данных сводится к доверию: могут ли современные решения в этой области обеспечить необходимый уровень реалистичности, с которым раньше возникали сложности? Современный подход, основанный на использовании искусственного интеллекта (AI-first) и ставящий во главу угла качество данных при их масштабном создании, позволяет снять старые опасения.

Разработчикам нужно нечто большее, чем просто защищенные данные

Если руководство компаний часто оценивает синтетические данные с точки зрения управления и безопасности, то команды разработчиков смотрят на них через призму качества. На сегодняшний день 66% руководителей в сфере разработки ПО не используют синтетические данные в процессах создания и тестирования продуктов.

Для разработчиков и тестировщиков главный вопрос — не в том, защищены ли данные, а в том, насколько они полезны. Их интересует следующее:

  • Могут ли данные точно отражать поведение клиентов?
  • Подходят ли они для реализации сложных сценариев тестирования?
  • Сохраняются ли в них взаимосвязи между различными системами?
  • Дают ли они уверенность в том, что приложения, протестированные сегодня, будут корректно работать в реальной рабочей среде завтра?

Эти вопросы критически важны. Командам, которые тестируют приложения, бизнес-процессы, рабочие потоки, интеграции и пользовательский опыт, нужны не просто «правдоподобные» данные. Им необходимы данные, в которых сохранены контекст, взаимосвязи и реалистичность — всё то, что делает информацию осмысленной.

Приведем пример: если в поле «кредитный рейтинг» вставить случайное число, что технически может быть допустимо, такие данные не будут соответствовать реальности. Создавая данные в рамках реальных диапазонов и ограничений, вы обеспечиваете их достоверность и высокое качество.

Если данным не хватает реалистичности или они не отражают реальное поведение системы, возникает риск: приложения будут проверяться на сценариях, которые в действительности никогда не встречаются в рабочей среде. Итогом могут стать программные дефекты, неудачные релизы и недостоверные результаты тестирования.

Как выглядят достоверные синтетические данные

Чтобы синтетические данные могли поддерживать масштабное развитие предприятия, они должны вести себя так же, как и системы, которые они представляют. Не каждый инструмент синтетических данных может это сделать, но вы можете настроить правила генерации для обеспечения ссылочной целостности в различных средах данных.

Корпоративные приложения редко работают в одной базе данных. Информация о клиентах может находиться в одной системе, заказы — в другой, а информация о платежах — в третьей. Тестирование работает только тогда, когда эти отношения остаются неизменными в разных средах. Иначе команды не тестируют реальные бизнес-процессы. Они тестируют отключенные компоненты изолированно.

Поэтому организациям, оценивающим инструменты синтетических данных, следует рассматривать некоторые возможности как не подлежащие обсуждению:

  • Сохранение связей между базами данных и системами, а не только внутри одной схемы. Корпоративные приложения зависят от межсистемных зависимостей, и синтетические данные должны их отражать. Например, две диаграммы, такие как «Инвестор» и «Инвестиционный счет», всегда должны быть связаны.
  • Генерация данных в порядке зависимости, чтобы отношения родитель-потомок оставались неизменными во всей среде.
  • Проверка реалистичности и бизнес-логики, чтобы гарантировать, что сгенерированные данные соответствуют ожидаемым форматам, диапазонам, распределениям и правилам. Набор тестовых данных никогда не должен создавать невозможные сценарии, такие как неверные идентификаторы или бессмысленные бизнес-результаты.
  • Постоянная оценка качества данных по мере развития схем. Если синтетические данные требуют обширной ручной реконфигурации каждый раз при изменении исходной системы, качество и доверие со временем неизбежно ухудшаются.

Если установить эти флажки, синтетические данные могут оставаться полезными для разработки, одновременно снижая риск конфиденциальности данных.

Почему ИИ делает эту проблему еще более актуальной

Рост развития разработки с помощью ИИ обнажает давнюю проблему, которую сейчас невозможно игнорировать: выпуск ПО может развиваться только так же быстро, как и поддерживающие его данные.

Хотя генерация кода значительно ускорилась, доступ к высококачественным тестовым данным отстает. Синтетические данные могут помочь преодолеть этот разрыв. В отличие от производственных данных, синтетические данные могут генерироваться по требованию.

Эта возможность особенно ценна, когда командам нужны специально созданные данные для новых приложений, функций, крайних случаев и инициатив на основе ИИ, где производственные данные могут отсутствовать или их сложно использовать. Синтетические данные позволяют командам создавать реалистичные сценарии тестирования по требованию и выполнять проверку на более ранних этапах жизненного цикла разработки.

В то же время синтетические данные не обязательно заменяют другие подходы к тестированию. Все чаще организации находят ценность в сочетании двух подходов: использовании маскированных данных для известных рабочих процессов и использовании синтетических данных для расширения охвата и тестирования совершенно новых сценариев. Вместе они обеспечивают реализм и гибкость.

Общей нитью является доверие. Независимо от того, тестируют ли команды новые функции, проверяют интеграции или поддерживают разработку с помощью ИИ, уверенность зависит от того, насколько точно данные отражают взаимосвязи и контекст реальных систем. Ссылочная целостность больше не является технической необходимостью. Она становится предпосылкой для значимого внедрения синтетических данных.

Будущее синтетических данных зависит от доверия к ним

Следующий этап внедрения синтетических данных будет зависеть от того, доверяют ли инженерные команды этим данным в достаточной степени, чтобы создавать, тестировать и внедрять инновации с их помощью.

По мере того, как скорость выпуска ПО все больше определяется скоростью работы агентов, надежные данные становятся конкурентным преимуществом. Организациям нужны данные, которые можно генерировать быстро, но они также должны точно отражать реальные отношения, бизнес-процессы и поведение системы.

Компании, которые устранят этот разрыв, не будут просто генерировать больше синтетических данных. Они будут генерировать реалистичные, ссылочно точные и соответствующие назначению данные, которые разработчики смогут с уверенностью использовать для ускорения выпуска своих релизов и которые помогут им идти в ногу с ИИ.

В конечном счете, внедрение синтетических данных не является проблемой осведомленности. Это проблема доверия, а доверие зависит от качества данных.