Цитаты расшифрованы по итогам сессии на конференции Imagination In Action, Google Bay View, 14 сентября 2026 года.
Спросите руководителя отдела данных, что стоит между пилотным проектом агента и его внедрением в производство… и вы можете услышать: «каталог». Он неполный. Определения устарели. В цепочке данных есть пробелы. Сначала исправьте это, а потом запускайте.
Разрыв, который интуиция пытается преодолеть, реален и измерим. Согласно отчету Deloitte Tech Trends за 2026 год, 38% организаций тестируют агентные решения, но только 11% используют их в производстве¹. Что-то мешает остальным 27% перейти этот рубеж, и это редко бывает сама модель.
Однако инстинктивное желание сначала привести в порядок каталог, а потом вернуться к работе, переворачивает последовательность действий с ног на голову. Участники панели на саммите Imagination In Action в Google Bay View целый час объясняли, почему это так. Сессия под названием «Проектирование агентного предприятия» (Engineering the Agentic Enterprise)² получила необычную задачу: обсудить глубинные, неприглядные вещи, о которых большинство людей предпочитает молчать, когда такие системы начинают масштабироваться. Мелисса Валентайн, доцент кафедры управления наукой и техникой в Стэнфорде и старший научный сотрудник Stanford HAI, изучающая внедрение ИИ в организациях³, присоединилась к Лирану Звибелу, соучредителю и генеральному директору WEKA⁴, и Сатьену Сангани, соучредителю и генеральному директору Alation. Модератором выступил Ашиш Верма, директор по данным и аналитике Deloitte в США.
В результате дискуссии сформировалось иное определение готовности к работе с агентами. Это не каталог, который нужно закончить, а набор практик, которые сохраняют актуальность, даже когда бизнес-процессы под ними меняются: контекст, привязанный к конкретному рабочему сценарию; решение о том, где находится «источник истины» в случае сбоя; проверенные человеком эталонные данные для оценки (evals); люди, способные одновременно понимать бизнес-смысл и технические механизмы; и учетные данные, которые сохраняются при каждом вложенном вызове. Давайте разберемся!
Каталог отражает вашу реальность
Сангани возражает, когда клиенты говорят ему, что их каталог в беспорядке и агенты не могут его понять. Каталог данных описывает то, что есть. «Каталог отражает вашу реальность. Если ваша карта представляет собой запутанный клубок, она просто покажет фундаментальную реальность ваших систем», — сказал он.
Другими словами, жалоба обычно касается не самого каталога, а инфраструктуры, которую он добросовестно описывает. Очистка карты не делает территорию чище, а каталог, который привели в порядок, чтобы он выглядел аккуратнее, чем системы под ним, менее полезен для агента. Сегодня компании проповедуют контекст как верный путь к точности ИИ. Но, как отметил Сангани: «Контекст в отрыве от задач — бессмысленная вещь, потому что как понять, что вы закончили или с чего начать?» Критериев завершенности не существует. Проекты по документированию, запущенные без них, имеют тенденцию разрастаться до тех пор, пока не закончится бюджет, и в итоге организация получает больше бумаг, но ни одного работающего агента.
Единственное рабочее определение «достаточного контекста» — это приложение, которое функционирует и продолжает работать по мере изменения бизнеса. Начинайте с варианта использования, иначе вы просто накапливаете документацию. Именно в этом смысле «готовность к агентам» является свойством развертывания, а не состоянием репозитория.
Контекст дрейфует, и кто-то должен решать, где находится истина
Верма задал Сангани архитектурный вопрос: ИИ работает на определенной подложке, от оборудования и выше, поэтому, учитывая это, что организации недооценивают больше всего, когда начинают сталкиваться с недостатками развертывания?
Сангани указал на свойство, которое отличает агентов от обычного программного обеспечения. В обычном приложении вы проводите тестирование, выпускаете продукт, и граничные случаи, которые вы учли, продолжают вести себя предсказуемо. Но «поскольку это стохастические приложения, в них происходит постоянный дрейф». Дрейфует базовая схема. Дрейфуют бизнес-правила и контекст. Инструменты, которые когда-то были уместны, начинают зависать, возможно, потому, что они отстают на одну версию.
Это более глубокая причина, по которой план «сначала исправьте каталог» не работает. Даже по-настоящему полный каталог начинает устаревать в тот момент, когда вы его выпускаете, потому что системы и определения, которые он описывает, продолжают двигаться. Готовность — это не веха, которую можно пройти один раз.
