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 хранятся данные.
Контекстуальная гравитация — это сила, которая притягивает ИИ-агентов туда, где сосредоточены управляемые смыслы, доверие и политики предприятия. Там, где накапливаются определения, история происхождения и политики, агенты начинают строить свои рассуждения, опираясь на это место. Иными словами, контекст создает такое же притяжение, как и данные, только на уровень выше.
Каждое предприятие, внедряющее ИИ в 2026 году, принимает решение о том, где будет находиться этот центр гравитации, делает ли оно это осознанно или по умолчанию. Сегодня контекст — это тот уровень, на котором будет стандартизироваться корпоративный ИИ. Не модель. Сегодня модель становится самой простой частью. Как никогда ранее, именно контекст будет определять операционную эффективность в эпоху ИИ.
Последняя миля только что исчезла
Корпоративное программное обеспечение всегда исходило из того, что результат будет читать человек. Аналитик находил неверную цифру. Ответственный сотрудник примирял два противоречивых определения «клиента». Данные не обязаны были быть идеальными, потому что человек привносил суждение, которого не хватало самим данным.
Агенты исключают этого человека.
Они не интерпретируют. Они предсказывают. Получив неоднозначное определение, агент не делает паузу. Он выбирает то значение, которое имеет наибольший вес в его контекстном окне, и продолжает работу. Запутанная панель мониторинга раньше стоила аналитику потраченного утра. Запутанный агент перенаправляет эскалацию клиента, одобряет транзакцию или подает регуляторную отчетность. Неоднозначность та же. Но затраты совершенно иные; факт в том, что ошибки агентов могут вызвать каскадные проблемы, масштаб которых на порядки превышает ошибку одного человека.
Вот почему более половины проектов генеративного ИИ были заброшены после этапа проверки концепции в прошлом году, и почему Gartner ожидает, что более 40% проектов агентного ИИ будут отменены к концу 2027 года. Причина не в сбое модели. Причина в затратах на эскалацию, неясной бизнес-ценности и неадекватном контроле рисков.
Почему модель перестала быть «рвом»
В июне 2026 года Z.ai выпустила модель с открытыми весами, которая возглавила рейтинги открытых моделей при стоимости примерно в одну шестую от цены API передовых моделей. Epoch AI оценивает разрыв между возможностями открытых и передовых моделей примерно в три месяца, и этот разрыв сохраняется. Модели конвергируют. Эта траектория не изменится.
То, что не становится товаром широкого потребления, — это то, что нельзя получить в готовом виде:
- Что означают ваши данные?
- Можно ли им доверять прямо сейчас?
- Кому разрешено действовать на их основе?
Это и есть контекст. Тот, кто владеет наиболее глубокой версией управляемых данных, побеждает, независимо от того, какая модель работает под капотом.
Собственная инженерная команда Anthropic опубликовала самую яркую иллюстрацию этого на сегодняшний день. Агенты, запрашивающие данные из необработанного, неуправляемого хранилища, отвечали правильно примерно на 21% вопросов. При использовании управляемых определений и семантического слоя точность возрастала выше 95%. Этот вывод трудно интерпретировать иначе, как подтверждение того, что ограничение полностью сместилось с модели.
Более того: в исследовании Anthropic, через месяц после того, как управление данными перестало активно поддерживаться, точность упала примерно до 65%. Контекст — это не разовые затраты на настройку. Он деградирует, как только за ним перестают следить. Если управлять им один раз, он дрейфует. Если управлять им непрерывно, он сохраняется.
Два разрыва, определяющие, будут ли ваши агенты работать эффективно
Каждое предприятие, использующее агентов в промышленной эксплуатации, сталкивается с двумя отдельными сбоями. Большинство дискуссий об управлении затрагивают только один из них.
Разрыв контекста: что происходит до того, как агент начинает действовать
Три вопроса должны быть решены до того, как любой агент коснется корпоративных данных:
- Что на самом деле означают эти данные? «Клиент» в управлении капиталом — это домохозяйство. В институциональном банкинге — это контрагент. Слово одно, а смысл разный. Без управляемого контекста агент выбирает одно значение и идет дальше.
- Являются ли эти данные достоверными прямо сейчас? Актуально ли определение? Обновился ли источник? Прошла ли проверка качества? Без управляемого контекста устаревшие данные воспринимаются как авторитетные.
