Руководители в сфере данных и ИИ из Северной Америки недавно собрались в Чикаго на конференцию revAlation. За их спинами стоят сотни организаций практически из всех отраслей мировой экономики и онлайн-сообщество, насчитывающее более 18 000 человек. Генеральный директор Alation Сатьен Сангани начал выступление, указав на людей за пределами зала: по его словам, мероприятие было посвящено не столько присутствующим, сколько тем, кого здесь нет — тем, для кого и вместе с кем работают все присутствующие, создавая свои организации.

Он рассказал, что каждый год приезжает сюда с одной и той же задачей: понять, что рынку нужно от Alation, куда он движется и от чего компания решает отказаться. Стратегия, в его понимании, — это прежде всего функция выбора, поэтому он начал с того, что напомнил о решениях, принятых год назад.

Как ИИ изменил команды по работе с данными за последний год

Прогноз прошлого года заключался в том, что команды по работе с данными станут разработчиками агентов, и это оказалось частично верным.

Создание агентов казалось простым делом: напишите промпт, свяжите его с моделью, подключите несколько инструментов — и у вас есть агент, который выполняет задачи. Но даже тогда самой легкой частью было определение намерения. Самое сложное — убедиться, что агент делает именно то, что нужно, а это зависит от двух ключевых возможностей, которые Alation развивала на протяжении десятилетия:

Управляемые, точные данные: если исходные данные ошибочны, результат будет неверным, независимо от того, насколько хорошо была обучена модель.

Управляемые, точные данные: если исходные данные ошибочны, результат будет неверным, независимо от того, насколько хорошо была обучена модель.

Контекст: правила игры, которые определяют, как работает агент. Если эти два фактора обеспечивают точность, то команды, которые ими владеют, могут стать разработчиками.

Контекст: правила игры, которые определяют, как работает агент. Если эти два фактора обеспечивают точность, то команды, которые ими владеют, могут стать разработчиками.

Два вопроса к залу позволили проверить эту гипотезу. Сангани спросил, сколько человек использовали чат, чтобы задать вопрос своим данным, и поднялись все руки. Когда он спросил, сколько человек создали дашборд с помощью пары промптов в Claude или ChatGPT, руки подняла примерно половина зала.

Другими словами, внедрение произошло, и оно происходит в рамках аналитической работы, которую эти команды уже выполняют. В чем Сангани, по его словам, ошибся, так это в вопросе доверия. Автоматизация движется медленнее, чем он предсказывал, по простой причине: никто не доверяет ИИ полностью. Может быть, на 60 или 70 процентов, но этого недостаточно, чтобы позволить ему завершить работу.

Более широкие данные подтверждают это: только 5% организаций позволяют агентам принимать ответственные решения без участия человека, а 60% ограничивают их автоматизацией задач с умеренным уровнем риска.

Эта осторожность, как рассудил Сангани, рациональна. Когда ИИ выполняет работу, он упускает целый ряд тонких нюансов, и именно эти нюансы делают результат немного неточным. Эта небольшая погрешность означает, что ИИ нельзя доверять интерпретацию мира так же, как это сделал бы пользователь, поэтому пользователь продолжает выполнять работу сам.

Почему увеличение объема вывода ИИ не сделало команды более согласованными

Сангани вернулся к карикатуре, к которой он постоянно обращается. Один человек говорит, что взял тезис и превратил его в длинное электронное письмо с помощью ИИ. Получатель отвечает, что взял это длинное письмо и снова превратил его в один тезис:

По его словам, это описывает его собственную рабочую жизнь. Каждый день приходит от двухсот до трехсот писем, по сравнению с примерно 150 важными до появления ИИ, и большая часть этого контента теперь создана машиной. Количество документов для чтения и проверки выросло с двух-трех в день до примерно десяти, все они прекрасно оформлены и имеют идеальные планы. Вопрос, который он постоянно задавал себе, заключался в том, стало ли ему легче работать с этим материалом, чем с тем, что был подготовлен вручную.

То же самое происходит с дашбордами. Дашборд, который раньше требовал работы специалиста, теперь можно создать с помощью модели общего назначения за тридцать минут и пару промптов. Иногда за два.

Он утверждает, что ничего из этого не облегчило фундаментальную работу. Каждый по-прежнему должен понимать, что означают вещи внутри его собственного бизнеса. Когда коллеги общаются друг с другом, не становится проще достичь согласованности, потому что теперь существует не десять разных определений, а сотня. Каждый может быть разработчиком. Каждый может быть творцом. Но ничего из этого не дало лучшего способа достичь согласованности или учиться друг у друга.

Именно поэтому, сказал он, он стал осторожно относиться к семантическим слоям. Определения, правила и защитные барьеры — все это реально, и все они являются производными от чего-то другого. Согласованность — это когда люди собираются в одной комнате и убеждаются, что то, что имеет в виду один человек, понимает и другой, и что то, что говорит человек в соседнем кабинете, понятно всем.