Оценки (evals) — это минимальное условие. Что происходит после сбоя — это более сложная дисциплина, и диагностика Сангани здесь полезна: триаж создает новую оценку, а затем саму оценку нужно довести до прохождения, что означает решение того, что именно сломалось. «Исправить базу знаний? Исправить базовые данные? Была ли это проблема с качеством данных, доступом или промптом агента? Где находится истина?» Каждый из этих ответов подразумевает разного владельца, разную систему и разный способ исправления. Триаж в агентной системе — это постоянная функция управления, а не разовый тикет в техподдержку.
И как только вы находите, где находится истина, возникает более сложный вопрос: «Если я изменю истину, будет ли это верно глобально или только для этого конкретного сценария?» Сангани назвал это решениями по управлению знаниями, «о том, в какой контейнер вы их помещаете и как их исправляете», и предупредил, что они плохо масштабируются: «По мере того, как вы все больше внедряете ИИ, эта сложность возрастает еще сильнее». Решение этих проблем зависит от знания ваших критических элементов данных и отслеживания их через родословную данных (data lineage).
Контекст, который не передается между агентами
Звибел описал, что сейчас выявляют оценки, и это отличается от того, что они выявляли год назад. «Год назад все были одержимы галлюцинациями», — сказал он. Генерация на основе фактов значительно улучшилась, хотя проблема галлюцинаций далека от решения: индекс ИИ 2026 года от Stanford HAI показал уровень галлюцинаций от 22% до 94% среди 26 ведущих моделей в тестах на воспроизведение фактов⁵. То, что описывает Звибел, более узко: «Вы редко заставляете модель выдумывать, по сути, потому что теперь она начинает с большого объема контекста, если все настроено правильно». Индустрия решила проблему контекста… и тем самым выявила другую.
Сбой, который пришел на смену, является структурным, и он проявляется, как только архитектуры становятся рекурсивными. «Когда агенты становятся вложенными, когда они вызывают друг друга — это черепахи до самого низа — проблема часто заключается в том, что у вложенного агента совершенно другой контекст», — сказал Звибел. Вложенный агент отвечает на проблему с иным пониманием, чем агент, который его вызвал. Каждый шаг работает сам по себе. Цепочка — нет. «Вы получаете что-то, что работает, если применять только логику, но когда человек смотрит на это в конце и все должно соединиться, это выглядит совершенно нелепо».
Его решение скорее процедурное, чем технологическое. «Так часто при развертывании нового рабочего процесса очень важно проверять, что все этапы видят правильные данные, чтобы результаты имели смысл».
Черепахи до самого низа: человеческий уровень под оценками
Оценки, безусловно. Это был ответ Валентайн, когда Верма спросил, что организации недооценивают больше всего при переходе агента от пилота к производству — тот самый разрыв между пилотированием и производством, который описывают цифры Deloitte.
Она подняла вопрос из своей полевой работы ранее, во время вступительного раунда. Валентайн описала финансовую организацию, которая запустила свой самый зрелый агентный сценарий использования с эффективностью разрешения около 99%, но не смогла закрыть оставшийся 1%, потому что «у них нет экспертного персонала, чтобы разобраться с этим 1% исключений — это те самые сложные пограничные случаи, с которыми никто толком не знает, что делать». Ограничением здесь является человеческая экспертиза. Эти исключения находятся как раз там, где заканчивается собственное понимание организации — это именно та территория, которую не может задокументировать ни один каталог, потому что никто еще не решил, какой ответ является правильным.
Сюрприз, по ее словам, заключается в предположении, с которым компании приходят в самом начале. «Часто существует убеждение, что можно заставить агентов проверять агентов, которые проверяют других агентов, и выстраивать все эти циклы, где агенты контролируют друг друга». Такая архитектура может быть мощной. Но у нее есть и предел. «В основе всех этих циклов агентов, проверяющих агентов, должен лежать очень качественный слой верифицированных данных, обычно созданных людьми, для оценки (evals)».
Циклы агентов и человеческое суждение в основе, поддерживающее их: это «черепахи до самого низа».
Валентайн откровенно рассказала, почему организации пропускают этот нижний слой. «Очень сложно создавать оценки; очень сложно определить успех таким образом, чтобы люди могли применять его достаточно хорошо для получения качественных данных об истинном положении дел (ground-truth data)… Их трудно определить, трудно реализовать, и люди ненавидят этим заниматься». Истинное положение дел для управления ИИ — это медленная, негламурная человеческая работа, и эта рутина — первое, что откладывается в амбициозных дорожных картах.
