Руководители предприятий потратили два года и сотни миллиардов долларов на искусственный интеллект. Результаты оказались неоднозначными. Согласно глобальному опросу McKinsey 2024 года, менее одной трети компаний сообщили, что их инвестиции в ИИ принесли значимую и устойчивую бизнес-ценность. Демонстрации, как правило, впечатляют, а производственная эксплуатация — разочаровывает, пишет на портале BigDataWire Сохам Мазумдар, соучредитель и генеральный директор WisdomAI.

Чаще всего предлагается диагноз: модель недостаточно хороша, инфраструктура данных недостаточно зрелая или сотрудники не прошли обучение. Этот диагноз в значительной степени неверный или, по крайней мере, неполный.

Настоящая проблема заключается в контексте, а именно в отсутствии устойчивого, динамического слоя корпоративного контекста, расположенного между ИИ и данными. Пока организации не поймут, что это значит, и не начнут действовать соответствующим образом, модернизация моделей и инвестиции в инфраструктуру не устранят этот пробел.

Пробел в контексте

Каждая корпоративная система ИИ, будь то инструмент разговорной аналитики, агент финансового планирования или оптимизатор цепочки поставок, работает путем преобразования человеческого вопроса в задачу, выполняемую машиной. Для точного преобразования система должна понимать бизнес, значение данных, как определяются метрики, какие бизнес-правила применяются и как эти правила развивались с течением времени.

Именно это понимание мы подразумеваем под контекстом. В большинстве корпоративных внедрений он либо отсутствует, либо неполный, либо устаревает быстрее, чем кто-либо успевает его отслеживать.

Рассмотрим пример глобального производителя из списка Global 2000, внедряющего систему ИИ для финансовой аналитики. Система может получать доступ к хранилищу данных и выполнять запросы. Но может ли она точно рассчитать валовую прибыль по бизнес-подразделениям, если правила должны учитывать внутрикорпоративные переводы, региональное распределение затрат и исключения, сделанные в ходе двух последних приобретений? Эти правила существуют в головах нескольких старших финансовых аналитиков. Они существуют в электронных таблицах, в трехлетних обсуждениях в Slack, в недокументированной институциональной памяти. Когда аналитики меняют роли или уходят на пенсию, знания исчезают, и система ИИ, лишённая этого контекста, начинает генерировать ответы, которые точны, но неверны.

Это не проблема качества данных. Это проблема контекста, и она проявляется во всех отраслях.

Четыре измерения, в которых руководители ошибаются

Существует четыре структурных требования для эффективного контекстного слоя, и большинство организаций не справляются со всеми из них.

1. Контекст должен быть самообучающимся. Наиболее распространённая ошибка — рассматривать контекст как разовую реализацию. Организации вкладывают значительные средства в первоначальные усилия по сбору контекста, помечая метаданные, документируя бизнес-определения, каталогизируя утверждённые запросы, а затем считают процесс завершенным, чего никогда не бывает.

Контекст постоянно и часто незаметно разрушается. Схемы меняются по мере того, как инженерные команды развивают модель данных. Происходит дрифт данных, поскольку источники данных меняются способами, о которых никто официально не объявляет. Бизнес-метрики переопределяются, «ARR» означает что-то другое после приобретения или изменения модели ценообразования. Бизнес-процессы реорганизуются, и логика, лежащая в основе панелей мониторинга за прошлый квартал, незаметно становится неверной. К тому времени, когда ошибка проявляется, контекст часто устаревает уже несколько месяцев.

Если слой контекста зависит от людей, которые его поддерживают, люди становятся узким местом, и они всегда будут терять позиции. Эффективный механизм контекста должен постоянно обучаться на основе моделей использования, проверенных ответов и исправлений, внесенных людьми, улучшаясь со временем, а не деградируя.

2. Контекст многомерен и не может быть зафиксирован в одном месте. Корпоративные знания не хранятся в одной системе. Они одновременно существуют в схемах, в логике, закодированной в проверенных за много лет запросах аналитиков, в формальной и неформальной документации, в семантическом слое и слое метаданных, а также в неявных знаниях, которые существуют только в головах людей.

Ошибка большинства предприятий заключается в том, что они стремятся к одному источнику контекста — каталогу метаданных, семантическому слою, словарю данных — и ожидают, что он возьмет на себя всю нагрузку. Ни один отдельный слой не может этого сделать. Утвержденные запросы, которые эксперт-аналитик совершенствовал в течение пяти лет, кодируют бизнес-логику, которую невозможно полностью задокументировать. Слой метаданных фиксирует структуру, но не смысл. Семантический слой фиксирует определения, но не решения, принимаемые в процессе применения этих определений.

Эффективный контекстный слой должен одновременно охватывать все эти измерения и поддерживать согласованность между ними по мере независимого развития каждого из них.

3. Контекстный слой должен быть архитектурно независим от базовых платформ данных. Это наиболее важное архитектурное решение, к которому большинство организаций относятся недостаточно серьезно.

