Когда речь заходит о создании, развертывании и эксплуатации технологий, данные всегда обладали гравитацией. Мы можем наблюдать это по тому, как рабочие нагрузки притягиваются к той платформе, где хранится хранилище.
Контекстная гравитация — это притяжение, которое влечет ИИ-агентов туда, где находятся регулируемые смыслы, доверие и политики предприятия. Там, где накапливаются определения, происхождение и политики, агенты тяготеют к принятию решений на этой основе. Другими словами, контекст создает такое же притяжение, как и данные, но на один уровень выше.
Каждое предприятие, внедряющее ИИ в 2026 году, принимает решение о том, куда приземлится эта гравитация — делает ли оно этот выбор осознанно или по умолчанию. Сегодня контекст — это тот уровень, на котором стандартизируется корпоративный ИИ. Не модель. Сегодня модель становится самой простой частью. Как никогда раньше, именно контекст будет определять операционную эффективность в эпоху ИИ.
Последняя миля только что исчезла
Корпоративное ПО всегда исходило из того, что результаты работы будет читать человек. Аналитик замечал неверное число. Менеджер согласовывал два противоречащих друг другу определения «клиента». Данным никогда не нужно было быть идеальными, потому что человек обеспечивал ту рассудительность, которой самим данным не хватало.
Агенты исключают этого человека.
Они не интерпретируют. Они прогнозируют. Получив неоднозначное определение, агент не останавливается. Он выбирает то значение, которое набирает наибольшее количество баллов в его контекстном окне, и продолжает работу. Запутанная панель мониторинга раньше стоила аналитику утренней смены. Запутанный агент перенаправляет эскалацию клиента, одобряет транзакцию или подает регуляторную отчетность. Та же неоднозначность. Но совершенно другие издержки; дело в том, что ошибки агентов могут вызывать каскадные проблемы, масштаб которых на порядки превышает ошибку одного человека.
Именно поэтому более половины проектов генеративного ИИ в прошлом году были закрыты после этапа пробного концепта, и именно поэтому Gartner ожидает, что к концу 2027 года более 40% проектов агентного ИИ будут отменены. В качестве причины называется не отказ модели. А затраты на эскалацию, неясная ценность для бизнеса и неадекватный контроль рисков.
Почему модель перестала быть защитным рвом
В июне 2026 года компания Z.ai выпустила модель с открытым весом, которая возглавила рейтинги открытых моделей при стоимости примерно в шестую часть от цен на передовые API. Организация Epoch AI оценивает разрыв между возможностями открытых и передовых моделей примерно в три месяца и эта тенденция сохраняется. Модели сближаются. Эта траектория не повернется вспять.
То, что не подвергается коммодитизации — это то, что нельзя просто взять и передать модели в готовом виде:
- Что означают ваши данные?
- Можно ли доверять им прямо сейчас?
- Кто имеет право действовать на их основе?
Это и есть контекст. Тот, у кого есть самая глубокая управляемая версия этого контекста, побеждает независимо от того, какая модель работает под капотом.
собственная инженерная команда Anthropic опубликовала самую яркую иллюстрацию этого на сегодняшний день. Агенты, запрашивающие сырое, нерегулируемое хранилище данных, отвечали правильно примерно в 21% случаев. будучи обернутыми в регулируемые определения и семантический слой, точность выросла выше 95%. Этот вывод трудно трактовать как-то иначе, кроме как подтверждение того, что ограничения полностью сместились с модели.
Более того: согласно исследованию Anthropic, через месяц после прекращения активного управления точность упала примерно до 65%. Контекст — это не затраты на настройку. Он разрушается в тот момент, когда за ним никто не следит. Будучи урегулированным единожды, он дрейфует. При непрерывном управлении он держится.
Два разрыва, определяющих, работают ли ваши агенты на самом деле
Каждое предприятие, запускающее агентов в продакшн, сталкивается с двумя принципиальными сбоями. Большинство разговоров об управлении затрагивают лишь один из них.
Контекстный разрыв: то, что происходит до того, как агент совершает действие
Прежде чем какой-либо агент прикоснется к корпоративным данным, нужно ответить на три вопроса:
- Что на самом деле означают эти данные? «Клиент» в сфере управления благосостоянием — это домохозяйство. В институциональном банкинге — это контрагент. Слово одно, но смысл разный. Без регулируемого контекста агент выбирает одно значение и идет дальше.
- Насколько эти данные заслуживают доверия прямо сейчас? Актуально ли определение? Обновился ли источник? Пройдена ли проверка качества? Без управляемого контекста устаревшие данные воспринимаются как авторитетные.
- Что мне разрешено с этим делать? Какие политики применяются, какие юрисдикции ограничивают действие, кто владеет определением? Без управляемого контекста агент действует внутри данных и за пределами политики.
