Вы на совещании. Кто-то открывает дашборд, называет цифру по теме, которую вы знаете досконально, и объявляет о серьезных изменениях. Это звучит неправильно. Не просто немного неточно. Совершенно неверно. Вы спрашиваете, откуда взялась эта цифра, и получаете ответ: «Я взял ее из нашей базы данных и спросил ChatGPT». Мало того, что они ошиблись, они уже распространили это по всей организации.
Любой, кто работал с данными в последнее десятилетие, знаком с этим сценарием. Классическая версия звучала так: «Мне сказал дашборд в Tableau, который я построил». Но сегодняшний масштаб просто ошеломляет. В соседнем кабинете человек, просящий ChatGPT проанализировать электронную таблицу, использует плагин Claude, который определяет свои собственные метрики, выбирает свои собственные объединения (joins) и делится еженедельными инсайтами. Третий человек запускает Cortex на основе семантической модели, которую инженер данных разработал для совершенно других целей. И самое пугающее заключается в том, что более продвинутые пользователи больше не просто задают вопросы — они создают агентов, которые выполняют работу на основе анализа этих данных, проведенного самим агентом.
Каждый такой сценарий — это попытка человека двигаться быстро с помощью ИИ. И каждый из них — это место, где вы незаметно теряете способность доверять ответу или видеть риски, накапливающиеся за ним.
Паттерн за паттерном
Я провел большую часть последних шести-девяти месяцев, обсуждая это с клиентами, и постоянно слышу одну и ту же историю на разные лады. Никто не хочет замедлять работу людей. Cortex, Claude, ChatGPT, встроенные BI-инструменты — это хорошие инструменты, и люди, использующие их, делают именно то, что вы и хотите: быстрее получают ответы и пытаются превратить их в действия.
Проблема не в инструментах. Проблема в том, что каждая поверхность (интерфейс) изобретает свою собственную версию истины. Свою собственную семантику. Свое собственное понимание того, что является управляемым (governed), а что нет. Свое собственное представление о том, как рассчитывается «активный клиент».
Стандартное решение кажется разумным: построить семантическую модель внутри инструмента потребления. Метрическое представление здесь, семантическое представление Snowflake там, модель Power BI вон там. Это работает ровно до тех пор, пока в следующем квартале количество поверхностей снова не увеличится. А они увеличатся. Большинство команд, с которыми я общаюсь, как минимум один раз за последний год меняли набор инструментов для потребления ИИ.
И теперь вы полагаетесь на людей, чтобы те поддерживали четыре или пять семантических моделей в актуальном состоянии, согласованными друг с другом и соответствующими вашим политикам управления. Вручную. Это гораздо больше, чем просто очередной проект по документированию; это также бремя обслуживания и поверхность риска, причем оба фактора растут в геометрической прогрессии.
Финал предсказуем: метаданные устаревают. Устаревшие метаданные напрямую способствуют неточным результатам ИИ, подавая LLM контекстуально неверную информацию, что ведет к плохим ответам. В масштабах компании эти неточные результаты вызывают тихую потерю веры во всю вашу стратегию использования ИИ на предприятии.
Это главная боль. Все, что мы анонсируем на revAlation на этой неделе, призвано вылечить ее — не маркетинговым лозунгом, а вещами, которые вы действительно можете использовать. Вот как я оцениваю то, что мы выпустили, сгруппировав по проблемам, которые это призвано решить.
Проблема первая: лучшие знания заперты в неправильной форме
Спросите любую команду, где живет реальный контекст — то, что объясняет, почему цифры именно такие, — и они укажут на документы: политики соответствия требованиям, руководства по производству, стандартные операционные процедуры. Ветки в Slack, страницы в Confluence и PDF-файлы в SharePoint.
Операционализация этих знаний означает превращение этих критически важных политик и метаданных в структурированный контекст, чтобы корпоративные ИИ-агенты могли выдавать точные рекомендации. Это создает две основные проблемы: во-первых, они разрознены и изолированы, без единого управления или отслеживания. Во-вторых, что менее очевидно: существует избыток контекста без указаний, что является приоритетным. Передача всего этого ИИ может на самом деле привести к менее точным результатам.