Когда контекст создается внутри конкретной платформы, будь то облачное хранилище данных, облако-хранилище данных или семантический слой, специфичный для поставщика, он переплетается с проприетарными структурами и API этой платформы. Контекстный слой — это самый ценный интеллектуальный актив, создаваемый организацией, работающей с данными. Он кодирует многолетнюю бизнес-логику, проверенные запросы и институциональные знания. Когда этот актив зависит от платформы, организация теряет свою архитектурную гибкость и переговорные возможности.

Ситуацию усугубляет реальность, с которой уже сталкивается большинство предприятий: данные редко хранятся в одном месте. Типичная компания из списка Global 2000 работает в гетерогенной среде: Snowflake для корпоративного хранилища данных, Databricks для рабочих нагрузок анализа данных, Salesforce для CRM, SAP для ERP и длинный хвост унаследованных и ведомственных систем, которые в ближайшее время не будут объединены. Контекстный слой, встроенный в любую из этих платформ, фиксирует то, что видит эта платформа, и ничего больше. Наиболее важные бизнес-вопросы, связывающие показатели выручки с операционными данными и поведением клиентов, требуют контекста, охватывающего все эти аспекты.

Таким образом, абстрагирование — это не просто защита от будущих изменений платформы, это единственная архитектура, которая может соответствовать реальности того, как корпоративные данные существуют сегодня. Стеки данных развиваются, миграции происходят, и платформа, оптимальная сегодня, может перестать быть оптимальной через три года. Организации, которые абстрагировали свой контекстный слой, теперь могут обслуживать весь спектр своих данных и осуществлять переход на новые платформы без необходимости начинать все заново, в то время как те, кто этого не сделал, ограничены в обоих измерениях, часто обнаруживая издержки только тогда, когда миграция уже началась.

4. Каждый ИИ-агент наследует проблему контекста и усугубляет ее. Четвертое измерение становится актуальным только сейчас, когда предприятия переходят от "вторых пилотов и чат-ботов к автономным агентам.

При использовании копилота в цикле участвует человек. Аналитик читает ответ, выносит суждение, выявляет ошибку. Цикл обратной связи достаточно гибок. Отличительной же характеристикой агентного ИИ является то, что он работает без постоянного контроля со стороны человека. Агенты выполняют запросы, синтезируют данные, генерируют отчеты и запускают последующие рабочие процессы автономно, в масштабе и непрерывно.

Эта автономность является ценностным предложением, и именно поэтому высокое качество базового контекстного слоя становится обязательным.

Плохо настроенная панель мониторинга выдает неверную цифру одному человеку на одном совещании. Агент, работающий с устаревшим или неполным контекстом, распространяет эту ошибку на десятки нижестоящих систем и решений, прежде чем кто-либо поймет, что что-то пошло не так. Автономия, которая делает агентов ценными, — это то же самое свойство, которое делает плохой контекст таким опасным. Каждый агент, развернутый организацией, заслуживает доверия лишь настолько, насколько хорош контекст, лежащий в его основе, а уверенные, но неверные ответы, предоставляемые со скоростью машины и встроенные в автоматизированные рабочие процессы, представляют собой потенциальный сбой в управлении.

Структура для принятия инвестиционных решений

Для руководителей высшего звена, оценивающих инвестиции в ИИ, стоит задать поставщикам четыре прямых вопроса:

• Обучается ли система или требует ручного обслуживания? Контекстный слой, зависящий от человеческого контроля, будет разрушаться, поэтому стоит конкретно спросить поставщиков, как контекст обновляется с течением времени и какие человеческие усилия требуются для поддержания его точности.

• Сколько измерений контекста она охватывает? Решения, которые рассматривают только один слой — метаданные, семантические определения или историю запросов — в отрыве от контекста, следует рассматривать со скептицизмом. Более надежные системы интегрируют несколько измерений контекста и поддерживают их согласованность по мере развития каждого из них.

• Переносим ли контекст? Если организации потребуется сменить платформу данных через два года, что произойдет с созданным ею контекстом? Ответ на этот вопрос покажет, насколько сильно в архитектуре заложена стратегическая привязка к поставщику.

• Какова модель управления агентами? Перед развертыванием автономных агентов организации должны иметь возможность четко определить, в каком контексте эти агенты работают, как этот контекст проверяется и какие механизмы существуют для обнаружения и исправления ошибок до их распространения.

Стратегические последствия

Схема, наблюдаемая в успешных внедрениях ИИ на предприятиях, остается неизменной. Организации, создающие долгосрочную ценность, не обязательно обладают самыми большими моделями или наибольшим объемом данных. Это те, кто инвестирует в живой, многомерный, платформенно-независимый контекстный слой и рассматривает его как стратегический актив, а не как деталь реализации.

Для предприятий создание и поддержание этого контекстного слоя — это инвестиции в ИИ. Организации, которые осознают это сейчас, получат накопительное преимущество, в то время как те, кто продолжит рассматривать это как второстепенный аспект, окажутся в дорогостоящем и повторяющемся цикле пилотных проектов, которые впечатляют на демонстрациях и разочаровывают в производственной среде.