Вы находитесь на совещании. Кто-то открывает дашборд, озвучивает цифру по теме, которую вы знаете досконально, и объявляет о серьезных изменениях. Это звучит неправильно. Не слегка неточно. Совершенно неверно. Вы спрашиваете, откуда взялась эта цифра, и получаете ответ: «Я выгрузил ее из нашей базы данных и спросил у ChatGPT». Мало того, что они ошиблись, так они уже успели поделиться этим по всей организации.
Любой, кто работал с данными в последнее время, знаком с этим сценарием. Классический вариант звучал так: «Мне так сказал дашборд Tableau, который я построил». Но сегодняшние масштабы вызывают головокружение. В двух шагах от сотрудника, просящего ChatGPT проанализировать электронную таблицу, кто-то другой использует плагин Claude, который сам определяет свои метрики, выбирает собственные соединения и еженедельно делится инсайтами. Третий человек запускает Cortex на основе семантической модели, разработанной инженером данных для совершенно иных целей. И самое страшное то, что более опытные пользователи больше не просто задают вопросы — они создают агентов, которые выполняют работу на основе анализа этих данных.
Каждый такой сценарий демонстрирует попытку двигаться быстро с помощью ИИ. И в каждом из них вы незаметно теряете способность доверять результату или видеть риски, накапливающиеся за ним.
Закономерность за закономерностью
Большую часть последних шести-девяти месяцев я обсуждал это с клиентами, и снова и снова слышу одну и ту же историю в разных интерпретациях. Никто не хочет тормозить людей. Cortex, Claude, ChatGPT, встроенные средства BI — это хорошие инструменты, и те, кто ими пользуется, поступают именно так, как вам и хотелось бы: быстрее находят ответы и пытаются превратить их в действия.
Проблема не в инструментах. Проблема в том, что каждый интерфейс изобретает свою собственную версию истины. Свою собственную семантику. Свое собственное понимание того, что регулируется, а что нет. Свое собственное представление о том, как рассчитывается «активный клиент».
Стандартное решение вполне разумно: создать семантическую модель внутри потребительского инструмента. Одно метрическое представление здесь, семантическое представление Snowflake там, модель Power BI где-то еще. Это работает ровно до тех пор, пока в следующем квартале интерфейсы снова не умножатся. А это произойдет. Большинство команд, с которыми я общаюсь, меняли свой набор инструментов для работы с ИИ по меньшей мере один раз за последний год.
И теперь вы полагаетесь на людей, которые должны поддерживать четыре или пять семантических моделей свежими, согласованными друг с другом и соответствующими вашим политикам управления. Вручную. Это гораздо больше, чем очередной проект по документации; это также бремя обслуживания и зона риска, причем обе эти составляющие растут по экспоненте.
Финал предсказуем: метаданные устаревают. Устаревшие метаданные напрямую приводят к неточным результатам работы ИИ, снабжая LLM контекстуально неверной информацией, которая ведет к неверным ответам. В больших масштабах такие неточные результаты вызывают скрытую потерю веры во всю вашу корпоративную стратегию использования ИИ.
В этом заключается главная боль. Все, о чем мы объявляем на revAlation на этой неделе, призвано вылечить ее не с помощью маркетингового лозунга, а с помощью вещей, которые вы действительно можете использовать. Вот как я смотрю на то, что мы выпустили, структурируя по проблемам, на решение которых это направлено.
Проблема первая: лучшие знания заперты в неправильной форме
Спросите любую команду, где живет реальный контекст — то есть то, что объясняет, почему цифры именно такие, — и они укажут на документы: политики комплаенса, производственные руководства, стандартные операционные процедуры, тренды в Slack, страницы в Confluence и PDF-файлы в SharePoint.
Операционализация этих знаний означает превращение таких критически важных политик и метаданных в структурированный контекст, чтобы корпоративные ИИ-агенты могли выдавать точные рекомендации. Это создает две основные проблемы. Во-первых, они разрозненны и изолированы, без единого управления и отслеживания. Во-вторых, что менее очевидно: наблюдается избыток контекста без указаний на то, чему отдать приоритет. Передача всего этого ИИ может фактически привести к менее точным результатам.