«Дешевое производство приумножило то, что нам приходится согласовывать, не дав нам при этом никакого нового способа для согласования». — Сатьен Сангани

«Дешевое производство приумножило то, что нам приходится согласовывать, не дав нам при этом никакого нового способа для согласования».

- Сатьен Сангани

Если согласование всего этого — это теперь настоящая работа, то более глубокая и сложная задача — это обучение: определение того, во что верит организация, фиксация этого на бумаге и поддержание актуальности по мере развития бизнеса. Это не происходит только потому, что каждый стал работать быстрее индивидуально. Это происходит, когда организация учится осознанно, а это, как выясняется, совсем другое дело.

Индивидуальное обучение против организационного обучения

Индивидуальное обучение, по его мнению, идет хорошо. Люди используют эти инструменты, проявляют творческий подход, работают на опережение. «10-кратные» ученики и «10-кратные» исполнители заметны, и то, чего они могут достичь, поразительно.

Организационное обучение имеет другой характер. Это означает, что компания придерживается общего набора фактов, чтобы два человека, задающие один и тот же вопрос, получали один и тот же ответ, или достаточно близкий, чтобы разница не меняла их дальнейшие действия. Это гораздо более высокая планка, чем кажется. Вопрос не в том, становятся ли лучшие сотрудники быстрее; они становятся. Вопрос в том, сокращается или увеличивается разрыв между самыми быстрыми и самыми медленными. Прямо сейчас, утверждает Сангани, дешевый вывод ИИ увеличивает его, потому что каждый новый артефакт — это еще одна вещь, которую организация должна согласовать. Организационное обучение — это вовлечение всех в процесс с постоянным темпом.

Опрос McKinsey «Состояние ИИ в 2026 году» показал, что почти девять из десяти респондентов сообщают о регулярном использовании ИИ как минимум в одной бизнес-функции, а 44% говорят, что ИИ масштабируется по всему предприятию (по сравнению с 38% годом ранее). По мнению McKinsey, расширение использования ИИ может потребовать перепроектирования рабочих процессов вокруг ИИ и создания платформ, способных работать в масштабе.

Сангани выразился бы немного иначе или, по крайней мере, дополнил бы это. Он видит, что препятствием для компаний являются данные и контекст, данные и знания. Сбор этих двух вещей вместе — это реальное препятствие для эффективной работы ИИ. Даже организации, которые делают по-настоящему выдающуюся работу, отмечают, что находятся только в самом начале своего пути.

Почему каталог данных должен исчезнуть

Все, кто смотрел основную презентацию, также увидели недавний ребрендинг и репозиционирование Alation. Галстук-бабочка исчез, и мы сделали черный цвет основным на сцене, добавив лишь оттенки оранжевого.

Сангани представил это как дизайнерское решение, подкрепленное аргументами. Старая Alation была пунктом назначения, созданным по образцу Wikipedia и Stack Overflow, где люди создавали и потребляли знания в одном месте. Эта модель предполагала, что вы куда-то идете, чтобы что-то найти. Сейчас так делают немногие. Wikimedia Foundation сообщила, что количество просмотров страниц Wikipedia людьми сократилось примерно на 8% по сравнению с прошлым годом, и связала этот спад с генеративным ИИ и социальными платформами, которые отвечают на вопросы напрямую, а не отправляют пользователей к первоисточнику.

Хороший дизайн незаметен, сказал он. Это означает, что Alation должна эффективно стать невидимой подложкой, появляясь внутри редакторов кода и помощников, где работа уже происходит.

Компания поняла, почему это важно, совершив ошибку внутри себя. Мы дали нашим собственным командам «сырые» инструменты ИИ и получили хаос: дублирующиеся определения, неуправляемые артефакты и реальные расходы на токены. В какой-то момент мы обнаружили разные внутренние дашборды, отслеживающие одни и те же показатели, которые не полностью совпадали.

Урок заключался не в том, что дашборды — это проблема. Дашборды никуда не денутся, потому что людям нужно измерять производительность и учиться. Проблема в статических дашбордах. Поэтому мы создали Intelligent Feeds: управляемый интерактивный интеллект, который следит за базовыми источниками и предлагает, как должен измениться артефакт. Наши сообщения о продажах теперь развиваются на основе журналов поддержки, отзывов клиентов и действий конкурентов, а не лежат в презентации, пока кто-то не вспомнит о необходимости их пересмотреть.

Три свойства, по его словам, делают такую систему безопасной для использования:

Управляемость, чтобы ей можно было доверять.

Управляемость, чтобы ей можно было доверять.

Открытость, чтобы она работала с любым стеком, который у вас уже есть.

