Корпоративный ИИ сейчас переживает изобилие пересекающихся модных словечек, и все они связаны с описанием важности контекста. Семантический слой, контекстный слой, граф знаний, ontology. Кажется, каждый день новый поставщик данных публикует архитектурную диаграмму, исследующую контекст, и каждая из них подозрительно похожа на то, что этот поставщик уже продает. Все это говорит нам о том, что важность контекста для ИИ реальна, даже если терминология все еще формируется.
Однако за этим шумом индустрия приходит к важной истине. «Сырых» таблиц и столбцов недостаточно для работы автономных ИИ-агентов. Как отметила ранее на этой неделе Эмма Типпет, руководитель отдела продуктов Starburst, команды по работе с данными потратили последнее десятилетие на то, чтобы избежать «гравитации данных», только для того, чтобы столкнуться с «гравитацией контекста». Консенсус относительно того, почему контекст имеет значение, ясен. Индустрия расходится во мнениях относительно того, что именно должен делать этот контекстный слой и где он должен находиться.
Взгляните на недавнюю работу Snowflake по рассуждениям на основе онтологий. Она ставит контекст во главу угла, и аналогичным образом весь рынок осознает ту же реальность. Предоставление ИИ-агентам надежного доступа к корпоративному контексту имеет решающее значение для работы корпоративного ИИ. Это не опционально.
Знание того, что существует, против знания того, как вы это знаете
Итак, как начать работу с контекстом? Все начинается с понимания бизнес-логики вашего бизнеса, но это легче сказать, чем сделать. Отображение объектов вашего бизнеса, таких как клиенты, счета, активы и транзакции, вместе с их иерархиями и связями, действительно ценно, но и действительно сложно.
Но отображение того, что существует внутри базы данных, — это лишь половина уравнения. Чтобы превратить необработанные данные в истинный корпоративный интеллект, ИИ-агенту также нужно знать, как ваш бизнес на самом деле интерпретирует, регулирует и обосновывает эту информацию. Ему нужно знать бизнес-логику, скрытую в вашем бизнесе.
Философы называют этот вид знания эпистемологией — изучением того, как вы познаете и что делает убеждение обоснованным. Утверждение не является знанием только потому, что оно случайно оказалось правдой. Если агент угадывает без всякой причины и получает правильное число, это удачная догадка, а не знание. Точно так же проводка, благодаря которой загорается свет, — это не то же самое, что проводка, которая проходит проверку.
Почему пилотные проекты корпоративного ИИ останавливаются до внедрения в производство
Прямо сейчас почти все в корпоративном ИИ гонятся только за точностью, но это не истинное знание. Это не эпистемология. Лучшие модели, лучший поиск, лучший текст-в-SQL — да, все это важно. Тем не менее, подавляющее большинство пилотных проектов корпоративных агентов все еще останавливаются, не доходя до производства, потому что они не достигли нужного уровня знаний.
В демо-версии обоснование предоставляет человек, находящийся в комнате. Он знает набор данных, проверяет корректность объединения и интерпретирует результат. В производстве в комнате нет никого, кто мог бы контролировать ситуацию и обеспечивать надзор. Правильный ответ, который никто не может обосновать, почти так же бесполезен для аудитора, как и неправильный.
Структурная карта или ontology дает агенту представление о ваших таблицах. В то же время управляемый контекстный слой дает ему механизм обоснования, и чтобы ИИ был заслуживающим доверия в производстве, доступ к этому контексту должен идти рука об руку с доступом к вашим данным.
Почему статической карты недостаточно для автономных агентов
Недавние исследования в области ИИ приходят к точно такому же диагнозу. В недавней статье под названием Retrieval Is Not Enough утверждается, что потолок для организационного ИИ — это не точность поиска, а скорее эпистемическая точность. Агенту, конечно, нужен доступ к данным. Но ему нужно знать еще больше, и для этого ему нужен контекст. Система может извлечь идеально релевантные документы или таблицы и все равно ввести агента в заблуждение, потому что ничто в стандартном слое поиска не отличает обязательное бизнес-решение от заброшенного черновика или спорный показатель от утвержденного.
Примеры всегда полезны. Подумайте, что произойдет, когда риск-аналитик задаст ИИ-агенту один простой вопрос.
«Для наших открытых дел по соблюдению нормативных требований, какова наша чистая подверженность риску по счетам, связанным с европейскими подразделениями этой корпорации?»
Одно предложение. И даже если у агента есть чистая карта ваших таблиц клиентов и счетов, знание ответа в обоснованном смысле требует гораздо большего, чем просто обход иерархий сущностей.
Общий словарь
Какое конкретное поле представляет дело и какие коды статуса официально считаются открытыми? Без явных определений, сопоставленных с вашими схемами, агент вынужден делать выводы о бизнес-терминологии только на основе названий столбцов.
Управляемые расчеты
Чистая подверженность риску редко является необработанным столбцом. Это каноническая формула, и если отделы финансов и рисков рассчитывают ее по-разному, агент, выбирающий между ними, принесет неверное число на совещание руководства.
Бизнес-политика
Правила о том, какие контрагенты взаимозачитываются, а какие переводы исключаются, часто живут в версионируемой бизнес-логике, а не в таблицах необработанного хранения. Агенту необходимо, чтобы эти правила применялись автоматически, а не были зарыты в офлайн-документации.
Доверенные пути объединения
Путь от материнской корпорации к ее региональным дочерним компаниям, счетам и транзакциям должен следовать проверенным бизнес-отношениям, а не лучшей догадке модели о SQL-объединении.