Птицы, лягушки и кто владеет определениями
Кто-то должен писать эти оценки, и в вопросе о том, кто именно, у Валентайн есть данные, а не интуиция. Пять лет назад она создала курс в Стэнфорде под названием «Управление организациями в области науки о данных для инноваций и влияния», охватывающий исследования традиционного машинного обучения в организациях. Во всех изученных ею статьях доминировал один вывод. «Главным предиктором эффективного внедрения машинного обучения была, безусловно, связь между специалистами по данным и экспертами в предметной области. Это был даже не тонкий эффект во всех этих исследованиях».
Ей было интересно, сохранится ли эта связь с появлением генеративного ИИ. Пару лет она не видела особого прогресса, потому что эксперты в предметных областях в основном получали лицензии, а не создавали специализированные сценарии использования. Сейчас она видит рост числа инженеров, работающих непосредственно на местах (forward-deployed engineers): «FDE, обладающие технической экспертизой для создания системы, должны общаться с экспертами в предметной области; они должны обладать достаточным бизнес-контекстом, чтобы построить продукт».
Другими словами, кросс-функциональное сотрудничество остается необходимым условием для успешной работы системы, и это была тема, которая проходила через весь час обсуждения. «Если это сотрудничество не работает, ваша система не будет работать», — сказала она. Владение системой менее важно, чем рабочие отношения между двумя сторонами. «Это организационный вызов, потому что сотрудничество между ними — это самое важное. Кто-то должен владеть процессом, но им просто нужно очень хорошо взаимодействовать между этими группами».
Сангани задали прямой вопрос: большинство каталогов — это инвентаризация, а не полезный контекст, так что же должно измениться, чтобы сделать каталог готовым к работе с агентами, и кто владеет определениями? Он начал с компетенции, а не с организационной структуры. «В конечном счете, определения должны принадлежать тем, кто обладает наибольшим уровнем понимания». На практике это означает несколько человек одновременно. Технические роли нужны для понимания технической системы, бизнес-роли — для понимания бизнес-процессов, а то, что он назвал квазифункциональными ролями, — для понимания систем, которые производят информацию. Сквозное владение процессом в агентном мире «требует технического специалиста, функционального специалиста и того, кто владеет контентом». Три человека или тридцать, в зависимости от процесса и его сложности.
Это поднимает вопрос о том, кто может удерживать более одной из этих перспектив одновременно. Концепция Фримена Дайсона здесь полезна, и она всплыла в более раннем разговоре Data Radicals с Дэвидом Эпштейном о пределах специализации. Как выразился Эпштейн, здоровой экосистеме нужны и птицы, и лягушки: лягушки работают в грязи с деталями, а птицы летают над ними, интегрируя то, что находят лягушки. Собственное эссе Дайсона 2009 года изложило это на примере математиков: лягушки живут в грязи внизу и видят цветы поблизости, в то время как птицы обозревают ландшафт сверху.
Более широкий аргумент Эпштейна касается широты кругозора, совокупной ценности людей, которые могут пересекать границы специальностей и обладать общими знаниями наряду с технической глубиной. Агентная работа вознаграждает такой профиль, потому что кто-то должен одновременно видеть бизнес-смысл правильного ответа и механику цепочки, которая его создала. Эксперта, обладающего как технической хваткой лягушки, так и бизнес-взглядом птицы, найти невозможно, что делает командную работу необходимой.
Слой оценки, укомплектованный только лягушками, будет проверять каждый шаг; слой оценки, укомплектованный только птицами, будет проверять общую картину. Ни то, ни другое не улавливает локально логичный, но глобально абсурдный результат, который описал Звибель. Именно это делает доверие к результатам работы агентов скорее организационной, чем технической проблемой — и именно поэтому готовность к работе с агентами — это не то, что каталог может обеспечить сам по себе.
Будущее ИИ: Заявленное намерение
Сангани завершил свои замечания размышлениями о том, куда в конечном итоге придет корпоративный ИИ. Артефакты знаний, будь то каталоги, онтологии или выбор вычислительных мощностей, «вторичны по отношению к намерению». Обещание агентов заключается в том, что вы заявляете, чего хотите, и это просто происходит.
Исправление каталога в первую очередь — это ошибка, когда артефакт принимается за результат. Каталог, онтология, слой контекста — все они оправдывают свое существование, обслуживая приложение, которое кто-то пытается заставить работать, и это приложение — единственный надежный сигнал того, что вы создали их достаточно. Между заявленным намерением и результатом, на который кто-то готов отреагировать, лежит все то, к чему постоянно возвращалась панель: оценки с верифицированным человеческим суждением в основе, птицы и лягушки, спорящие о том, как выглядит правильный ответ, решение о том, где живет истина, когда схема меняется, учетные данные, которые выживают при каждом вложенном вызове. Ничего из этого не является гламурным, но все это критически важно.
