Компания Gartner назвала Google лидером и отвела ей место с самым высоким показателем «видения» в своем первом магическом квадранте для платформ Data Lakehouse. По нашему мнению, это признание подтверждает фундаментальный сдвиг, который наши клиенты ощущают каждый день: в эпоху агентных систем корпоративный lakehouse — это больше не пассивное хранилище данных, а фундамент, на котором агенты рассуждают и действуют, используя все ваши данные.
Изначально концепция lakehouse возникла для того, чтобы обеспечить надежность хранилищ данных (data warehouse) при использовании открытых и недорогих систем хранения, но критерии, определяющие эту категорию, сейчас меняются. Ведущие предприятия стремительно переходят от статической отчетности к автономным ИИ-агентам, которые отслеживают операции, выявляют аномалии и выполняют бизнес-процессы в режиме реального времени. Чтобы поддержать этот переход, организациям нужна платформа, где тысячи агентов могут непрерывно считывать данные, рассуждать и действовать, не перемещая эти данные предварительно. Традиционные фрагментированные стеки данных, обремененные хрупкими конвейерами, дублированием хранилищ и разрозненным управлением, просто не были рассчитаны на масштаб, производительность и задержки, необходимые для рабочих нагрузок агентного уровня.
Мы спроектировали наш «безграничный» (borderless) Lakehouse на каждом уровне стека, чтобы устранить эту сложность и скрытые затраты. «Безграничный» Lakehouse, специально разработанный для того, чтобы агенты могли рассуждать на основе данных петабайтного масштаба, объединяет ваши активы данных в разных облаках, платформах данных и SaaS-приложениях. Это позволяет вам обеспечить агентов управляемым бизнес-контекстом и использовать Gemini непосредственно в ваших данных. Благодаря этому ваши команды могут перейти от управления инфраструктурой к достижению бизнес-результатов.
Активируйте свой глобальный след данных на местах
Для большинства организаций самым большим препятствием на пути масштабирования ИИ является то, что корпоративные данные распределены повсюду: в нескольких облаках, операционных базах данных и SaaS-платформах. Перемещение всех этих данных в одно физическое место — это медленный, дорогостоящий процесс, создающий риски для управления данными.
Наш «безграничный» Lakehouse выступает в качестве моста через вашу распределенную среду для активации данных. Построенный на базе открытого стандарта Apache Iceberg, он объединяет ваши данные из мультиоблачных, SaaS и операционных систем в единую управляемую структуру. Организации могут немедленно начать анализ наборов данных в AWS, Azure и Google Cloud без дорогостоящего копирования данных или сложных миграций, получая следующие преимущества:
- Открытость без ущерба для производительности: запускайте аналитику и ИИ с помощью BigQuery и Managed Service for Apache Spark непосредственно на открытых таблицах Iceberg с соотношением цены и производительности, сопоставимым с нативными хранилищами.
- Высокоскоростная экономика мультиоблачных сред: создание частных высокоскоростных каналов связи с AWS и Azure стало простым и экономически эффективным благодаря Cross-Cloud Interconnect и интеллектуальному кэшированию. Кэшируя только активные блоки данных, к которым обращаются ваши запросы, lakehouse локально обслуживает повторные обращения, обеспечивая соблюдение требований к месту хранения данных и исключая переменные расходы на исходящий трафик.
- Вертикально интегрированная безопасность и управление: защита данных, где бы они ни находились, не подлежит обсуждению. Система выдачи учетных данных в каталоге среды выполнения Lakehouse помогает гарантировать, что политики безопасности следуют за вашими агентами, где бы ни находились ваши данные.
Немецкий банковский лидер Commerzbank построил свою ИИ-стратегию на нашем «безграничном» Lakehouse и Apache Iceberg, чтобы развернуть ИИ-агентов в контакт-центрах и маркетинговых отделах, соблюдая при этом строгие европейские банковские правила. Теперь единый фундамент обеспечивает работу ИИ во всем банке. Маркетинговая команда сократила время подготовки кампаний с недель до дней, а сотрудники контакт-центров получили возможность за секунды узнавать проверенные следующие шаги для решения задач.