Когда агент имеет доступ только к необработанным схемам или статической онтологии, он заполняет пробелы самостоятельно. Без надлежащего обоснования агента или человека, проверяющего проводку при каждом запуске, удачная догадка становится обязательством.
Проблема заключения вашего контекстного слоя в стены хранилища
Это подводит нас к архитектурному разделению. Большинство платформ пытаются решить проблему корпоративного контекста путем привязки бизнес-определений к собственному движку хранения. Это контекстный эквивалент централизации данных. Централизуйте весь ваш контекст внутри одной монолитной конвергентной платформы данных.
Но есть проблема. Если вы создаете свои графы знаний и семантические представления внутри одного облачного хранилища, они работают хорошо до тех пор, пока весь ваш бизнес живет внутри этой платформы. Даже в этом случае командам часто приходится поддерживать сложные конвейеры из множества инструментов или статические переопределения промптов, просто чтобы поддерживать концепции в соответствии с базовыми таблицами. В тот момент, когда агенту нужно ответить на вопрос, охватывающий облачное хранилище, операционную базу данных, объектное хранилище и SaaS-приложение, этот контекст натыкается на жесткую границу. Как мы видели по всей отрасли, ИИ-агенты перерастают конвергентные платформы данных.
Тем временем автономные каталоги данных записывают определения рядом с данными. Поскольку эти определения находятся отдельно от движка запросов, они действуют как рекомендательная документация, которую агент может игнорировать, и они быстро рассинхронизируются по мере изменения моделей данных.
Объединение федеративного доступа к данным и контекста
Это подводит нас к важному выводу. Платформа корпоративного интеллекта не может рассматривать федеративный доступ к данным и бизнес-контекст как две отдельные проблемы, равно как и не может запирать их внутри единого хранилища. Чтобы сделать корпоративный ИИ надежным, ваш уровень контекста должен применяться в тот самый момент, когда выполняется запрос, во всех системах, где хранятся ваши данные.
Именно поэтому мы создали Context Studio как ключевую часть платформы Starburst Enterprise Intelligence Platform.
Большинство предприятий уже знают почти все, что нужно их ИИ. Ваши бизнес-знания уже существуют в моделях dbt, хранилищах метрик BI, корпоративных каталогах, продуктах данных и многолетней истории запросов аналитиков. Ошибка, которую совершают большинство платформ, заключается в требовании переписывать все это с нуля внутри проприетарного графа или закрытого инструмента поставщика. Context Studio объединяет уже имеющийся у вас контекст, собирая эти разрозненные определения в единое хранилище с доменной областью видимости, сохраняя при этом полную историю происхождения, чтобы каждое поле «помнило», откуда оно взялось.
Как Context Studio превращает определения в обоснованный интеллект
Поскольку происхождение без проверки — это просто слухи с лучшим форматированием, Context Studio превращает разрозненные определения в обоснованный, управляемый контекст с помощью четырех основных возможностей.
Федеративный сбор данных без перестройки
Создание специализированных коннекторов для каждого возможного каталога — это проигрышная битва. Вместо этого Context Studio использует гибкий подход, основанный на push-модели. Используя готовые навыки ИИ, команды могут создавать YAML-файлы, которые фиксируют метрики, соединения и правила из их существующих семантических моделей, таких как dbt, и передавать их напрямую в Context Studio через API. Мы сочетаем это с автоматизированными сборщиками, которые выводят пути соединения из истории запросов вашей платформы. Все попадает в систему как черновик с прикрепленным исходным кодом, что решает проблему «чистого листа».
Сертификация с участием человека и разрешение конфликтов
На реальном предприятии разные отделы могут по праву определять термины по-разному. Отдел продаж может отслеживать выручку как валовые заказы, используя dbt, в то время как финансовый отдел отслеживает ее с помощью Snowflake. Вместо того чтобы молча перезаписывать одно определение другим, Context Studio открыто помечает разногласия. Назначенный ответственный за данные (data steward) рассматривает конфликт, решает, какое правило применимо, и сертифицирует его для этого домена, гарантируя, что агенты никогда не будут гадать между конкурирующими определениями.
Контекст, применяемый во время выполнения запроса
Context Studio не является просто справочным словарем, стоящим в стороне. Поскольку он встроен непосредственно в платформу Starburst вместе с нашим механизмом федерации запросов, ваши сертифицированные определения, правила соединения и бизнес-логика применяются при выполнении запроса для получения детерминированных результатов. Ваши существующие политики доступа на основе ролей и атрибутов автоматически применяются вместе с запросом.
Универсальная доставка с отслеживанием решений
После сертификации этот единый общий смысл становится доступным для любого агента, независимо от того, используют ли ваши команды Starburst AIDA или подключают внешние модели, такие как Claude и ChatGPT, через протокол Model Context Protocol (MCP). Каждый ответ оставляет четкий след того, какие определения, правила и источники данных были использованы, поэтому команды могут отвечать за каждую цифру.
Достижение истинного корпоративного интеллекта через контекст
Отрасль справедливо фокусируется на контексте. Поскольку автономные ИИ-агенты берут на себя реальную операционную работу, связывание моделей с бизнес-смыслом становится определяющей архитектурной задачей следующего десятилетия.
Картографирование ваших сущностей данных с помощью онтологии — это полезное начало, но одна лишь карта не говорит агенту, как ориентироваться в конкурирующих правилах отделов, обеспечивать безопасность в распределенных системах или доказывать, как был получен ответ. Объединяя федеративный доступ к данным и управляемый уровень корпоративного контекста над каждой платформой, Context Studio превращает правдоподобные ответы в обоснованный корпоративный интеллект.
Посмотрите запись моей презентации Launch Point 2026 прямо сейчас.