Вы платите больше, ждете дольше и получаете более размытый ответ, потому что сигнал размывается всем, что находится рядом с ним. На самом деле вам нужен правильный срез метаданных, ограниченный соответствующим процессом, свежий и управляемый — а не весь стог сена.
Governed Collections (Управляемые коллекции) решают проблему разрозненности, перенося документы из SharePoint, S3, Confluence и Google Drive в каталог как управляемые объекты с теми же метаданными, отслеживанием жизненного цикла и версионностью, которые мы применяем к таблице. Агенты используют коллекцию по ссылке, поэтому, когда исходный документ меняется, агент считывает текущую версию. Никаких повторных загрузок, никакого расхождения между тем, что в документе, и тем, что агент считает находящимся в документе. (Бета-версия на revAlation.)
Онтологии предоставляют «правильный срез» релевантных метаданных. Онтология — это ограниченная, постоянно 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 знают этот процесс, и основывается на управляемом контексте каталога. Она дает агенту явные правила для выполнения, связи для навигации и ограничения, которым нужно соответствовать, вместо того чтобы заставлять агента пытаться угадать, 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 согласуется с другим
Вспомните проблему фрагментации из начала этого поста: 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 каждой метрики, на которую полагается ваша компания, без какой-либо связующей нити.
Semantic Model Mastering (Управление семантическими моделями) решает этот хаос, 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 рассматривается как высший авторитет. «Активный клиент» сводится к одному определению. Измените его один раз, и оно изменится везде. Семантические модели повышаются до уровня управляемых продуктов данных с реальным владением, рабочими процессами утверждения, версионностью, оценками и контрактами качества — вместо того чтобы существовать как разрозненные файлы в том инструменте, в котором они были созданы последними. 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 с другими вашими поверхностями потребления.
Слепое пятно соответствия ИИ: управление использованием, а не моделью
Каждая ступенька этой лестницы потребления — это не просто поверхность; это вариант 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, не инвентаризировали, на основе данных, которые вы, возможно, не сертифицировали, с регуляторным статусом, который никто не проверял.
Этот риск не объявляет о себе. Он накапливается тихо и незаметно. Человек, который получает плохую выгрузку, может это заметить. Агент, который получает плохую выгрузку, просто действует на ее основе.
Большинство инструментов пытаются управлять моделью изолированно, создавая статические карточки моделей. Однако регуляторы, аудиторы и советы директоров задаются вопросом, как используется эта модель и можно ли доверять лежащим в ее основе данным. Когда приходит время аудита или ставится под сомнение соответствие требованиям EU AI Act, трата недель на восстановление доказательной базы из электронных таблиц и переписок в Slack — это опасная стратегия.
AI Governance решает эту проблему путем управления использованием, привязывая каждую модель и агента непосредственно к актуальной базе данных каталога, которая включает в себя происхождение (lineage), политики, качество и владельцев.
В revAlation мы расширяем эту структуру, чтобы обеспечить вам полную прозрачность и готовность к аудиту всей вашей инфраструктуры ИИ:
- Кроссплатформенный реестр ИИ: регистрируйте и проводите инвентаризацию каждой модели и агента в Databricks, AWS, Azure, Google Cloud и пользовательских средах выполнения, связывая каждый актив непосредственно с его бизнес-кейсом и зависимостями от данных.
Кроссплатформенный реестр ИИ: регистрируйте и проводите инвентаризацию каждой модели и агента в Databricks, AWS, Azure, Google Cloud и пользовательских средах выполнения, связывая каждый актив непосредственно с его бизнес-кейсом и зависимостями от данных.
- Автоматизированное сопоставление с нормативными требованиями: автоматически сопоставляйте варианты использования с основными фреймворками (включая EU AI Act, NIST AI RMF, ISO 42001 и GDPR), разбивая нормативные акты на рабочие процессы утверждения, основанные на оценке рисков и наличии доказательств.
Автоматизированное сопоставление с нормативными требованиями: автоматически сопоставляйте варианты использования с основными фреймворками (включая EU AI Act, NIST AI RMF, ISO 42001 и GDPR), разбивая нормативные акты на рабочие процессы утверждения, основанные на оценке рисков и наличии доказательств.