Вы платите больше, ждете дольше и получаете более размытый ответ, потому что полезный сигнал размывается всем сопутствующим материалом. На самом деле вам нужна правильная часть метаданных, ограниченная соответствующим процессом, свежая и управляемая — а не весь стог сена.
Управляемые коллекции (Governed Collections) решают проблему изоляции, перенося документы из SharePoint, S3, Confluence и Google Drive в каталог в качестве управляемых объектов с теми же метаданными, отслеживанием жизненного цикла и версионированием, которые мы применяем к таблице. Агенты потребляют коллекцию по ссылке, поэтому при изменении исходного документа агент считывает актуальную версию. Никакой повторной загрузки, никакого расхождения между тем, что находится в документе, и тем, что, по мнению агента, находится в нем. (Бета-версия на revAlation.)
Онтологии предоставляют «нужный срез» релевантных метаданных. Онтология — это ограниченная, непрерывно обновляемая карта того, как данные, метрики и политики связаны в рамках конкретного бизнес-процесса; она извлекается агентами из документов, которые уже описывают работу бизнеса, проверяется людьми, которые это знают, и опирается на управляемый контекст каталога. Она дает агенту четкие правила для выполнения, связи для обхода и ограничения для соблюдения, избавляя его от необходимости пытаться самостоятельно понять, как правильно следовать процессу. Она построена на стандартах W3C и экспортируется как MCP-сервер, поэтому работает с любой средой выполнения агентов, которую вы используете. (Бета-версия на revAlation.)
Проблема вторая: ИИ повсюду, и ни один инструмент не согласен с другим
Вспомните проблему фрагментации из начала этой статьи: выгрузка в ChatGPT, плагин Claude для живой базы данных, Snowflake Cortex, встроенный BI. Каждый инструмент отлично работает сам по себе. Вместе они создают пять параллельных, противоречащих друг другу определений для каждой метрики, на которую опирается ваша компания, и нить, связывающая их воедино, отсутствует.
Управление семантическими моделями (Semantic Model Mastering) решает эту проблему разрастания, и теперь оно общедоступно как для Snowflake, так и для Databricks.
Концепция проста: одно место для каталогизации, обогащения и управления семантическими моделями, где продукт данных выступает в качестве высшего авторитета. «Активный клиент» сводится к одному определению. Измените его один раз, и оно изменится везде. Семантические модели повышаются до статуса управляемых продуктов данных с реальным владением, рабочими процессами утверждения, версионированием, оценками и контрактами качества — вместо того чтобы существовать в виде разрозненных файлов в том инструменте, который последним их создал. Эти продукты данных поддерживаются динамически: система автоматически предлагает новые версии на основе изменений в исходных системах, сбоев качества, новых вариантов использования. После утверждения эти обновления синхронизируются обратно с другими вашими интерфейсами потребления.
Слепая зона комплаенса ИИ: управление использованием, а не моделью
Каждая ступенька этой лестницы потребления — это не просто интерфейс; это сценарий использования ИИ. Люди по всей вашей компании используют ИИ для принятия решений или влияния на них, и это происходит с помощью инструментов, которые вы, возможно, даже не внесли в инвентаризацию, на основе данных, которые вы, возможно, не сертифицировали, и при нормативном режиме, который никто не проверял.
Этот риск не заявляет о себе во все услышанье. Он накапливается тихо и незаметно. Человек, получивший плохую выгрузку, может это заметить. Агент, получивший плохую выгрузку just acts on it.
Большинство инструментов пытаются управлять моделью изолированно, создавая статические карточки моделей. Но регуляторы, аудиторы и советы директоров спрашивают, как именно используется эта модель и можно ли доверять лежащим в ее основе данным. Когда начинается аудит или ставится под сомнение соответствие Закону ЕС об искусственном интеллекте, тратить недели на восстановление доказательной базы из таблиц и веток в Slack — это опасная позиция.
