Однако по мере перехода этих решений от демонстраций к реальным корпоративным средам становится очевидной более глубокая проблема. Предоставление системе ИИ доступа к хранилищу данных, озеру данных (lakehouse), семантической модели или API не означает, что она понимает бизнес, представленный этими данными. Кто именно является активным клиентом? Какое определение выручки следует использовать? Как связаны клиенты, заказы, продукты и поставки? Какая метрика является авторитетной, если существует несколько версий?
ИИ нуждается в бизнес-контексте, а не просто в доступе к корпоративным данным
По своей сути это проблема обоснования (grounding) ИИ: связывание рассуждений системы ИИ с авторитетными, управляемыми знаниями об организации. По-настоящему готовые к ИИ данные не только чисты, консолидированы и хорошо управляемы, они также несут явный бизнес-смысл, который контекстно-зависимые системы ИИ могут надежно использовать.
Задача состоит в получении более широкого признания в отрасли. В мае 2026 года Gartner warned that insufficient semantic foundations can lead to inaccurate AI agents and wasted investment, подчеркивая важность явного бизнес-смысла в архитектурах данных, готовых к ИИ.
Именно это делает новую стратегию Microsoft IQ, и в частности Microsoft Fabric IQ, интересной: возможность выйти за рамки простого подключения ИИ к корпоративным данным и перейти к обоснованию его работы на основе общего понимания бизнеса.
Microsoft IQ: создание общего понимания предприятия
Microsoft IQ позиционируется как унифицированный интеллектуальный уровень для корпоративного ИИ, где агенты и возможности Copilot опираются на общее и постоянно развивающееся понимание организации. Стратегия объединяет различные формы корпоративного контекста с помощью Work IQ, Fabric IQ, Foundry IQ и Web IQ.
Важная архитектурная идея заключается не просто в представлении еще одного семейства продуктов ИИ. Она отражает более широкое признание того, что корпоративному ИИ требуется нечто большее, чем возможности рассуждения и доступ к информации. Системы ИИ также должны понимать организацию, в которой они работают: ее терминологию, связи, процессы, знания и бизнес-правила.
В рамках этой более широкой стратегии Fabric IQ решает вопросы бизнес-смысла и операционного контекста, представленного корпоративными данными.
Fabric IQ: привносим бизнес-смысл в платформу данных
Fabric IQ — это интеллектуальный уровень в Microsoft Fabric, который связывает корпоративные данные с бизнес-смыслом, чтобы агенты ИИ и аналитические инструменты могли интерпретировать данные так же, как это делает организация. Опираясь на OneLake и существующие семантические модели Power BI, он внедряет онтологии, которые описывают бизнес-сущности, их свойства, связи и отображения на базовые данные.
На практике Fabric IQ расширяет привычную идею семантического уровня до эпохи ИИ. Вместо того чтобы обслуживать только информационные панели и отчеты, управляемый бизнес-смысл становится инфраструктурой обоснования для агентов, помощников (copilots) и других интеллектуальных приложений.
Это представляет собой важную эволюцию платформы данных. Вместо того чтобы оставлять бизнес-смысл распределенным по аналитическим моделям, логике приложений и отдельным ИИ-инструментам, Fabric IQ создает основу для того, чтобы сделать этот контекст более явным и пригодным для повторного использования.
Семантический контекст уменьшает объем бизнес-смысла, который системы ИИ должны выводить самостоятельно.
Архитектурная значимость выходит за рамки одной возможности Fabric. Она указывает на общую семантическую основу, соединяющую управляемые корпоративные данные с разговорной аналитикой, агентами данных и другими приложениями ИИ.
Корпоративные онтологии: обучение ИИ тому, что означают ваши данные
Бизнес-онтология — это явная модель бизнес-домена: сущности, которые важны для организации — клиент, заказ, продукт, поставка, их свойства, их связи и то, как они соотносятся с базовыми источниками данных.
Семантические модели Power BI уже давно обеспечивают согласованный аналитический смысл с помощью мер, измерений, связей и бизнес-расчетов. Однако по мере того, как агенты ИИ становятся потребителями корпоративных данных, более широкое представление бизнес-концепций становится все более ценным.
Fabric IQ расширяет эту основу с помощью онтологии Fabric: бизнес-концепции представлены независимо от физических структур, используемых для их хранения, что обеспечивает дополнительный семантический контекст, помогающий системам ИИ более последовательно интерпретировать корпоративные данные.
Различие не в том, что семантическим моделям не хватает бизнес-смысла. Скорее, корпоративная онтология вводит дополнительный уровень абстракции, делая бизнес-концепции и их связи более явными и потенциально пригодными для повторного использования в аналитических и ИИ-инструментах.
Это становится яснее, если рассмотреть, как различные представления бизнес-смысла работают вместе. Семантические модели предоставляют надежные аналитические меры и расчеты, бизнес-онтологии определяют сущности, связи и их отображения на данные, в то время как графы знаний представляют взаимосвязанную бизнес-информацию, часто структурированную с помощью онтологии. Эти подходы являются взаимодополняющими, а не конкурирующими альтернативами.
Fabric IQ опирается на эту взаимодополняемость, предлагая такие возможности, как создание онтологий на основе существующих семантических моделей, что указывает на повторное использование уже сделанных аналитических инвестиций, а не на создание бизнес-определений с нуля.
Архитектурная возможность заключается в том, чтобы сделать бизнес-смысл явным, управляемым и пригодным для повторного использования, уменьшая необходимость для отдельных систем ИИ реконструировать этот смысл самостоятельно.