Агентам нужен бизнес-контекст, а не просто доступ
Автономный агент настолько точен, насколько точен бизнес-контекст, который он понимает. Lakehouse устраняет разрыв между агентами и корпоративными данными, автоматически собирая метаданные непосредственно из ваших уровней хранения и передавая их в ваши контекстные движки. Каталог среды выполнения Lakehouse интегрируется напрямую с Knowledge Catalog, который выступает в качестве вашего универсального контекстного движка для корпоративных данных. Он автономно агрегирует и курирует метаданные и семантический контекст из всех ваших источников (как внутри, так и вне Google), обогащает их для извлечения смысла и предоставляет этот унифицированный контекст всем агентам, которых вы создаете и используете. Ключевые возможности Knowledge Catalog включают:
- Унифицированная агрегация по всему предприятию: единый управляемый семантический слой предотвращает расхождение метрик в мультиоблачных активах. Благодаря общедоступности расширенной агрегации в Knowledge Catalog организации могут объединить метаданные, метрики и бизнес-логику из Looker, dbt и BigQuery в одной плоскости.
- Готовое решение для обучения агентов (grounding): привязка агентов к проверенной бизнес-логике ускоряет разработку и повышает доверие. Gemini, использующая Knowledge Catalog и наборы контекста (обе функции доступны в предварительной версии), позволяет командам упаковывать курируемые метрики и инструкции в эффективные с точки зрения токенов пакеты, которые агенты потребляют через стандартные API и протокол Model Context Protocol.
- Оптимизация контекста без написания кода: предоставление только наиболее релевантного контекста снижает задержки, уменьшает затраты на токены и предотвращает дорогостоящие циклы рассуждений. Благодаря новому интерфейсу студии в Knowledge Catalog (в предварительной версии) специалисты по данным получают среду без написания кода, ориентированную на агентов, для устранения пробелов в определениях и безопасного управления именно тем контекстом, к которому агентам разрешен доступ.
Bloomberg Media привязали свои диалоговые запросы непосредственно к семантическому слою Knowledge Catalog, добившись улучшения точности запросов на 63% и устранив галлюцинации в работе своих бизнес-команд.
Бизнес-контекст — это лишь половина уравнения. Поскольку агенты действуют, а не просто анализируют, ваш аналитический lakehouse и операционные базы данных должны работать как единая система. Именно поэтому BigQuery, Managed Service for Apache Spark, Spanner и AlloyDB созданы для совместной работы, что делает «безграничный» Lakehouse фундаментом данных для всего облака Agentic Data Cloud.
Расширение возможностей специалистов с помощью агентного lakehouse
Раскрытие полного потенциала вашего lakehouse требует трансформации того, как люди работают с данными. Исторически сложилось так, что инженеры данных, специалисты по анализу данных и бизнес-пользователи работали в изолированных средах. Lakehouse выступает в качестве связующего звена для совместной работы, интегрируясь напрямую с Gemini, что позволяет вам создавать, тестировать и эксплуатировать ИИ-агентов непосредственно поверх ваших унифицированных данных в lakehouse.
- Рабочие процессы на основе намерений для технических команд: с помощью Data Agent Kit специалисты по данным могут писать код, создавать блокноты и запускать модели машинного обучения непосредственно из своих предпочтительных IDE и CLI, используя простые текстовые подсказки. Вместо того чтобы писать шаблонный код с нуля, команды могут использовать готовые агентные навыки и инструменты MCP для создания сложных конвейеров данных и беспрепятственной работы с более чем 15 сервисами данных Google Cloud.
- Проактивная и персонализированная аналитика для бизнес-пользователей: диалоговая аналитика предоставляет бизнес-пользователям надежные ответы на понятном языке без необходимости ожидания, пока команды по работе с данными подготовят пользовательские отчеты. Публикация в один клик расширяет эти возможности, мгновенно превращая утвержденные технические модели в инструменты для диалога. Это позволяет сотрудникам задавать вопросы на обычном языке, формировать точные отчеты и безопасно внедрять пользовательских агентов в повседневные рабочие процессы без какого-либо опыта программирования.
Компания PayPal подключила свои семантические модели Looker напрямую к ИИ-агентам, используя эти возможности. Это позволило командам бизнес-аналитики один раз определить модели метрик, чтобы 5000 сотрудников могли запрашивать актуальные данные практически со 100-процентной точностью, ускорив получение аналитических выводов на 50%.