Управление ИИ решает эту проблему путем контроля использования, привязывая каждую модель и агента непосредственно к актуальной базе данных каталога, которая включает происхождение, политики, качество и права владения.
В revAlation мы расширяем эту структуру, чтобы обеспечить вам полную прозрачность и готовность к аудиту всей вашей инфраструктуры ИИ:
- Кросплатформенный реестр ИИ: регистрируйте и проводите инвентаризацию каждой модели и агента на платформах Databricks, AWS, Azure, Google Cloud и в пользовательских средах выполнения, связывая каждый актив напрямую с его бизнес-сценарием и зависимостями данных.
Кросплатформенный реестр ИИ: регистрируйте и проводите инвентаризацию каждой модели и агента на платформах Databricks, AWS, Azure, Google Cloud и в пользовательских средах выполнения, связывая каждый актив напрямую с его бизнес-сценарием и зависимостями данных.
- Автоматизированное сопоставление с нормативными требованиями: автоматически сопоставляйте варианты использования с основными стандартами (включая Закон ЕС об ИИ, NIST AI RMF, ISO 42001 и GDPR), разбивая правила на рабочие процессы утверждения с учетом рисков и подтверждения доказательствами.
Автоматизированное сопоставление с нормативными требованиями: автоматически сопоставляйте варианты использования с основными стандартами (включая Закон ЕС об ИИ, NIST AI RMF, ISO 42001 и GDPR), разбивая правила на рабочие процессы утверждения с учетом рисков и подтверждения доказательствами.
- Происхождение агентов и аудит в реальном времени: отслеживайте риски соответствия агента вплоть до актуального качества и статуса политик используемых им данных.
Происхождение агентов и аудит в реальном времени: отслеживайте риски соответствия агента вплоть до актуального качества и статуса политик используемых им данных.
Вместо суматохи на неделе аудита вы получаете непрерывный обзор вашего состояния соответствия требованиям в реальном времени, что позволяет доказывать соблюдение норм по запросу, а не к дедлайну. (Доступно клиентам Alation уже сегодня; расширяется в revAlation)
Проблема третья: все устаревает, и никто не придет на помощь
Все мы согласны с тем, что контекст имеет значение. Все мы согласны с тем, что кураторство имеет значение. А затем кто-то задает неудобный вопрос: кто вообще собирается поддерживать все это в актуальном состоянии.
Для большинства организаций честный ответ — никто. Проекты по ручному документированию просто не успевают за изменяющимися системами (не говоря уже о поддержании синхронизации между пятью системами).
Именно здесь пересекаются управление и точность: устаревший контекст — это не просто вопрос гигиены, он напрямую подпитывает неточные и несогласованные результаты работы ИИ. Как только что-то устаревает в одной плоскости, противоречащие друг другу определения всплывают в другом месте. Свежесть контекста — это залог согласованности метрик.
Единственный путь вперед — это контекст, который поддерживает и распространяет себя автоматически. Этот принцип лежит в основе каждой функции, описанной здесь: управляемые подборки, которые читают живые документы, онтологии, которые обновляются непрерывно, и управление семантическими моделями, синхронизируемое с источником.
И именно поэтому мы создали Intelligent Feeds.
Вместо того чтобы превращать аналитику данных в место назначения, которое люди должны вспоминать и посещать, она сама находит их. Инсайты, анализ и визуализация данных доставляются в виде управляемых сигналов тем людям, которым необходимо действовать на их основе прямо там, где они уже работают. Каждый показатель восходит к управляемому продукту данных, и любой желающий может задать уточняющий вопрос на обычном языке вместо создания тикета. (Бета-версия в revAlation.)
Возвращаясь к той встрече
Все это вовсе не для того, чтобы затормозить людей. Они должны продолжать использовать ChatGPT, Claude, Cortex или то, что работает быстрее всего для поставленной перед ними задачи.