Это не проблемы метаданных. Это проблема онтологии. Семантический слой говорит агенту, что означает слово. Онтология (или грамматика, связывающая значение, доверие и разрешения) говорит ему, как эти вещи связаны: клиент владеет счетом, счет имеет позицию, позиция регулируется политикой. Без грамматики агент рассуждает об изолированных терминах. С ней — рассуждает о предприятии.
Разрыв контроля: что происходит после того, как агент уже запущен
Как только агент запущен в реальную работу, вопросы меняются. Кто его развернул и на что он был уполномочен? Чего именно он коснулся и что произвел? Если он нанес ущерб, можете ли вы доказать, какую именно границу он пересек?
Пять агентов в продакшне — это управляемо. Двадцать — это строка в бюджете. Однако пятьдесят — это риск на уровне всей программы, потому что ручной пересмотр рушится задолго до этого рубежа, а надзор на основе таблиц не успевает за агентами, действующими в реальном времени.
Оба разрыва порождают одни и те же скрытые расходы: налог на галлюцинации, выплачиваемый в виде повторных попыток, неверных ответов, ручной проверки и рисков, которые обнаруживаются только после того, как ущерб уже нанесен. Фактически, исследование Harris Poll показало, что 91% технологических директоров создают или развертывают агентный ИИ, 86% ожидают от него окупаемости инвестиций. И только у 48% есть управление, способное это обеспечить. Этот разрыв в 38 пунктов и есть тот самый налог.
Почему этот уровень должен находиться над стеком, а не внутри него
Ни одна компания из списка Fortune 500 не работает на одной платформе. Шесть-десять основных систем — это норма, плюс SAP, Salesforce, мейнфреймы и все то, что все еще работает локально спустя двадцать лет. Агенту, отвечающему на один вопрос финансового директора, может потребоваться пересечь три облака и четыре SaaS-приложения, каждое со своими определениями, своим происхождением и своей версией «выручки».
Каждое облако хорошо управляется само по себе. Databricks управляет Databricks. Snowflake управляет Snowflake. Именно так и должно быть. Они владеют механизмом выполнения, поэтому они управляют им. Но определение «клиента» или «выручки» не принадлежит ни одному из них. Оно принадлежит предприятию и должно распространяться на каждую платформу, которой касаются данные, каждую модель, которая их извлекает, и каждого агента, который с ними работает.
У вендора, который также продает вычислительные мощности, есть структурный резон формировать свой контекст в первую очередь вокруг собственного движка. Именно поэтому уровень контекста не может находиться внутри каталога какой-либо отдельной платформы. Преимущество в эпоху агентов заключается уже не только в том, чтобы владеть системой учета. Оно заключается в владении уровнем, который решает, какие агенты могут действовать, с какими данными, с какими лимитами. И может доказать впоследствии, что именно произошло. Этот уровень должен располагаться над платформами, считывая информацию из каждой из них и записывая ее в них, иначе гравитация потянет не в ту сторону.
Что меняется, когда управляемый контекст попадает в стек
Мы провели контролируемый тест в KU Leuven, чтобы выяснить, насколько это действительно меняет показатели, а не просто служит поводом для споров. Мы взяли анонимизированные данные, переименовали таблицы так, чтобы они напоминали загадочную устаревшую ERP (то есть систему того типа, под управлением которой до сих пор работает большинство крупных предприятий), и дважды обратились к ней с помощью агента. Одна и та же модель, те же данные, тринадцать вопросов с проверенными ответами. Один прогон выполнялся с управляемым контекстом, другой — без.
На вопрос о том, сколько активных тестировщиков было у проекта, неуправляемый агент нашел столбец под названием «engagement status» (статус вовлеченности), просуммировал строки с отметками «completed» (завершено) и «viewed» (просмотрено) и уверенно выдал цифру три. Управляемый агент извлек актуальное определение активного тестировщика, сверил его с данными и выяснил, что под критерии никто не подходит. Правильным ответом был ноль.
По всем тринадцати вопросам: 92% правильных ответов с управляемым контекстом и 62% без него. Разрыв резко увеличился на самых сложных многошаговых вопросах — именно такие вопросы обычно задает финансовый директор. Неуправляемый агент ответил неверно на все четыре таких вопроса. Ни одного правильного. И при этом неизменная уверенность. Это единичный тест, а не универсальный бенчмарк, но он наглядно демонстрирует принцип: управляемый контекст не просто немного улучшает хороший агент. Он определяет, получите ли вы правильный ответ или уверенный ложный ответ именно тогда, когда ставки наиболее высоки.