Интеграция систем на базе ИИ в Lakehouse
Для принятия решений, влияющих на ваш бизнес в режиме реального времени, ИИ-агентам необходимо выполнять сложные циклы рассуждений непосредственно там, где хранятся ваши данные. Мы переносим ведущие технологии искусственного интеллекта и высокопроизводительные процессоры Google непосредственно в открытые табличные форматы, позволяя вам извлекать огромную ценность без необходимости дублирования данных. Рассмотрим следующие варианты использования:
- Аналитика беспрецедентного масштаба: обеспечение действий в реальном времени с петабайтами открытых данных требует высокооптимизированных вычислений. В BigQuery мы сделали запросы на 40% быстрее и одновременно сократили расходы на их обработку более чем на 50% благодаря интеллектуальной оптимизации, такой как динамическое масштабирование и встроенное ускорение рабочих нагрузок, в то время как наш Lightning Engine для Apache Spark обеспечивает производительность рабочей нагрузки Spark в открытом формате с превосходством по соотношению цены и качества более чем в 3 раза по сравнению с ведущей альтернативой.
- Встроенный ИИ и машинное обучение: с функцией TabFM, находящейся на этапе предварительного просмотра, бизнес-команды могут создавать мгновенные прогностические аналитические данные по табличным данным с помощью простых SQL-запросов, в то время как функция TimesFM 3.0 в BigQuery обеспечивает расширенное многофакторное прогнозирование на основе существующих данных.
- Экономичная обработка данных в масштабе агентов: агенты запрашивают данные непрерывно и короткими всплесками, поэтому оплата простаивающих вычислительных ресурсов быстро накапливается. Динамическое масштабирование BigQuery вводит поминутную (точнее, посекундную) тарификацию без минимальной продолжительности, устраняя дорогой одноминутный минимум и обеспечивая экономию затрат на вычисления до 34%.
Максимальная эффективность в масштабе без эскалации затрат
Безграничный Lakehouse от Google Cloud переосмысливает экономику корпоративного ИИ, обеспечивая совокупную экономию на вычислениях, обработке ИИ и потреблении токенов. По мере того как агенты применяют ИИ к миллионам строк, расходы на токены могут быстро стать очень крупной статьей расходов. Knowledge Catalog предотвращает дорогостоящее потребление токенов, фильтруя и предоставляя только те точные метаданные и метрики, которые требуются для каждого промпта, избегая необходимости отправки огромных неорганизованных наборов данных вашим языковым моделям и значительно снижая потребление токенов. BigQuery AI добавляет встроенные элементы управления токенами, которые позволяют командам оценивать использование перед выполнением запроса, устанавливать жесткие лимиты и автоматически переключаться на более мелкие и эффективные модели с помощью оптимизированного режима. В результате оптимизированные по стоимости функции ИИ в BigQuery используют в 230 раз меньше токенов по сравнению с построчной генеративной обработкой ИИ.
Что дальше?
Чтобы узнать больше о нашем позиционировании и о том, как мы можем ускорить ваш путь к данным, скачайте бесплатный отчет Gartner Magic Quadrant for Data Lakehouse Platforms за 2026 год.
Gartner, Magic Quadrant for Data Lakehouse Platforms, Aaron Rosenbaum, Michael Gonzales, Masud Miraz, Ramke Ramakrishnan, Xingyu Gu, Robin Schumacher, Prasad Pore, 4 ноября 2026 г. Gartner и Magic Quadrant являются товарными знаками Gartner, Inc. и/или ее филиалов. Gartner не одобряет какие-либо компании, поставщиков, продукты или услуги, описанные в ее публикациях, и не рекомендует пользователям технологий выбирать только тех поставщиков, которые имеют самые высокие рейтинги или другие отличия. Публикации Gartner состоят из мнений аналитической и технологической организации Gartner и не должны рассматриваться как констатация фактов. Gartner отказывается от всех гарантий, явных или подразумеваемых, в отношении этой публикации, включая любые гарантии товарной пригодности или пригодности для определенной цели. Эта графика была опубликована Gartner, Inc. как часть более крупного исследовательского документа и должна оцениваться в контексте всего документа. Документ Gartner доступен по запросу у Google.
- Аналитика данных