Открытость, чтобы она работала с любым стеком, который у вас уже есть.

Самосовершенствование, чтобы исправления накапливались.

Самосовершенствование, чтобы исправления накапливались.

Последнее свойство люди недооценивают, и Сангани приписал более четкое понимание причин этому панели «Imagination In Action» в Google Bay View. Лиран Звибель из WEKA описал, что ломается во вложенных архитектурах, где агенты вызывают других агентов — «черепахи на всем пути вниз». Вложенный агент работает в совершенно другом контексте, чем тот, который его вызвал, поэтому каждый шаг держится сам по себе, а цепочка все равно выдает что-то, на что человек посмотрит и отвергнет. Мелисса Валентайн из Стэнфорда назвала то, что должно лежать в основе всех этих циклов: слой проверенных, обычно созданных человеком данных для оценки. Она также честно сказала, почему компании пропускают это: определение успеха достаточно точно, чтобы люди могли применять его последовательно — это медленная, неблагодарная работа, и большинство людей предпочли бы этого не делать.

Это механизм, с помощью которого мы в конечном итоге переводим ИИ к доверенным действиям: циклы агентов с человеческим суждением в основе, поддерживающим их. Если вы не можете доверять истине в основании, ни один из циклов над ней ничего не значит. Мы более подробно описали эту панель здесь.

Команды по управлению данными и BI скоро объединятся

Прогноз Сангани на 2027 год заключается в том, что команды по управлению данными будут все чаще объединяться с командами BI. Когда создание отчета — это вопрос написания и уточнения текста на английском языке, человек, который создает информацию, и человек, который за нее ручается, перестают быть разными людьми. Эта стирающаяся граница между созданием и проверкой наступает в критический момент: 78% руководителей высшего звена не уверены в том, что смогут пройти независимый аудит управления ИИ в течение 90 дней.

Возможно, он снова ошибается насчет сроков, сказал он. Но он не думает, что ошибается насчет направления.

С чего начать

Вопрос, который Alation задают чаще всего — с чего начать, и ответ был: шаг за шагом. Три клиента вышли на сцену, чтобы провести аудиторию через очень разные первые шаги:

Electronic Arts, мировой лидер в области цифровых интерактивных развлечений и крупный издатель и разработчик видеоигр, быстро перешла от каталога к продуктам данных в масштабе, построила на их основе агентов и использовала онтологии для повышения оценок моделей.

Electronic Arts, мировой лидер в области цифровых интерактивных развлечений и крупный издатель и разработчик видеоигр, быстро перешла от каталога к продуктам данных в масштабе, построила на их основе агентов и использовала онтологии для повышения оценок моделей.

Water Technologies, подразделение Veolia, транснационального специалиста по решениям для очистки воды и сточных вод для промышленных клиентов и государственных органов, выбрало структурированный путь: каталог, затем качество данных, затем многоуровневые абстракции поверх активов.

Water Technologies, подразделение Veolia, транснационального специалиста по решениям для очистки воды и сточных вод для промышленных клиентов и государственных органов, выбрало структурированный путь: каталог, затем качество данных, затем многоуровневые абстракции поверх активов.

Ally Financial Services, ведущая компания в сфере цифровых финансовых услуг и банковская холдинговая корпорация, сначала консолидировала свои самые важные данные, а затем масштабировала знания на их основе.

Ally Financial Services, ведущая компания в сфере цифровых финансовых услуг и банковская холдинговая корпорация, сначала консолидировала свои самые важные данные, а затем масштабировала знания на их основе.

Никто из них не пытался сделать все сразу. Все они выбрали то, что имело значение, и сделали это правдой.

Этот момент принадлежит командам по работе с данными. Будь то борьба с угрозами или курирование определений, все сводится к одному фундаментальному вопросу: что есть правда и что мы знаем? Организация, которая не может прийти к согласию относительно фактов, становится парализованной.

Выберите проблему, выберите ленту интеллектуальных данных, и давайте построим это вместе. Свяжитесь с нами сегодня, чтобы начать.

Источники и примечания

Каждое внешнее утверждение в этом посте поддается независимой проверке. Публичные источники перечислены здесь.