- Что мне разрешено с ними делать? Какие политики применяются, какие юрисдикции ограничивают действие, кто владеет определением? Без управляемого контекста агент действует внутри данных, но вне политики.
Это не проблемы метаданных. Это проблема онтологии. Семантический слой говорит агенту, что означает слово. Онтология (или грамматика, связывающая смысл, доверие и разрешение) говорит ему, как эти вещи связаны: клиент владеет счетом, счет имеет позицию, позиция регулируется политикой. Без этой грамматики агент рассуждает об изолированных терминах. С ней агент рассуждает о предприятии.
Разрыв контроля: что происходит, когда агент уже работает
Как только агент запущен, вопросы меняются. Кто его развернул и что ему было разрешено делать? К чему он на самом деле прикоснулся и что произвел? Если он причинит вред, сможете ли вы доказать, какую именно границу он пересек?
Пять агентов в работе — это управляемо. Двадцать — это уже статья бюджета. Однако пятьдесят — это риск на уровне программы, потому что ручная проверка перестает работать задолго до этого, а надзор на основе электронных таблиц не поспевает за агентами, действующими в реальном времени.
Оба разрыва порождают одни и те же скрытые расходы: налог на галлюцинации, выплачиваемый через повторные попытки, неверные ответы, ручную проверку и риски, которые обнаруживаются только после того, как ущерб уже нанесен. Фактически, исследование Harris Poll показало, что 91% лиц, принимающих технологические решения, создают или развертывают агентный ИИ, 86% ожидают, что это принесет рентабельность инвестиций (ROI). И только у 48% есть система управления, необходимая для этого. Этот разрыв в 38 пунктов и есть 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 то, что все еще работает на собственных серверах спустя двадцать лет. Агенту, отвечающему на один вопрос финансового директора, может потребоваться пересечь три облака и четыре SaaS-приложения, каждое со своими определениями, своей историей происхождения, своей версией «выручки».
Каждое облако хорошо управляет само собой. Databricks управляет Databricks. Snowflake управляет Snowflake. Это именно то, что они должны делать. Они владеют движком исполнения, поэтому они управляют движком исполнения. Но определение «клиента» или «выручки» не принадлежит ни одному из них. Оно принадлежит предприятию и должно перемещаться по каждой платформе, которой касаются данные, каждой модели, которая их извлекает, и каждому агенту, который на их основе действует.
Поставщик, который также продает вычислительные мощности, имеет структурную причину формировать свой контекст вокруг собственного движка в первую очередь. Именно поэтому уровень контекста не может находиться внутри каталога какой-либо одной платформы. Преимущество в эпоху агентов заключается уже не только во владении системой учета. Оно заключается во владении уровнем, который решает, какие агенты могут действовать, с какими данными и с какими ограничениями. И может доказать впоследствии, что произошло. Этот уровень должен находиться над платформами, считывая данные из всех них и записывая в них, иначе гравитация будет тянуть не в ту сторону.
Что меняется, когда управляемый контекст входит в стек
Мы провели контролируемый тест в KU Leuven, чтобы выяснить, насколько это действительно влияет на результат, а не просто является теоретическим аргументом. Мы взяли анонимизированные данные, переименовали таблицы так, чтобы они напоминали загадочную устаревшую ERP-систему (другими словами, систему того типа, на которой большинство крупных предприятий до сих пор запускают все свои процессы), и дважды направили на них агента. Одна и та же модель, одни и те же данные, тринадцать вопросов с проверенными ответами. В одном случае использовался управляемый контекст, в другом — нет.
На вопрос о том, сколько активных тестировщиков было в проекте, неуправляемый агент нашел столбец «статус вовлеченности», сложил строки, помеченные как «завершено» и «просмотрено», и уверенно выдал ответ «три». Управляемый агент извлек фактическое определение активного тестировщика, сверил его с данными и обнаружил, что никто не соответствует критериям. Правильный ответ был «ноль».
По всем тринадцати вопросам: 92% правильных ответов с управляемым контекстом и 62% без него. Разрыв резко увеличился на самых сложных многоэтапных вопросах — именно таких, которые на самом деле задает финансовый директор. Неуправляемый агент не ответил правильно ни на один из четырех таких вопросов. Ноль правильных ответов. И при этом каждый раз — полная уверенность. Это лишь один тест, а не универсальный эталон, но он наглядно демонстрирует механизм: управляемый контекст не просто делает хорошего агента немного лучше. Он определяет, получите ли вы правильный ответ или уверенный неверный, именно там, где ставки наиболее высоки.