Цель состоит в том, чтобы гарантировать: когда они это делают,
- Метрики совпадают: определение, полученное в быстром запросе, совпадает с тем, что представлено в презентации для совета директоров.
Метрики совпадают: определение, полученное в быстром запросе, совпадает с тем, что представлено в презентации для совета директоров.
- Контекст актуален: политики и метаданные, которые читают их ИИ-агенты, всегда свежие и контролируемые.
Контекст актуален: политики и метаданные, которые читают их ИИ-агенты, всегда свежие и контролируемые.
- Риски видны: уязвимости в вашей инфраструктуре ИИ выявляются до того, как об этом спросит аудитор или член совета директоров.
Риски видны: уязвимости в вашей инфраструктуре ИИ выявляются до того, как об этом спросит аудитор или член совета директоров.
Вам не нужно выбирать между быстрым движением и правильным результатом. Именно к этому мы шли вместе с нашими клиентами и именно это мы выпускаем на этой неделе. Чтобы узнать, как Alation может помочь вашей компании, свяжитесь с нами и начните диалог уже сегодня.
Есть и другие новости, о которых мы объявили на revAlation, включая Console, переосмысление того, как вы работаете внутри самой Alation. Это заслуживает отдельного поста. Скоро.
Источники и примечания
Каждое внешнее утверждение в этом посте подлежит независимой проверке. Общедоступные источники перечислены здесь.
1. Cortex Analyst использует семантические представления Snowflake для интерпретации данных и генерации SQL. — Snowflake, "Cortex Analyst," документация продукта, по состоянию на 15 сентября 2026 г. ↗ https://docs.snowflake.com/en/user-guide/snowflake-cortex/cortex-analyst
2. Проблемы безопасности и рисков в настоящее время являются главным препятствием на пути к достижению полностью масштабируемого автономного ИИ, на что указали 62% организаций — опережая технические ограничения и неопределенность регулирования (оба показателя по 38%) (Рисунок 3.3.10). — Stanford HAI, Отчет об индексе ИИ за 2026 год, Глава 3: Ответственный ИИ, апрель 2026 г. ↗ https://hai.stanford.edu/assets/files/ai_index_report_2026_chapter_3_responsible_ai.pdf
3. Наблюдение автора по результатам общения с клиентами за этот период, а не результат опроса. Что касается контекста базового разрыва в готовности, компания Gartner выяснила, что 63% организаций либо не имеют правильных практик управления данными для ИИ, либо не уверены в их наличии (опрос 1203 руководителей в сфере управления данными, июль 2024 г.). — Gartner, "Отсутствие данных, готовых к ИИ, подвергает проекты в сфере ИИ риску", вопросы и ответы с Роксаной Эддлали (Roxane Edjlali), 26 февраля 2025 г. ↗ https://www.gartner.com/en/newsroom/press-releases/2025-02-26-lack-of-ai-ready-data-puts-ai-projects-at-risk
4. Каждая крупная платформа поддерживает свой собственный семантический слой как отдельный объект продукта: метрики Databricks Unity Catalog, семантические представления Snowflake и семантические модели Power BI. В документации самой Microsoft отмечается, что вендоры "используют разные названия для своих предложений семантических моделей… Они нацелены на один и тот же вариант использования, но предлагают разный уровень зрелости". Документация вендора, по состоянию на 15 сентября 2026 г. ↗ https://docs.databricks.com/aws/en/uc-semantics/metric-views/ ↗ https://docs.snowflake.com/en/user-guide/views-semantic/overview ↗ https://learn.microsoft.com/en-us/power-bi/connect-data/semantic-models-third-party
5. В рекомендациях Gartner говорится, что данные, готовые к ИИ, — это "не разовое дело", что метаданные должны эволюционировать от пассивных к активным, а традиционные операции по управлению данными "слишком медленные, слишком структурированные и слишком жесткие для команд ИИ". — Gartner, 26 февраля 2025 г. ↗ https://www.gartner.com/en/newsroom/press-releases/2025-02-26-lack-of-ai-ready-data-puts-ai-projects-at-risk