- Происхождение агентов и аудит в реальном времени: отслеживайте риски соответствия агента вплоть до актуального статуса качества и политик данных, которые он потребляет.
Происхождение агентов и аудит в реальном времени: отслеживайте риски соответствия агента вплоть до актуального статуса качества и политик данных, которые он потребляет.
Вместо того чтобы суетиться в неделю аудита, вы получаете непрерывную, актуальную видимость вашего состояния соответствия требованиям, что позволяет доказать соблюдение норм по запросу, а не в последний момент. (Доступно клиентам Alation уже сегодня; расширяется в revAlation)
Проблема третья: это устаревает, и никто не придет на помощь
Мы все согласны с тем, что контекст имеет значение. Мы все согласны с тем, что курирование имеет значение. А потом кто-то задает неудобный вопрос: кто на самом деле будет поддерживать все это в актуальном состоянии?
Для большинства организаций честный ответ — никто. Проекты по ручному документированию просто не могут поспевать за меняющимися системами (не говоря уже о том, чтобы оставаться синхронизированными между пятью системами).
Здесь сталкиваются управление и точность: устаревший контекст — это не просто вопрос гигиены данных, он напрямую ведет к неточным и противоречивым результатам работы ИИ. Как только что-то устаревает в одном месте, противоречивые определения всплывают в другом. Свежесть контекста — это согласованность метрик.
Единственный путь вперед — это контекст, который поддерживает и распространяет себя автоматически. Этот принцип лежит в основе каждой описанной здесь возможности: управляемые коллекции, которые считывают актуальные документы, онтологии, которые обновляются непрерывно, и управление семантическими моделями, которые синхронизируются с источником.
И именно поэтому мы создали Intelligent Feeds.
Вместо того чтобы относиться к аналитике данных как к месту, которое люди должны не забыть посетить, она становится тем, что находит их само. Инсайты, анализ и визуализация данных доставляются как управляемые сигналы тем, кому нужно действовать на их основе, прямо там, где они работают. Каждая цифра восходит к управляемому продукту данных, и любой может задать уточняющий вопрос на обычном языке вместо создания тикета. (Бета-версия в revAlation.)
Возвращаясь к той встрече
Все это не для того, чтобы замедлить людей. Они должны продолжать использовать ChatGPT, Claude, Cortex или что угодно, что быстрее всего решает стоящую перед ними задачу.
Цель состоит в том, чтобы гарантировать, что когда они это делают:
- Метрики согласованы: определение, полученное в быстром запросе, совпадает с тем, что представлено в отчете для совета директоров.
Метрики согласованы: определение, полученное в быстром запросе, совпадает с тем, что представлено в отчете для совета директоров.
- Контекст актуален: политики и метаданные, которые читают их ИИ-агенты, всегда свежие и управляемые.
Контекст актуален: политики и метаданные, которые читают их ИИ-агенты, всегда свежие и управляемые.
- Риски видны: уязвимости в вашей ИИ-инфраструктуре выявляются до того, как об этом спросит аудитор или член совета директоров.
Риски видны: уязвимости в вашей ИИ-инфраструктуре выявляются до того, как об этом спросит аудитор или член совета директоров.
Вам не нужно выбирать между скоростью работы и ее правильностью. Именно к этому мы стремились в работе с нашими клиентами, и именно это мы выпускаем на этой неделе. Чтобы узнать, как Alation может помочь вашей компании, свяжитесь с нами, чтобы начать диалог уже сегодня.
На revAlation мы анонсировали больше нововведений, включая Console — переосмысление того, как вы работаете внутри самой Alation. Это заслуживает отдельного поста. Скоро будет.
Источники и примечания
Каждое внешнее утверждение в этом посте является независимо проверяемым. Публичные источники перечислены здесь.