Этот механизм проявляется в реальной экономике в трех аспектах:
- Меньше эскалаций с первой попытки. Управляемый контекст означает, что агент заранее извлекает доверенные определения, актуальные данные и применимые политики. Агенты поддержки решают вопросы без эскалации; аналитические агенты предоставляют цифры, которым руководители действительно доверяют.
- Доля расходов на токены. LLM, предоставленная самой себе при работе с неструктурированными данными, расходует в пять-десять раз больше токенов, чем потребовалось бы, если бы эти данные были предварительно подготовлены в виде нужного среза.
- Агенты, которые проходят стадию пилота. Самая частая причина провала ИИ-инициатив — не плохая модель, а хороший агент, который никогда не выходит из стадии пилота, потому что никто не может доказать его безопасность. Видимость в реальном времени того, что развернуто и как оно работает, — это то, что позволяет руководителю запустить агента в эксплуатацию, а не держать его под постоянным контролем.
The Weir Group уже использует это в промышленной эксплуатации, применяя AI Command Center для масштабирования инноваций на базе агентов во всех своих глобальных инженерных операциях.
Почему это решение уровня совета директоров, а не вопрос выбора инструментов
Две тенденции сходятся в одной точке. Управление данными впервые стало главным приоритетом для руководителей в области данных и ИИ. А сама задача по внедрению ИИ сейчас является самой быстрорастущей функцией в высшем руководстве. Фактически, 76% организаций сегодня имеют должность директора по ИИ (Chief AI Officer) по сравнению с 26% год назад. Тот, кто отвечает за это направление, несет ответственность как за ценность, которую должен создавать ИИ, так и за риски, которые он привносит, когда этого не происходит.
Именно поэтому это решение уровня совета директоров, а не вопрос выбора инструментов. Замена модели — это проект, измеряемый неделями. Разрушение контекстного слоя, на котором было построено все остальное, — это десятилетие переделок. Выбор, который делают предприятия прямо сейчас, — это не то, какую модель запустить в следующем квартале. Это то, какой слой станет центром притяжения: тот, на основе которого придется рассуждать каждой будущей модели, каждой будущей платформе и каждому будущему агенту.
Названия будут меняться. Модель в этом квартале — это одно, платформа — другое, должность в организационной структуре меняется с CDO на CAIO и обратно.
Ничто из этого не меняет фундаментального требования: управляйте тем, что означают ваши данные, контролируйте то, что ваши агенты делают с ними. Это требование и есть тот слой, к которому стремится контекстное притяжение. Решение, которое стоит принимать осознанно, — это где именно этот слой будет находиться.
Часто задаваемые вопросы
Что такое контекстное притяжение? Контекстное притяжение — это тенденция ИИ-агентов и ИИ-рабочих нагрузок рассуждать, опираясь на то место, где фактически живет управляемый контекст предприятия (другими словами: смысл, доверие и политика). Подобно тому, как гравитация данных притягивает вычисления к хранилищу, контекстное притяжение притягивает рассуждения агентов к той платформе, которая содержит управляемые определения предприятия.
Что такое «налог на галлюцинации»? Налог на галлюцинации — это скрытые корпоративные расходы на запуск ИИ-агентов без управляемого контекста. Это ручной надзор, переделки, повторные попытки и подверженность рискам, которые растут с каждым новым агентом, запущенным в производство. Эти расходы растут пропорционально количеству развернутых агентов: управляемо при пяти, становится статьей бюджета при двадцати, превращается в риск программного уровня 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. Определение, такое как «клиент» или «выручка», принадлежит предприятию, а не какому-то одному облаку, поэтому оно должно перемещаться по каждой платформе, которой касаются данные, что требует контекстного слоя, который находится над стеком, а не внутри какой-то одной его части.
Решает ли проблему контекста более совершенная модель? Нет. Более совершенная модель уменьшает один класс ошибок, но ей все равно нужно знать, что означает «клиент» в вашем бизнесе, являются ли данные актуальными, какая политика применяется и какие действия разрешены. Более умные модели повышают важность управляемого контекста, а не заменяют его.
Какова роль Collibra в этом? Collibra — это Enterprise AI Control Plane, управляющая контекстом и контролем для любых данных, любых моделей и любых агентов. Построенная на восемнадцатилетнем опыте онтологического инжиниринга, 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