Интересно, как Alation может поддержать вашу стратегию агентного ИИ? Закажите демо-версию у нас сегодня.
Источники и примечания
Цитаты расшифрованы с сессии на Imagination In Action, Google Bay View, 14 сентября 2026 года. Каждое внешнее утверждение на этой странице поддается независимой проверке; публичные источники перечислены здесь.
- 38% опрошенных организаций тестируют агентные решения; 14% имеют решения, готовые к развертыванию; 11% используют их в производстве. Данные основаны на исследовании Deloitte «Новые технологические тренды 2025», которое в источнике указано как находящееся в процессе публикации. — Deloitte Insights, «Проверка агентной реальности: подготовка к кремниевой рабочей силе», 10 декабря 2025 г. ↗ https://www.deloitte.com/us/en/insights/topics/technology-management/tech-trends/2026/agentic-ai-strategy.html
38% опрошенных организаций тестируют агентные решения; 14% имеют решения, готовые к развертыванию; 11% используют их в производстве. Данные основаны на исследовании Deloitte «Новые технологические тренды 2025», которое в источнике указано как находящееся в процессе публикации. — Deloitte Insights, «Проверка агентной реальности: подготовка к кремниевой рабочей силе», 10 декабря 2025 г. ↗ https://www.deloitte.com/us/en/insights/topics/technology-management/tech-trends/2026/agentic-ai-strategy.html
- Сессия «Проектирование агентного предприятия», Imagination In Action, Google Bay View, 14 сентября 2026 г., 10:30 утра. — Imagination In Action ↗ https://imaginationinaction.co/2609sv/14
Сессия «Проектирование агентного предприятия», Imagination In Action, Google Bay View, 14 сентября 2026 г., 10:30 утра. — Imagination In Action ↗ https://imaginationinaction.co/2609sv/14
- Мелисса Валентайн, доцент кафедры управления наукой и техникой Стэнфордского университета; старший научный сотрудник Стэнфордского института человекоцентричного ИИ (HAI). — Профили Стэнфорда ↗ https://profiles.stanford.edu/melissa-valentine
Мелисса Валентайн, доцент кафедры управления наукой и техникой Стэнфордского университета; старший научный сотрудник Стэнфордского института человекоцентричного ИИ (HAI). — Профили Стэнфорда ↗ https://profiles.stanford.edu/melissa-valentine
- Лиран Звибель, соучредитель и генеральный директор WEKA. — Forbes Technology Council ↗ https://councils.forbes.com/profile/Liran-Zvibel-Co-Founder-CEO-WEKA/9581b3e4-5101-4bad-873b-e427420e6808
Лиран Звибель, соучредитель и генеральный директор WEKA. — Forbes Technology Council ↗ https://councils.forbes.com/profile/Liran-Zvibel-Co-Founder-CEO-WEKA/9581b3e4-5101-4bad-873b-e427420e6808
- Уровень галлюцинаций варьируется от 22% до 94% среди 26 ведущих моделей на основе теста на фактическую точность. — Stanford HAI, AI Index 2026, глава «Ответственный ИИ» ↗ https://hai.stanford.edu/ai-index/2026-ai-index-report/responsible-ai
Уровень галлюцинаций варьируется от 22% до 94% среди 26 ведущих моделей на основе теста на фактическую точность. — Stanford HAI, AI Index 2026, глава «Ответственный ИИ» ↗ https://hai.stanford.edu/ai-index/2026-ai-index-report/responsible-ai
- Дэвид Эпштейн о птицах и лягушках. — Data Radicals, сезон 1, эпизод 5, «Эра специалистов прошла», Alation ↗ https://www.alation.com/podcast/episodes/reign-of-specialists-over-david-epstein/
Дэвид Эпштейн о птицах и лягушках. — Data Radicals, сезон 1, эпизод 5, «Эра специалистов прошла», Alation ↗ https://www.alation.com/podcast/episodes/reign-of-specialists-over-david-epstein/
- Фримен Дайсон, «Птицы и лягушки», Notices of the American Mathematical Society 56, № 2 (февраль 2009 г.): 212 — письменная версия его Эйнштейновской лекции в AMS. ↗ https://www.ams.org/notices/200902/rtx090200212p.pdf
Фримен Дайсон, «Птицы и лягушки», Notices of the American Mathematical Society 56, № 2 (февраль 2009 г.): 212 — письменная версия его Эйнштейновской лекции в AMS. ↗ https://www.ams.org/notices/200902/rtx090200212p.pdf