6. Доля организаций, называющих неточность актуальным риском ИИ, выросла с 60% в 2024 году до 74% в 2025 году — это самый большой прирост за один год среди всех отслеживаемых рисков (Рисунок 3.3.5). — Stanford HAI, Отчет об индексе ИИ за 2026 год, Глава 3, апрель 2026 ↗ https://hai.stanford.edu/assets/files/ai_index_report_2026_chapter_3_responsible_ai.pdf
7. Производительность языковых моделей существенно снижается, когда релевантную информацию необходимо извлечь из середины длинного входного контекста, даже в моделях, созданных специально для работы с длинными контекстами. Относится к точности вывода; влияние больших контекстных окон на стоимость и задержку рассматривается отдельно. — Нельсон Ф. Лю (Nelson F. Liu), Кевин Лин (Kevin Lin), Джон Хьюитт (John Hewitt), Ашвин Паранджапе (Ashwin Paranjape), Микеле Бевилакква (Michele Bevilacqua), Фабио Петрони (Fabio Petroni) и Перси Лианг (Percy Liang), «Lost in the Middle: How Language Models Use Long Contexts», Transactions of the Association for Computational Linguistics, т. 12, с. 157–173, февраль 2024 г. doi:10.1162/tacl_a_00638 ↗ https://aclanthology.org/2024.tacl-1.9/
8. Семантические слои от разных производителей не предназначены для согласования друг с другом. В документации Microsoft указано, что наложение семантической модели стороннего производителя на семантическую модель Power BI «в целом не поддерживается», что сторонние производители «обычно также не поддерживают» наложение поверх семантических моделей Power BI, и что объединение выводимых связей между двумя семантическими слоями «может приводить к неверным значениям даже для простых метрик». — Microsoft, «Semantic models and third-party compatibility», документация Power BI, последнее обновление 6 июля 2026 г., по состоянию на 15 сентября 2026 г. ↗ https://learn.microsoft.com/en-us/power-bi/connect-data/semantic-models-third-party
9. Количество зафиксированных инцидентов с ИИ достигло 362 в 2025 году по сравнению с 233 в 2024 году (База данных инцидентов с ИИ). Среди организаций, сообщивших об инцидентах, доля столкнувшихся с тремя-пятью такими случаями выросла за год с 30% до 50%, в то время как доля тех, кто оценивает качество реагирования на инциденты как «отличное», снизилась с 28% до 18% (Рисунки 3.3.3, 3.3.4). — Stanford HAI, Отчет об индексе ИИ за 2026 год, Глава 3, апрель 2026 ↗ https://hai.stanford.edu/assets/files/ai_index_report_2026_chapter_3_responsible_ai.pdf
10. Примечание к срокам. Вслед за Цифровым омнибусом по ИИ обязательства в отношении систем с высоким риском согласно Главе III, Разделам 1–3 Закона ЕС об искусственном интеллекте теперь применяются со 2 декабря 2027 года для систем, классифицированных как высокорисковые в соответствии со статьей 6(2) и Приложением III, и со 2 августа 2028 года для систем в соответствии со статьей 6(1) и Приложением I (пункт 40 преамбулы). Обязательства по прозрачности по статье 50 вступили в силу 2 августа 2026 года, как и планировалось изначально. — Регламент (ЕС) 2026/1744 Европейского парламента и Совета от 8 июля 2026 г., опубликован в Официальном журнале 24 июля 2026 г., вступил в силу 27 июля 2026 г. ↗ https://eur-lex.europa.eu/legal-content/EN/TXT/HTML/?uri=OJ%3AL_202601744
11. Традиционные операции по управлению данными «слишком медленные, слишком структурированные и слишком жесткие для команд, работающих с ИИ»; варианты использования данных часто плохо документированы, а сами данные изолированы в различных репозиториях, системах и платформах. — Gartner, 26 февраля 2025 г. ↗ https://www.gartner.com/en/newsroom/press-releases/2025-02-26-lack-of-ai-ready-data-puts-ai-projects-at-risk