Только 5% организаций разрешают агентам принимать решения с высокими ставками без проверки человеком; 60% ограничивают агентов автоматизацией задач с умеренным риском. Опрос 950 руководителей высшего звена и старших бизнес-лидеров в 10 отраслях в Соединенных Штатах, проведенный с 23 февраля по 18 марта 2026 года. — Grant Thornton, 2026 AI Impact Survey — https://www.grantthornton.com/services/advisory-services/artificial-intelligence/2026-ai-impact-survey

Только 5% организаций разрешают агентам принимать решения с высокими ставками без проверки человеком; 60% ограничивают агентов автоматизацией задач с умеренным риском. Опрос 950 руководителей высшего звена и старших бизнес-лидеров в 10 отраслях в Соединенных Штатах, проведенный с 23 февраля по 18 марта 2026 года. — Grant Thornton, 2026 AI Impact Survey —

Почти девять из десяти респондентов сообщают о регулярном использовании ИИ как минимум в одной бизнес-функции; 44% сообщают о масштабировании ИИ по всему предприятию, по сравнению с 38% годом ранее. Опрос 1719 участников в 97 странах, проведенный с 4 мая по 8 июня 2026 года. — McKinsey, The state of AI in 2026: On the road to ROI, 25 августа 2026 — https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai

Почти девять из десяти респондентов сообщают о регулярном использовании ИИ как минимум в одной бизнес-функции; 44% сообщают о масштабировании ИИ на уровне предприятия, что выше показателя в 38% годом ранее. Опрос 1719 участников из 97 стран, проведенный с 4 мая по 8 июня 2026 года. — McKinsey, The state of AI in 2026: On the road to ROI, 25 августа 2026 г. —

Расширение использования ИИ может потребовать от компаний перепроектирования рабочих процессов с учетом возможностей ИИ и создания платформ, позволяющих работать в масштабе. — McKinsey, AI at work but not at scale, 10 декабря 2025 г. — https://www.mckinsey.com/featured-insights/charts/ai-at-work-but-not-at-scale

Расширение использования ИИ может потребовать от компаний перепроектирования рабочих процессов с учетом возможностей ИИ и создания платформ, позволяющих работать в масштабе. — McKinsey, AI at work but not at scale, 10 декабря 2025 г. —

Количество просмотров страниц Wikipedia пользователями-людьми сократилось примерно на 8% по сравнению с теми же месяцами 2024 года, что Фонд связывает с влиянием генеративного ИИ и социальных сетей на то, как люди ищут информацию, в частности, с тем, что поисковые системы отвечают на вопросы напрямую. Фонд отмечает, что, поскольку в середине 2025 года была пересмотрена логика обнаружения ботов и переклассифицирован трафик за март–август 2025 года, к пересмотренным данным следует относиться с осторожностью. — Wikimedia Foundation, New User Trends on Wikipedia, 17 октября 2025 г. — https://diff.wikimedia.org/2025/10/17/new-user-trends-on-wikipedia/

Количество просмотров страниц Wikipedia пользователями-людьми сократилось примерно на 8% по сравнению с теми же месяцами 2024 года, что Фонд связывает с влиянием генеративного ИИ и социальных сетей на то, как люди ищут информацию, в частности, с тем, что поисковые системы отвечают на вопросы напрямую. Фонд отмечает, что, поскольку в середине 2025 года была пересмотрена логика обнаружения ботов и переклассифицирован трафик за март–август 2025 года, к пересмотренным данным следует относиться с осторожностью. — Wikimedia Foundation, New User Trends on Wikipedia, 17 октября 2025 г. —

Панельная дискуссия «Engineering the Agentic Enterprise», Imagination In Action, Google Bay View, Маунтин-Вью, 14 сентября 2026 г. — https://imaginationinaction.co/2609sv/14. Конференция revAlation Chicago прошла 16–17 сентября 2026 г. в The Old Post Office, Чикаго —https://www.alation.com/revalation/chicago/

Панельная дискуссия «Engineering the Agentic Enterprise», Imagination In Action, Google Bay View, Маунтин-Вью, 14 сентября 2026 г. — . Конференция revAlation Chicago прошла 16–17 сентября 2026 г. в The Old Post Office, Чикаго —https://www.alation.com/revalation/chicago/

Лиран Звибель, соучредитель и генеральный директор, WEKA — https://www.weka.io/company/leadership

Лиран Звибель, соучредитель и генеральный директор, WEKA —

Мелисса Валентайн, доцент кафедры управления наукой и техникой Стэнфордского университета и старший научный сотрудник Стэнфордского института человекоцентричного искусственного интеллекта — https://profiles.stanford.edu/melissa-valentine

Мелисса Валентайн, доцент кафедры управления наукой и техникой Стэнфордского университета и старший научный сотрудник Стэнфордского института человекоцентричного искусственного интеллекта —

78% руководителей бизнеса не уверены в том, что смогут пройти независимый аудит управления ИИ в течение 90 дней. Опрос 950 руководителей высшего звена и старших бизнес-лидеров из 10 отраслей в США, проведенный с 23 февраля по 18 марта 2026 года. — Grant Thornton, 2026 AI Impact Survey —

78% руководителей бизнеса не уверены в том, что смогут пройти независимый аудит управления ИИ в течение 90 дней. Опрос 950 руководителей высшего звена и старших бизнес-лидеров из 10 отраслей в США, проведенный с 23 февраля по 18 марта 2026 года. — Grant Thornton, 2026 AI Impact Survey —