Этот принцип превращается в реальную экономику в трех аспектах:
- Меньше эскалаций с первой попытки. Управляемый контекст означает, что агент заранее извлекает проверенные определения, актуальные данные и применимую политику. Агенты поддержки решают кейсы без эскалации; аналитические агенты выдают цифры, которым руководители действительно доверяют.
- Минимальные затраты на токены. LLM, оставленная наедине с неструктурированными данными, тратит в пять-десять раз больше токенов, чем ей потребовалось бы, если бы эти данные уже были подготовлены в нужном ей срезе.
- Агенты, которые успешно проходят пилотную стадию. Чаще всего инициатива в области ИИ умирает не из-за плохой модели, а из-за хорошего агента, который никогда не выходит из стадии пилота, потому что никто не может доказать его безопасность. Прозрачность развернутых систем и их поведения в реальном времени — это то, что позволяет руководителю запустить агента в продакшн, а не держать его под постоянным контролем.
The Weir Group уже использует это в производстве, применяя AI Command Center для масштабирования инноваций на базе агентов во всех своих глобальных инженерных подразделениях.
Почему это решение для совета директоров, а не для ИТ-отдела
Сразу две тенденции сходятся в одной точке. Управление данными и процессами впервые стало главным приоритетом для лидеров в области данных и ИИ. При этом сама задача внедрения ИИ в настоящее время является наиболее быстро растущей функцией на уровне топ-менеджмента. Фактически, 76% организаций сегодня имеют должность Chief AI Officer по сравнению с 26% год назад. Тот, за кем закреплена эта задача, несет ответственность как за ценность, которую должен создавать ИИ, так и за риски, которые он привносит в случае сбоя.
Именно поэтому данное решение принимается на уровне совета директоров, а не технического отдела. Замена модели — это проект, измеряемый неделями. Переделка контекстного слоя, на котором строилось все остальное, — это десятилетие доработок. Выбор, который предприятия делают прямо сейчас, заключается не в том, какую модель запустить в следующем квартале. А в том, какой слой станет центром притяжения: тот, на основе которого придется делать выводы каждой будущей модели, каждой будущей платформе и каждому будущему агенту.
Названия будут продолжать меняться. Модель в этом квартале — одно; платформа — другое; название должности в организационной структуре меняется с CDO на CAIO и обратно.
Ничто из этого не отменяет базового требования: управляйте тем, что означают ваши данные, и контролируйте то, что ваши агенты делают с ними. Это требование представляет собой слой, к которому тяготеет контекстная гравитация. Решение, которое стоит принимать осознанно, заключается в том, где именно оно закрепится.
Часто задаваемые вопросы
Что такое контекстная гравитация? Контекстная гравитация — это тенденция ИИ-агентов и рабочих нагрузок ИИ делать выводы из того места, где фактически находится управляемый контекст предприятия (иначе говоря: смысл, доверие и политика). Подобно тому, как гравитация данных притягивает вычисления к хранилищу, контекстная гравитация притягивает рассуждения агентов к той платформе, которая содержит управляемые определения предприятия.
Что такое «налог на галлюцинации»? Налог на галлюцинации — это скрытые корпоративные затраты на запуск ИИ-агентов без управляемого контекста. Это ручной контроль, переделка, повторные попытки и подверженность рискам, которые растут с каждым новым агентом, внедряемым в производство. Они накапливаются со скоростью развертывания агентов на предприятии: их можно контролировать при пяти агентах, они становятся статьей бюджета при двадцати и риском для всей программы при пятидесяти.
Почему одна облачная платформа не может управлять корпоративным контекстом? Потому что ни одно предприятие не работает на одной платформе. Большинство используют от шести до десяти основных систем плюс устаревшую и локальную инфраструктуру. Такое определение, как «клиент» или «выручка», принадлежит предприятию, а не какому-то одному облаку, поэтому оно должно перемещаться по каждой платформе, к которой прикасаются данные, что требует контекстного слоя, который располагается над стеком, а не внутри какой-либо его отдельной части.
Решает ли лучшая модель проблему контекста? Нет. Более качественная модель снижает один класс ошибок, но ей по-прежнему нужно знать, что означает «клиент» в вашем бизнесе, являются ли данные актуальными, какая политика применима и какие действия разрешены. Более умные модели повышают важность управляемого контекста, а не заменяют его.
Какова роль Collibra в этом процессе? Collibra — это корпоративная панель управления ИИ (Enterprise AI Control Plane), управляющая контекстом и контролем для любых данных, любых моделей и любых агентов. Созданная на основе восемнадцати лет работы с онтологиями, она используется более чем 700 клиентами, включая 78 компаний из списка Fortune 500, для управления более чем 2 миллиардами активов.
- Collibra CollibraEnterprise AI Control Plane
Collibra
Collibra
Enterprise AI Control Plane