Разговорная аналитика, которой можно доверять: от «разговора с данными» к «разговору с бизнесом»
Первое поколение разговорной аналитики, часто описываемое как разговорная BI, в значительной степени было сосредоточено на переводе запроса пользователя на естественном языке в нечто, что могла выполнить платформа данных. Естественный язык мог превратиться в SQL, DAX или другой запрос, позволяя пользователям получать информацию, не вникая напрямую в базовые структуры данных. Этот подход уже сделал корпоративную аналитику значительно более доступной.
Однако корпоративные вопросы редко четко соответствуют физическим структурам данных. Рассмотрим пользователя, который спрашивает: «Почему доход от наших ценных клиентов снизился в прошлом квартале?» Прежде чем генерировать запрос, агент ИИ должен понять, что составляет ценного клиента, какое определение выручки является авторитетным, как связаны клиенты и транзакции, какая временная логика применяется и какие бизнес-правила определяют соответствующую совокупность.
Семантический контекст обеспечивает основу для интерпретации вопроса, в то время как выявление причин по-прежнему требует аналитического мышления и подтверждающих доказательств.
Промпт-инжиниринг может закодировать часть этих знаний, в то время как семантические модели уже предоставляют надежные аналитические определения. Но поддерживать бизнес-смысл отдельно в рамках отдельных промптов, агентов, приложений и информационных панелей становится все труднее по мере роста внедрения ИИ.
Fabric IQ предлагает другой архитектурный подход:
Корпоративные данные → Управляемый семантический контекст → Агенты и инструменты ИИ
В этой модели бизнес-словарь, сущности, связи, показатели и сопоставления с источниками становятся контекстом для повторного использования, а не тем, что каждое ИИ-приложение должно интерпретировать самостоятельно. Microsoft документирует, как онтологии Fabric могут служить основой для агентов данных Fabric и интегрироваться с агентскими средами, созданными с помощью Microsoft Foundry.
Это смещает фокус разговорной аналитики с генерации исполняемых запросов на интерпретацию бизнес-вопросов с использованием общей семантической основы. Одни и те же бизнес-определения потенциально могут поддерживать несколько агентов и приложений, повышая согласованность взаимодействий на базе ИИ.
Конечно, семантическое обоснование не гарантирует автоматически правильные ответы. Качество данных, права доступа, неоднозначные вопросы и надежность рассуждений агента по-прежнему требуют проверки и управления.
Таким образом, развитие разговорной аналитики заключается не просто в создании более качественных запросов. Речь идет о переходе от общения с данными к общению с управляемым представлением бизнеса.
Семантический контекст как корпоративная ИИ-возможность
Растущая важность семантического контекста отражает более широкий сдвиг в архитектуре корпоративного ИИ. Семантические модели, бизнес-глоссарии и управляемые метрики десятилетиями поддерживали бизнес-аналитику, но их роль расширяется. ИИ-агенты и интеллектуальные приложения становятся потребителями корпоративного бизнес-смысла, часто охватывая несколько доменов и систем.
По мере того как организации внедряют все больше решений на базе ИИ, поддерживать бизнес-определения и связи независимо в каждом приложении становится все труднее. Общий семантический контекст дает возможность повторно использовать управляемые бизнес-значения в разных агентах, сокращая дублирование и повышая согласованность. Это также меняет архитектурную роль семантики, делая ее частью инфраструктуры обоснования для корпоративного ИИ, а не только вопросом бизнес-аналитики.
В экосистеме Microsoft Fabric IQ может предоставлять структурированный бизнес-контекст, основанный на корпоративных данных, в то время как Foundry IQ может предоставлять дополнительные знания для сценариев работы агентов. Вместе эти возможности показывают, как агенты могут работать с более богатым организационным контекстом, а не полагаться только на необработанные данные или документы.
Это направление также отражает более широкую отраслевую тенденцию. Исследование Forrester о контекстных уровнях подчеркивает растущую важность семантических основ, онтологий и графов знаний в поддержке контекстно-зависимых ИИ-систем. По мере того как агенты становятся более автономными, поддержание авторитетных бизнес-определений, прав собственности и управления становится все более важным.
Семантический контекст больше не является только заботой BI. Он становится корпоративной ИИ-возможностью для повторного использования.
От платформ данных к платформам контекста: что делать лидерам в области данных дальше
Годами организации концентрировались на создании все более мощных основ данных: консолидации данных, повышении их качества, внедрении lakehouse-архитектур, разработке семантических моделей и установлении управления. Генеративный ИИ добавляет к этой основе еще одно требование: данные, готовые для ИИ, должны предоставлять организационный смысл в форме, которую интеллектуальные системы могут надежно потреблять.
Следующее конкурентное преимущество в корпоративном ИИ может зависеть не столько от наличия лучших моделей или большего объема данных, сколько от того, насколько эффективно организации используют свой уникальный бизнес-контекст. Организации все чаще получают доступ к схожим базовым моделям и ИИ-инфраструктуре. Уникальным остается их бизнес-контекст: клиенты, продукты, метрики, процессы, отношения, терминология и правила.
Эта эволюция не заменяет существующие платформы данных или инвестиции в семантику. Напротив, она расширяет их роль, связывая доверенные данные с бизнес-знаниями, которые необходимы ИИ-системам для более эффективной интерпретации информации и принятия решений.
Следующему поколению корпоративного ИИ потребуется не только доступ к корпоративным данным. Ему потребуется общее понимание того, что эти данные означают.
Fabric IQ представляет собой попытку Microsoft сделать это понимание неотъемлемой частью платформы данных, что является многообещающим шагом в эволюции от разговорной аналитики к контекстно-зависимому корпоративному ИИ.