1. Cortex Analyst использует семантические представления Snowflake для интерпретации данных и генерации SQL. — Snowflake, "Cortex Analyst", документация продукта, дата обращения 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 для достижения полностью масштабируемого агентного ИИ, что отметили 62% организаций — опережая технические ограничения и регуляторную неопределенность (по 38% каждое) (Рисунок 3.3.10). — Stanford HAI, Отчет AI Index Report 2026, 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 из бесед с клиентами за этот период, а не результат опроса. Для контекста о разрыве в готовности: Gartner обнаружил, что 63% организаций либо не имеют, либо не уверены, имеют ли они правильные методы управления данными для ИИ (опрос 1203 руководителей по управлению данными, июль 2024 г.). — Gartner, "Отсутствие данных, готовых к ИИ, ставит под угрозу ИИ-проекты", вопросы и ответы с Роксаной Эдлали, 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: метрические представления Databricks Unity Catalog, семантические представления Snowflake и семантические модели Power BI. В документации Microsoft отмечается, что поставщики "используют разные названия для своих предложений семантических моделей... Они нацелены на один и тот же вариант использования, но предлагают разные уровни зрелости". Документация поставщиков, дата обращения 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. Рекомендации Gartner гласят, что данные, готовые к ИИ, — это "не разовое действие", что метаданные должны эволюционировать от пассивных к активным, а традиционные операции по управлению данными "слишком медленны, слишком структурированы 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 значительный рост за один год среди всех отслеживаемых рисков (Рисунок 3.3.5). — Stanford HAI, Отчет AI Index Report за 2026 год, глава 3, апрель 2026 г. ↗ https://hai.stanford.edu/assets/files/ai_index_report_2026_chapter_3_responsible_ai.pdf
7. Производительность языковых моделей значительно снижается, когда релевантную информацию необходимо извлечь из середины длинного входного контекста, даже в моделях, созданных специально для работы с длинными контекстами. Это относится к точности вывода; эффекты стоимости и задержки, связанные с увеличением контекстных окон, рассматриваются отдельно. — Нельсон Ф. Лю, Кевин Лин, Джон Хьюитт, Ашвин Паранджапе, Микеле Бевилаква, Фабио Петрони и Перси Лян, «Lost in the Middle: How Language Models Use Long Contexts», Transactions of the Association for Computational Linguistics, том 12, стр. 157–173, февраль 2024 г. doi:10.1162/tacl_a_00638 ↗ https://aclanthology.org/2024.tacl-1.9/
8. Семантические уровни от разных поставщиков не предназначены для согласования друг с другом. В документации Microsoft указано, что наслоение сторонней семантической модели на семантическую модель Power BI «как правило, не поддерживается», что сторонние поставщики «обычно также не поддерживают наслоение поверх семантических моделей Power BI» и что объединение выведенных связей между двумя семантическими уровнями «может привести к неверным значениям даже для простых показателей». — Microsoft, «Semantic models and third-party compatibility», документация Power BI, последнее обновление 6 июля 2026 г., дата обращения 15 сентября 2026 г. ↗ https://learn.microsoft.com/en-us/power-bi/connect-data/semantic-models-third-party
9. Число задокументированных инцидентов, связанных с ИИ, достигло 362 в 2025 году по сравнению с 233 в 2024 году (База данных инцидентов ИИ). Среди организаций, сообщивших об инцидентах, доля тех, кто столкнулся с тремя-пятью из них, выросла с 30% до 50% за год, в то время как доля тех, кто оценил свое реагирование на инциденты как «отличное», упала с 28% до 18% (Рисунки 3.3.3, 3.3.4). — Stanford HAI, Отчет AI Index Report за 2026 год, глава 3, апрель 2026 г. ↗ https://hai.stanford.edu/assets/files/ai_index_report_2026_chapter_3_responsible_ai.pdf
10. Примечание к графику. После принятия Digital Omnibus по ИИ обязательства в отношении систем высокого риска согласно главе III, разделам 1–3 Закона ЕС об ИИ (EU AI Act) теперь применяются со 2 декабря 2027 года для систем, классифицированных как системы высокого риска согласно статье 6(2) и Приложению III, и со 2 августа 2028 года для систем согласно статье 6(1) и Приложению I (пункт 40 преамбулы). Обязательства по прозрачности, предусмотренные статьей 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 медленны, слишком структурированы и слишком жестко заданы для команд, занимающихся ИИ»; способы использования данных часто плохо задокументированы, а данные разрознены по репозиториям, системам и платформам. — 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